基于引導(dǎo)濾波的電力設(shè)備熱故障診斷方法研究

黃志鴻，吳 晟，肖 劍，張可人，黃 偉

（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）

0 引言

電力設(shè)備是電力系統(tǒng)中的重要組成部分。在電力設(shè)備的運行過程中，不可避免地出現(xiàn)各式各樣的故障，其中熱故障是最常見的一種故障類型[1]。及時診斷出電力設(shè)備發(fā)熱故障，對保障電力系統(tǒng)穩(wěn)定與安全地運行起著至關(guān)重要的作用[2]。紅外熱成像檢測技術(shù)具有非接觸帶電檢測的優(yōu)勢，能夠有效檢測電力設(shè)備的溫度場信息（如圖1所示），現(xiàn)已成為電力設(shè)備熱故障診斷的一種重要手段，在電力系統(tǒng)各個單位中有著廣泛的應(yīng)用[3]。

圖1 湘潭市某處220 kV 變電站Fig.1 A 220 kV substation in Xiangtan city

隨著我國電力系統(tǒng)的不斷發(fā)展，電力設(shè)備的紅外巡檢任務(wù)壓力也逐漸增大。傳統(tǒng)依靠人工判別與分析處理的手段，不僅人工成本高，檢測周期長，巡檢效率低，而且誤檢率較高。為提高電力設(shè)備熱故障診斷的智能化和信息化水平，國內(nèi)外研究人員提出了許多熱故障診斷方法?？偟膩碚f，這些熱故障診斷方法可以分為兩大類。

第一類是基于傳統(tǒng)的圖像特征分析方法?？谍埖热嗽?016年[4]采用一種圖像分割的方法來分離出電力設(shè)備紅外圖像中的熱故障區(qū)域。王淼等人在2017年[5]提出一種基于梯度分析的邊緣檢測方法來診斷出紅外熱故障區(qū)域。胡洛娜等人在2018年[6]采用改進的k-means 聚類算法用于異常熱故障區(qū)域診斷。一種基于小波變換和后驗概率分布的診斷方法[7]用于增強圖像質(zhì)量，提升診斷熱故障目標(biāo)的精度。

除了上述方法外，基于深度神經(jīng)網(wǎng)絡(luò)的檢測方法近年來也得到了研究人員的廣泛關(guān)注。文獻[8]首先對紅外圖像進行超像素分割，然后利用卷積神經(jīng)網(wǎng)絡(luò)對電力設(shè)備的紅外圖像進行診斷。文獻[9]利用遞歸神經(jīng)網(wǎng)絡(luò)定位異常熱故障區(qū)域像素。賈鑫等人[10]先對紅外圖像進行區(qū)域分割，然后利用卷積神經(jīng)網(wǎng)絡(luò)進行熱故障診斷。值得注意的是，上述基于深度學(xué)習(xí)的方法均是采用有監(jiān)督的檢測方式，嚴(yán)重依賴于人工標(biāo)定的已知的故障區(qū)域，根據(jù)已知故障區(qū)域的紅外熱信號來診斷故障目標(biāo)。

然而，在真實巡檢環(huán)境下，電力設(shè)備故障區(qū)域的紅外信號易受到環(huán)境因素的影響，例如拍攝角度遮擋，輻射率設(shè)置不準(zhǔn)確，噪聲污染。因此，在真實電力巡檢場景下，這類有監(jiān)督學(xué)習(xí)的檢測技術(shù)難以獲取一致性的熱故障區(qū)域紅外信號，并構(gòu)建大量可靠的紅外數(shù)據(jù)庫。相反，基于無監(jiān)督學(xué)習(xí)的異常檢測技術(shù)不需要電力設(shè)備故障區(qū)域的先驗信息[11]。如何通過異常目標(biāo)檢測方法實現(xiàn)對電力設(shè)備熱故障的有效監(jiān)測是本文擬解決的應(yīng)用難題。

為此，本文提出一種基于引導(dǎo)濾波的電力設(shè)備熱故障診斷方法。本文的創(chuàng)新點主要包括兩個方面。第一，將電力設(shè)備熱故障診斷問題建模為基于無監(jiān)督學(xué)習(xí)的異常目標(biāo)檢測的問題，有效解決熱故障訓(xùn)練樣本不足的問題。第二，將圖像濾波技術(shù)用于電力設(shè)備熱故障診斷中，提出一種基于引導(dǎo)濾波（guided filtering,GF）的電力設(shè)備紅外圖像故障診斷方法。通過圖像后處理的方式，極大地提升熱故障的診斷精度。

1 基于引導(dǎo)濾波的熱故障診斷方法

圖2展示的是所提出方法的流程圖。所提方法主要包含兩個步驟。首先，根據(jù)熱故障區(qū)域與圖像背景的溫升差異特性，逐像素計算測試像素與圖像背景的馬氏距離，獲得初始的診斷結(jié)果圖。然后，采用引導(dǎo)濾波對初始診斷結(jié)果進行優(yōu)化，充分利用相鄰像素之間的空間相關(guān)性，抑制圖像中噪聲等突變細節(jié)并保持熱故障區(qū)域的空間邊緣信息，提升熱故障的診斷精度，生成最終診斷結(jié)果。

圖2 所提出的GF 方法流程圖Fig.2 The schematic diagram of the proposed GF method

1.1 相關(guān)研究

圖像濾波技術(shù)是計算機視覺領(lǐng)域中常用的處理技術(shù)。與傳統(tǒng)的濾波技術(shù)不同，在邊緣保持濾波技術(shù)中，不同位置的圖像像素對應(yīng)的濾波核會發(fā)生變化。在平滑濾除圖像噪聲等畸變細節(jié)時，不會對空間邊緣造成模糊[12]。近些年來邊緣保持濾波技術(shù)在計算機視覺領(lǐng)域得到了廣泛的研究[12–14]。常見的邊緣保持濾波算法有：引導(dǎo)濾波[12]、雙邊濾波[13]、加權(quán)最小二乘濾波[14]。其中引導(dǎo)濾波在圖像紋理編輯、去噪、特征提取等領(lǐng)域被證明為一種有效的濾波技術(shù)引導(dǎo)濾波是一種基于局部線性模型的濾波技術(shù)，具有實時性和高效性等優(yōu)點。在引導(dǎo)濾波中，輸出圖像O通過如下線性變換方式而成：

式中：wj是以像素j為中心的局部窗口，空間尺度為(2r＋1)×(2r＋1)；P為輸入圖像，一個能量函數(shù)用于構(gòu)建引導(dǎo)濾波算法中的aj和bj。

式中：ε為控制濾波的模糊程度。系數(shù)aj和bj通過求解如下線性回歸問題而解得：

式中：μj和δj為引導(dǎo)圖像I中wj區(qū)域的均值和方差。

1.2 故障區(qū)域初始診斷

熱故障是電氣設(shè)備運行中常見的一種故障類型，通常伴隨著局部發(fā)熱現(xiàn)象。紅外圖像能較好地反應(yīng)出電力設(shè)備溫度場的變化情況。設(shè)備故障發(fā)生區(qū)域與周圍背景區(qū)域在紅外圖像上存在較大的溫度差異特性，本文采用Reed-Xiao 異常檢測算法[15]來診斷故障區(qū)域。該方法假設(shè)圖像背景可以用多元高斯分布來表示。背景的協(xié)方差可以用來計算測試像素和背景像素之間的光譜差異。Reed-Xiao（RX）異常檢測算法表示如下：

式中：mi代表輸入紅外測試圖像m中的第i個像素的像素值。μ和Γ分布表示為m的均值和協(xié)方差。DRX(mi)?[0,1]指的是第i個像素屬于異常熱故障的發(fā)生概率。通過計算輸入紅外圖像的馬氏距離，得到初始的熱故障檢測結(jié)果圖I。圖3左側(cè)展示為一個初始診斷結(jié)果圖，右側(cè)展示為該圖中的兩個局部細節(jié)放大圖。我們可以發(fā)現(xiàn)，初始診斷結(jié)果能較好地診斷出異常熱故障的發(fā)生區(qū)域，但未能較好地抑制圖像中噪聲等突變細節(jié)，同時未能較好地保持熱故障區(qū)域的空間邊緣信息。

圖3 初始發(fā)熱故障診斷結(jié)果圖Fig.3 Initial thermal fault diagnosis result

1.3 引導(dǎo)濾波后處理

在計算機視覺領(lǐng)域，利用圖像的空間相似性，是抑制噪聲等突變細節(jié)和保持目標(biāo)空間邊緣信息的一種有效手段[11-13]。

為提高發(fā)熱故障區(qū)域的診斷精度，我們對得到的初始診斷結(jié)果圖I進行引導(dǎo)濾波處理。通過挖掘圖像M像素間的空間相似性信息，提升熱故障診斷的性能：

式中：函數(shù)Guided 代表引導(dǎo)濾波操作，I代表輸入的初始診斷結(jié)果；g為一個引導(dǎo)圖像，它由輸入紅外熱像M的第一個主成分組成；s和r為兩個控制濾波結(jié)果平滑度的參數(shù)，在本文中，s和r兩個參數(shù)默認設(shè)置為0.5 和20。R為輸出的濾波后的診斷圖。圖4左側(cè)展示的是一個濾波優(yōu)化后的診斷結(jié)果圖，右側(cè)展示的是該圖中的兩個局部細節(jié)放大圖。

圖4 最終發(fā)熱故障診斷結(jié)果圖Fig.4 Final thermal fault diagnosis result

此濾波處理步驟的優(yōu)點是在濾波過程中充分挖掘了輸入紅外圖像中的空間信息，抑制圖像背景和噪聲等圖像突變細節(jié)的影響，恢復(fù)目標(biāo)的邊緣細節(jié)信息，提高設(shè)備故障的診斷精度。具體濾波求解過程見參考文獻[12]和文獻[13]。

2 實驗與分析

本實驗中，用于測試的紅外圖像由FILR-T620成像儀所采集。圖像空間分辨率為0.68 mrad，波長范圍為7.5～14 μm。拍攝對象為輸電、變電、配電環(huán)節(jié)中的電氣設(shè)備，如避雷器、斷路器、互感器、絕緣子、電纜等。

為評估本文所提方法對熱故障的診斷性能，采用3 種經(jīng)典的異常目標(biāo)檢測方法進行了對比實驗。這些方法包括基于全局統(tǒng)計的馬氏距離計算Reed-Xiao（RX）方法[14]，基于全局統(tǒng)計的局部RX（LRX）方法[14]以及低秩矩陣分解檢測方法（LRaSMAD-based Mahalanobis Distance，LSMAD）[15]。其中，LRX 方法的內(nèi)部窗口大小win從3～19 中選擇，外部窗口大小wout從5～23 中擇優(yōu)選擇。LSMAD 方法的秩r設(shè)置為1。

為了評估診斷結(jié)果的優(yōu)劣，我們采用面積（area under curve,AUC）[16]指標(biāo)來進一步評價診斷性能。AUC 指標(biāo)基于目標(biāo)檢測結(jié)果和參考檢測圖，定量地評價檢測結(jié)果的精度。該指標(biāo)能較好地評估檢測結(jié)果與熱故障區(qū)域的溫升差異和區(qū)域面積的匹配程度。AUC 值越高，檢測結(jié)果越接近參考檢測圖，診斷性能越優(yōu)異。AUC 指標(biāo)具體計算公式如下：

式中：DP(T)表示當(dāng)檢測結(jié)果的閾值設(shè)置為T時，檢測到的正確目標(biāo)像素占總目標(biāo)像素的比率。FAR(T)表示檢測到錯誤的目標(biāo)像素與背景像素間的比率。

第一幅測試圖像拍攝于湖南省湘潭市韶梅線10 kV 線路上的一景。該圖像包含640×970 個像素。該幅圖像中絕緣子出現(xiàn)了溫度過熱的異常發(fā)熱情況。圖5(a)和(b)展示了該數(shù)據(jù)的紅外熱圖像和參考的熱故障區(qū)域圖。

圖5(c)～(f)展示的是RX、LRX、LSMAD 和GF 等不同檢測方法的診斷結(jié)果。在每幅圖的左側(cè)展示了診斷結(jié)果的局部放大圖。如圖所示，我們可以發(fā)現(xiàn)，GF 方法能有效地抑制背景像素的干擾，同時很好地凸顯出熱故障識別結(jié)果區(qū)域。RX 方法能較好地識別出異常熱故障區(qū)域，但是不能有效地抑制如輸電線路等背景環(huán)境對診斷結(jié)果的干擾。LRX 方法雖然能較好地定位出異常發(fā)熱故障的區(qū)域位置，但是未能較好地診斷發(fā)熱區(qū)域的形狀。LSMAD 方法未能較好地將發(fā)熱故障區(qū)域從背景中診斷出來。四種檢測方法的 AUC 指標(biāo)分別為0.9707、0.9075、0.8514、0.9929，其中GF 方法的熱故障檢測指標(biāo)最高。

圖5 不同方法在絕緣子發(fā)熱故障的診斷結(jié)果圖Fig.5 Different diagnosis results on the fault of insult

第二幅測試圖像拍攝于湖南省湘潭市韶南線10 kV 線路上的一景。該圖像包含240×330 個像素。該幅圖像中輸電導(dǎo)線出現(xiàn)了溫度過熱的異常情況。圖6(a)和(b)展示了該數(shù)據(jù)的紅外熱圖像和參考的熱故障區(qū)域圖。

圖6(c)～(f)展示了RX、LRX、LSMAD 和GF等不同診斷方法的診斷結(jié)果。圖中左側(cè)展示了診斷結(jié)果的局部細節(jié)放大圖。4 種檢測方法的AUC 指標(biāo)分別為0.9901、0.6075、0.9114、0.9965。相較于RX 檢測方法，本文提出的GF 方法能獲得更優(yōu)的診斷精度。LRX 和LSMAD 兩種檢測方法未能較好地抑制背景像素對故障識別的干擾。

圖6 不同方法在架空導(dǎo)線發(fā)熱故障的診斷結(jié)果圖Fig.6 Different diagnosis results on the fault of line

第三幅測試圖像拍攝于湖南省湘潭市某220 kV線路上的一景。該圖像包含325×450 個像素。該幅圖像中絕緣子出現(xiàn)了溫度過熱的異常情況。圖7(a)和(b)展示了該數(shù)據(jù)的紅外熱圖像和參考的熱故障區(qū)域圖。

圖7 不同方法在絕緣子發(fā)熱故障的診斷結(jié)果圖Fig.7 Different diagnosis results on the fault of insult

不同方法的診斷結(jié)果如圖7(c)～(f)所示。在圖的左下方展示了診斷結(jié)果的局部細節(jié)放大圖。如圖所示，我們可以發(fā)現(xiàn)，本章所提出的GF 方法能較好地診斷出發(fā)熱故障區(qū)域，同時對于背景像素有著較強地抑制能力。RX 和LSMAD 兩種方法雖然能較好地診斷出發(fā)熱故障區(qū)域，但是誤檢部分背景像素為故障區(qū)域。LRX 方法未能較好地從背景環(huán)境中分離異常發(fā)熱故障。4 種檢測方法的AUC 指標(biāo)分別為，0.9893，0.8481，0.9486，0.9988。

不同檢測方法的AUC 指標(biāo)如表1所示。我們可以發(fā)現(xiàn)本文所提出的GF 檢測方法能獲得最高的診斷精度（已加粗）。不同檢測方法的運行時間如表2所示。從表中我們可以發(fā)現(xiàn)，LRX 方法需要更多的運算時間。這是因為LRX 方法采用局部滑動窗口的計算策略，導(dǎo)致空間信息的重復(fù)利用，計算效率相對較低。相比之下，RX 和LSMAD 兩種方法采用全局圖像的計算策略，計算效率更高。盡管所提出的GF 方法在運行效率上不是最高的。但鑒于其出色的診斷性能，該方法仍然是4 種方法中最為實用的診斷技術(shù)。

表1 不同診斷方法的AUC 指標(biāo)Table 1 AUC values of different diagnosis methods

表2 不同診斷方法的運行時間Table 2 Running time of different diagnosis methods

此外，為了進一步定量地分析GF 方法中引導(dǎo)濾波處理步驟對檢測性能的影響。圖8展示了在3幅測試圖像中，有無引導(dǎo)濾波處理步驟對診斷結(jié)果的影響。從圖中，我們可以看到無引導(dǎo)濾波處理的熱故障診斷精度分別為0.9707、0.9901、0.9893，而經(jīng)過引導(dǎo)濾波處理的熱故障診斷精度分別為0.9929、0.9965、0.9988。熱故障診斷精度依次提升了2.3%、0.3%、1.0%。實驗結(jié)果表明引導(dǎo)濾波操作為一種重要的圖像處理步驟在電力設(shè)備熱故障診斷中的有效性。

圖8 有無引導(dǎo)濾波處理對診斷精度的影響Fig.8 Diagnosis accuracy with and without the guided filtering step

3 總結(jié)

本文提出了一種基于引導(dǎo)濾波的電力設(shè)備熱故障診斷方法，在復(fù)雜環(huán)境下能有效地識別出電力設(shè)備的熱故障區(qū)域。本文的創(chuàng)新點主要包括兩個方面。第一，首次將電力設(shè)備熱故障診斷問題建模為基于無監(jiān)督學(xué)習(xí)的異常目標(biāo)檢測的問題，有效解決熱故障訓(xùn)練樣本不足的問題。第二，首次將圖像濾波技術(shù)用于電力設(shè)備熱故障診斷中，提出一種基于引導(dǎo)濾波（guided filtering,GF）的電力設(shè)備紅外圖像故障診斷方法。通過圖像后處理的方式，極大地提升熱故障的診斷精度，滿足電力設(shè)備帶電檢測的應(yīng)用需要。