基于热像检测的变压器预测维修

姜小斐 钟世亮

（国网山东省电力公司胶州市供电公司）

0 引言

变压器是输配电网络的骨干， 变压器的故障对电力供应造成了不利影响， 造成了经济损失。为了保证整个电力系统的有效运行， 电力设备尤其是变压器的健康监测和维护计划的编制是非常必要的。在各种参数中， 温度是评估变压器健康状况和负载能力的重要参数。配电变压器失效的主要原因是绝缘热劣化和过载， 由于高温导致的纤维素降解是不可逆的， 而且每当温度上升6摄氏度， 绝缘降解的程度就几乎翻一番。

因此， 有必要分析和了解变压器在不同负载条件和环境温度下各阶段的升温情况。光纤温度传感器是预测绕组热点温度的方法， 但使用环境受限制[1-2］。与其他方法相比， 热成像在获取温度数据方面更有效， 由于直接测量较高温度是不方便的， 热成像是一种非侵入性的检测方法， 因此热成像成为一种重要的检测手段。

本文根据变压器区域的温度分布， 从背景中分割出变压器区域的内热图像， 最后利用温度和像素强度数据对问题进行分类。将改进的k 均值分割方法与基于区域增长的分割、 局部阈值分割和流域分割方法进行了比较， 这些分割方法将在下面的小节中进行解释。

1 技术性分析

变压器是电力系统中不可或缺的重要组成部分，其稳定性与可靠性直接影响着电力系统的工作效率与安全稳定。因此， 对变压器的及时维修与保养显得尤为重要。近年来， 随着红外热成像技术的应用， 变压器维修中热图像检测技术被广泛应用。本文将通过对热图像检测技术的介绍， 并结合实例分析， 探讨其在变压器预测维修分析中的应用。

热图像检测技术利用红外线相机对目标物体进行扫描， 记录下物体表面发出的红外线信息， 然后通过软件进行处理， 将这些信息转化成热图像。热图像通过颜色的不同来显示温度的分布情况， 用于分析物体表面的热量分布情况， 进而预测出可能存在的故障点。

在变压器的预测维修分析中， 热图像检测技术主要应用于以下三个方面：

a. 检测变压器整机散热情况： 变压器工作时， 会产生大量热量， 如果散热不良， 可能会导致温度过高， 影响变压器的正常工作。热图像检测技术可用于检测变压器整机的散热情况， 帮助工作人员及时发现并解决散热不良问题。

b. 检测变压器绝缘层的老化情况： 变压器的绝缘层老化会导致温度升高， 从而影响变压器的正常使用。热图像检测技术可用于检测变压器绝缘层的温度分布情况， 及早发现并更换老化的绝缘层， 以免变压器短路。

c. 检测变压器某些零部件的故障情况： 变压器中的某些零部件如接线端子、 继电器等可能会出现故障， 导致温度升高。热图像检测技术可用于检测这些零部件的温度分布情况， 协助维修人员及时修复故障。

因此， 热图像检测技术在变压器预测维修分析中起到了不可替代的作用， 通过及时发现变压器存在的问题， 保障了电力系统的工作效率与安全稳定。

2 热图像分割

研究了变压器热像图中温度分类的四种分割方法。以下段落对它们进行了解释。

2.1 图像阈值化

热图像分割首先要进行的是图像阈值化， 其利用温度和像素强度数据， 借助于报告红外软件开发的物理方式实现了该分割技术， 并与其他分割技术进行了比较， 以了解自动分割的效果。

在开启阈值之前， 先将4 个不同温度分布的变压器放在共同温度范围内进行结果比较， 以便在过载状态下检测变压器是否有热点[3-4］。通过图像阈值分割热点区域， 确定加载条件。为了实现这一技术， 采用了灰度成像， 其中0 像素的强度在给定的温度范围内给出较低的值， 255 像素的强度在给定的温度范围内给出较高的值。阈值已经在3 个范围内实现， 从52 摄氏度到60 摄氏度， 从43 摄氏度到47 摄氏度。通过比较不同变压器的运行结果来判断变压器是否过载， 图像阈值运算的数学表达式如方程1所示。

式中，h（x，y） 为分割图像，f（x，y） 为输入热图像， 阈值为T， 根据温度水平确定。如果像素值大于阈值， 则赋值0， 否则赋值1， 得到的结果图像为h（x，y） 。该分割图像用作下列分割方法比较性能的基本方式。

2.2 基于区域的图像分割法

它是一种用于获取热点区域的技术， 其中对相邻部分的像素进行分析并添加到一个特定的区域中， 直到获得边缘消失， 相应组中的每个周围像素重复该过程， 如果找到相邻区域， 则使用合并技术去除弱边界， 留下强边界[5］。

得到的分割图像的精度取决于初始选择的目标、阈值和分析相邻像素的条件。区域生长中的同质性标准的选择取决于所考虑的问题和图像分割的类型。在进行图像分割时， 有三个重要问题需要考虑。它们是： （a） 种子点的选择，（b） 连通性和相似性标准，（c） 分割停止标准。每个像素取八个种子点的邻域。如果没有更多的种子点匹配基于阈值的选择条件， 则停止迭代。

区域生长方法总结如下： 1） 在开始阶段， 基于相似性约束迭代合并一小部分区域。2） 首先选择一个种子像素与相邻像素进行比较。3） 区域生长从一个像素开始， 然后加入相似的相邻像素。4） 当区域生长停止时， 同样的过程再从另一个不在以前任何区域的种子像素开始， 这个过程继续进行。5） 重复这个过程， 基于相似约束迭代合并初始区域集， 直到所有的像素对应某个区域。

2.3 局部阈值法

它是一种利用图像的邻接强度和像素强度作为红外图像的目标强度来改变邻接强度的分割技术， 有利于从图像中提取目标的区域

这里的结果是一个二值化的图像， g （x， y） 是方程2 中灰度热像 （x， y） 位置的像素强度。在局部阈值分割过程中， 利用局部统计量确定阈值。在方差、平均值方面的各种统计过程被用于分割过程， 将博森技术的概念应用于热点检测的局部阈值分割， 局部阈值可以通过以下方程 （3） 确定一个特定的图像：

式中，T(x,y) 是图像阈值，Imax和Imin是特定窗口w∗w内图像灰度的最大值和最小值。

2.4 流域分割法

它是一种适用于灰度图像的分割方法， 这种技术用于分割两个相邻的热点区域。这种图像分割技术将图像视为地形图， 像素强度代表高度。流域分割程序以下列方式实施：

a） 使用5*5 大小的正方形结构元素进行形态学开放， 并将结果从原始热像中减去； b） 图像的对比度得到改善； c） 用Otsu 方法找到阈值； d） 使用大津技术进行分割； e） 对结果进行侵蚀并计算补充； f） 对所得图像应用流域分割。

2.5 改进的K 均值聚类法

聚类算法属于无监督处理的范畴， 它们几乎类似于分类算法， 但是基础不同。在这种情况下， 聚类过程为， 搜索的目标是未知的， 但它将能够在给定的数据中创建一些聚类或片段区域。当对给定的数据使用聚类算法时， 效果会出现。K 均值聚类算法用于从背景中分割目标的区域， 它将给定的数据聚类成K簇， 或者根据K 质心可以聚类成不同的区域。当数据未标记时， 此技术效果良好。主要目的是根据相似性对一组由K 给出的数据进行区域搜索。程序概述如下：

1） 选择的集群数量。

2） 选取随机k点， 初始取随机中心点。

3） 指定接近特定质心的数据点。

4） 从数据点组成的群中计算新的质心。

5） 现在再次将数据点分配给已更新的质心， 并重复步骤3中的过程。

这里总的集群用k表示， 总的情况用r表示，zj是集群l 的质心。这种方法的目的是对方程4 中的J（目标函数） 进行约化， 即对的距离函数求和，i表示特殊情况。在这项工作中， 这种方法略有修改， 使“K”最初采用5， 随后减少到2。

3 实验分析

3.1 分割法比较

分割过程是使用灰度图像。基于不同温度范围的变压器4 的分割结果如图1 所示。图1 显示了温度范围从52 摄氏度到60 摄氏度， 最高达47 摄氏度和最高达43摄氏度的分段区域。从实验结果发现， 变压器无热点区域。然而， 高温区域的分割表明， 变压器4 相比其他变压器过载。

图1 不同温度范围的分割

本文给出了基于区域分割、 局部阈值分割、 流域分割和改进的K 均值聚类的分割结果。如图2 所示，给出了基于区域分割、 局部阈值分割、 流域分割、 修正 K均值聚类的结果。结果表明， 采用修正K-均值可以获得最佳性能。

图2 不同技术的分割结果

3.2 性能参数分析

分割过程的有效性可以用不同的量化方法来检验。在这项研究中， 我们使用了雅可比相似度系数和骰子相似度指数来评估分割的效果。实验结果表明，改进的K-均值聚类方法比其他自动分割方法具有更好的分割效果。这些分割技术的结果如下表1 所示。高值性能参数表明， 该方法具有较高的精度。

表1 分割性能分析

3.3 超载条件的确定

进一步利用分割后的图像判断过载状态。负载条件依赖于负载电流， 导致在绕组中产生热量， 这种热量导致红外线辐射被摄像机捕捉到， 利用温度和像素强度数据， 以过载变压器为参考， 确定相应的温度阈值， 所有四台变压器都得到了计算结果， 其中变压器4 与其余三台变压器相比过载。在变压器4 检测到的区域高温表明它是过载， 其他变压器没有检测到这样的区域。这可以作为变压器状态监测的工具。

4 结束语

本文分析了四种分割技术， 并将它们的性能与地面真实情况进行了比较。利用红外的温度和像素强度数据， 通过图像阈值分割得到地面真实情况。改进的K-均值聚类算法在实现的算法中具有最高的分割精度。再根据分割后的图像确定过载条件。利用本文提出的方法， 可以对变压器进行预测性维修， 从而提高变压器的整体寿命。