變壓器套管運行狀態(tài)自動檢測技術(shù)現(xiàn)狀分析

周可慧，肖劍，張可人，徐先勇，唐海國，王珂，朱吉然

(1. 國網(wǎng)湖南省電力有限公司電力科學(xué)研究院，湖南長沙410007；2. 國網(wǎng)湖南省電力有限公司岳陽供電公司，湖南岳陽414000)

0 引言

作為電力系統(tǒng)的核心設(shè)備, 電力變壓器的健康狀況直接影響到整個電力系統(tǒng)的穩(wěn)定運行, 及時發(fā)現(xiàn)變壓器潛伏性故障, 可以防止由此引發(fā)重大事故。套管是變壓器的重要組成部分, 變壓器引出線經(jīng)過套管引出到油箱外部, 起到引出線對地和外殼的絕緣和引線固定作用。高壓套管長期運行在高電壓、大電流環(huán)境中, 除了承受電、熱以及機械力的作用外, 還受到外界溫度、濕度變化的影響[1],故障問題較為突出。近年來, 變壓器套管故障已成為引起變壓器故障的主要原因, 2015 年某110 kV高壓套管因內(nèi)部發(fā)生放電性缺陷, 引起套管炸裂[2]；2018 年某變壓器套管中螺栓未完全壓緊,出現(xiàn)松動, 導(dǎo)致導(dǎo)線與設(shè)備線夾接頭溫度劇增[3]；2015 年某110 kV 變壓器套管由于導(dǎo)電管與均壓球連接處螺紋斷裂, 使套管密封失效, 導(dǎo)致漏油事故[4]等。

紅外檢測技術(shù)通過紅外熱像儀將電力設(shè)備溫度信息可視化, 基于溫度數(shù)據(jù)和圖像特征確定設(shè)備運行狀態(tài), 能夠不停電、實時監(jiān)測運行設(shè)備故障隱患, 降低設(shè)備故障頻率, 對提高電力系統(tǒng)穩(wěn)定性、可靠性有著積極作用, 在電力企業(yè)中受到了廣泛的關(guān)注與應(yīng)用。然而, 當(dāng)前紅外檢測技術(shù)存在著人工依賴性較強、智能化程度較低等不足, 本文將以變壓器套管為例, 介紹紅外檢測技術(shù)對其狀態(tài)判斷的運行現(xiàn)狀和應(yīng)用場景, 分析目前紅外檢測技術(shù)存在的問題, 并結(jié)合深度學(xué)習(xí), 對變壓器套管運行狀態(tài)自動檢測技術(shù)提出研究思路。

1 深度學(xué)習(xí)在電網(wǎng)中的應(yīng)用

作為人工智能領(lǐng)域的一個重要分支, 基于多隱層機器學(xué)習(xí)模型的構(gòu)建, 深度學(xué)習(xí)打破了該領(lǐng)域的發(fā)展瓶頸, 推動了圖像分類、識別、分割等各個方向的科技發(fā)展。深度學(xué)習(xí)這一理念來自于Geoffery Hinton 教授和他的學(xué)生在science上發(fā)表的一篇論文[5]。這篇論文的主要要點包括[6]: 第一, 相比于單個隱藏層, 包含多個隱含層的神經(jīng)網(wǎng)絡(luò), 具有更加優(yōu)異的特征學(xué)習(xí)能力, 可以基于模型訓(xùn)練從原始數(shù)據(jù)中提取到更加抽象、更加本質(zhì)化的特征；第二, 通過逐層訓(xùn)練的無監(jiān)督學(xué)習(xí)算法初始化網(wǎng)絡(luò)權(quán)重, 分級表達(dá)輸入數(shù)據(jù)信息, 有效地克服或降低深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練時可能發(fā)生的梯度彌散等問題。

深度學(xué)習(xí)在電網(wǎng)中應(yīng)用較為廣泛, 文獻(xiàn) [7]根據(jù)變壓器分接開關(guān)振動信號的相空間分布角度,提出基于卷積神經(jīng)網(wǎng)絡(luò)的有載分接開關(guān)故障識別模型；文獻(xiàn) [8] 通過分析油中溶解氣體與故障類型的聯(lián)系, 建立以油色譜特征氣體無編碼比值為特征參量的深度信念網(wǎng)絡(luò), 提高變壓器故障診斷精度；文獻(xiàn) [9] 搭建覆冰圖像厚度辨識卷積神經(jīng)網(wǎng)絡(luò)模型, 并引入IBP 自調(diào)整機制優(yōu)化結(jié)構(gòu)參數(shù), 提高不同場景下的覆冰圖像辨識能力。

2 紅外檢測技術(shù)在變壓器套管中應(yīng)用

變壓器套管主要包含出線接頭、柱頭、絕緣瓷套等, 常見故障包括接觸不良、介質(zhì)損耗過大、污穢等。本文將針對套管各個部件的常見故障, 闡述紅外檢測方法對其狀態(tài)判斷的應(yīng)用場景。

2.1 接觸不良故障

出線線夾、內(nèi)部引線接觸不良是套管的主要故障, 主要原因包括導(dǎo)線材料質(zhì)量差、螺栓設(shè)計不符合要求、安裝施工不嚴(yán)謹(jǐn)、部件氧化以及運行過程中電、熱、機械力作用下的導(dǎo)線斷股等。此類故障與電流有直接關(guān)系, 屬于典型的電流致熱表現(xiàn)。

在紅外檢測技術(shù)中, 接觸不良故障常用的分析方法為表面溫度判斷法和同類比較判斷法。表面溫度判斷法是指根據(jù)測得的設(shè)備表面溫度值, 對照設(shè)備溫度和溫升有關(guān)規(guī)定, 結(jié)合環(huán)境氣候條件、負(fù)荷大小進(jìn)行分析判斷；同類比較判斷法是指根據(jù)同組三相設(shè)備、同相設(shè)備之間及同類設(shè)備之間對應(yīng)部件的溫差進(jìn)行分析比較, 對于電壓致熱型設(shè)備, 還需結(jié)合圖像特征判斷法判斷；對于電流致熱型設(shè)備,還需結(jié)合相對溫差判斷法判斷, 其中相對溫差是指兩個對應(yīng)測點之間的溫差與其中較熱點的溫升之比的百分?jǐn)?shù)。兩個對應(yīng)測點之間的溫差與其中較熱點的溫升之比的百分?jǐn)?shù), 相對溫差δ用下式求出:

式中,τ1 和T1 為發(fā)熱點的溫升和溫度；τ2 和T2為發(fā)熱點的溫升和溫度；T0 為環(huán)境溫度參照體的溫度。

出線線夾或柱頭接觸不良的缺陷判斷一般分為3 個層次: 一般缺陷、嚴(yán)重缺陷和危機缺陷。對于出線線夾而言, 當(dāng)溫差沒有達(dá)到15 K 時, 為一般缺陷；當(dāng)熱點溫度≥90℃或相對溫差≥80%時, 為嚴(yán)重缺陷, 應(yīng)采取必要的措施, 如加強檢測等, 必要時降低負(fù)荷電流；當(dāng)熱點溫度≥130℃或相對溫差≥95%, 為危機缺陷, 應(yīng)立即安排處理, 如立即降低負(fù)荷電流或消缺。對于柱頭故障而言, 熱點溫度要求更嚴(yán)格, 當(dāng)熱點溫度≥55℃為嚴(yán)重缺陷, 熱點溫度≥80℃為危機缺陷。

2.2 介質(zhì)損耗過大

套管在運行過程中的老化、受潮、劣化等會造成絕緣性能下降引起發(fā)熱, 其發(fā)熱與電流大小無關(guān), 是典型的電壓致熱表現(xiàn)。此類故障沒有明顯的發(fā)熱點, 紅外圖像呈現(xiàn)整體發(fā)熱特征, 溫度變化不明顯, 當(dāng)溫升超過2 ～3 K 時即為嚴(yán)重缺陷, 需要加強監(jiān)測并安排其他測試手段, 缺陷性質(zhì)確認(rèn)后,立即采取措施消缺。常見的分析方法為圖像特征分析法、同類比較判斷法。

2.3 局部放電故障

局部放電故障會導(dǎo)致變壓器過早發(fā)生損害, 影響變壓器壽命。造成局部放電的主要原因有工藝缺陷、長時間運行導(dǎo)致套管出現(xiàn)裂紋等。局部放電故障在紅外圖像中呈現(xiàn)局部發(fā)熱特征。同介質(zhì)損耗過大故障類似, 局部放電故障也是電壓致熱型故障,溫度變化不明顯, 當(dāng)溫升超過2 ～3 K 即為出現(xiàn)故障, 采用圖像特征分析法、同類比較判斷法判斷缺陷。

2.4 套管污穢

套管運行的外部環(huán)境較為惡劣, 可能會碰到雨雪、大風(fēng)、冰雹、臺風(fēng)等極端天氣, 因此較易積污。當(dāng)套管表面污穢, 尤其處于潮濕環(huán)境中時, 污穢層中所含的可溶性鹽類和酸堿物質(zhì)等溶于水膜,形成離子電導(dǎo), 引起表面局部泄漏電流變大。其紅外圖像在污穢嚴(yán)重位置呈現(xiàn)發(fā)熱特征, 溫度變化不明顯, 采用圖像特征分析法、同類比較判斷法判斷缺陷。

2.5 缺油故障

目前變電站內(nèi)大部分使用的是油紙絕緣套管,經(jīng)常出現(xiàn)取油樣化驗時未及時添油、滲漏油等情況, 如果未及時發(fā)現(xiàn)容易造成缺油故障, 該故障的紅外圖像特征為套管表面會存在明顯分界面, 一般采用圖像特征分析法判斷。

3 紅外檢測技術(shù)存在的問題

紅外輻射屬于電磁波, 任何溫度超過絕對零度的物體都會向外部輻射紅外光, 且溫度越高, 輻射的能量越大。紅外成像就是把被測設(shè)備發(fā)射的紅外輻射信號, 通過光學(xué)元件, 被紅外探測器吸收, 將光信號轉(zhuǎn)換成電信號, 再經(jīng)信號處理器做放大、轉(zhuǎn)換等相應(yīng)處理, 傳輸?shù)浇K端, 通過顯示器輸出設(shè)備表面溫度分布情況, 其原理如圖1 所示。

圖1 紅外成像原理

雖然目前紅外檢測技術(shù)對于電力設(shè)備狀態(tài)檢測有著積極作用, 但是還是存在著若干問題, 較為突出的問題是拍攝的紅外圖像質(zhì)量較差以及圖像分析人為因素影響較大。

3.1 紅外圖像質(zhì)量差

由上述紅外成像原理可知, 紅外輻射需經(jīng)大氣衰減和光電信號處理等過程才能輸出紅外圖像, 因此, 相較于可見光圖像而言, 紅外圖像質(zhì)量將大打折扣；同時, 考慮紅外傳感器的靈敏性, 紅外熱像儀通常采用高動態(tài)范圍數(shù)據(jù)表示紅外圖像, 然而,受到人眼的像素識別影響, 當(dāng)前顯示設(shè)備只能顯示8 bit 數(shù)據(jù), 因此, 實際觀測時, 需要將高動態(tài)范圍數(shù)據(jù)壓縮。這些因素都使得紅外圖像對比度低、紋理細(xì)節(jié)相對模糊。

3.2 圖像分析人為因素影響大

目前, 變電站的紅外檢測主要還是以人工為主, 運維人員對設(shè)備進(jìn)行現(xiàn)場拍攝, 記錄設(shè)備和圖像編號, 生成電子文檔, 再將圖像導(dǎo)入電腦, 依靠經(jīng)驗和相關(guān)標(biāo)準(zhǔn)對圖像進(jìn)行診斷分析, 判斷設(shè)備狀態(tài)。此方法雖然有較高的可靠性, 但是存在著人工成本高、人力資源浪費且圖像分析效率低等明顯不足。

4 研究思路

針對目前變電站紅外檢測的不足, 將深度學(xué)習(xí)與紅外診斷技術(shù)結(jié)合成為一個重要的研究方向。

4.1 基于EfficientDet 的目標(biāo)檢測研究

紅外圖像采集過程中, 視窗內(nèi)不僅包含變壓器套管, 還包括其他部件、支撐鋼架以及環(huán)境背景等無關(guān)因素, 需要對套管自動識別, 確定套管區(qū)域。EfficientDet[10]是一系列可擴展的高效目標(biāo)檢測器的統(tǒng)稱, 將EfficientNet 復(fù)合縮放思路進(jìn)行延伸,主要包括EfficientNet 主干網(wǎng)絡(luò)、雙向特征金字塔模型 (BiFPN)、分類預(yù)測網(wǎng)絡(luò)和邊框預(yù)測網(wǎng)絡(luò)4個部分。該模型最大的特點是建立了一種精度高,效率快, 并能適用在不同硬件資源下的目標(biāo)檢測網(wǎng)絡(luò)。

EfficientDet 模型的結(jié)構(gòu)如圖 2 所示, 建立EfficientNet 主干網(wǎng)絡(luò), 采用深度可分離網(wǎng)絡(luò), 對通道和空間域分別進(jìn)行卷積操作, 獲取各層網(wǎng)絡(luò)特征；構(gòu)建加權(quán)雙向特征金字塔模型 (BiFPN), 對各層特征進(jìn)行加權(quán)融合。刪除只有一個輸出邊的節(jié)點, 對于同級別的輸入和輸出節(jié)點, 建立跳躍連接, 并引入加權(quán)特征融合模式, 讓神經(jīng)網(wǎng)絡(luò)自動訓(xùn)練權(quán)重的分配, 融合各層次特征, 豐富語義信息；同時, 為適應(yīng)不同資源的有效應(yīng)用, 實現(xiàn)了一種建立聯(lián)合尺度縮放方法, 采用復(fù)合系數(shù)φ對主干網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)、分類預(yù)測網(wǎng)絡(luò)以及邊界框預(yù)測網(wǎng)絡(luò)進(jìn)行縮放。

圖2 EfficientDet 模型結(jié)構(gòu)圖

4.2 基于語義分割的套管精細(xì)化分割研究

套管不同部位的故障原因、故障類型以及紅外熱像特征都不一樣。為了進(jìn)一步確定套管不同部件區(qū)域的運行狀態(tài), 需對變壓器套管精細(xì)化分割。語義分割是將輸入圖像中的每個像素分配一個語義類別, 以得到像素化的密集分類。目前語義分割的經(jīng)典網(wǎng)絡(luò)有許多, 如全卷積神經(jīng)網(wǎng)絡(luò)[11], SegNet[12]、Unet[13]等。DeepLab v3+[14]是 2018 年谷歌提出的語義分割模型, 其模型整體架構(gòu)如圖3 所示。該模型的主要優(yōu)勢是引入了 EncoderDecoder 思路,Encoder 主體包括帶有空洞卷積的深度卷積神經(jīng)網(wǎng)絡(luò) (DCNN) 和帶有空洞卷積的空間金字塔池化模塊 (Atrous Spatial Pyramid Pooling, ASPP) )；同時, 引入的Decoder 模塊將底層特征與高層特征進(jìn)一步融合, 提升分割邊界準(zhǔn)確度。

圖3 DeepLab v3+模型結(jié)構(gòu)

4.3 可見光圖像和紅外圖像的配準(zhǔn)技術(shù)研究

紅外圖像存在對比度弱、邊緣模糊、信噪比低等不足, 通過可見光圖像分割部件可以更好地獲取優(yōu)良的分割區(qū)域。然而, 套管故障是通過紅外圖像特征進(jìn)行判斷的, 因此, 為了更好地通過分割的可見光圖像獲取紅外圖像的溫度信息以及圖像特征,需要將可見光與紅外圖像進(jìn)行配準(zhǔn)。圖像配準(zhǔn)是指將不同時間、不同環(huán)境條件和不同成像設(shè)備上拍攝的兩幅以上圖像的匹配和疊加, 可以分為傳統(tǒng)圖像配準(zhǔn)方法、深度學(xué)習(xí)的圖像配準(zhǔn)方法以及強化學(xué)習(xí)的圖像配準(zhǔn)方法等。

傳統(tǒng)圖像配準(zhǔn)是以特征為出發(fā)點, 從圖像中提取得到特征點、區(qū)域或邊緣, 通過相似性比較, 找到對應(yīng)的特征對, 并基于空間變換獲取坐標(biāo)參數(shù)對圖像進(jìn)行配準(zhǔn)。文獻(xiàn) [15-16] 闡述了傳統(tǒng)圖像配準(zhǔn)關(guān)鍵點檢測算法在圖像配準(zhǔn)中的應(yīng)用和效果。文獻(xiàn) [17-18] 是基于深度學(xué)習(xí)的圖像配準(zhǔn)方法, 通過卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)的卓越性來解決多源圖像的配準(zhǔn)問題；文獻(xiàn) [19] 針對傳統(tǒng)算法不能準(zhǔn)確表征圖像特征和配準(zhǔn)圖像的相似度, 通過端到端的強化學(xué)習(xí)算法, 建立一個人工智能模型, 減少配準(zhǔn)誤差。

4.4 溫度數(shù)據(jù)處理研究

變壓器套管不同部件故障溫度特征是不一致的, 因此數(shù)據(jù)需求不同, 溫度處理方式也不一樣。為確定套管部件運行狀態(tài), 需要對獲取的紅外圖像溫度信息進(jìn)行有針對性處理。各類套管故障情況不同的表現(xiàn)形式所需的數(shù)據(jù)信息各異。

各類套管故障情況所需的數(shù)據(jù)信息為:

1) 出線線夾、內(nèi)部引線接觸不良: 出線線夾過熱或柱頭過熱；數(shù)據(jù)需求: 環(huán)境溫度參考體溫度、三相線夾或柱頭溫度、電流值；溫度數(shù)據(jù)處理結(jié)果: 過熱點溫度、正常相溫度、溫差、相對溫差。

2) 介質(zhì)損耗過大: 套管整體發(fā)熱；數(shù)據(jù)需求: 三相套管溫度；溫度數(shù)據(jù)處理結(jié)果: 過熱點溫度、正常相溫度。

3) 局部放電: 套管局部發(fā)熱；數(shù)據(jù)需求: 三相對應(yīng)發(fā)熱部位溫度；溫度數(shù)據(jù)處理結(jié)果: 過熱點溫度、正常相溫度。

4) 套管污穢: 污穢部位發(fā)熱；數(shù)據(jù)需求: 三相對應(yīng)發(fā)熱部位溫度；溫度數(shù)據(jù)處理結(jié)果: 過熱點溫度、正常相溫度。

4.5 紅外圖像特征分析研究

套管絕緣瓷套的故障類型包含介質(zhì)損耗、缺油、污穢等, 這些故障大部分屬于電壓致熱型, 其溫度變化較小, 因此單純提取溫度信息可能會出現(xiàn)誤判的情況。然而, 絕緣瓷套不同類型故障的紅外圖像都有著明顯特征, 如若發(fā)生缺油故障, 套管的紅外圖像會出現(xiàn)明顯的油分界線。因此, 將溫度數(shù)據(jù)結(jié)合紅外圖像特征分析去判斷套管瓷套運行狀態(tài)更加有效準(zhǔn)確。

不同故障類型的紅外圖像特征各異:

1) 介質(zhì)損耗過大: 較正常套管, 故障套管整體的顏色更深、更亮。

2) 套管局部放電: 相較于該套管其他部位和正常相套管對應(yīng)部位, 故障位置顏色更深、更亮。

3) 套管污穢: 相較于其他部位, 故障部位的顏色更深、更亮；同時, 對比局部放電故障的紅外圖像, 污穢故障的發(fā)熱部位可能不止一處, 會出現(xiàn)多個顏色較深的區(qū)域。

4) 套管缺油: 對應(yīng)套管部位會出現(xiàn)明顯的油分界線, 且分界線下方顏色比上方更深、更亮。

5 結(jié)語

紅外檢測技術(shù)對于電力設(shè)備的正常運行有著重要的意義, 本文以變壓器套管為例, 說明了當(dāng)前紅外檢測技術(shù)的運行現(xiàn)狀, 并分析該技術(shù)目前存在的紅外圖像質(zhì)量差, 人為因素影響大等不足。結(jié)合深度學(xué)習(xí)算法, 從目標(biāo)檢測、精細(xì)化分割、圖像配準(zhǔn)、溫度數(shù)據(jù)處理和圖像特征分析五個方面闡述,為變壓器套管狀態(tài)自動檢測技術(shù)提供研究思路。