基于空间光学传感技术的变电站设备高热故障红外识别方法

吴跃，宝贵，韩文军，占龙，郭沣慧

（1.国网呼伦贝尔供电公司，呼伦贝尔 021000； 2.国网岳阳供电公司，岳阳 414000）

引言

变电站设备故障直接导致变电站无法正常运行，常见的故障原因有磁路故障、输电线路与变电设备之间接触不良、绝缘材料老化等，无论哪种类型的故障，都会以温度突然升高的形式表现出来。红外热成像技术可在变电站设备不停运、不接触、不取样以及不解体的前提下完成局部温度升高的故障检测，已经成为现阶段变电站设备高热故障最常用的识别方法之一。

国内外相关专家学者开展了对变电站设备高热故障的红外识别研究，吴添权[1]等人在对高斯卷积核作出部分改进后，建立变电站设备红外图像目标检测模型，经过采集数据、样本训练与样本验证后，确定变电站设备故障的具体发生部位。刘云鹏[2]等人将卷积神经网络应用在套管故障红外识别中，通过建立不同状态下的套管红外图像样本库，将其输入到卷积神经网络中，构建套管故障红外图像识别模型，通过设置合适的网络超参数即可实现对套管故障的识别。Shi Zhigang[3]等人利用支持向量机建立了一种变电站设备红外图像分类器，通过将提取的红外图像HOG（方向梯度直方图）特征带入到红外图像分类器中，实现对变电站设备的故障识别。Zhou Xihong[4]等人将差分图像配准与鲁棒图像融合相结合，提出一种电力设备热异常检测算法，在融合策略的基础上对电力设备红外图像进行重构，通过调整最优配准参数，使图像中的热异常目标得出突出显示。

在参考上述算法的基础上，提出基于空间光学传感技术的变电站设备高热故障红外识别方法。首先，在完成变电站设备红外图像的采集后，对其进行分割、图像增强和光照分量估计，找出目标所在的区域范围；然后，引入温度概率密度对目标所在区域的温度进行计算，通过与温度范围进行对比，找出处于高热故障区域的数值，与之对应的设备即为高热故障设备；最后，将所提方法应用在实际工程中，通过对4 种不同类型的变电站设备故障进行识别，结果表明，所提方法可以精准到不同类型的变电站设备故障，找出故障发生的部位，且不会出现多识别和漏识别的情况。

1 基于空间光学传感技术的设备高热故障红外识别

1.1 变电站设备红外图像采集

在虚拟仿真场景中，利用空间光学传感技术即红外激光采集变电站设备图像的超像素信息，同时与MSRM（区域合并）方法相结合，得到变电站设备空间光学传感红外激光图像的高分辨重组特征分布模型[5]，表达式如式（1）所示：

式中：

k—特征分布模型的灰色像素；

m—曲面元素；

i={1,2, …,n}—变电站设备空间光学传感图像的子像素。

将变电站设备空间光学传感图像进行空间信息融合，找出细节点K(x0,y0)，以该点为中心，从空间角度分析图像的稀疏特征分布值：

对式（2）计算结果进行跟踪与识别，以此获得变电站设备空间光学传感图像的稀疏性字典原子，如式（3）所示：

将上述分析结果与红外热成像技术进行多尺度融合，得到变电站设备红外图像。

1.2 变电站设备红外图像分割

对于变电站设备红外图像分割，由二维Osut 阈值法来实现。二维Osut 阈值法具有非常优秀的抗干扰能力和抗噪能力[6]，而且自适应能力非常强。但不可避免的是，当目标图像与背景的灰度值相近时，分割结果中会包含一定的背景区域，影响后续对变电站设备故障的识别精度。为此引入了区域生长法，用来降低背景对目标分割的影响，接下来进行详细描述。

1.2.1 二维Osut 阈值法

二维Osut 阈值法是将像素点灰度值f(x,y)与邻域平均灰度值g(x,y)相结合，完成二维属性直方图的建立。该方法的目标函数为类间离散度最大，最终计算结果为最佳阈值(S,T)。假设图像大小为M×N、灰度级为L，可能存在背景的图像概率为w0、可能存在目标的图像概率为w1，均值矢量分别为µ0(s,t)、µ1(s,t)，二者总的均值矢量为µT。基于此，即可计算得到类间离散度矩阵为：

用Sp的迹再次展开测度：

那么，最佳阈值(S,T)为：

在实际应用中，为了取得更加简便的运算过程，可通过建立查找表的方式去除冗余计算，以便提高算法整体的运算效率。

1.2.2 改进区域生长法

区域生长法中最关键的一步就是选取种子像素。在变电站设备红外图像的中心区域，将f(x,y)和g(x,y)的绝对差值作为像素之间的相似性条件。当绝对差值为最小值时，认定这个像素与其他像素之间有着较高的相似性，即可认定该点为待识别目标图像的种子像素。

将(S,T)作为区域生长法的生长准则，S看作是分割阈值，T看作是灰度相似阈值。经过改进后，得到的生长准则如式（7）所示：

式中：

由于变电站设备红外图像之间存在差异，使得选取的种子像素也有所不同。为了防止因均值固定[7]而出现欠分割或者过分割的情况，需要在每次生长之后自动更新。更新公式为：

式中：

Q—变电站设备红外图像中的像素点总数；

遍历整幅图像，当不再有满足条件的像素点时种子像素停止生长，从而完成对变电站设备红外图像的分割。

1.3 变电站设备红外图像增强

变电站设备红外图像的成像原理是热辐射效应，图像质量虽然整体上来说比较高，但是噪声点较多，存在部分低照度区域。为此，利用快速导向滤波对图像的光照分量进行估计，便于后续直接提取温度概率密度。

1.3.1 快速导向滤波

用Iq、qW和Eq分别表示导向图像、滤波输图像入和滤波输出图像，引导滤波器由局部线性模型[8]进行驱动：

式中：

ac、bc—待求解的常数项；

q—变电站设备红外图像的像素索引；

c—半径为r的局部窗口ϖ的索引。

为了确保Wq和Eq二者之间的差异性最小，利用最小化线性模型的代价函数对其进行约束，表达式为：

式中：

ε—是用来约束图像平滑度的正则化参数。

引入线性回归方程，对式（9）中ca和cb的最优解进行计算：

式中：

利用式（12）对Eq进行过滤：

式中：

快速导向滤波虽然可以在保留图像边缘完整度的基础上起到很好的平滑效果，但是当图像数量过多时算法处理将会大幅度下降，无法实时给出处理效果，导致实时性较差。因此，本文在快速导向滤波中加入了采样频率为z（z1）的下采样，在控制时间复杂度O(N/z2)的同时过滤掉分辨率较低的红外图像，从而提高滤波器的处理速度。加入下采样后，滤波输出图像的表达式转换为：

式中：

∂∗—滤波核函数。

1.3.2 光照分量估计

接下来利用快速导向滤波对变电站设备红外图像进行光照分量的估计[9]，实现公式为：

式中：

F—变电站设备红外图像灰度。

由上述分析可知，正则化参数ε的选取尤为重要，直接决定快速导向滤波能否取得优秀的图像处理效果。经过分析运算后，将边缘权重因子作为正则化参数，以此完成对变电站设备红外图像的光照分量估计，表达式为：

式中：

G(E')—导向图像；

τ和α均代表了不为0 的常数项。

1.4 基于温度概率密度的故障识别

完成对变电站设备红外图像的光照分量估计后，对目标所在区域的温度概率密度进行提取。当变电站设备发生故障后，会表现出与正常部位完全不同的温度特性，温度概率密度就是反应特性的一种方式，所以在变电站设备高热故障检测与识别中被广泛应用。

变电站设备红外图像中的温度分布情况受待识别目标影响，因此目标所在区域的温度概率密度h(x)无法直接表示为函数形式[10]，需要经过式（16）的运算后才能使用：

式中：

Hsum—变电站设备红外图像中的数据点总数；

Hj—变电站设备温度为j时，所对应的样本总数；

θmax、θmin—变电站设备红外图像中的温度最大值和最小值。

D(θ,θ')是处于[θ,θ']范围内的一个温度概率，可通过将h(x)在所有区间内的温度概率密度值进行相加计算得到，公式为：

将变电站设备红外图像温度域上所有的温度概率密度进行相加计算，使并最终的结果等于1，计算公式为：

温度概率密度在变电站设备红外图像中可以分为3 个方面，分别是：没有发热或者温度较低区域，这部分区域的温度范围为[θ0,θ1]，对应的温度概率密度为h(x)；正常运行温度区域的温度范围为[θ1,θ2]，对应的温度概率密度为h2(x)；故障高热区域的温度范围为[θ2,θ3]，对应的温度概率密度为h3(x)，用公式表示为：

通过分析温度概率密度所处的区间范围，实现对变电站设备高热故障的精准检测与识别。

2 实验测试

为了验证所提方法在实际应用中是否可以针对变电站设备实现精准的高热故障识别，将其与引言中提到的改进高斯卷积核算法和卷积神经网络展开了对比实验测试，实验现场图如图1 所示。

图1 实验现场图

图1中，选取了避雷器、主变套管、电流互感器以及隔离开关4 种不同类型的故障作为研究对象，利用所提方法对这4种故障分别进行识别，所得结果如图2所示。

图2 所提方法变电站故障红外识别结果

通过观察图2 可知，所提方法精准识别到了变电站设备的不同故障类型，且识别精准，没有出现多识别和漏识别的情况。这是由于所提方法在故障识别之前对红外图像进行了分割和增强处理，使故障目标特征得到突出显示，再提取目标区域的温度概率密度，从而实现了精准的高热故障识别。

选取500 张变电站设备高热故障图像，利用所提方法、改进高斯卷积核算法和卷积神经网络分别对这500张图像进行故障识别，并对比三种算法的识别精准度、召回率以及F1 值，结果如图3 所示。

图3 三种算法变电站高热故障图像红外识别结果对比

通过观察图3 中的三幅图像可知，所提方法取得了高于另外两种算法的识别精准度和召回率，且F1 值最接近1，由此可以说明所提方法在变电站高热故障红外识别方面具有一定的有效性和可行性。

3 结论

为了确保变电站工作的正常开展，需要对发生的故障进行实时识别与检测，及时找出故障发生的部位和类型。为此，提出基于空间光学传感技术的变电站设备高热故障红外识别方法,利用空间光学传感技术和红外热成像仪，完成对变电站设备红外图像的采集，将二维Osut 阈值法和区域生长法进行融合，实现对变电站设备红外图像的分割,利用快速导向滤波对变电站设备红外图像进行光照分量的估计，找出目标区域,通过提取目标区域的温度概率密度，实现对变电站设备高热故障的精准识别,精准识别到了故障所在位置，没有出现漏识别和多识别的现象。