重慶理工大學(xué)電氣與電子工程學(xué)院 張 蓮 李云昊 劉增里 王 磊

一種粗略到精確的電力設(shè)備熱故障定位方法

重慶理工大學(xué)電氣與電子工程學(xué)院 張 蓮 李云昊 劉增里 王 磊

在電力系統(tǒng)運(yùn)行中，電力設(shè)備發(fā)熱故障給電力系統(tǒng)的穩(wěn)定性和安全性帶來重大隱患。使用紅外熱像儀對電力設(shè)備熱故障進(jìn)行智能診斷已成為重要課題。其中，準(zhǔn)確，高效的故障定位可以大大提高智能診斷的準(zhǔn)確性，提高診斷效率。文章提出一種從粗略到精確的電力設(shè)備熱故障定位方法，該方法通過結(jié)合伽馬變換和OSTU灰度閾值變換對故障設(shè)備進(jìn)行粗略定位，然后利用灰度重心算法對分割出的發(fā)熱設(shè)備進(jìn)行計(jì)算，可以精確定位到發(fā)熱設(shè)備內(nèi)一點(diǎn)。該方法相對于傳統(tǒng)的只提取發(fā)熱設(shè)備圖像作為結(jié)果的方法具有更精確的結(jié)果，可適用于大部分發(fā)熱故障的紅外熱像圖，且對之后的設(shè)備識別工作具有重要意義。

紅外熱像儀；故障定位；灰度重心；熱故障

0 引言

電力設(shè)備運(yùn)行時，由于絕緣老化，接觸不良等各種原因引起的設(shè)備發(fā)熱故障，如常見的隔離開關(guān)發(fā)熱，電阻損耗發(fā)熱，導(dǎo)線線夾發(fā)熱等，為電網(wǎng)運(yùn)行安全帶來重大隱患，嚴(yán)重時造成設(shè)備退出運(yùn)行，甚至火災(zāi)。因此，電力設(shè)備的熱故障檢測是電力設(shè)備安全研究的重要課題之一。

傳統(tǒng)的電力設(shè)備熱故障檢測采用停電檢修的方式，費(fèi)時費(fèi)力，隨著紅外熱成像儀的引進(jìn)，如今的熱故障檢測方式普遍采用紅外熱像儀對電力設(shè)備進(jìn)行檢測。與傳統(tǒng)方法相比，紅外熱像儀可以實(shí)現(xiàn)遠(yuǎn)距離，不取樣，不觸體，不斷電，又具有準(zhǔn)確，快速直觀等特點(diǎn)[1]。如今，固定式紅外熱成像探頭已經(jīng)在各變電站等場所普及，但仍需工作人員在數(shù)據(jù)接收端對故障進(jìn)行人工判定。實(shí)現(xiàn)電力設(shè)備熱故障的智能診斷主要分為三個步驟[2]，首先從紅外熱像圖中定位發(fā)熱設(shè)備；識別發(fā)熱設(shè)備；最后對發(fā)熱設(shè)備進(jìn)行診斷，判斷其是否發(fā)生故障。其中最關(guān)鍵的一步就是對發(fā)熱設(shè)備的定位，能否精確定位發(fā)熱設(shè)備決定著是否能夠準(zhǔn)確識別故障。傳統(tǒng)方法對電力設(shè)備紅外熱像圖進(jìn)行簡單的閾值分割或分水嶺算法分割出發(fā)熱部位[3]，這些方法分割出來的發(fā)熱部位往往包含許多非感興趣區(qū)域圖像或丟失許多感興趣區(qū)域圖像，嚴(yán)重影響之后發(fā)熱部位識別的準(zhǔn)確性。從而嚴(yán)重降低了整個智能診斷的準(zhǔn)確性和效率。本文提出一種粗略到精確的電氣設(shè)備紅外熱故障定位方法，先粗略定位再精確定位，定位結(jié)果準(zhǔn)確到發(fā)熱設(shè)備內(nèi)一點(diǎn)。

1 發(fā)熱部位的粗略提取

1.1 電力設(shè)備紅外熱像圖特性

紅外熱成像技術(shù)是基于自然界中一切溫度高于絕對零度(-273.15°C)的物體，每時每刻都輻射出紅外線的原理[4]，同時由于這種紅外輻射都載有物體狀態(tài)的特征信息，可以利用紅外技術(shù)判別各種被測目標(biāo)的溫度高低和溫度分布情況[5]。在電力設(shè)備中，其發(fā)熱故障部位一般為由發(fā)熱中心向外輻射的溫度場，在其紅外熱像圖中可以清晰看出發(fā)熱故障部位。

圖1 變壓器套管發(fā)熱故障

圖2 線夾發(fā)熱故障

在圖像分割中，由于發(fā)熱設(shè)備的多樣性以及拍攝時環(huán)境因素的影響，使用單一的灰度閾值變換無法選用合適的自適應(yīng)系數(shù)適用于各種圖像，一些學(xué)者提出了各種改進(jìn)方法，如熊芬芳等人提出的基于MSER和mean-shift算法的電力設(shè)備紅外熱故障定位得到較好的結(jié)果[6]，但這些算法普遍迭代次數(shù)過多，算法效率太低。文章在故障的粗略定位中采用伽馬變換結(jié)合OSTU自適應(yīng)灰度閾值變換分割出發(fā)熱部位圖像，結(jié)果準(zhǔn)確且算法簡潔。

1.2 圖像對比度伽馬變化

在實(shí)際拍攝情況下，一些圖片偏亮，一些圖片偏暗，使得其灰度化后目標(biāo)區(qū)域的灰度值與背景的灰度值相差不同，不便于我們對故障部位進(jìn)行圖像分割，所以我們首先要做的是對灰度化后的圖像進(jìn)行對比度調(diào)整。

圖3 灰度變換后的圖像

由圖3可知，灰度化后，發(fā)熱部位亮度明顯高于其他區(qū)域，我們將其設(shè)為目標(biāo)區(qū)域，而將其他區(qū)域設(shè)為背景區(qū)域。如果將目標(biāo)區(qū)域的亮度繼續(xù)提高的同時降低背景區(qū)域的亮度，目標(biāo)區(qū)域則會更加明顯。利用伽馬變換，可以有效的達(dá)到這一目的，公式如下：

公式(5)中，x與y的取值范圍均為[0, 1]，esp為補(bǔ)償系數(shù)，為伽馬系數(shù)。伽馬變換曲線如圖4所示：

圖4 伽馬變換

如圖4我們可以看到，當(dāng)系數(shù)增大時，灰度值高的點(diǎn)將會被放大，而灰度值較低的點(diǎn)將會被縮小，在伽馬變換實(shí)際應(yīng)用中，經(jīng)實(shí)驗(yàn)得知系數(shù)取2.5時可以滿足大部分圖像變換需求，一些特殊情況將在下一章中給出解決方法。熱故障灰度圖像伽馬變換結(jié)果及其對應(yīng)直方圖對比如圖5所示。

圖5 伽馬變換后的圖像及其直方圖對比

1.3 自適應(yīng)灰度閾值變換

灰度閾值變換可以將一副灰度圖像轉(zhuǎn)換為灰度值為0和255的黑白二值圖像。指定一個閾值，高于此閾值的像素點(diǎn)灰度值設(shè)為255，而低于此閾值的像素點(diǎn)灰度值設(shè)為0。由此得到由0和255組成的黑白二值圖像。在灰度閾值變換中，由于每幅圖像發(fā)熱部位形狀以及噪聲不同，很難設(shè)定一個閾值可以適用于所有圖像，所以，如何自適應(yīng)的選擇閾值是灰度閾值變換的重要問題。

文章采用OSTU自適應(yīng)灰度閾值變換對圖像進(jìn)行二值化處理。該算法將一幅圖像依據(jù)其灰度分布特性分為前景和背景兩部分，前景和背景的類間方差越大，說明前景和背景的差別越大，當(dāng)將前景錯分為背景或背景錯分為前景都會導(dǎo)致兩部分的類間方差減小。因此，類間方差最大情況下的分割意味著錯分概率最小[7]。

設(shè)當(dāng)前景與背景分隔閾值為t時，前景點(diǎn)占圖像比例為，均值為，背景點(diǎn)占圖像比例為，均值為。則整個圖像的平均灰度為：

采用遍歷的方法求得類間方差最大值，即為所求最佳閾值分割。閾值分割后的結(jié)果如圖6所示：

圖6 OSTU閾值分割

圖7 灰度中心算法處理結(jié)果

伽馬變換后的圖像結(jié)合OSTU自適應(yīng)閾值分割處理可以自適應(yīng)的分離出發(fā)熱部分，結(jié)果精確，可適用于絕大多數(shù)圖像。

2 故障的精確定位

2.1 灰度重心算法

從根據(jù)上一步的算法分離出電力設(shè)備中發(fā)熱的設(shè)備，從結(jié)果上看這些部位大多都以完整或不完整的多邊形組成，使用灰度重心算法可以求得發(fā)熱設(shè)備的型心，其結(jié)果為發(fā)熱設(shè)備內(nèi)部一點(diǎn)。

灰度重心算法是一種中心點(diǎn)提取算法[7]，一般有兩種方法，一種是把灰度平方作為權(quán)值的加權(quán)型心算法，設(shè)目標(biāo)的中心為,可表示為如下形式：

另一種則是將區(qū)域內(nèi)每一個坐標(biāo)的灰度值當(dāng)作該點(diǎn)的“質(zhì)量”，求其“能量”中心點(diǎn)，公式如下：

由灰度重心算法公式可知，灰度重心算法原理與加權(quán)平均算法相同，穩(wěn)定性較高。由于上述公式是對圖像的灰度值進(jìn)行加權(quán)，因此文章采用一種適用于二值化圖像的特殊情況的灰度重心算法，公式如下：

處理后的結(jié)果如圖7所示。

2.2 特殊情況的處理

在實(shí)際檢測中，會遇到極少數(shù)圖像檢測失敗，如圖8所示。

對于圖8，檢測結(jié)果偏移到圖像以外灰度值為255的黑色區(qū)域，此情況發(fā)生的原因是由于伽馬變換和OSTU自適應(yīng)二值化配合無法將發(fā)熱部位準(zhǔn)確提取出來，最終導(dǎo)致灰度重心算法計(jì)算出的型心不在圖像內(nèi)。此時只需設(shè)置程序，當(dāng)檢測到定位到的坐標(biāo)的灰度值部位0是，則將將伽馬系數(shù)增加0.5即可得到準(zhǔn)確結(jié)果，如圖9所示。

3 實(shí)驗(yàn)結(jié)果分析

文章將所采用方法在matlab上進(jìn)行變成驗(yàn)證，對不同電力設(shè)備的紅外熱像圖進(jìn)行故障定位，所得結(jié)果精確。實(shí)驗(yàn)結(jié)果如圖10，11，12所示。

圖8 35kv電纜絕緣燒毀故障處理結(jié)果（γ=2.5）

圖9 35kv電纜絕緣燒毀故障處理結(jié)果（γ=3）

圖10 高壓套管故障

圖11 阻波器內(nèi)避雷器發(fā)熱故障

圖12 線夾發(fā)熱故障

4 結(jié)束語

文章針對電力設(shè)備發(fā)熱故障定位，提出一種粗略到精確地電力設(shè)備熱故障定位方法。該算法結(jié)合伽馬變換和OSTU自適應(yīng)灰度閾值算法，粗略提取發(fā)熱部位二值圖像，再使用灰度重心算法計(jì)算發(fā)熱部位型心。經(jīng)實(shí)驗(yàn)表明，該算法適用各種不同設(shè)備的故障定位，且結(jié)果精確，算法簡潔。此方法對于之后的設(shè)備識別有著重要意義。

[1]曹海洋,張玉成,朱啟偉,趙強(qiáng).基于紅外成像技術(shù)的變壓器熱故障在線檢測與診斷[J].實(shí)驗(yàn)室研究與探索,2012,02:30-32+40.

[2]Jadin.M.S,Taib.S.Recent progress in diagnosing the reliability of electrical equipment by using infrared thermography[J].Infrared Physics & Technology,2012,55(4):236-245.

[3]Laurentys A.C.A,Braga A.P,Nascimento.S,et al.Intelligent thermographic diagnostic applied to surge arresters: a new approach[J]. IEEE Transactions on Power Delivery,2009,24(2):751-757.

[4]陳衡.紅外熱像儀在電力設(shè)備系統(tǒng)中故障診斷應(yīng)用概況[J].激光與紅外,1994,03:8-11.

[5]張啟清,呂厚余,黃選發(fā),唐昆明.電力變壓器故障紅外診斷專家系統(tǒng)[J].電網(wǎng)技術(shù),2002,09:18-21.

[6]熊芬芳.基于圖像處理技術(shù)的電氣設(shè)備故障診斷方法研究[D].東華大學(xué),2015.

[7]張小艷,王曉強(qiáng),白福忠,田朝平,梅秀莊.基于改進(jìn)灰度重心法的光帶中心提取算法[J].激光與紅外,2016,05:622-626.

[8]王曉華,趙志雄.結(jié)合伽馬變換和小波變換的PCA人臉識別算法[J].計(jì)算機(jī)工程與應(yīng)用,2016,05:190-193.

[9]孫力.基于ROI與自適應(yīng)Ostu相結(jié)合的圖像分割算法[J].現(xiàn)代電子技術(shù),2011,06:1-3.