基于三相自搜寻比较的电气设备过热故障识别

梅开锋，朱超

（国网安徽省电力有限公司五河县供电公司，安徽蚌埠 233300）

相关研究结果显示，大约50%的电气设备故障伴有异常发热的现象。同时，由于电气设备长时间运行，并且受到外界条件的影响，例如气候、环境等不同因素，在运行过程中一定会存在各种不同类型的安全隐患。如果这些安全隐患没有及时被发现，会影响设备的运行安全，严重时还会导致电站瘫痪，产生一定的经济损失，对人类的生命安全产生危害[1-2]。

为了有效解决上述问题，国内相关专家针对电气设备过热故障识别方面的内容展开了大量研究，例如李浩茹[3]等人优先建立了包含光伏发电的微网模型，分析太阳辐射变化对网内故障电流产生的影响，采用快速小波能量熵算法提取电流故障特征，同时组建故障综合样本集，训练样本集，最终达到故障辨识的目的。周玉婷[4]等人主要通过长短期记忆递归神经网络和卷积神经网络相结合的方式完成故障识别。季玉坤[5]等人分析磁光成像原理，组建深层卷积网络预测模型，分析不同结构参数对训练结果产生的影响，自动寻找最优参数，最终完成识别。

上述方法在故障识别中，存在故障发生区域识别不完整、抗噪效果不佳以及识别结果不够准确的问题。因此，提出一种基于三相自搜寻比较的电气设备过热故障识别方法，该方法的主要创新点如下：

1）通过电气设备红外图像预处理，将电气设备红外图像转换为灰度图像，避免受到各种条件制约，导致电气设备红外图像出现弱化等问题，有助于提升图像的亮度和对比度等相关信息，达到电气设备红外图像增强的效果。

2）以预处理结果为基础，提取电气设备图像边缘特征，根据所得特征结果采用三相自搜寻比较方法进行故障识别，该方法通过区块划分的形式准确反映相同坐标内的区块温度变化情况，有助于提升故障识别准确率。

3）实验结果表明，所提方法不仅抗噪能力良好，而且识别结果具有较高的准确率。

1 电气设备过热故障识别方法

1.1 电气设备红外图像预处理

传统方法大多采用扫描仪器等装置直接对电气设备故障进行检测识别，既耗费了大量的时间，又不能保证识别结果的准确性，因此，文中在故障识别之前，首先进行电气设备红外图像预处理。由于受到各种条件制约，电气设备红外图像会出现弱化，需要调整亮度、对比度等相关信息，方便后续更好地获取电气设备红外图像的特征信息[6-7]，因此，对电气设备红外图像进行预处理十分重要。

在电气设备红外图像预处理过程中，需要优先设定图像灰度i出现的次数mi，则图像中灰度为i的像素出现的概率qx(i)可以表示为公式（1）的形式：

式中，L代表灰度级数。

电气设备红外图像预处理操作流程如图1所示。

图1 模糊减法聚类算法的故障诊断流程

在对电气设备红外图像进行预处理之后，将经过预处理的电气设备红外图像转换为灰度图像，采用黑白像素分别表示最高和最低区域[8-9]。通过一阶统计量特征可以评估单一像素的属性，二阶统计量可以评估像素灰度等级，最终达到电气设备红外图像增强的目的[10-11]。

1.2 电气设备过热故障识别

1.2.1 电气设备图像边缘特征提取

通过激光传感器可以准确完成距离测量，设定激光传感器中包含两个相机参数，并且位于相同的水平面，则通过三角形相似原理可以得到以下形式的计算式：

式中，C代表激光传感器的基线长度；E代表需要测量的目标距离；xi和xj分别代表相机左侧和右侧的水平坐标；g代表相机焦距。

激光传感器主要通过感光元件发送和接收激光束的时间差或者相位差计算目标距离[12-13]。通过激光束的发射角度，可以计算目标在不同方向的相对距离，即目标在激光坐标系的坐标。基于该原理，进一步获取电气设备红外图像的边缘特征，详细的操作步骤如下所示：

根据激光雷达和相机两者之间的位置关系，通过小孔成像模型和刚性坐标变换将激光映射到激光点中。然后将激光点映射到电气设备图像的彩色像素中，并将对应的RGB 取值添加到激光点中，最大限度提取电气设备的边缘特征[14-15]。

设定经过映射获取的像素坐标为(x′,y′)，则周围像素点也会设定相同的颜色值。通过式（3）可以获取电气设备图像的平均水平坐标vi,j：

式中，hi(x′,y′)代表电气设备图像中的较长边缘取值。

通过霍夫变换确定图像较长边缘中的多个像素点，计算对应像素点的平均水平坐标v～i,j，如式（4）所示：

采用激光传感器提取电气设备图像的边缘特征f(x,y)，如式（5）所示：

式中，r(x,y)和w(x,y)代表电气设备图像中的任意两个热点区域。

1.2.2 电气设备过热故障识别的实现

以1.1 节得到的电气设备红外图像处理结果为基础（图2），进行电气设备过热故障识别。

图2 电气设备红外图像

在电气设备热图像中，标定连通区域中像素数量最大的三个区域作为设备的主体区域，即电气设备过热故障识别的目标区域[16]。以图2 中电气设备的热点区域作为识别目标，采用三相自搜寻比较方法进行电气设备过热故障识别，通过计算处理电气设备热图像，自动获取可直接比较分析的三相图片。将处理完成的图像按照相同规格实行区块划分，各个相片可以准确反映相同坐标内的区块温度变化情况，选取每个区块的平均温度值，统计电气设备全部区块的温度变化情况，准确掌握电气设备的温度变化规律。

当得到电气设备主体的热图像后，为了完成不同相设备之间的热状态对比，将每相分离至单一图像上，经过裁切使其保持一致，避免由于不一致造成热状态分析误差。由于每相的连通区域已经分别标定不同的标签，所以可以确定标签和具体坐标位置，分别为每一个相区域创建规格相同的图像，分别标定三相区域，即可获取分离的电气设备热图像。将电气设备图像经过分离处理后，由于大小以及背景位置存在比较的差异，需要对比对应的位置，同时确定图像裁剪大小和方向。通过每相二值图像记录的设备区域位置，获取图像调整分辨率大小。

对比以上得到的图像块和全新图像块，以此为依据判定图像块是否存在异常升温的情况，最终得到电气设备过热故障识别结果。

2 实验分析

为了验证所提基于三相自搜寻比较的电气设备过热故障识别方法的有效性，进行实验分析。在实验中，选取文献[3]方法、文献[4]方法和文献[5]方法与所提方法进行对比，分析不同方法的识别效果。

图3 为实验识别对象，图3 中亮度比较高的区域为过热故障发生区域。

图3 电气设备过热故障示意图

利用图4 给出四种方法对电气设备过热故障识别结果。

图4 不同方法的电气设备过热故障识别结果

分析图4 可知，与另外三种方法相比，所提方法可以准确识别电气设备过热故障，故障识别结果较为完整，而另外几种方法只可以识别局部故障区域，有效验证了所提方法的优越性。这是因为所提方法采用三相自搜寻比较方法对电气设备图像进行了区域划分，得到故障识别的目标区域，再针对该区域进行识别，有效提升了故障识别效果。

选取七种电气设备作为研究对象，分析四种不同方法的电气设备过热故障识别结果，如表1 所示。

表1 不同方法的电气设备过热故障识别结果分析

分析表1 中的实验结果可知，传统方法仅可以识别部分故障类型，而所提方法可以准确识别全部故障类型，出现错误识别的概率为0，说明所提方法的识别结果与实际故障情况一致，具有较高的识别准确性，进一步说明所提方法具有较高的识别水准。

进一步验证所提方法的识别效果，以去噪性能为实验指标，对比四种不同方法的峰值信噪比变化情况，详细的实验结果如图5 所示。

图5 不同方法的峰值信噪比测试结果对比

分析图5 中的实验结果可知，在四种方法中，所提方法的峰值信噪比明显高于另外几种方法，其最高值达到了28 dB，说明所提方法可以有效滤除电气设备过热故障图像中的噪声，获取比较满意的抗噪结果，可以更好地完成电气设备过热故障识别。

3 结束语

目前，电力体系相关部门对电气设备的稳定运行提出了更高的要求，开始将大部分注意力转移到电气设备过热故障识别方面的研究。为此，提出一种基于三相自搜寻比较的电气设备过热故障识别方法。经实验测试证明，所提方法可以准确识别电气设备过热故障，同时还具有较好的抗噪性能。