冉建軍

（貴州電網(wǎng)有限責(zé)任公司遵義道真供電局，貴州 遵義 563000）

紅外檢測技術(shù)是一種通過物體熱輻射光譜檢測，進(jìn)行溫度感知的熱故障檢測手段，因具備無接觸測溫等突出優(yōu)勢[1]，被各行各業(yè)廣泛應(yīng)用。中國將紅外檢測技術(shù)應(yīng)用于變電設(shè)備故障診斷的時(shí)間較晚，當(dāng)前主要還是使用手持紅外熱像儀采集變電設(shè)備紅外圖像，并依據(jù)運(yùn)檢人員的經(jīng)驗(yàn)進(jìn)行人為判斷。這種方式不僅對(duì)運(yùn)檢人員的經(jīng)驗(yàn)依賴性大，而且運(yùn)檢效率和準(zhǔn)確度都較低[2]。變電設(shè)備是電網(wǎng)中的主要設(shè)備之一，當(dāng)它發(fā)生故障時(shí)，會(huì)影響電網(wǎng)的正常供電。根據(jù)相關(guān)資料顯示，半數(shù)以上設(shè)備發(fā)生故障時(shí)，都會(huì)伴隨著發(fā)熱不均衡的情況，即不均衡發(fā)熱是變電設(shè)備大量故障的顯著特征[3]。因此，對(duì)變電設(shè)備進(jìn)行實(shí)時(shí)溫度監(jiān)控具有重要意義。伴隨著中國人工智能等技術(shù)迅猛發(fā)展，提取關(guān)鍵、有效的故障特征進(jìn)行變電設(shè)備故障診斷已成為趨勢。特別是在變電設(shè)備紅外故障圖像數(shù)量較少，不足以支撐算法模型的數(shù)量時(shí)，能夠有效解決紅外故障圖像數(shù)量不足的問題。

從DL/T 664—2016《帶電設(shè)備紅外診斷應(yīng)用規(guī)范》[4]和現(xiàn)有的文獻(xiàn)中可以看出，當(dāng)前主要還是提取紅外圖像中的溫度值信息進(jìn)行故障診斷[5]。對(duì)于發(fā)熱面積等特征未充分挖掘和應(yīng)用，出現(xiàn)故障特征描述性能和故障診斷精度不高等問題。因此，本文為了使變電設(shè)備故障特征描述性更強(qiáng)和診斷精度更高，提出了一種基于發(fā)熱面積的電流互感器紅外故障診斷方法。算法流程如圖1 所示。

圖1 故障診斷算法流程

1 故障特征分析及提取

1.1 故障特征分析

因變電設(shè)備長期處于工作狀態(tài)及環(huán)境因素等影響，對(duì)電網(wǎng)的健康、穩(wěn)定運(yùn)行造成影響。由文獻(xiàn)資料可知，電網(wǎng)中大多數(shù)的故障都是因變電設(shè)備故障演變而來，并且半數(shù)以上設(shè)備發(fā)生故障時(shí)，都會(huì)伴隨著發(fā)熱不均衡的問題，即不均衡發(fā)熱是變電設(shè)備大量故障的顯著特征[6]。因此，溫度是設(shè)備發(fā)生故障時(shí)的重要特征。

《帶電設(shè)備紅外診斷應(yīng)用規(guī)范》中的相關(guān)判定依據(jù)，是由運(yùn)檢人員憑借經(jīng)驗(yàn)和數(shù)據(jù)總結(jié)歸納而成，隨著電力系統(tǒng)大數(shù)據(jù)的到來，這些現(xiàn)有的判斷依據(jù)和特征已經(jīng)無法滿足故障診斷的需求，對(duì)發(fā)熱面積等具體發(fā)熱行為的挖掘和提取不太全面，從而限制了人工智能算法在故障智能化診斷方面的應(yīng)用。觀察變電設(shè)備紅外圖像時(shí)發(fā)現(xiàn)，當(dāng)變電設(shè)備溫度發(fā)生異常變化時(shí)，在紅外圖像中會(huì)呈現(xiàn)出溫度最高的點(diǎn)、條、團(tuán)、圓盤等不規(guī)則形狀的光斑[7]，如圖2 所示。不同大小的光斑可以間接反映出設(shè)備故障的嚴(yán)重程度，光斑區(qū)域像素點(diǎn)較多時(shí)，說明該區(qū)域發(fā)熱較為嚴(yán)重，反之，則發(fā)熱不嚴(yán)重。為了便于對(duì)故障光斑進(jìn)行描述，本文挖掘并提取發(fā)熱面積特征來對(duì)設(shè)備故障程度進(jìn)行進(jìn)一步描述，從而提升變電設(shè)備故障特征的描述性能和診斷精度。

圖2 變電設(shè)備故障光斑

1.2 故障區(qū)域分割

計(jì)算發(fā)熱面積時(shí)，最為重要的步驟是如何實(shí)現(xiàn)對(duì)故障區(qū)域的準(zhǔn)確分割，因故障區(qū)域分割的精準(zhǔn)度會(huì)直接影響發(fā)熱面積的計(jì)算精度，如果計(jì)算不準(zhǔn)確容易導(dǎo)致誤診斷，從而造成人工成本等損失。因此，準(zhǔn)確有效地分割出故障區(qū)域是提取發(fā)熱面積的核心步驟。本文采用改進(jìn)區(qū)域生長法，主要改進(jìn)種子點(diǎn)的自動(dòng)選取和生長條件的設(shè)置2 方面。該方法在文獻(xiàn)[8]中取得了較好的成效，因此本文采用該方法來實(shí)現(xiàn)對(duì)故障區(qū)域的分割。原始紅外圖像如圖3 所示。

圖3 原始紅外圖像

故障區(qū)域分割效果如圖4 所示。

圖4 故障區(qū)域分割效果

從分割的效果可以看出，使用改進(jìn)區(qū)域生長方法能夠較為準(zhǔn)確地分割出故障區(qū)域，有效解決了人工選擇種子點(diǎn)帶來的誤分割和過分割等問題，提高了分割的效率和精度。

1.3 發(fā)熱面積特征的提取

發(fā)熱面積指對(duì)故障區(qū)域進(jìn)行二值化處理后，像素值為1 的數(shù)量和。而本文中發(fā)熱面積的提取過程為：首先運(yùn)用中值濾波算法進(jìn)行濾波去噪；然后采用改進(jìn)的區(qū)域生長法分割出故障區(qū)域，并對(duì)它進(jìn)行二值化處理；最后統(tǒng)計(jì)故障區(qū)域中像素值為1 的像素和發(fā)熱面積S，計(jì)算公式如下：

以圖4 中分割出來的故障區(qū)域?yàn)槔?，首先?duì)故障區(qū)域進(jìn)行二值化處理，處理效果如圖5 所示。由式（1）得到其發(fā)熱面積分別為1 191 pt 和1 162 pt。

圖5 故障區(qū)域二值化效果

2 基于SVM 的故障診斷及分析

為了驗(yàn)證提取的發(fā)熱面積特征的準(zhǔn)確性和實(shí)現(xiàn)對(duì)電流互感器的故障診斷，本文運(yùn)用MATLAB 中自帶的SVM 和KNN（K-Nearest Neighbor）這2 種分類模型進(jìn)行試驗(yàn)，并且采用交叉驗(yàn)證的方式進(jìn)行，此種驗(yàn)證方式往往是把樣本數(shù)據(jù)隨機(jī)分配成k份，把第k－1 份和第k份分別當(dāng)作訓(xùn)練樣本與驗(yàn)證樣本，交替輪換共進(jìn)行k次訓(xùn)練和驗(yàn)證，最后取k次驗(yàn)證結(jié)果的平均值作為衡量模型準(zhǔn)確性的指標(biāo)[9]。

通過使用發(fā)熱面積特征提取方法，對(duì)本文梳理的80 組電流互感器紅外圖像處理和發(fā)熱面積特征進(jìn)行提取，并將提取的結(jié)果作為本文樣本，其中部分樣本如表1 所示。

表1 部分樣本

因故障樣本量較少，在本文收集和整理的電流互感器樣本中，設(shè)備的故障類型較少，主要包括電流致熱型一般故障、嚴(yán)重故障和電壓致熱型故障3 種。從提取的發(fā)熱面積結(jié)果來看，各故障類型間發(fā)熱面積相差較大，特別是電流致熱型缺陷和電壓致熱型缺陷相差最大，這是因?yàn)殡妷褐聼嵝腿毕莅l(fā)生故障主要位于套管上，并且通常故障點(diǎn)位于套管內(nèi)部。

因此，可以通過發(fā)熱面積區(qū)別出不同的故障類型和等級(jí)，為運(yùn)檢人員提供參考。為了較好驗(yàn)證特征的描述水平和診斷效果，在驗(yàn)證時(shí)，交替輪換進(jìn)行50 次訓(xùn)練和驗(yàn)證。分類結(jié)果和運(yùn)行參數(shù)分別如圖6 和表2所示。

表2 SVM 和KNN 分類模型運(yùn)行參數(shù)

圖6 SVM 和KNN 模型分類結(jié)果

從圖6 和表2 可以看出，SVM 模型對(duì)于預(yù)測類別1、2、3 的分類正確率分別為100%、80%和83%。雖然對(duì)于2、3 類存在誤分類的情況，但在小樣本的情況下整體分類準(zhǔn)確率能達(dá)到91.3%。KNN 對(duì)于預(yù)測類別1、2、3 的分類正確率分別為88%、80%和75%。在分類正確率方面，相較于SVM 模型分類準(zhǔn)確率偏低一些，但整體分類準(zhǔn)確率也能達(dá)到83.8%，并且該模型在運(yùn)行速率方面較快。因此，在故障特征樣本量較少的情況下，2 種分類模型都能取得較高的分類準(zhǔn)確率。充分體現(xiàn)出了本文提取的發(fā)熱面積特征具有良好的描述性和實(shí)用性，能夠給予變電站運(yùn)檢人員一定的參考，從而提高變電設(shè)備的診斷效率和準(zhǔn)確度。

3 結(jié)論

本文為了提高故障特征的描述性能和診斷準(zhǔn)確度，提出了一種基于發(fā)熱面積的電流互感器紅外故障診斷方法。結(jié)果表明，在樣本量較少的情況下，分類準(zhǔn)確率可達(dá)91.3%，充分說明了本文提取的發(fā)熱面積特征具有較強(qiáng)的描述性和實(shí)用價(jià)值。