基于红外热成像的电力廊道温度的模糊预测技术

林玉涵



基于红外热成像的电力廊道温度的模糊预测技术

林玉涵

（厦门红相电力设备股份有限公司，福建厦门 361000）

为了实时监测高压电力廊道内电力设备的温度，本文结合红外热成像技术和模糊状态理论，提出了一种电力廊道温度预测方法。首先，利用分布式热红外探测器对廊道内的关键电力设备及其电气接头进行实时温度采集；然后，将各采样区的温度状态参数无线传输至通信主站；最后，采用模糊理论将各采样区的温度参数拟合成温变状态方程，构建廊道温度状态预测模型。利用该模型对电力廊道的某区域进行60min连续温度预测。预测结果表明，不同采样区温度预测的相对误差均不超过0.735%；全时段的平均绝对误差均不超过0.135℃。显然，该模型能准确预测电力廊道的温度变化，对电力廊道的智能巡检具有一定的工程应用价值。

高压配电网；电力廊道；红外热成像；模糊状态方程；温度预测

电力廊道是一种用于高压电力线路铺设的地基载体。与高压杆塔架线路铺设方式相比，高压电力廊道具有占用空间少、有效改善市容等优点。因此，近年来，高压电力廊道逐渐在京、沪、苏、浙、皖等电力供配网密集的地区建成[1]。然而，由于高压电力廊道内的导电线路热功率很大，紧凑的廊道内会导致局部过热，从而造成绝缘失效甚至廊道电力设备的短路故障，最终破坏电力设备的正常工作。为保证电力廊道的安全稳定运行，应该对其特定位置进行在线温度检测[2]。

目前，绝大多数电力廊道内电力设备的巡检方式以人工为主。巡检员利用红外热像仪对廊道内的线路、绝缘子、变压器等电力设备进行在线检测[3-4]。但是，这种传统的巡检方式存在诸多弊端。一方面，巡检所依赖的红外技术并没有实现与配电网参数的集成，无法实现电力供配网络的全区域在线监测与故障预估；另一方面，人工巡检还存在工作环境危险，巡检效率低等问题。目前，在电气设备局部温度测量方面，大多是采用接触式探伤测量方法，这种测量方法主要是通过预埋的方式将探伤设备布置在被测触电的周边来实现测温的。因此，这种方法存在电磁干扰甚至短路的风险。同时，这种方法往往适用于低压电力系统的温度检测，不太适合于高电压等级系统的温度检测要求[5-6]。

为了实现电力廊道的全区域温度监视和故障预防，需要设计更合理的方法对在线测得的廊道温度进行有效合理的预测。D. Fischer等利用广义伪贝叶斯理论，设计了一种概率转移的交互式多模型预测算法。该方法能够实现复杂网络区域的温度预测[7]。W. Takashi等在假设温度分布服从零均值和状态平稳的指数衰减的基础上，提出了一种时间相关的Jerk温度预测模型[8]。但是，受到线性误差、高斯噪声等非线性参量的限制，上述温度预测方法的精度会随状态模型非线性程度的提高而降低[9]。庆幸的是，近年来的研究发现，模糊逻辑能够反映变化过程中的不确定因素，解决高维状态量难以用精确数学模型定义的复杂问题。因此，模糊理论被不断用于状态预测模型的构建上[10-12]。模糊方法建立的状态预测模型，能够以任意精度逼近连续温变函数，从而对任意非线性系统实现温度预测。

本文将红外热成像技术与模糊理论应用于电力廊道的温度预测上。首先，利用分布式热红外探测器对廊道内的关键电力设备及其电气接头进行实时温度采集；然后，将各采样区的温度状态参数无线传输至通信主站；最后，采用模糊理论将各采样区的温度参数拟合成温变状态方程，构建廊道温度状态预测模型，从而实现廊道区域的温度监测和状态预测。该技术能实现电力廊道的温度智能检测，缩减高压电力廊道的检修工作。

1 红外热成像技术原理

目前，红外热成像技术被广泛应用于电力廊道的智能巡检，保障地下电力传输的安全。通过红外热成像技术，智能廊道巡检系统能够实现环境探测、温度测量、交互通信及自助故障排除等功能。鉴于高压电力传输工况的复杂性，将非接触式红外热成像技术应用于智能巡检系统中，能够最大程度的适应廊道内的复杂环境，保障廊道内的人员及设备的安全[13-14]。

本文根据某电力廊道的实际工况条件，设计了基于红外热成像的电力廊道温度检测系统，其技术原理如图1所示。

图1 电力廊道内的红外热成像温度检测系统

廊道内电气系统的热效应所发射的红外线信号，被红外探测器接受后就会实现红外热成像。电力廊道温度检测系统的工作过程大致如下：①将红外热探测器安置在不同电气接头附近，来获取电力廊道内的各种电气接头的红外热图像信息；②将采集到的红外热图像数据通过无线通信模块传输到配电自动化主站平台；③配电自动化主站平台将上载的原始红外热图像数据进行图像分析，包括预处理、噪声信号消除、边缘检测等；④将经过图像处理的热图像进行量化分析，计算不同采集点处的温度分布特征。

2 温度预测模型

在对廊道内温度变化构建模糊规则时，首先需要利用热成像技术，求取各区域热源信息的极值min和max。其次，对得到的极值点进行筛选，剔除伪极值点；根据采集的温度样本，进行归一化处理[15]，即

最后，根据保留的关键极值点确定输入变量的初始模糊划分[16]。假设电力廊道内的温度变化参数的第条模糊规则满足：

Ri：If1is1and2is2，…，andxis，

则其对应的规则输出为

式中，x(=1, 2, …,)为规则的第个输入变量；=[a0, …,a]为规则后件的线性参数；1, …,为输入变量所对应的模糊集。此时，模型的输出为

（3）

其中，w为第条规则的激活程度，可以表示为

(x)为输入变量x的隶属度，其可以表示为

（5）

式中，v和分别表示为高斯函数的中心和方差。

从而可知，规则的有效函数定义为

=（7）

由于电力廊道的测试数据不可能覆盖所有参数分布空间，因此需要利用带遗忘因子的递推最小二乘法，对模型的后件参数进行在线调整，即

3 实验与数据分析

为了验证模糊温度预测方法的有效性，本文利用5个红外热成像探测点，对福州市某区段电力廊道内的电力设备进行了温度监测采样和预测试验。为了全面覆盖廊道的探测区域，将相邻探测点之间的距离设置为10m，其中，第一个廊道采样点处的红外热成像效果，如图2所示。

（a）电力廊道实物图

（b）红外热成像图

图2 电力廊道的红外热成像效果图

根据上传的红外热成像数据，分析廊道采样覆盖面的热源分布，计算出廊道内的温度最大值max。为了分析不同时段的温度变化情况，采样时间间隔设置为10min，设开始采样为0时刻，经过6次连续采样，各采样点的在不同时刻的温度最大值，见表1。

表1 不同时刻各采样点的温度最大值/℃

根据表1的测试数据，利用本文提出的预测模型，对不同采样点在t时刻的对应温度进行预测，其中，=6, 7, …, 11。预测的结果见表2，同时，其实测值见表3。

表2 tn时刻各采样点的温度预测值（n=6, 7, …, 11）/℃

为了更进一步验证该预测模型的精度，利用工业二级标准铂铑10-铂热电偶对该5个采样点进行实际温度测量，由于工业二级标准铂铑10-铂热电偶的精度较高，因此将其测得的温度值T作为真值。此时，不同时刻预测温度P的相对误差可以表示为

表3 tn时刻各采样点的温度实测值（n=6, 7, …, 11）/℃

从而根据表2和表3，即可求得预测温度的相对误差值，结果如图3所示。

图3 不同时刻预测温度的相对误差

从总体上看，利用模糊预测模型对电力廊道进行60min温度预测的结果表明，不同采样点的预测精度在均值为0.328%的相对误差附近波动，其波动幅度最大为0.407%；预测结果的最大相对误差为0.735%。

根据表2和表3的数据，即可求出预测温度的平均绝对误差，结果如图4所示。

由图4可以看出，在60min内的电力廊道检测时间段内，采样点1的平均绝对误差为0.112℃，采样点2的平均绝对误差为0.115℃，采样点3的平均绝对误差为0.135℃，采样点4的平均绝对误差为0.127℃，采样点5的平均绝对误差为0.093℃。显然，温度的预测精度完全满足工程精度的要求。

4 结论

为了对高压电力廊道的温度进行实时监测，实现廊道内电力设备的故障预防与诊断，本文结合热红外成像技术与模糊理论，提出了一种高压电力廊道温度的预测方法。利用该方法对电力廊道某区间进行60min连续温度预测。结果表明，不同廊道采样点所预测的温度，其相对误差均在以0.328%为均值的附近波动，波动幅度不超过0.407%；预测结果的最大相对误差为0.735%；温度预测的平均绝对误差不超过0.135℃。显然，本文提出的方法满足电力安全工程的监测精度要求。

[1] 何占. 临海市域电力设施布局规划优化的研究[D]. 北京: 华北电力大学, 2014: 33-41.

[2] 王长久, 石文婷, 柳君, 等. 中控GCS系统在电力廊道项目的应用[J]. 中国仪器仪表, 2014(10): 41-45.

[3] Byambasuren Erdene, Kim Donghan, Oyun-Erdene Mandakh, et al. Inspection robot based Mobile sensing and power line tracking for smart grid[J]. Sensors (Basel, Switzerland), 2016, 16(2): 250.

[4] 黄俊波, 王康. 电力巡检吊舱红外图像增强技术研究[J]. 光学与光电技术, 2015, 13(6): 42-44, 62.

[5] 胡伟, 任广振, 葛隽, 等. 高压电力廊道自动巡检机器人系统的研制[J]. 自动化与仪表, 2013, 28(12): 13-16.

[6] 钱毅涛. 头盔式红外测温系统的研究与实现[D]. 南京: 南京理工大学, 2015: 69-77.

[7] Fischer D, Szabados B. Using a bayes classifier to optimize alarm Generation to electric power generator stator overheating[J]. IEEE Trans. Instrumentation & Measurement, 2003, 52(3): 703-709.

[8] Watanabe Takashi, Fukushima Keisuke. A study on feedback error learning controller for functional electrical stimulation: Generation of target trajectories by minimum jerk model[J]. Artificial Organs, 2011, 35(3): 270-274.

[9] Kashania M, Movahhedya M. Analytical prediction of the temperature field in laser assisted machining[J]. ELSEVIER, Procedia CIRP, 2016, 46(1): 575-578.

[10] Vickers Mathew, Schwarzkopf Lin. A simple method to predict body temperature of small reptiles from environmental temperature[J]. Ecology and Evolution, 2016, 6(10): 3059-3066.

[11] 侯克男, 杨立新, 樊琳, 等. 多功能现场用电检查终端关键技术研究[J]. 电气技术, 2016, 17(1): 38-41, 45.

[12] 王兴照, 周大洲, 王宁. 基于热红外成像技术的绝缘子故障分类研究[J]. 电气技术, 2016, 17(11): 140- 142, 150.

[13] 马韬, 朱志芹, 邱清泉, 等. 1250kV·A三相高温超导变压器的系统集成与试验[J]. 电工技术学报, 2016, 31(21): 188-195.

[14] 谷云东, 张素杰, 冯君淑. 大用户电力负荷的多模型模糊综合预测[J]. 电工技术学报, 2015, 30(23): 110-115.

[15] 刘芬, 郭躬德. 基于区间相似度的模糊时间序列预测算法[J]. 计算机应用, 2013, 33(11): 3052-3056.

[16] 占红来. 红外弱小目标搜索跟踪算法研究[D]. 北京: 中国工程物理研究院, 2013: 29-44.

Fuzzy Prediction of Temperature for an Electric Power Gallery based on an Infrared Thermal Imaging Technology

Lin Yuhan

(Xiamen Red Phase Instruments Inc., Xiamen, Fujian 361000)

To monitoring the global temperatures of the high voltage electric power gallery, a fuzzy prediction method is proposed by using an infrared thermal imaging technology in this paper. Firstly, the temperature of the key electrical equipment embed in the gallery are detected by multi- infrared detectors. Secondly, the temperature prediction model is built by fuzzy theory using these real-time tested temperatures. What’s more, this model is applied to predict the temperature variation of an electric power gallery among the period of 60 minutes. The experimental result shows that the relative errors of the sampling areas are less than 0.735% and the mean absolute errors of the predicted values are less than 0.135℃. In a word, our suggested method is qualified to temperature monitoring of the electric power gallery automatically, which has an application value to electric power overhaul.

high voltage distribution network; electric power gallery; infrared thermal imaging; fuzzy state function; temperature prediction

林玉涵（1981-），男，本科，工程师，主要从事电力系统检测、监测、计量产品的应用研究工作。