基于空間光學(xué)傳感技術(shù)的變電站設(shè)備高熱故障紅外識別方法

吳躍，寶貴，韓文軍，占龍，郭灃慧

（1.國網(wǎng)呼倫貝爾供電公司，呼倫貝爾 021000； 2.國網(wǎng)岳陽供電公司，岳陽 414000）

引言

變電站設(shè)備故障直接導(dǎo)致變電站無法正常運行，常見的故障原因有磁路故障、輸電線路與變電設(shè)備之間接觸不良、絕緣材料老化等，無論哪種類型的故障，都會以溫度突然升高的形式表現(xiàn)出來。紅外熱成像技術(shù)可在變電站設(shè)備不停運、不接觸、不取樣以及不解體的前提下完成局部溫度升高的故障檢測，已經(jīng)成為現(xiàn)階段變電站設(shè)備高熱故障最常用的識別方法之一。

國內(nèi)外相關(guān)專家學(xué)者開展了對變電站設(shè)備高熱故障的紅外識別研究，吳添權(quán)[1]等人在對高斯卷積核作出部分改進后，建立變電站設(shè)備紅外圖像目標檢測模型，經(jīng)過采集數(shù)據(jù)、樣本訓(xùn)練與樣本驗證后，確定變電站設(shè)備故障的具體發(fā)生部位。劉云鵬[2]等人將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在套管故障紅外識別中，通過建立不同狀態(tài)下的套管紅外圖像樣本庫，將其輸入到卷積神經(jīng)網(wǎng)絡(luò)中，構(gòu)建套管故障紅外圖像識別模型，通過設(shè)置合適的網(wǎng)絡(luò)超參數(shù)即可實現(xiàn)對套管故障的識別。Shi Zhigang[3]等人利用支持向量機建立了一種變電站設(shè)備紅外圖像分類器，通過將提取的紅外圖像HOG（方向梯度直方圖）特征帶入到紅外圖像分類器中，實現(xiàn)對變電站設(shè)備的故障識別。Zhou Xihong[4]等人將差分圖像配準與魯棒圖像融合相結(jié)合，提出一種電力設(shè)備熱異常檢測算法，在融合策略的基礎(chǔ)上對電力設(shè)備紅外圖像進行重構(gòu)，通過調(diào)整最優(yōu)配準參數(shù)，使圖像中的熱異常目標得出突出顯示。

在參考上述算法的基礎(chǔ)上，提出基于空間光學(xué)傳感技術(shù)的變電站設(shè)備高熱故障紅外識別方法。首先，在完成變電站設(shè)備紅外圖像的采集后，對其進行分割、圖像增強和光照分量估計，找出目標所在的區(qū)域范圍；然后，引入溫度概率密度對目標所在區(qū)域的溫度進行計算，通過與溫度范圍進行對比，找出處于高熱故障區(qū)域的數(shù)值，與之對應(yīng)的設(shè)備即為高熱故障設(shè)備；最后，將所提方法應(yīng)用在實際工程中，通過對4 種不同類型的變電站設(shè)備故障進行識別，結(jié)果表明，所提方法可以精準到不同類型的變電站設(shè)備故障，找出故障發(fā)生的部位，且不會出現(xiàn)多識別和漏識別的情況。

1 基于空間光學(xué)傳感技術(shù)的設(shè)備高熱故障紅外識別

1.1 變電站設(shè)備紅外圖像采集

在虛擬仿真場景中，利用空間光學(xué)傳感技術(shù)即紅外激光采集變電站設(shè)備圖像的超像素信息，同時與MSRM（區(qū)域合并）方法相結(jié)合，得到變電站設(shè)備空間光學(xué)傳感紅外激光圖像的高分辨重組特征分布模型[5]，表達式如式（1）所示：

式中：

k—特征分布模型的灰色像素；

m—曲面元素；

i={1,2, …,n}—變電站設(shè)備空間光學(xué)傳感圖像的子像素。

將變電站設(shè)備空間光學(xué)傳感圖像進行空間信息融合，找出細節(jié)點K(x0,y0)，以該點為中心，從空間角度分析圖像的稀疏特征分布值：

對式（2）計算結(jié)果進行跟蹤與識別，以此獲得變電站設(shè)備空間光學(xué)傳感圖像的稀疏性字典原子，如式（3）所示：

將上述分析結(jié)果與紅外熱成像技術(shù)進行多尺度融合，得到變電站設(shè)備紅外圖像。

1.2 變電站設(shè)備紅外圖像分割

對于變電站設(shè)備紅外圖像分割，由二維Osut 閾值法來實現(xiàn)。二維Osut 閾值法具有非常優(yōu)秀的抗干擾能力和抗噪能力[6]，而且自適應(yīng)能力非常強。但不可避免的是，當目標圖像與背景的灰度值相近時，分割結(jié)果中會包含一定的背景區(qū)域，影響后續(xù)對變電站設(shè)備故障的識別精度。為此引入了區(qū)域生長法，用來降低背景對目標分割的影響，接下來進行詳細描述。

1.2.1 二維Osut 閾值法

二維Osut 閾值法是將像素點灰度值f(x,y)與鄰域平均灰度值g(x,y)相結(jié)合，完成二維屬性直方圖的建立。該方法的目標函數(shù)為類間離散度最大，最終計算結(jié)果為最佳閾值(S,T)。假設(shè)圖像大小為M×N、灰度級為L，可能存在背景的圖像概率為w0、可能存在目標的圖像概率為w1，均值矢量分別為μ0(s,t)、μ1(s,t)，二者總的均值矢量為μT?；诖?，即可計算得到類間離散度矩陣為：

用Sp的跡再次展開測度：

那么，最佳閾值(S,T)為：

在實際應(yīng)用中，為了取得更加簡便的運算過程，可通過建立查找表的方式去除冗余計算，以便提高算法整體的運算效率。

1.2.2 改進區(qū)域生長法

區(qū)域生長法中最關(guān)鍵的一步就是選取種子像素。在變電站設(shè)備紅外圖像的中心區(qū)域，將f(x,y)和g(x,y)的絕對差值作為像素之間的相似性條件。當絕對差值為最小值時，認定這個像素與其他像素之間有著較高的相似性，即可認定該點為待識別目標圖像的種子像素。

將(S,T)作為區(qū)域生長法的生長準則，S看作是分割閾值，T看作是灰度相似閾值。經(jīng)過改進后，得到的生長準則如式（7）所示：

式中：

由于變電站設(shè)備紅外圖像之間存在差異，使得選取的種子像素也有所不同。為了防止因均值固定[7]而出現(xiàn)欠分割或者過分割的情況，需要在每次生長之后自動更新。更新公式為：

式中：

Q—變電站設(shè)備紅外圖像中的像素點總數(shù)；

遍歷整幅圖像，當不再有滿足條件的像素點時種子像素停止生長，從而完成對變電站設(shè)備紅外圖像的分割。

1.3 變電站設(shè)備紅外圖像增強

變電站設(shè)備紅外圖像的成像原理是熱輻射效應(yīng)，圖像質(zhì)量雖然整體上來說比較高，但是噪聲點較多，存在部分低照度區(qū)域。為此，利用快速導(dǎo)向濾波對圖像的光照分量進行估計，便于后續(xù)直接提取溫度概率密度。

1.3.1 快速導(dǎo)向濾波

用Iq、qW和Eq分別表示導(dǎo)向圖像、濾波輸圖像入和濾波輸出圖像，引導(dǎo)濾波器由局部線性模型[8]進行驅(qū)動：

式中：

ac、bc—待求解的常數(shù)項；

q—變電站設(shè)備紅外圖像的像素索引；

c—半徑為r的局部窗口?的索引。

為了確保Wq和Eq二者之間的差異性最小，利用最小化線性模型的代價函數(shù)對其進行約束，表達式為：

式中：

ε—是用來約束圖像平滑度的正則化參數(shù)。

引入線性回歸方程，對式（9）中ca和cb的最優(yōu)解進行計算：

式中：

利用式（12）對Eq進行過濾：

式中：

快速導(dǎo)向濾波雖然可以在保留圖像邊緣完整度的基礎(chǔ)上起到很好的平滑效果，但是當圖像數(shù)量過多時算法處理將會大幅度下降，無法實時給出處理效果，導(dǎo)致實時性較差。因此，本文在快速導(dǎo)向濾波中加入了采樣頻率為z（z1）的下采樣，在控制時間復(fù)雜度O(N/z2)的同時過濾掉分辨率較低的紅外圖像，從而提高濾波器的處理速度。加入下采樣后，濾波輸出圖像的表達式轉(zhuǎn)換為：

式中：

??—濾波核函數(shù)。

1.3.2 光照分量估計

接下來利用快速導(dǎo)向濾波對變電站設(shè)備紅外圖像進行光照分量的估計[9]，實現(xiàn)公式為：

式中：

F—變電站設(shè)備紅外圖像灰度。

由上述分析可知，正則化參數(shù)ε的選取尤為重要，直接決定快速導(dǎo)向濾波能否取得優(yōu)秀的圖像處理效果。經(jīng)過分析運算后，將邊緣權(quán)重因子作為正則化參數(shù)，以此完成對變電站設(shè)備紅外圖像的光照分量估計，表達式為：

式中：

G(E')—導(dǎo)向圖像；

τ和α均代表了不為0 的常數(shù)項。

1.4 基于溫度概率密度的故障識別

完成對變電站設(shè)備紅外圖像的光照分量估計后，對目標所在區(qū)域的溫度概率密度進行提取。當變電站設(shè)備發(fā)生故障后，會表現(xiàn)出與正常部位完全不同的溫度特性，溫度概率密度就是反應(yīng)特性的一種方式，所以在變電站設(shè)備高熱故障檢測與識別中被廣泛應(yīng)用。

變電站設(shè)備紅外圖像中的溫度分布情況受待識別目標影響，因此目標所在區(qū)域的溫度概率密度h(x)無法直接表示為函數(shù)形式[10]，需要經(jīng)過式（16）的運算后才能使用：

式中：

Hsum—變電站設(shè)備紅外圖像中的數(shù)據(jù)點總數(shù)；

Hj—變電站設(shè)備溫度為j時，所對應(yīng)的樣本總數(shù)；

θmax、θmin—變電站設(shè)備紅外圖像中的溫度最大值和最小值。

D(θ,θ')是處于[θ,θ']范圍內(nèi)的一個溫度概率，可通過將h(x)在所有區(qū)間內(nèi)的溫度概率密度值進行相加計算得到，公式為：

將變電站設(shè)備紅外圖像溫度域上所有的溫度概率密度進行相加計算，使并最終的結(jié)果等于1，計算公式為：

溫度概率密度在變電站設(shè)備紅外圖像中可以分為3 個方面，分別是：沒有發(fā)熱或者溫度較低區(qū)域，這部分區(qū)域的溫度范圍為[θ0,θ1]，對應(yīng)的溫度概率密度為h(x)；正常運行溫度區(qū)域的溫度范圍為[θ1,θ2]，對應(yīng)的溫度概率密度為h2(x)；故障高熱區(qū)域的溫度范圍為[θ2,θ3]，對應(yīng)的溫度概率密度為h3(x)，用公式表示為：

通過分析溫度概率密度所處的區(qū)間范圍，實現(xiàn)對變電站設(shè)備高熱故障的精準檢測與識別。

2 實驗測試

為了驗證所提方法在實際應(yīng)用中是否可以針對變電站設(shè)備實現(xiàn)精準的高熱故障識別，將其與引言中提到的改進高斯卷積核算法和卷積神經(jīng)網(wǎng)絡(luò)展開了對比實驗測試，實驗現(xiàn)場圖如圖1 所示。

圖1 實驗現(xiàn)場圖

圖1中，選取了避雷器、主變套管、電流互感器以及隔離開關(guān)4 種不同類型的故障作為研究對象，利用所提方法對這4種故障分別進行識別，所得結(jié)果如圖2所示。

圖2 所提方法變電站故障紅外識別結(jié)果

通過觀察圖2 可知，所提方法精準識別到了變電站設(shè)備的不同故障類型，且識別精準，沒有出現(xiàn)多識別和漏識別的情況。這是由于所提方法在故障識別之前對紅外圖像進行了分割和增強處理，使故障目標特征得到突出顯示，再提取目標區(qū)域的溫度概率密度，從而實現(xiàn)了精準的高熱故障識別。

選取500 張變電站設(shè)備高熱故障圖像，利用所提方法、改進高斯卷積核算法和卷積神經(jīng)網(wǎng)絡(luò)分別對這500張圖像進行故障識別，并對比三種算法的識別精準度、召回率以及F1 值，結(jié)果如圖3 所示。

圖3 三種算法變電站高熱故障圖像紅外識別結(jié)果對比

通過觀察圖3 中的三幅圖像可知，所提方法取得了高于另外兩種算法的識別精準度和召回率，且F1 值最接近1，由此可以說明所提方法在變電站高熱故障紅外識別方面具有一定的有效性和可行性。

3 結(jié)論

為了確保變電站工作的正常開展，需要對發(fā)生的故障進行實時識別與檢測，及時找出故障發(fā)生的部位和類型。為此，提出基于空間光學(xué)傳感技術(shù)的變電站設(shè)備高熱故障紅外識別方法,利用空間光學(xué)傳感技術(shù)和紅外熱成像儀，完成對變電站設(shè)備紅外圖像的采集，將二維Osut 閾值法和區(qū)域生長法進行融合，實現(xiàn)對變電站設(shè)備紅外圖像的分割,利用快速導(dǎo)向濾波對變電站設(shè)備紅外圖像進行光照分量的估計，找出目標區(qū)域,通過提取目標區(qū)域的溫度概率密度，實現(xiàn)對變電站設(shè)備高熱故障的精準識別,精準識別到了故障所在位置，沒有出現(xiàn)漏識別和多識別的現(xiàn)象。