馬立新，周小波，朱　潤，單　宇

( 上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093 )

?

紫外檢測電暈放電強(qiáng)度量化分級

馬立新，周小波，朱潤，單宇

( 上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093 )

摘要：高壓設(shè)備運(yùn)行過程中會發(fā)生電暈放電現(xiàn)象，其危害很大。本文利用紫外放電檢測新技術(shù)，融合采集到電暈和可見光圖像，準(zhǔn)確對故障點(diǎn)進(jìn)行定位。采用遺傳算法的投影尋蹤理論，利用Delphi軟件對采集的紫外電暈圖進(jìn)行處理后作為分級數(shù)據(jù)，建立遺傳投影尋蹤等級模型，對電暈放電強(qiáng)度的量化分級研究。實(shí)驗(yàn)結(jié)果驗(yàn)證了該模型的合理性，測試結(jié)果也達(dá)到預(yù)期的結(jié)果，對放電故障檢測有一定的實(shí)際應(yīng)用意義。

關(guān)鍵詞：電暈放電現(xiàn)象；紫外檢測技術(shù)；投影尋蹤理論；放電故障等級

0　引言

隨著環(huán)境污染越來越嚴(yán)重，高壓電氣設(shè)備在長期運(yùn)行的過程中，絕緣性能勢必會大幅度下降。愈加惡化的絕緣狀況必將造成設(shè)備故障[1]，引起功率損耗或者電力中斷，造成重大電力事故。當(dāng)設(shè)備絕緣性能下降，會出現(xiàn)電暈放電現(xiàn)象。為了保障電力系統(tǒng)的穩(wěn)定運(yùn)行和一些重要的電氣設(shè)備，對設(shè)備的絕緣狀況進(jìn)行實(shí)時監(jiān)測顯得尤為重要。

近年來，紫外檢測已經(jīng)成為檢測電暈放電故障的新技術(shù)[2]。利用紫外成像技術(shù)，檢測電氣設(shè)備局部放電過程中輻射出的紫外線。利用計(jì)算機(jī)技術(shù)對采集到的紫外圖像進(jìn)行圖像灰度、二值化、中值濾波、銳化等相關(guān)處理，然后與可見光圖像進(jìn)行融合，能夠?qū)崿F(xiàn)對放電故障點(diǎn)的精確定位。然而，對電暈放電量化等級方面的研究甚少。

以往的研究僅僅是根據(jù)高壓設(shè)備的絕緣故障情況對電力系統(tǒng)穩(wěn)定性及破壞程度的大小，一般定性的分為三類：一般故障、嚴(yán)重故障、緊急故障。但是以上的絕緣故障狀態(tài)評定方式缺少定量化的明確標(biāo)準(zhǔn)，且往往發(fā)生一般性缺陷的情況占大多數(shù)，難以通過定性給定準(zhǔn)確的故障評估大小，因此對一般性的缺陷的絕緣故障狀態(tài)的量化評估就顯得尤為必要。本文利用Delphi軟件對采集到的電暈圖像進(jìn)行處理后作為分級數(shù)據(jù)，采用遺傳算法的投影尋蹤理論，建立設(shè)備放電狀態(tài)模型。應(yīng)用MATLAB軟件進(jìn)行仿真分析。結(jié)合實(shí)例的實(shí)驗(yàn)結(jié)果也達(dá)到了預(yù)期的效果，能夠?qū)崿F(xiàn)對設(shè)備出現(xiàn)故障時電暈放電的量化分級。

1　電暈放電紫外圖像采集與處理

數(shù)字圖像處理是應(yīng)用計(jì)算機(jī)程序?qū)?shù)字圖像進(jìn)行不同方面的處理，利用計(jì)算機(jī)程序?qū)ο袼剡M(jìn)行編程，達(dá)到處理圖像的目的。Delphi軟件編程語言是Pascal語言，其具有可讀性好、容易編寫，很適合作為開發(fā)工具，而且Delphi在圖像處理方面擁有強(qiáng)大的功能。本文所處理的紫外圖像都是在Delphi環(huán)境下進(jìn)行的。紫外圖像的處理過程如圖1所示，對紫外圖像進(jìn)行數(shù)字圖像處理的最終目的是提取放電目標(biāo)對象，為故障定位和故障狀態(tài)模式識別提供依據(jù)。經(jīng)過紫外成像系統(tǒng)采集到的紫外圖像首先要過灰度處理，把彩色圖像轉(zhuǎn)換為灰度圖像，統(tǒng)計(jì)出每一個灰度級上像素點(diǎn)的個數(shù)，然后將像素點(diǎn)數(shù)目繪制出來，取一個合適的像素點(diǎn)做下一步二值化過程中的閾值，這樣就可以將目標(biāo)與背景很清楚地分離開。經(jīng)過圖像二值化處理之后的圖像的幾何性質(zhì)只與0或1有關(guān)，不用再去考慮像素具體的值。采集到目標(biāo)圖像的輪廓往往比較模糊，經(jīng)過圖像的銳化和中值濾波去噪處理后，圖像所具有的信息易于人觀察，而且其邊緣和輪廓線變得比較清晰，為后續(xù)的研究提供方便。圖像在采集或者傳輸?shù)倪^程中，可能存在各種寄生效應(yīng)，將會受到噪聲的干擾，中值濾波是把數(shù)字圖像中的一點(diǎn)的值用該點(diǎn)的一個領(lǐng)域的各個點(diǎn)的值的中值代替，中值濾波之后，有效的除去噪聲干擾點(diǎn)，起到去噪的效果。

圖1　圖像處理流程Fig.1　Image processing

本文的紫外圖像均是利用一種單通道日盲紫外成像系統(tǒng)[3-4]進(jìn)行采集的，利用240 nm～280 nm這一日盲波段，借助高分辨率鏡頭、中心波長為254 nm的窄帶日盲濾光片和外部采集盒進(jìn)行圖像采集。由于高壓放電具有一定的不確定性，不是均勻的放電現(xiàn)象，所以幾組圖片作為診斷的依據(jù)，并不能很好的反映現(xiàn)實(shí)狀況。因此需要根據(jù)放電狀態(tài)，對同一處的故障放電狀態(tài)進(jìn)行長期監(jiān)測，觀察記錄。由于一些外界因素會造成紫外成像的噪聲污染，紫外圖像部分信息和特征不是很突出，紫外成像信號周圍也有干擾，這就需要通過圖像處理來提取對象。利用Delphi開發(fā)工具實(shí)現(xiàn)對紫外成像圖進(jìn)行處理，將彩色圖像轉(zhuǎn)換成灰度，經(jīng)過二值化處理，使得圖像不再涉及像素的灰度值，去噪的作用就是處理圖像的小白點(diǎn)的干擾，特征提取最后剩下的區(qū)域即為放電圖像。如圖2所示，保存不同時期的電暈放電紫外圖像。本文把采集到的不同時期的放電圖像，選取45組作為輸入樣本。統(tǒng)計(jì)出圖像的平均放電面積、最小和最大放電面積和放電范圍(紫外電暈圖片上所展示的所有白點(diǎn)的范圍面積)。這4個特征向量作為輸入樣本的基本數(shù)據(jù)。

圖2　圖像采集Fig.2　Image collecting

2　基于投影尋蹤理論的模式識別等級模型

投影尋蹤法具有全局搜索能力強(qiáng)、可規(guī)?；葍?yōu)點(diǎn)，因此本文采用其進(jìn)行投影優(yōu)化，建立投影尋蹤等級模型，對放電故障進(jìn)行量化分級。建立電暈放電量化評級的模型主要分為6個階段。第一階段選定能夠反映對象特性的特征向量，并建立科學(xué)的特征向量體系。第二階段，建立量化分級標(biāo)準(zhǔn)及分級處理。第三階段，根據(jù)隨機(jī)分布的原理，在各特征向量的等級范圍內(nèi)生成投影向量。第四階段，投影目標(biāo)函數(shù)的建立。第五階段，對目標(biāo)函數(shù)運(yùn)用遺傳算法進(jìn)行優(yōu)化，找出其最佳投影值。最后，根據(jù)評估等級與最佳投影值的關(guān)系建立電暈放電量化評級模型。

為消除各特征向量的量綱和統(tǒng)一各特征向量值的變化范圍，需要進(jìn)行極值歸一化處理。如式(1)和式(2)所示，越大越優(yōu)的特征向量：

越小越優(yōu)的特征向量：

其中：xmax(j)，xmin(j)分別為第j個特征向量值的最大值和最小值，x(i,j )為特征向量特征值的歸一化的序列。

投影尋蹤的方法就是把p維數(shù)據(jù){x(i,j )| j=1,2,… ,p}綜合成以a={a(1),a(2),a(3), …,a(p)}為投影方向的一維投影值z(i)：

構(gòu)造投影目標(biāo)函數(shù)Q(a)：

其中：Sz為投影值z(i)的標(biāo)準(zhǔn)差，Dz為投影值z(i)的局部密度，Rzy為z(i)與y(i)的相關(guān)系數(shù)。

其中：Ez為{z(i)|i=1,2,…,n}的平均值，Ey為{y(i)|i=1,2,…,n}的平均值。

當(dāng)各指標(biāo)值得樣本集給定時，投影指標(biāo)函數(shù)Q(a)只隨投影方向a的變化而變化。此時用格雷碼加速遺傳算法優(yōu)化投影方向投影目標(biāo)函數(shù)值隨投影方向變化，通過求解投影目標(biāo)函數(shù)最大值可估計(jì)出最優(yōu)投影方向，即最大化目標(biāo)函數(shù)：

其約束條件為

格雷碼加速遺傳算法包括6步：1) 變量取值范圍的編碼；2) 初始化種群；3) 解碼；4) 判斷是否滿足終止條件，若滿足則輸出最優(yōu)解，不滿足則算法轉(zhuǎn)入步5)；5) 對種群進(jìn)行選擇、雜交、變異生成新的種群，算法轉(zhuǎn)入步2)進(jìn)行迭代；6) 加速循環(huán)，選擇第一次、第二次和第三次這3次迭代中的優(yōu)秀個體的變量范圍作為新的變量取值范圍，算法轉(zhuǎn)入步1)，由于優(yōu)秀個體的變量范圍越來越小，從而起到加速的作用。

3　應(yīng)用MATLAB進(jìn)行故障診斷仿真及實(shí)例分析

本文采用MATLAB軟件進(jìn)行分析。經(jīng)過多次試驗(yàn)最終選定遺傳算法參數(shù)：初始群體規(guī)模n=60,變異概率pm=0.08，交叉概率pc=0.80，最大遺傳代數(shù)T=60。經(jīng)過遺傳投影得到最佳投影方向a*=[1.512，-1.240，0.536，1.178]，將a*帶入式(3)得到一維最佳投影值z(i)=1.512x(i,1)-1.240x(x,2)+0.536(x,3)+1.178(x,4)。

圖3為高壓設(shè)備發(fā)生故障時采集到的電暈放電圖像[5-6]，經(jīng)過Delphi軟件進(jìn)行數(shù)字圖像處理。統(tǒng)計(jì)出該放電電暈圖像的四個特征值，經(jīng)過歸一化處理后得到[0.684 93，0.684 921，0.685 185，0.732 347]，將其代入到最佳投影方程可得0.700 1。代入式(10)可得為3.567級，在第3級與第4級之間。其他放電電暈量化評估方法根據(jù)放電嚴(yán)重程度只能人為的分為4種狀態(tài)等級[7]。從1級到4級為由輕到重的放電嚴(yán)重程度。1級表示已經(jīng)存在微弱放電狀態(tài)，應(yīng)當(dāng)引起注意。2、3級表示已經(jīng)存在故障，應(yīng)當(dāng)采取措施，避免造成電力事故。4級狀態(tài)存在發(fā)生非常嚴(yán)重的電力事故的風(fēng)險(xiǎn)，應(yīng)當(dāng)立刻采取措施。表1為本文與其他等級評定方法的比較，自組織神經(jīng)網(wǎng)絡(luò)法[8]基于自組織特征映射神經(jīng)網(wǎng)絡(luò)強(qiáng)大的聚類學(xué)習(xí)能力構(gòu)建的電暈狀態(tài)評估模型，評估狀態(tài)為3級，通過MATLAB平臺仿真測試表明該模型具有較高預(yù)測準(zhǔn)確度和穩(wěn)定性。模糊綜合法是[9]利用模糊原理與層次分析法相結(jié)合的評價(jià)法，評估狀態(tài)也為3級。本文方法不僅可以判定等級，而且能反映處于該等級的程度，分辨力更高，評估結(jié)果更客觀、合理。

圖3　電暈放電融合圖像Fig.3　Corona discharge fusion image

表1　各電暈放電量化評級方法比較Table 1　The corona discharge of quantitative comparison rating method

由于評估等級為3.567級，表示該高壓電力設(shè)備存在放電故障，而沒有得到及時處理，已經(jīng)成為較嚴(yán)重的放電了。電力檢修員工應(yīng)立即進(jìn)行電力設(shè)備的檢修，避免造成更大的電力事故。

4　結(jié)論

隨著電網(wǎng)的不斷發(fā)展，輸電電壓已經(jīng)跨入了特高壓輸電時代。高壓設(shè)備和輸電線路的電暈放電不光對環(huán)境造成影響，而且電暈放電時所產(chǎn)生的某些化學(xué)反應(yīng)也是促成有機(jī)絕緣老化的重要原因之一，會加速設(shè)備的絕緣老化，造成電力事故。

本文采用紫外成像系統(tǒng)所采集的放電電暈圖像，經(jīng)過Delphi軟件數(shù)字圖像處理后，作為量化分級數(shù)據(jù)，利用遺傳投影尋蹤理論，建立量化等級模型。仿真實(shí)驗(yàn)驗(yàn)證了該識別方法能夠有效地對電暈放電強(qiáng)度進(jìn)行量化分級。電網(wǎng)工作人員能夠根據(jù)電暈放電強(qiáng)度的大小診斷出故障，從而采取相應(yīng)的措施，避免造成重大的電力事故。

參考文獻(xiàn)：

[1]關(guān)志成. 絕緣子及輸變電設(shè)備外絕緣 [M]. 北京：清華大學(xué)出版社，2006：102-132. GUAN Zhicheng. The insulator and power transmission and transformation equipment insulation outside [M]. Beijing：Tsinghua University Press，2006：102-132.

[2]王少華，梅冰笑，葉自強(qiáng)，等. 紫外成像檢測技術(shù)及其在電氣設(shè)備電暈放電檢測中的應(yīng)用 [J]. 高壓電器，2011，47(11)：92-97. WANG Shaohua，MEI Bingxiao，YE Ziqiang，et al. Ultraviolet imaging detection technology and application in corona discharge detection of electrical equipment [J]. High Voltage Apparatus，2011，47(11)：92-97.

[3]馬立新，徐如鈞，胡博. 單通道雙譜紫外電暈放電檢測方法 [J]. 測控技術(shù)，2012，31(3)：32-35. MA Lixin，XUN Rujun，HU Bo. Dual-channel blind detection of UV corona discharge and method of image fusion [J]. Measurement & Control Technology，2012，31(3)：32-35.

[4]靳貴平，龐其昌. 紫外成像檢測技術(shù) [J]. 光子學(xué)報(bào)，2003，32(3)：294-296. JIN Guiping，PANG Qichang. The Key Points of UV Imaging and Detecting System [J]. Acta Photonica Sinica，2003，32(3)：294-297.

[5]陳書漢，龐其昌，靳貴平. 一種雙波段圖像實(shí)時融合實(shí)驗(yàn)系統(tǒng) [J]. 光學(xué)技術(shù)，2006，32(2)：277-279. CHEN Shuhan，PANG Qichang，JIN Guiping. A experimental system for real-time two-channel image fusion [J]. Optical Technique，2006，32(2)：277-279.

[6]郭雷，李暉暉，鮑永生. 圖像融合 [M]. 北京：電子工業(yè)出版社，2008：190-201. GUO Lei，LI Huihui，BAO Yongsheng. Image fusion [M]. Beijing：Publishing House of Electronics Industry，2008：190-201.

[7]馬立新，陶博豪. 放電故障紫外檢測系統(tǒng)及其狀態(tài)識別方法 [J]. 計(jì)算機(jī)測量與控制，2012，20(7)：1803-1805. MA Lixin，TAO Bohao. Discharge fault of ultraviolet detection system and its state recognition method [J]. Computer Measurement and Control，2012，20(7)：1803-1805.

[8]王鶴，曾鳴，陳珊，等. 基于模糊層次分析法的供電服務(wù)質(zhì)量綜合評級模型 [J]. 電網(wǎng)技術(shù)，2006，30(17)：92-96. WANG He，ZENG Ming，CHEN Shan，et al. Comprehensive evaluation model for power supply service quality based on fuzzy analytic hierarchy process [J]. Power System Technology，2006，30(17)：92-96.

[9]焦利民，劉耀林，任周橋. 基于自組織神經(jīng)網(wǎng)絡(luò)的空間點(diǎn)群聚類及其應(yīng)用分析 [J]. 武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2008，33(02)：168-171. JIAO limin，LIU Yaolin，REN Zhouqiao. Based on self-organizing neural network application of point cluster classes and their spatial analysis [J]. Journal of Wuhan University：Information Science Edition，2008，33(02)：168-171.

The Quantitative Classification of Corona Discharge Intensity of UV Detection

MA Lixin，ZHOU Xiaobo，ZHU Run，SHAN Yu
( Department of Electrical Engineering School of Optical-Electrical and Computer Engineering, University of Shanghai for Science &Technology, Shanghai 200093, China )

Abstract:High voltage equipment that runs for a long time could produce corona discharge phenomenon. The harm of corona discharge is serious, so it’s necessary to detect the corona. As a new technology of detecting high pressure discharge equipment fault, this article used ultraviolet discharge detection that can fuse to corona and visible light images and can locate fault point accurately. The article used the theory of projection pursuit in genetic algorithm, and used the collection of ultraviolet corona figure after processing of the Delphi software as a hierarchical data, and the level model of genetic projection pursuit was set up to study the quantitative classification of corona discharge strength. The experimental results verified the rationality of the model.Test results achieve the desired requirements, and have certain practical significance to discharge fault detection.

Key words:corona discharge phenomenon; UV detection technology; projection pursuit theory; discharge fault level

通信作者：周小波(1991-),男(漢族)，江西九江人。碩士，主要研究方向?yàn)殡娏ο到y(tǒng)故障診斷與模式識別，圖像處理。E-mail: 913640031@qq.com。

作者簡介：馬立新(1960-)，男(漢族)，陜西安康人。教授，博士，主要研究方向?yàn)殡娏ο到y(tǒng)穩(wěn)定性與優(yōu)化運(yùn)行、電氣系統(tǒng)故障診斷與模式識別、群體智能與智能電網(wǎng)等。E-mail: malx_aii@sina.com。

基金項(xiàng)目：國家自然科學(xué)基金(61205076)；滬江基金(C14002)資助項(xiàng)目

收稿日期：2015-04-09； 收到修改稿日期：2015-06-04

文章編號：1003-501X(2016)01-0001-05

中圖分類號：TP391

文獻(xiàn)標(biāo)志碼：A

doi：10.3969/j.issn.1003-501X.2016.01.001