基于智能圖像處理和三維建模技術(shù)的特高壓換流閥廳用套管運(yùn)行狀態(tài)監(jiān)測(cè)方法

張施令，何永勝，宮 林，郭 強(qiáng)

（1.國(guó)網(wǎng)重慶市電力公司電力科學(xué)研究院，重慶 401123；2.國(guó)網(wǎng)重慶市電力公司，重慶 400014；3.重慶理工大學(xué)，重慶 400054）

0 引言

特高壓換流閥廳內(nèi)部主設(shè)備眾多，包含換流變壓器、穿墻套管、換流變套管、換流閥塔、各類管型母線等，這些設(shè)備制造精良、價(jià)格昂貴，且作用關(guān)鍵，其運(yùn)行狀態(tài)直接關(guān)系到整個(gè)換流閥廳的電能轉(zhuǎn)換質(zhì)量。其核心部件換流變壓器套管一直是制約我國(guó)超特高壓主設(shè)備全面國(guó)產(chǎn)化的瓶頸問(wèn)題之一，近年來(lái)隨著我國(guó)超/特高壓工程的加速推進(jìn)，這種矛盾顯得更加突出[1-3]。目前各電壓等級(jí)換流變壓器套管廣泛應(yīng)用于換流站中，其主絕緣普遍采用環(huán)氧套筒SF6氣體絕緣和環(huán)氧芯體固體絕緣結(jié)構(gòu)型式。高壓換流變壓器套管廣泛應(yīng)用于高端換流變壓器出線部分，其運(yùn)行的安全穩(wěn)定性直接決定換流變壓器整機(jī)的運(yùn)行效果。SF6氣體絕緣高壓換流變壓器套管具有典型的多介質(zhì)絕緣結(jié)構(gòu)，其空氣端為SF6氣體絕緣介質(zhì)，套管尾部與變壓器油相接觸，套管本體一般為環(huán)氧浸紙復(fù)合絕緣結(jié)構(gòu)[4-7]?；谠搹?fù)雜絕緣系統(tǒng)，需對(duì)換流變壓器套管的運(yùn)行狀態(tài)保持實(shí)時(shí)狀態(tài)監(jiān)測(cè)。該結(jié)構(gòu)型式套管與傳統(tǒng)油浸紙式套管相比不存在液相絕緣介質(zhì)——套管油，因此不宜采用傳統(tǒng)油壓監(jiān)測(cè)方法，且由于不存在套管油流循環(huán)傳導(dǎo)、對(duì)流散熱機(jī)制，套管中心導(dǎo)桿載流產(chǎn)生的熱量易在環(huán)氧浸紙固體芯體內(nèi)積聚，最終發(fā)生套管芯體熱擊穿、內(nèi)應(yīng)力導(dǎo)致環(huán)氧芯體開裂等典型絕緣事故。鑒于此，亟需提出針對(duì)換流變壓器干式套管絕緣性能的評(píng)估方法，該方法應(yīng)兼顧SF6氣體絕緣部分與環(huán)氧浸紙固體復(fù)合絕緣部分。

對(duì)于特高壓換流閥廳用套管的運(yùn)行維護(hù)主要通過(guò)電學(xué)監(jiān)測(cè)裝置，對(duì)于油紙絕緣系統(tǒng)的電力套管可通過(guò)介質(zhì)損耗因數(shù)在線實(shí)時(shí)監(jiān)測(cè)、變壓器油分解氣體在線檢測(cè)等技術(shù)手段。對(duì)于SF6氣體絕緣的電力套管，主要通過(guò)SF6分解氣體檢測(cè)等技術(shù)手段，主要監(jiān)測(cè)HF、CF4氣體含量隨時(shí)間的變化關(guān)系。對(duì)于環(huán)氧樹脂復(fù)合皺紋紙類絕緣電力套管，主要通過(guò)介質(zhì)損耗因數(shù)在線實(shí)時(shí)監(jiān)測(cè)，以及應(yīng)用特高頻、脈沖電流法實(shí)時(shí)監(jiān)測(cè)其局部放電量水平。同時(shí)通過(guò)監(jiān)測(cè)其內(nèi)部溫度變化曲線、測(cè)算套管芯體關(guān)鍵部位結(jié)構(gòu)尺寸從而反演出核心部件的實(shí)時(shí)在線運(yùn)行狀態(tài)。

然而以上監(jiān)測(cè)手段均需要通過(guò)人為參與現(xiàn)場(chǎng)實(shí)時(shí)信號(hào)的獲取，且獲取的數(shù)據(jù)流信息易引入外界干擾，同時(shí)在故障數(shù)據(jù)處理以及運(yùn)維策略形成方面存在局限性。因此亟需提出一種便捷、快速且有效的運(yùn)行狀態(tài)監(jiān)測(cè)輔助手段。鑒于此，本研究從圖像處理技術(shù)角度提出針對(duì)換流閥廳運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)的方法。該技術(shù)主要包括應(yīng)用智能圖像處理技術(shù)對(duì)紅外熱像儀、紫外成像儀數(shù)據(jù)庫(kù)進(jìn)行辨識(shí)、分類處理；通過(guò)Kalman濾波技術(shù)針對(duì)典型金具絕緣距離進(jìn)行實(shí)時(shí)在線測(cè)量；應(yīng)用基于有限元法三維造型技術(shù)建立閥廳典型主設(shè)備的電場(chǎng)模擬模型，獲得關(guān)鍵主設(shè)備金具表面電場(chǎng)分布情況。結(jié)合圖像數(shù)據(jù)庫(kù)信息、絕緣距離信息和典型主設(shè)備電場(chǎng)分布信息有效獲取其運(yùn)行狀態(tài)參量，并應(yīng)用智能算法對(duì)其運(yùn)行狀態(tài)進(jìn)行自動(dòng)評(píng)估，發(fā)掘潛伏性故障、定位正發(fā)性故障。其中應(yīng)用智能圖像處理技術(shù)的思路流程如圖1所示，首先構(gòu)造適用于紅外、紫外圖像數(shù)據(jù)庫(kù)的概率密度函數(shù)網(wǎng)絡(luò)結(jié)構(gòu)，隨后將該圖像數(shù)據(jù)庫(kù)輸入模糊神經(jīng)網(wǎng)絡(luò)中進(jìn)行批量處理，最終輸出圖像數(shù)據(jù)庫(kù)的電場(chǎng)、熱場(chǎng)分布情況。涉及的實(shí)驗(yàn)儀器主要包括紅外成像儀、紫外成像儀、高清數(shù)碼相機(jī)、高性能臺(tái)式計(jì)算機(jī)。其中數(shù)據(jù)主要通過(guò)紅外成像儀、紫外成像儀、高清數(shù)碼相機(jī)在巡視過(guò)程中人為拍攝得到，組成原始圖片數(shù)據(jù)庫(kù)。在軟件處理部分，基于智能圖像處理流程和Kalman濾波技術(shù)測(cè)量流程已經(jīng)編制了可在計(jì)算機(jī)上運(yùn)行的程序代碼，同時(shí)針對(duì)換流變套管及閥廳內(nèi)部典型金具三維建模均可在計(jì)算機(jī)中實(shí)現(xiàn)。

圖1 模糊神經(jīng)網(wǎng)絡(luò)圖像數(shù)據(jù)庫(kù)處理Fig.1 Fuzzy neural network image database processing

1 基于遺傳算法（GA）和BP神經(jīng)網(wǎng)絡(luò)的智能圖像處理技術(shù)

應(yīng)用遺傳算法實(shí)現(xiàn)圖像分割：最大類間方差的求解過(guò)程就是在解空間中找到一個(gè)最優(yōu)解，使得類間方差最大[8-10]。應(yīng)用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法的具體步驟如下：

（1）設(shè)群體規(guī)模為P。隨機(jī)生成P個(gè)個(gè)體的初始種群給定一個(gè)數(shù)據(jù)選定范圍，由于初始群體的確定對(duì)GA的全局尋優(yōu)有很大影響，采用線性插值函數(shù)生成種群中個(gè)體Wi的一個(gè)實(shí)數(shù)向量（w1,w2,...,ws）作為遺傳算法的一個(gè)染色體。染色體的長(zhǎng)度如式（1）所示。

式（1）中：R為輸入層節(jié)點(diǎn)數(shù)；S1為隱含層節(jié)點(diǎn)數(shù)；S2為輸出層節(jié)點(diǎn)數(shù)。確定好種群中的每個(gè)個(gè)體Wi(Wi=w1，w2，...，ws，i=1，2，…，P）代表一個(gè)BP 神經(jīng)網(wǎng)絡(luò)的初始值，個(gè)體Wi中的一個(gè)基因值ws表示神經(jīng)網(wǎng)絡(luò)的一個(gè)連接權(quán)值或閾值。為了得到高精度的權(quán)值、縮短染色體的串長(zhǎng)，采用浮點(diǎn)數(shù)編碼方法。

（2）確定個(gè)體的評(píng)價(jià)函數(shù)。給定1個(gè)BP神經(jīng)網(wǎng)絡(luò)進(jìn)化參數(shù)，將第1步中得到的染色體對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行賦值，輸入訓(xùn)練樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，達(dá)到設(shè)定的精度得到1個(gè)網(wǎng)絡(luò)訓(xùn)練輸出值，則種群W中個(gè)體Wi的適應(yīng)度值fitnessi和平均適應(yīng)度值分別定義為式（2）、式（3）。

式（2）～（3）：中為訓(xùn)練輸出值；yj為訓(xùn)練輸出期望值；M為重構(gòu)相空間中的相點(diǎn)數(shù)；P為種群規(guī)模。

（3）采用輪盤賭法選擇算子，即基于適應(yīng)度比例的選擇策略對(duì)每一代種群中的染色體進(jìn)行選擇，則選擇概率pi為式（4）。

式（4）中，fi=1/fitnessi。

（4）因?yàn)閭€(gè)體采用實(shí)數(shù)編碼，所以交叉操作方法采用實(shí)數(shù)交叉法。第k個(gè)基因wk和第l個(gè)基因wl在j位的交叉操作如式（5）。

式（5）中，b為[0,1]的隨機(jī)數(shù)。

（5）選取第i個(gè)個(gè)體的第j個(gè)基因進(jìn)行變異操作，如式（6）所示。式（6）中：wmax和wmin分別為基因wij取值的上下限；r為[0,1]的隨機(jī)數(shù)；r2為1個(gè)隨機(jī)數(shù)；g為當(dāng)前迭代次數(shù)；Gmax為最大進(jìn)化代數(shù)。

（6）將遺傳算法的最優(yōu)個(gè)體分解為BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，利用BP算法對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行訓(xùn)練，求出混沌時(shí)間序列預(yù)測(cè)最優(yōu)解[11-15]。模糊神經(jīng)網(wǎng)絡(luò)可以通過(guò)BP算法和最小二乘估計(jì)法的混合算法進(jìn)行學(xué)習(xí)，從而調(diào)整系統(tǒng)的前件和后件參數(shù)。前向階段計(jì)算到第4層，反向階段誤差信號(hào)反向傳遞，用BP算法更新前件參數(shù)，基于GA和BP神經(jīng)網(wǎng)絡(luò)的智能圖像處理拓?fù)浣Y(jié)構(gòu)如圖2所示，先設(shè)定概率密度函數(shù)的權(quán)值和閾值，結(jié)合特高壓閥廳采集組建的電力設(shè)備圖像數(shù)據(jù)庫(kù)進(jìn)行深度學(xué)習(xí)訓(xùn)練，獲得概率密度函數(shù)迭代調(diào)整后權(quán)值和閾值，最終輸出圖像數(shù)據(jù)庫(kù)，得到電場(chǎng)、電位分布云圖。

圖2 基于GA和BP神經(jīng)網(wǎng)絡(luò)的智能圖像處理Fig.2 Intelligent image processing based on GA and BP neural network

2 基于紫外和紅外測(cè)量智能圖像數(shù)據(jù)庫(kù)建立

以我國(guó)規(guī)劃的±800 kV某直流輸電工程為例，閥廳內(nèi)部包括換流閥塔和換流變壓器套管等相臨近的電氣設(shè)備，如圖3所示。圖4為特高壓閥廳內(nèi)實(shí)際電力設(shè)備現(xiàn)場(chǎng)照片，包括特高壓換流閥塔、特高壓換流變套管、特高壓穿墻套管、支撐絕緣子、管型母線和大型均壓罩等典型電力設(shè)備。這些設(shè)備在運(yùn)行條件下均有大電流通過(guò)，因此將會(huì)產(chǎn)生較為顯著的發(fā)熱效應(yīng)。一般情況下，在金屬導(dǎo)體存在接觸不良、換流閥塔內(nèi)部IGBT存在固有缺陷、套管內(nèi)部存在固體絕緣裂紋等制造工藝不足條件下均會(huì)出現(xiàn)局部過(guò)熱點(diǎn)。

圖3 特高壓閥廳內(nèi)換流變套管實(shí)際運(yùn)行環(huán)境Fig.3 Actual operation environment of converter bushing in UHV valve hall

從圖4還可以看出，換流閥塔結(jié)構(gòu)復(fù)雜，其外表面布置有金屬外殼，用于對(duì)閥塔內(nèi)部的精密換流元件進(jìn)行電磁屏蔽保護(hù)。應(yīng)用紅外熱像儀對(duì)以上關(guān)鍵電力設(shè)備進(jìn)行了現(xiàn)場(chǎng)觀測(cè)，結(jié)果如圖5所示。

圖4 特高壓閥廳內(nèi)的實(shí)際電力設(shè)備Fig.4 Actual power equipment in UHV valve hall

圖5 電力設(shè)備紅外熱像儀觀測(cè)結(jié)果Fig.5 Observation results of infrared thermal imager for power equipment

從圖5可以看出，閥廳內(nèi)部電力設(shè)備在外施電流作用下出現(xiàn)較為明顯的溫度場(chǎng)差異化分布，局部過(guò)熱點(diǎn)主要出現(xiàn)在金屬導(dǎo)體接觸區(qū)域，大型均壓罩表面的溫度較其他區(qū)域高。同時(shí)在換流閥塔內(nèi)部由于IGBT等半導(dǎo)體器件的重復(fù)多次開斷過(guò)程出現(xiàn)了明顯局部過(guò)熱區(qū)域，以上溫度過(guò)熱點(diǎn)同樣為閥廳電力設(shè)備在實(shí)際運(yùn)行過(guò)程中較易出現(xiàn)故障的位置?？紤]到換流閥廳電力設(shè)備在運(yùn)行過(guò)程中承受高電壓長(zhǎng)時(shí)間作用，在各個(gè)大型電力金具表面較易出現(xiàn)高場(chǎng)強(qiáng)區(qū)域，特別是在管型母線拐角處，高溫度區(qū)域與高場(chǎng)強(qiáng)區(qū)域基本重合，應(yīng)用紫外成像儀觀測(cè)電力設(shè)備金具表面的電暈現(xiàn)象，結(jié)果如圖6所示。從圖6可以看出，采用紫外成像儀可在閥廳內(nèi)部電力設(shè)備有效觀測(cè)到典型金具表面的微弱電暈放電情況，該放電可能是金具表面毛刺、污穢物等異物引起的，如果未出現(xiàn)劇烈電暈放電，則說(shuō)明金具表面沒(méi)有顯著的絕緣缺陷。

圖6 電力設(shè)備紫外成像儀觀測(cè)結(jié)果Fig.6 Observation results of ultraviolet imager for power equipment

為了較為準(zhǔn)確地定位溫度過(guò)熱點(diǎn)、紫外缺陷點(diǎn)的三維空間，以便于盡快找到缺陷位置進(jìn)行電力設(shè)備現(xiàn)場(chǎng)維護(hù)檢修，接下來(lái)通過(guò)Kalman濾波技術(shù)針對(duì)典型金具絕緣距離進(jìn)行實(shí)時(shí)在線測(cè)量。

3 基于Kalman濾波技術(shù)針對(duì)典型套管金具絕緣距離測(cè)量

高壓電力閥廳內(nèi)部空間內(nèi)布置光學(xué)傳感器，其布置數(shù)量、安裝位置均需要進(jìn)行理論分析。在以上變量固定條件下，則需要考慮優(yōu)化的算法和數(shù)據(jù)處理方法判斷局部放電出現(xiàn)的位置[16-17]。在高壓電力閥廳內(nèi)部各個(gè)關(guān)鍵位置放置光學(xué)傳感器，光學(xué)傳感器發(fā)射一定頻段波長(zhǎng)光線并不斷掃描，光線接收到局部放電信號(hào)位置信息后將其反饋至后臺(tái)信息處理系統(tǒng)，綜合各個(gè)傳感器位置信息可獲得局部放電位置信息。用光學(xué)傳感器測(cè)量已知的局部放電位置，測(cè)距誤差為0.05 m，大量試驗(yàn)數(shù)據(jù)統(tǒng)計(jì)表明，激光測(cè)距儀的測(cè)量誤差方差R=0.002 5，第k次測(cè)距的數(shù)據(jù)精度不是100%，存在測(cè)量噪聲V(k)，測(cè)量方程為Z(k)=X(k)+V(k)。系統(tǒng)的狀態(tài)方程和觀測(cè)方程如式（7）所示。

式（7）中：X(k)是一維變量的距離（高度值）；A=1，H=1；W(k-1)和V(k)的方差是Q和R。系統(tǒng)建立后，可以用Kalman濾波器處理噪聲W(k)和V(k)。假設(shè)要估計(jì)第k時(shí)刻的實(shí)際高度，應(yīng)根據(jù)第k-1時(shí)刻的高度預(yù)測(cè)第k時(shí)刻的高度。卡爾曼濾波的狀態(tài)空間模型對(duì)動(dòng)態(tài)系統(tǒng)的描述如式（8）所示。

進(jìn)一步預(yù)測(cè)協(xié)方差矩陣，如式（9）所示。

獲得濾波器增益矩陣，如式（10）所示。

狀態(tài)更新得到式（11）～（12）。

協(xié)方差矩陣更新得到式（13）～（14）。

將以上迭代流程在計(jì)算機(jī)上實(shí)現(xiàn)了可運(yùn)行化編程處理，光程路線如圖7所示。

圖7 觀測(cè)傳感器的光程路線Fig.7 Optical path of six observation sensors

從圖7可以看出，每個(gè)觀測(cè)傳感器均有一定的觀測(cè)半徑，各個(gè)觀測(cè)半徑相互疊加，疊加次數(shù)出現(xiàn)較多的區(qū)域是觀測(cè)位置概率較大的區(qū)域。圖7中觀測(cè)點(diǎn)實(shí)際位置與評(píng)估距離有一定差異，但定位基本準(zhǔn)確。

圖8為基于Kalman濾波技術(shù)的濾波效果前后對(duì)比。

圖8 基于Kalman濾波技術(shù)的濾波效果前后對(duì)比Fig.8 Comparison of filtering effect before and after Kalman filtering technology

從圖8可知，未使用Kalman濾波技術(shù)時(shí)，在0～160 s內(nèi)對(duì)于關(guān)鍵位置處的距離預(yù)估偏差跳變較為劇烈，使用Kalman濾波技術(shù)后預(yù)估偏差跳變幅度縮小，基本控制在同一誤差水平，說(shuō)明Kalman濾波技術(shù)具有較好的噪聲控制水平。圖9展示了典型金具絕緣距離實(shí)時(shí)在線測(cè)量軌跡跟蹤效果，可以看出觀測(cè)距離始終在真實(shí)路徑附近跳變，證明了文中提出的算法具有逐漸收斂特性。

圖9 典型金具絕緣距離實(shí)時(shí)測(cè)量軌跡跟蹤Fig.9 Track tracking of insulation distance real time measurement for typical fittings

4 特高壓換流閥廳典型電力設(shè)備的三維模型

圖10為特高壓換流變套管表面溫度的分布情況。從圖10可以看出，在運(yùn)行條件下特高壓換流變套管過(guò)熱點(diǎn)主要分布在出線套筒，主要是由于套筒內(nèi)部為換流變壓器內(nèi)部變壓器油，油與變壓器繞組直接接觸，溫度較高。同時(shí)在換流閥塔水冷區(qū)域同樣存在高溫區(qū)域。

圖10 特高壓換流變套管表面溫度分布Fig.10 Surface temperature distribution of UHV converter bushing

針對(duì)特高壓換流變套管進(jìn)行三維建模，如圖11所示。特高壓換流變套管三維模型包括端部均壓罩、換流變尾部均壓環(huán)和換流變本體等關(guān)鍵部件。三維模型中同時(shí)考慮套管端部和中間法蘭處均壓環(huán)、墻體以及內(nèi)屏蔽結(jié)構(gòu)。此外，換流變套管包括戶內(nèi)、戶外兩部分，兩端空心硅橡膠絕緣子通過(guò)中間法蘭連接穿過(guò)墻體。

圖11 特高壓換流變套管三維模型示意圖Fig.11 The 3D model of UHV converter bushing

圖12為特高壓換流變套管整體的電場(chǎng)分布。圖12表明應(yīng)通過(guò)均壓環(huán)對(duì)三接觸點(diǎn)進(jìn)行有效屏蔽，避免硅橡膠在高場(chǎng)強(qiáng)作用下的電暈燒蝕。由于換流閥廳內(nèi)部均壓罩存在溫度過(guò)熱點(diǎn)，因此重點(diǎn)關(guān)注大型均壓罩表面電場(chǎng)強(qiáng)度分布情況，如圖13所示。從圖13可以看出，閥廳大型均壓罩內(nèi)部結(jié)構(gòu)較為復(fù)雜，且剛性結(jié)構(gòu)的管型母線與均壓罩之間存在柔性觸頭連接，具有較好的抗震和抗位移能力。高場(chǎng)強(qiáng)主要集中在均壓罩下端部，在柔性觸頭部位也存在高場(chǎng)強(qiáng)區(qū)域。

圖12 特高壓換流變套管整體電場(chǎng)分布Fig.12 Overall electric field distribution of UHV converter bushing

圖13 特高壓換流閥廳大型均壓環(huán)模型及三維電場(chǎng)分布Fig.13 Model and 3D electric field distribution of large grading ring in UHV converter valve hall

圖14為特高壓換流閥廳內(nèi)部典型三接觸區(qū)域和低壓環(huán)的三維電場(chǎng)分布。從圖14可知，墻體和均壓環(huán)之間形成了較好的屏蔽區(qū)域，使復(fù)合絕緣子與接地法蘭間的三接觸區(qū)域形成自然屏蔽區(qū)，高場(chǎng)強(qiáng)出現(xiàn)在低壓金屬環(huán)表面，其數(shù)值約為900 V/mm?？招膹?fù)合絕緣子表面最高場(chǎng)強(qiáng)出現(xiàn)在低壓屏蔽環(huán)前端，主要借助于穿墻套管內(nèi)部屏蔽層金屬結(jié)構(gòu)對(duì)套管護(hù)套的電場(chǎng)分布起調(diào)制作用。

圖14 三接觸區(qū)域和低壓均壓環(huán)三維電場(chǎng)分布Fig.14 Three dimensional electric field distribution in three contact areas and low voltage grading ring

5 基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的智能圖像處理技術(shù)應(yīng)用

圖15為換流變套管復(fù)合絕緣子外輪廓提取流程。首先在特高壓換流閥廳用換流變套管的本體圖像上自動(dòng)選擇種子點(diǎn)[18]，在圖中用小紅點(diǎn)進(jìn)行標(biāo)識(shí)。進(jìn)一步應(yīng)用智能識(shí)別技術(shù)對(duì)換流變壓器套管進(jìn)行圖像區(qū)域生長(zhǎng)，同時(shí)對(duì)其進(jìn)行形態(tài)學(xué)圖像處理。經(jīng)過(guò)形態(tài)學(xué)處理后，換流變套管圖像變?yōu)楹诎锥当硎荆⑻崛×丝招膹?fù)合絕緣子外輪廓，圖中用綠色線條沿復(fù)合絕緣子邊緣區(qū)域進(jìn)行了有效標(biāo)識(shí)。同時(shí)建立如圖16所示的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，各個(gè)神經(jīng)元之間通過(guò)網(wǎng)絡(luò)進(jìn)行連接處理，將換流變套管圖像元素信息與各個(gè)神經(jīng)元的網(wǎng)絡(luò)權(quán)值、閾值建立對(duì)應(yīng)關(guān)系。

圖15 換流變套管復(fù)合絕緣子外輪廓提取Fig.15 Outer contour extraction of composite insulator for converter bushing

圖16 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.16 Structure of fuzzy neural network

圖17為模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效果。從圖17可以看出，神經(jīng)網(wǎng)絡(luò)具有較好的學(xué)習(xí)效果，適應(yīng)度函數(shù)迭代100次后趨于穩(wěn)定，且模糊神經(jīng)網(wǎng)絡(luò)局部權(quán)值出現(xiàn)較為典型的非線性特征。換流變套管復(fù)合絕緣子外輪廓提取算法是進(jìn)一步發(fā)現(xiàn)其表面異常裂紋曲線的基礎(chǔ)操作。通過(guò)文中提出的方法首先進(jìn)行復(fù)合絕緣子的外輪廓提取處理，將圖像數(shù)據(jù)進(jìn)行像素壓縮處理，同時(shí)進(jìn)行圖像的灰度二值化處理，以上操作均為壓縮圖片信息內(nèi)容同時(shí)保留圖片的關(guān)鍵信息，得到黑白二值圖像。在黑白二值圖像基礎(chǔ)上，進(jìn)一步循環(huán)使用復(fù)合絕緣子外輪廓提取算法進(jìn)行操作，由于正常情況下復(fù)合絕緣子的輪廓均為封閉外輪廓區(qū)間，層層提取外輪廓就相當(dāng)于對(duì)復(fù)合絕緣子外表面進(jìn)行循環(huán)掃描。如果遇到中間突然出現(xiàn)的斷裂區(qū)間，外輪廓提取算法可有效發(fā)現(xiàn)這些不封閉輪廓區(qū)域。因此，外輪廓提取算法是發(fā)現(xiàn)典型裂紋的算法基礎(chǔ)，經(jīng)過(guò)外輪廓提取算法層層剖析復(fù)合絕緣子圖像可以發(fā)現(xiàn)非常規(guī)的典型裂紋曲線。

圖17 模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效果Fig.17 Learning effect of fuzzy neural network

絕緣子在運(yùn)行過(guò)程中承受機(jī)械應(yīng)力、電應(yīng)力、溫度應(yīng)力聯(lián)合作用，其本體絕緣瓷套較易出現(xiàn)裂紋缺陷。應(yīng)用遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的智能圖像處理技術(shù)對(duì)套管不同程度裂紋區(qū)域進(jìn)行分析，結(jié)果如圖18所示。應(yīng)用遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的智能圖像處理技術(shù)在現(xiàn)場(chǎng)運(yùn)行換流變套管絕緣子發(fā)現(xiàn)疑似裂紋區(qū)域。聚焦大應(yīng)力載荷、高電場(chǎng)強(qiáng)度區(qū)域后發(fā)現(xiàn)橫狀裂紋區(qū)域，應(yīng)用灰度處理算法得到黑白二值圖像進(jìn)行深入研究，進(jìn)一步證明了聯(lián)合遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的智能圖像處理技術(shù)可有效發(fā)掘典型換流變套管用復(fù)合絕緣子的缺陷。

圖18 換流變套管護(hù)套表面典型裂紋Fig.18 Typical surface cracks of converter bushing sheath

6 結(jié)論

（1）未使用Kalman濾波技術(shù)時(shí)，在0～160 s內(nèi)對(duì)于關(guān)鍵位置處的距離預(yù)估偏差跳變較為劇烈，使用Kalman濾波技術(shù)后預(yù)估偏差跳變幅度縮小，基本控制在同一誤差水平。

（2）神經(jīng)網(wǎng)絡(luò)具有較好的學(xué)習(xí)效果，適應(yīng)度函數(shù)迭代100次后趨于穩(wěn)定，且模糊神經(jīng)網(wǎng)絡(luò)局部權(quán)值出現(xiàn)較為典型的非線性特征。

（3）本文提出的針對(duì)特高壓換流閥廳用套管運(yùn)行狀態(tài)特征的監(jiān)測(cè)方法可有效發(fā)掘潛伏性隱患、定位正發(fā)性故障，為主設(shè)備套管運(yùn)行維護(hù)提供有效的數(shù)據(jù)支撐和保護(hù)策略。