吳躍，寶貴，韓文軍，占龍，郭灃慧

（1.國(guó)網(wǎng)呼倫貝爾供電公司，呼倫貝爾 021000； 2.國(guó)網(wǎng)岳陽(yáng)供電公司，岳陽(yáng) 414000）

引言

變電站設(shè)備故障直接導(dǎo)致變電站無(wú)法正常運(yùn)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(wú)論哪種類型的故障，都會(huì)以溫度突然升高的形式表現(xiàn)出來(lái)。紅外熱成像技術(shù)可在變電站設(shè)備不停運(yùn)、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(cè)，已經(jīng)成為現(xiàn)階段變電站設(shè)備高熱故障最常用的識(shí)別方法之一。

國(guó)內(nèi)外相關(guān)專家學(xué)者開展了對(duì)變電站設(shè)備高熱故障的紅外識(shí)別研究，吳添權(quán)[1]等人在對(duì)高斯卷積核作出部分改進(jìn)后，建立變電站設(shè)備紅外圖像目標(biāo)檢測(cè)模型，經(jīng)過(guò)采集數(shù)據(jù)、樣本訓(xùn)練與樣本驗(yàn)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(shí)別中，通過(guò)建立不同狀態(tài)下的套管紅外圖像樣本庫(kù)，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(shí)別模型，通過(guò)設(shè)置合適的網(wǎng)絡(luò)超參數(shù)即可實(shí)現(xiàn)對(duì)套管故障的識(shí)別。Shi Zhigang[3]等人利用支持向量機(jī)建立了一種變電站設(shè)備紅外圖像分類器，通過(guò)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(shí)現(xiàn)對(duì)變電站設(shè)備的故障識(shí)別。Zhou Xihong[4]等人將差分圖像配準(zhǔn)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(cè)算法，在融合策略的基礎(chǔ)上對(duì)電力設(shè)備紅外圖像進(jìn)行重構(gòu)，通過(guò)調(diào)整最優(yōu)配準(zhǔn)參數(shù)，使圖像中的熱異常目標(biāo)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(shí)別方法。首先，在完成變電站設(shè)備紅外圖像的采集后，對(duì)其進(jìn)行分割、圖像增強(qiáng)和光照分量估計(jì)，找出目標(biāo)所在的區(qū)域范圍；然后，引入溫度概率密度對(duì)目標(biāo)所在區(qū)域的溫度進(jìn)行計(jì)算，通過(guò)與溫度范圍進(jìn)行對(duì)比，找出處于高熱故障區(qū)域的數(shù)值，與之對(duì)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(shí)際工程中，通過(guò)對(duì)4 種不同類型的變電站設(shè)備故障進(jìn)行識(shí)別，結(jié)果表明，所提方法可以精準(zhǔn)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(huì)出現(xiàn)多識(shí)別和漏識(shí)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(shí)別

1.1 變電站設(shè)備紅外圖像采集

在虛擬仿真場(chǎng)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(shí)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(dá)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(jìn)行空間信息融合，找出細(xì)節(jié)點(diǎn)K(x0,y0)，以該點(diǎn)為中心，從空間角度分析圖像的稀疏特征分布值：

對(duì)式（2）計(jì)算結(jié)果進(jìn)行跟蹤與識(shí)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(jìn)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(duì)于變電站設(shè)備紅外圖像分割，由二維Osut 閾值法來(lái)實(shí)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(qiáng)。但不可避免的是，當(dāng)目標(biāo)圖像與背景的灰度值相近時(shí)，分割結(jié)果中會(huì)包含一定的背景區(qū)域，影響后續(xù)對(duì)變電站設(shè)備故障的識(shí)別精度。為此引入了區(qū)域生長(zhǎng)法，用來(lái)降低背景對(duì)目標(biāo)分割的影響，接下來(lái)進(jìn)行詳細(xì)描述。

1.2.1 二維Osut 閾值法

二維Osut 閾值法是將像素點(diǎn)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(biāo)函數(shù)為類間離散度最大，最終計(jì)算結(jié)果為最佳閾值(S,T)。假設(shè)圖像大小為M×N、灰度級(jí)為L(zhǎng)，可能存在背景的圖像概率為w0、可能存在目標(biāo)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?；诖耍纯捎?jì)算得到類間離散度矩陣為：

用Sp的跡再次展開測(cè)度：

那么，最佳閾值(S,T)為：

在實(shí)際應(yīng)用中，為了取得更加簡(jiǎn)便的運(yùn)算過(guò)程，可通過(guò)建立查找表的方式去除冗余計(jì)算，以便提高算法整體的運(yùn)算效率。

1.2.2 改進(jìn)區(qū)域生長(zhǎng)法

區(qū)域生長(zhǎng)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(duì)差值作為像素之間的相似性條件。當(dāng)絕對(duì)差值為最小值時(shí)，認(rèn)定這個(gè)像素與其他像素之間有著較高的相似性，即可認(rèn)定該點(diǎn)為待識(shí)別目標(biāo)圖像的種子像素。

將(S,T)作為區(qū)域生長(zhǎng)法的生長(zhǎng)準(zhǔn)則，S看作是分割閾值，T看作是灰度相似閾值。經(jīng)過(guò)改進(jìn)后，得到的生長(zhǎng)準(zhǔn)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(guò)分割的情況，需要在每次生長(zhǎng)之后自動(dòng)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(diǎn)總數(shù)；

遍歷整幅圖像，當(dāng)不再有滿足條件的像素點(diǎn)時(shí)種子像素停止生長(zhǎng)，從而完成對(duì)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(qiáng)

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(lái)說(shuō)比較高，但是噪聲點(diǎn)較多，存在部分低照度區(qū)域。為此，利用快速導(dǎo)向?yàn)V波對(duì)圖像的光照分量進(jìn)行估計(jì)，便于后續(xù)直接提取溫度概率密度。

1.3.1 快速導(dǎo)向?yàn)V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(jìn)行驅(qū)動(dòng)：

式中：

ac、bc—待求解的常數(shù)項(xiàng)；

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(jià)函數(shù)對(duì)其進(jìn)行約束，表達(dá)式為：

式中：

ε—是用來(lái)約束圖像平滑度的正則化參數(shù)。

引入線性回歸方程，對(duì)式（9）中ca和cb的最優(yōu)解進(jìn)行計(jì)算：

式中：

利用式（12）對(duì)Eq進(jìn)行過(guò)濾：

式中：

快速導(dǎo)向?yàn)V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(dāng)圖像數(shù)量過(guò)多時(shí)算法處理將會(huì)大幅度下降，無(wú)法實(shí)時(shí)給出處理效果，導(dǎo)致實(shí)時(shí)性較差。因此，本文在快速導(dǎo)向?yàn)V波中加入了采樣頻率為z（z1）的下采樣，在控制時(shí)間復(fù)雜度O(N/z2)的同時(shí)過(guò)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(dá)式轉(zhuǎn)換為：

式中：

??—濾波核函數(shù)。

1.3.2 光照分量估計(jì)

接下來(lái)利用快速導(dǎo)向?yàn)V波對(duì)變電站設(shè)備紅外圖像進(jìn)行光照分量的估計(jì)[9]，實(shí)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?yàn)V波能否取得優(yōu)秀的圖像處理效果。經(jīng)過(guò)分析運(yùn)算后，將邊緣權(quán)重因子作為正則化參數(shù)，以此完成對(duì)變電站設(shè)備紅外圖像的光照分量估計(jì)，表達(dá)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(xiàng)。

1.4 基于溫度概率密度的故障識(shí)別

完成對(duì)變電站設(shè)備紅外圖像的光照分量估計(jì)后，對(duì)目標(biāo)所在區(qū)域的溫度概率密度進(jìn)行提取。當(dāng)變電站設(shè)備發(fā)生故障后，會(huì)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(cè)與識(shí)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(shí)別目標(biāo)影響，因此目標(biāo)所在區(qū)域的溫度概率密度h(x)無(wú)法直接表示為函數(shù)形式[10]，需要經(jīng)過(guò)式（16）的運(yùn)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(diǎn)總數(shù)；

Hj—變電站設(shè)備溫度為j時(shí)，所對(duì)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(gè)溫度概率，可通過(guò)將h(x)在所有區(qū)間內(nèi)的溫度概率密度值進(jìn)行相加計(jì)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(jìn)行相加計(jì)算，使并最終的結(jié)果等于1，計(jì)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(gè)方面，分別是：沒(méi)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(duì)應(yīng)的溫度概率密度為h(x)；正常運(yùn)行溫度區(qū)域的溫度范圍為[θ1,θ2]，對(duì)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(duì)應(yīng)的溫度概率密度為h3(x)，用公式表示為：

通過(guò)分析溫度概率密度所處的區(qū)間范圍，實(shí)現(xiàn)對(duì)變電站設(shè)備高熱故障的精準(zhǔn)檢測(cè)與識(shí)別。

2 實(shí)驗(yàn)測(cè)試

為了驗(yàn)證所提方法在實(shí)際應(yīng)用中是否可以針對(duì)變電站設(shè)備實(shí)現(xiàn)精準(zhǔn)的高熱故障識(shí)別，將其與引言中提到的改進(jìn)高斯卷積核算法和卷積神經(jīng)網(wǎng)絡(luò)展開了對(duì)比實(shí)驗(yàn)測(cè)試，實(shí)驗(yàn)現(xiàn)場(chǎng)圖如圖1 所示。

圖1 實(shí)驗(yàn)現(xiàn)場(chǎng)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(duì)象，利用所提方法對(duì)這4種故障分別進(jìn)行識(shí)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(shí)別結(jié)果

通過(guò)觀察圖2 可知，所提方法精準(zhǔn)識(shí)別到了變電站設(shè)備的不同故障類型，且識(shí)別精準(zhǔn)，沒(méi)有出現(xiàn)多識(shí)別和漏識(shí)別的情況。這是由于所提方法在故障識(shí)別之前對(duì)紅外圖像進(jìn)行了分割和增強(qiáng)處理，使故障目標(biāo)特征得到突出顯示，再提取目標(biāo)區(qū)域的溫度概率密度，從而實(shí)現(xiàn)了精準(zhǔn)的高熱故障識(shí)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(jìn)高斯卷積核算法和卷積神經(jīng)網(wǎng)絡(luò)分別對(duì)這500張圖像進(jìn)行故障識(shí)別，并對(duì)比三種算法的識(shí)別精準(zhǔn)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(shí)別結(jié)果對(duì)比

通過(guò)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(shí)別精準(zhǔn)度和召回率，且F1 值最接近1，由此可以說(shuō)明所提方法在變電站高熱故障紅外識(shí)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(duì)發(fā)生的故障進(jìn)行實(shí)時(shí)識(shí)別與檢測(cè)，及時(shí)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(shí)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(duì)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(zhǎng)法進(jìn)行融合，實(shí)現(xiàn)對(duì)變電站設(shè)備紅外圖像的分割,利用快速導(dǎo)向?yàn)V波對(duì)變電站設(shè)備紅外圖像進(jìn)行光照分量的估計(jì)，找出目標(biāo)區(qū)域,通過(guò)提取目標(biāo)區(qū)域的溫度概率密度，實(shí)現(xiàn)對(duì)變電站設(shè)備高熱故障的精準(zhǔn)識(shí)別,精準(zhǔn)識(shí)別到了故障所在位置，沒(méi)有出現(xiàn)漏識(shí)別和多識(shí)別的現(xiàn)象。