基于红外热成像技术的变电设备故障检测方法.pdf

Telecom Power Technology 240 2023 年 9 月 25 日第 40 卷第 18 期Sep.25,2023,Vol.40 No.18运营维护技术DOI：10.19399/ki.tpt.2023.18.080基于红外热成像技术的变电设备故障检测方法沈蔡媛，张译丹（国网上海市电力公司市南供电公司，上海 200233）摘要：变电设备在运行过程中受环境等因素的影响，经常会发生热故障。为提高故障检测的准确性，提出基于红外热成像技术的变电设备故障检测方法。采用线性阵列的红外检测器，确定变电设备的扫描区域，将变电设备的红外线辐射量转化为电信号，采集变电设备图像。通过概率密度函数，计算红外图像的像素点，利用中值滤波原理预处理变电设备红外图像。根据变电设备故障点的相对温差，实现变电设备的故障检测。实验结果表明，该方法受噪声的影响较小，可以将变电设备故障检测的准确率提高到 90%以上。关键词：红外热成像技术；故障检测；红外图像；变电设备Fault Detection Method of Substation Equipment Based on Infrared Thermal Imaging TechnologySHEN Caiyuan,ZHANG Yidan(State Grid Shanghai Electric Power Company Shinan Power Supply Company,Shanghai 200233,China)Abstract:Thermal failure will occur when substation equipment is affected by environment and other factors during operation.In order to improve the accuracy of fault detection,a fault detection method for substation equipment based on infrared thermal imaging technology is proposed.Using linear array infrared detectors,the scanning area of substation equipment is determined,the infrared radiation of substation equipment is converted into electrical signals,and the images of substation equipment are collected.Through probability density function,the pixel points of infrared image are calculated,and the infrared image of substation equipment is preprocessed by median filtering principle.According to the relative temperature difference of fault points of substation equipment,the fault detection of substation equipment is realized.The experimental results show that this method is less affected by noise and can improve the accuracy of fault detection of substation equipment to more than 90%.Keywords:infrared thermal imaging technology;fault detection;infrared image;substation equipment0 引 言变电站是电力系统生产运行的基本单元。如果变电设备潜在的安全隐患转变为故障，那么继电保护装置就会自动跳闸，保护故障线路。这种情况下，有可能引发小型甚至大规模的停电事故，给人们的生活带来不便和财产损失1。在变电站内部，各种变电装置元件长期不停的工作，且与外部环境接触，容易受环境因素的干扰，产生接触不良、裂纹、老化以及氧化等故障。通过利用红外线热成像技术，能实现对电力系统中变电设备各类热失效的检测与诊断。因此将红外热成像技术应用于变电设备故障检测，对实现无人值守变电站具有现实意义。佟忠正等人为解决常规电力装备故障检测存在的流程单一、难以同时进行多故障点检测等问题，将人工智能技术应用于变电设备故障检测2。结合人工神经网络与模糊逻辑对故障数据进行处理，构建电力装置的故障在线检测系统，利用该在线检测系统识别去重后的数据，对比去重后的数据与正常数据，对故障进行定位，并将故障位置信息传输给检测终端。同时，可以实现同步监测多个故障，检测效率更高。将红外热成像技术应用于变电设备故障检测，确保变电设备的安全运行。1 变电设备故障检测方法设计1.1 基于红外热成像技术采集变电设备图像变电设备红外热图像的形成主要受温度和红外辐射的影响，而变电设备的红外辐射照度会影响红外图像的质量。采用红外热像仪扫描变电设备的红外辐射，并将扫描结果转换成电信号，生成变电设备的热红外图像。因此，在电力系统中，检测变电设备出现的热故障时，需要借助红外热像仪进行故障信息采集。扫描变电设备之前，需要选择使用线性阵列的红外检测器对变电设备的扫描区域进行不同方式的识别3。假设线性阵列的红外检测器可以将变电设备的扫描空间划分为 n 个单元，在一定顺序下，逐个扫描各单元的帧图像，单元扫描时间的计算公式为收稿日期：2023-07-20作者简介：沈蔡媛（1996），女，上海人，本科，助理工程师，主要研究方向为电力系统自动化；张译丹（1996），女，江苏南通人，本科，助理工程师，主要研究方向为电力系统自动化。2023 年 9 月 25 日第 40 卷第 18 期 241 Telecom Power TechnologySep.25,2023,Vol.40 No.18 沈蔡媛，等：基于红外热成像技术的 变电设备故障检测方法pdp1Ttnnf=（1）式中：Tp表示扫描周期；fp表示扫描的帧频。使用红外线检测器对变电设备进行扫描，得到变电设备的红外线辐射量，并把这些辐射量转化为电信号。如果在相同的扫描周期下扫描变电设备，则会增大变电设备红外图像的信噪比，得到高质量的变电设备图像。1.2 预处理变电设备红外图像采集变电设备红外图像时，空气中的环境温度会影响图像的信噪比，导致无法有效提取变电设备红外图像中的特征，因此必须对变电设备红外图像进行预处理。采用滤波算法对变电设备的红外图像进行滤波处理，假设图像中有 6 个灰度图，通过概率密度函数计算红外图像的像素点，计算公式为()ab,0,u mau mu mb=其他（2）式中：a 表示红外图像中的黑噪点；b 表示红外图像中的白噪点；ua表示黑噪点对应的概率；ub表示白噪点对应的概率4。引入中值滤波，对变电设备红外图像的窗口范围点进行排序5。将红外图像的灰度值作为序列中心的中间值，提取公式为()(),medianR i jg k=（3）式中：g 表示红外图像的灰度值序列；k 表示红外图像中的像素点数量。中值滤波是由 R 触发电平信号和 W 触发电平信号组成，可以表示为1medminLevel2medmax:RHHRHH=（4）1xyminlevel2xymaxWHHWHH=:（5）式中：Hmed表示红外图像的灰度值中值；Hxy表示红外图像的坐标灰度值；Hmin表示红外图像的最小灰度值；Hmax表示红外图像的最大灰度值6。当R1且R2时，无法形成R触发电平信号，要将 RLevel转换成 Wlevel或扩大滤波窗口 Cxy的尺寸7。当 W1且 W2时，需要将 Hxy作为滤波窗口Cxy的输出值，或者将Hmed作为滤波窗口Cxy的输出值。利用中值滤波算法对变电设备红外图像进行预处理，为变电设备的故障检测提供依据。1.3 检测变电设备故障红外热成像是根据变电设备红外图像的整体温差，通过与正常运行的变电设备对比，确定故障点的位置，排除环境和变电设备运行等因素的影响8。计算变电设备故障点的相对温差，公式为()()1020121010TTTTTTTTTTT=（6）式中：T1表示变电设备发热点的温度；T0表示变电设备运行的环境温度；T2表示环境中的标准温度。根据故障点的相对温差计算结果，实现对变电设备的故障检测。2 实验分析2.1 实验对象为验证文章所提方法在变电设备故障检测中的有效性，选择某一变电设备为实验对象，如图1所示。图 1 实验对象变电设备受环境等因素的影响，容易出现异常发热故障。通过对实验对象的实时检测，及时发现故障点，并进行检修，为电力系统的正常运行提供保障。2.2 结果分析为检验文章所提方法在变电设备故障检测中是否具有应用优势，引入基于人工智能的检测方法作比较，在变电设备红外图像中引入一组噪声信号，利用2 种方法分别对加入噪声和不加入噪声的变电设备故障信号进行检测，测试故障检测的准确率，结果如图2 所示。由图 2 可知，采用基于人工智能的检测方法时，对加入噪声的变电故障信号的检测准确率为60%70%，对不加入噪声的变电故障信号的检测准确率为 70%80%，说明人工智能技术在噪声的影响下容易出现误检的情况，检测准确率偏低。采用文章所提方法，无论是对加入噪声的变电设备故障信号，还是不加入噪声的变电设备故障信号，检测准确率都可以达到 90%以上。2023 年 9 月 25 日第 40 卷第 18 期Sep.25,2023,Vol.40 No.18Telecom Power Technology 242 检测时间/s50101520250102030405060708090100故障检测准确率/%文中方法基于人工智能的检测方法（a）加入噪声检测时间/s故障检测准确率/%文中方法基于人工智能的检测方法50101520250102030405060708090100（b）不加入噪声图 2变电设备故障检测准确率对比3 结 论文章提出基于红外热成像技术的变电设备故障检测方法，利用红外热成像技术采集变电设备的红外图像，并对其进行预处理，实现变电设备的故障检测。经过实验测试发现，该方法可以有效提高变电设备故障检测准确率，能够准确检测出变电设备的故障，以便工作人员及时到现场维修，确保变电设备的安全稳定运行。但该方法仍存在不足，由于红外热成像技术是根据变电设备故障的发热特性，对于发热不明显的故障检测不够准确，还需做进一步的完善。参考文献：1 潘超，戚革庆，王旷，等.变电设备局部放电故障非接触式带电检测方法研究 J.机械与电子，2020，38（11）：60-65.2 佟忠正，孙旸子.基于人工智能的变电设备故障在线检测方法研究 J.自动化与仪器仪表，2020（6）：172-175.3 王硕禾，巩方超，古晓东，等.基于特征融合的变电设备类型及故障识别算法研究 J.铁道学报，2021，43（4）：95-100.4 朱惠玲，牛哲文，黄克灿，等.基于单阶段目标检测算法的变电设备红外图像目标识别及定 位 J.电 力 自 动 化 设 备，2021，41（8）：217-224.5 张飞飞，张俊，吴龙，等.基于深度卷积神经网络的变电一次设备故障检测方法 J.电气传动，2022，52（23）：67-72.6 肖发龙，吴岳忠，沈雪豪，等.基于深度学习和知识图谱的变电站设备故障智能诊断 J.电力建设，2022，43（3）：66-74.7 梁文武，朱维钧，李辉，等.基于粗糙集的智能变电站保护设备仿生故障诊断方法 J.电力系统保护与控制，2021，49（21）：132-140.8 李文璞，毛颖科，廖逍，等.基于旋转目标检测的变电设备红外图像电压致热型缺陷智能诊断方法 J.高电压技术，2021，47（9）：3246-3253.