基于发热面积的电流互感器红外故障诊断方法.pdf

Science and Technology&Innovation科技与创新2023 年 第 17 期51文章编号：2095-6835（2023）17-0051-03基于发热面积的电流互感器红外故障诊断方法冉建军（贵州电网有限责任公司遵义道真供电局，贵州 遵义 563000）摘要：针对在变电设备故障诊断中，对发热面积等特征未进行充分挖掘和应用等问题，提出了一种基于发热面积的电流互感器红外故障诊断方法。首先采用改进的区域生长法分割出故障区域；然后对故障区域进行二值化处理，并计算像素值为 1 的数量和，将它作为发热面积；最后运用 SVM（Support Vector Machines，支持向量机）模型实现故障诊断。采用该方法对 80 组电流互感器故障特征样本进行分类，准确率可达 91.3%，具有一定的实用价值。关键词：电流互感器；红外图像；发热面积；故障诊断中图分类号：TP391文献标志码：ADOI：10.15913/ki.kjycx.2023.17.014红外检测技术是一种通过物体热辐射光谱检测，进行温度感知的热故障检测手段，因具备无接触测温等突出优势1，被各行各业广泛应用。中国将红外检测技术应用于变电设备故障诊断的时间较晚，当前主要还是使用手持红外热像仪采集变电设备红外图像，并依据运检人员的经验进行人为判断。这种方式不仅对运检人员的经验依赖性大，而且运检效率和准确度都较低2。变电设备是电网中的主要设备之一，当它发生故障时，会影响电网的正常供电。根据相关资料显示，半数以上设备发生故障时，都会伴随着发热不均衡的情况，即不均衡发热是变电设备大量故障的显著特征3。因此，对变电设备进行实时温度监控具有重要意义。伴随着中国人工智能等技术迅猛发展，提取关键、有效的故障特征进行变电设备故障诊断已成为趋势。特别是在变电设备红外故障图像数量较少，不足以支撑算法模型的数量时，能够有效解决红外故障图像数量不足的问题。从 DL/T 6642016带电设备红外诊断应用规范4和现有的文献中可以看出，当前主要还是提取红外图像中的温度值信息进行故障诊断5。对于发热面积等特征未充分挖掘和应用，出现故障特征描述性能和故障诊断精度不高等问题。因此，本文为了使变电设备故障特征描述性更强和诊断精度更高，提出了一种基于发热面积的电流互感器红外故障诊断方法。算法流程如图 1 所示。1故障特征分析及提取1.1故障特征分析因变电设备长期处于工作状态及环境因素等影响，对电网的健康、稳定运行造成影响。由文献资料可知，电网中大多数的故障都是因变电设备故障演变而来，并且半数以上设备发生故障时，都会伴随着发热不均衡的问题，即不均衡发热是变电设备大量故障的显著特征6。因此，温度是设备发生故障时的重要特征。图 1故障诊断算法流程带电设备红外诊断应用规范中的相关判定依据，是由运检人员凭借经验和数据总结归纳而成，随着电力系统大数据的到来，这些现有的判断依据和特征已经无法满足故障诊断的需求，对发热面积等具体发热行为的挖掘和提取不太全面，从而限制了人工智能算法在故障智能化诊断方面的应用。观察变电设备红外图像时发现，当变电设备温度发生异常变化时，在红外图像中会呈现出温度最高的点、条、团、圆盘等不规则形状的光斑7，如图 2 所示。不同大小的光斑可以间接反映出设备故障的严重程度，光斑区域像素点较多时，说明该区域发热较为严重，反之，则发热不严重。为了便于对故障光斑进行描述，本文挖掘并提取发热面积特征来对设备故障程度进行进一步描述，从而提升变电设备故障特征的描述性能和诊断精度。科技与创新Science and Technology&Innovation522023 年 第 17 期图 2变电设备故障光斑1.2故障区域分割计算发热面积时，最为重要的步骤是如何实现对故障区域的准确分割，因故障区域分割的精准度会直接影响发热面积的计算精度，如果计算不准确容易导致误诊断，从而造成人工成本等损失。因此，准确有效地分割出故障区域是提取发热面积的核心步骤。本文采用改进区域生长法，主要改进种子点的自动选取和生长条件的设置 2 方面。该方法在文献8中取得了较好的成效，因此本文采用该方法来实现对故障区域的分割。原始红外图像如图 3 所示。图 3原始红外图像故障区域分割效果如图 4 所示。图 4故障区域分割效果从分割的效果可以看出，使用改进区域生长方法能够较为准确地分割出故障区域，有效解决了人工选择种子点带来的误分割和过分割等问题，提高了分割的效率和精度。1.3发热面积特征的提取发热面积指对故障区域进行二值化处理后，像素值为 1 的数量和。而本文中发热面积的提取过程为：首先运用中值滤波算法进行滤波去噪；然后采用改进的区域生长法分割出故障区域，并对它进行二值化处理；最后统计故障区域中像素值为 1 的像素和发热面积 S，计算公式如下：iS11（1）以图 4 中分割出来的故障区域为例，首先对故障区域进行二值化处理，处理效果如图 5 所示。由式（1）得到其发热面积分别为 1 191 pt 和 1 162 pt。图 5故障区域二值化效果2基于 SVM 的故障诊断及分析为了验证提取的发热面积特征的准确性和实现对电流互感器的故障诊断，本文运用 MATLAB 中自带的SVM 和 KNN（K-Nearest Neighbor）这 2 种分类模型进行试验，并且采用交叉验证的方式进行，此种验证方式往往是把样本数据随机分配成 k 份，把第 k1 份和第 k 份分别当作训练样本与验证样本，交替轮换共进行 k 次训练和验证，最后取 k 次验证结果的平均值作为衡量模型准确性的指标9。通过使用发热面积特征提取方法，对本文梳理的80 组电流互感器红外图像处理和发热面积特征进行提取，并将提取的结果作为本文样本，其中部分样本如表 1 所示。表 1部分样本设备类别发热面积 S/pt样本标签11 191121 162131 589247 095351 0101注：1 为电流致热型二段故障；2 为电流致热型严重故障；3 为电压致热型故障；下同。因故障样本量较少，在本文收集和整理的电流互感器样本中，设备的故障类型较少，主要包括电流致热型一般故障、严重故障和电压致热型故障 3 种。从提取的发热面积结果来看，各故障类型间发热面积相差较大，特别是电流致热型缺陷和电压致热型缺陷相差最大，这是因为电压致热型缺陷发生故障主要位于套管上，并且通常故障点位于套管内部。Science and Technology&Innovation科技与创新2023 年 第 17 期53因此，可以通过发热面积区别出不同的故障类型和等级，为运检人员提供参考。为了较好验证特征的描述水平和诊断效果，在验证时，交替轮换进行 50 次训练和验证。分类结果和运行参数分别如图 6 和表 2所示。图 6SVM 和 KNN 模型分类结果表 2SVM 和 KNN 分类模型运行参数模型名称预测类正确率/（%）总耗时/s总分类正确率/（%）SVM110015.991.3280383KNN1883.483.8280375从图 6 和表 2 可以看出，SVM 模型对于预测类别1、2、3 的分类正确率分别为 100%、80%和 83%。虽然对于 2、3 类存在误分类的情况，但在小样本的情况下整体分类准确率能达到 91.3%。KNN 对于预测类别1、2、3 的分类正确率分别为 88%、80%和 75%。在分类正确率方面，相较于 SVM 模型分类准确率偏低一些，但整体分类准确率也能达到 83.8%，并且该模型在运行速率方面较快。因此，在故障特征样本量较少的情况下，2 种分类模型都能取得较高的分类准确率。充分体现出了本文提取的发热面积特征具有良好的描述性和实用性，能够给予变电站运检人员一定的参考，从而提高变电设备的诊断效率和准确度。3结论本文为了提高故障特征的描述性能和诊断准确度，提出了一种基于发热面积的电流互感器红外故障诊断方法。结果表明，在样本量较少的情况下，分类准确率可达 91.3%，充分说明了本文提取的发热面积特征具有较强的描述性和实用价值。参考文献：1沈小军，于忻乐，王远东，等.变电站电力设备红外热像测温数据三维可视化方案J.高电压技术，2021，47（2）：387-395.2赵天成，罗吕，杨代勇，等.多属性融合的电力设备红外热特征数字化方法J.红外技术，2021，43（11）：1097-1103.3刘元锦.变电站的运行与故障处理M.北京：中国水电出版社，2004.4全国高电压试验技术标准化分技术委员会.DL/T 6642016 带电设备红外诊断应用规范S.北京：中国电力出版社，2016.5许志浩，罗吕，袁刚，等.基于热点位置分类的电流互感器发热故障判别方法J.激光与红外，2021，51（12）：1628-1634.6颜斌.红外检测技术在柳州电网的应用J.北京电力高等专科学校学报（自然科学版），2011，28（1）：82-82.7王旭红，李浩，樊绍胜，等.基于改进 SSD 的电力设备红外图像异常自动检测方法J.电工技术学报，2020，35（增刊 1）：302-310.8许晓路，周文，周东国，等.基于 PCNN 分层聚类迭代的故障区域自动提取方法J.红外技术，2020，42（8）：809-814.9白志强.基于多源生理信息融合的精神状态研究D.太原：中北大学，2021.作者简介：冉建军（1995），男，本科，助理工程师，研究方向为变电设备故障巡检。（编辑：严丽琴）SVM 分类模型100168341780801002012317831231238888预测类正确率/错误率/（%）（%）804801220162512752575123KNN 分类模型预测类正确率/错误率/（%）（%）