基于红外监测的电站设备热状态智能感知识别技术

摘要：研究基于红外测温技术，提出一种变电站设备热状态智能感知识别新方法。结合Tophat变换法，对红外测温图像进行亮度均衡化处理，通过判断信噪比，实现对热状态区域与背景区域的有效分离。对三阶颜色矩进行定义以及融合处理，得到红外测温图像的颜色特征。通过构建图像的灰度判据，明确变电站设备的运行状态。对该方法的感知效果进行了检验，结果表明，该方法对设备热状态的感知灵敏度较高。

关键词：红外测温；智能变电站；变电设备；热状态；智能感知

中图分类号：TM63；TN219文献标志码：A文章编号：1001-5922（2025）01-0177-04

Intelligent perception and recognition technology for thermalstatus of power station equipment based on infraredmonitoring

LI Jinxin，ZHENG Lei，LIAO Hai，WANG Nan，ZOU Yin

（Zunyi Power Supply Bureau of Guizhou Power Grid Co.，Ltd.，Zunyi 563100，Guizhou China）

Abstract：Based on infrared temperature measurement technology，a new intelligent perception method of thermal state of intelligent substation equipment was proposed.Combined with the Tophat transformation method，the bright-ness of the infrared temperature measurement image was equalized，and the effective separation of the thermal state area and the background area was realized by judging the signal-to-noise ratio.The third-order color moments were defined and fused to obtain the color features of the infrared temperature measurement image.By constructing gray-scale criteria for images，the operational status of substation equipment was clarified.The perception effect of this method was tested，and the results showed that the method had a high sensitivity to the perception of the thermal state of the equipment.

Key words：infrared temperature measurement；intelligent substation；substation equipment；hot state；intelligent perception

通过将改进YOLO算法和Resnet算法进行结合，对变电站设备的热缺陷特征进行识别，实现缺陷诊断[1]。以绝缘子设备作为研究对象，通过拍摄红外图像以及紫外图像，对该设备的运行状态进行评估分析处理[2]。然而在实际应用中发现，上述方法在获取现场图像后，缺乏对图像的预处理过传，影响了感知效果。

作为一种非接触式测温方法，红外测温技术具有测量准确、快速、无需接触等优点，已经被广泛应用于电力系统中[3]。因此，提出了一种基于红外测温的智能变电站设备热状态智能感知方法。该方法采用形态学算法对红外测温图像进行预处理和特征提取，提高了测温的准确性和稳定性。

1方法设计与技术优化

1.1智能变电站设备热状态区域图像分离

由红外摄像机所拍摄到的变电站设备图像通常不会存在较为明显的结构形状特征，同时图像的灰度等级差异也不会很明显[4]。因此，变电站设备红外图像中的故障区域边界的清晰度偏低。针对这一问题，采用对比度增强的方式，提取热状态区域图像，划分热状态区域与常规区域之间的差异，实现图像提取。在这一过程中，信噪比（SNR）可以用于表示目标信号强度与噪声信号强度之间的对比关系，其具体表达式如下所示：

式中：μT代表变电站设备红外测温图像中热状态区域的灰度均值；μB和σB分别代表背景图像的灰度均值以及标准差[5]。SNR的数值越大，代表变电站设备热状态区域图像与背景图像的强度差异性越大。因此，通过对SNR的值设定一个阈值，即可对红外测温图像实现对比度增强处理，放大热状态区域图像与背景图像之间的差异特征。

除图像对比度以外，红外测温图像的亮度也需要对其进行调整[6]。这主要是由于红外摄像机在对变电站设备进行拍摄时，通常会受到拍摄环境以及光源等多种因素的影响，导致图像亮度分布不均匀。对此，采用Tophat变换算法，对不同区域的亮度进行调整。假设变电站设备红外测温图像中的结构元素为f，由此可以得到Tophat的变换表达式：

式中；f根s代表结构元素对应的开运算；h代表Tophat变换结果。通过上述公式即可完成对红外测温图像的亮度调整，除不均匀的亮度分布情况以外，红外测温图像中的噪声也会对提取结果产生一定的影响，因此本文采用邻域平均的运算方法，对红外测温图像中的噪声进行去除[7]。假设在变电站设备红外图像中，某坐标（x y）对应的像素灰度值为zi，由此可以得到邻域平均法的计算公式：

式中；wi代表以（x y）为邻域的像素点加权值；m根n代表邻域内像素点的排列规模；g（x y）代表滤波处理后的像素值。通过上述步骤对红外测温图像进行亮度均匀调整以及滤波处理，然后采用式（1）对图像的信噪比进行计算，通过设定提取阈值，实现热状态区域与背景区域的有效分离。

通过上述步骤即可完成对于智能变电站设备热状态区域图像的有效提取[8]。

1.2变电站设备热状态图像颜色矩提取

针对上述分离得到的变电站设备热状态区域图像，通过对前三阶颜色矩进行定义，实现颜色矩提取，获取到红外测温图像的颜色特征。

在变电站实际工作环境中，可能存在一定的光线变化，影响到红外摄像机的拍摄效果[9]。因此采用常规的特征提取方式无法过滤掉干扰因素。而颜色矩作为一种抗干扰性较强的特征提取方式，可以针对不同色度图像的颜色特征进行表征，不仅可以得到图像的明暗程度分布情况，同时也能够掌握图像的颜色特征分布[10]。假设变电站设备热状态图像P中第i个像素的某一特征为Mi，由此可以得到该图像的三阶颜色矩的定义表达式：

式中：M1、M2、M3分别代表变电站设备热状态区域图像的一、二、三阶颜色矩，这3个颜色矩可以分别对像素分量的强度特征、颜色方差以及分量偏移程度进行表征；N代表图像中的像素总数；I（pi）代表图像均衡化亮度值，具体可以通过式（2）求得。

以上述定义的颜色矩作为提取标准，采用不变矩[11]作为智能变电站设备红外色温图像的形状特征提取对象，首先对其进行定义，具体表达式如下所示：

式中：mpq代表图像不变矩；f（x y）代表变电站设备红外测温图像；p和q分别代表颜色矩的规模尺寸。将式（5）中的mpq值代入到式（4）中的Mi，即可得到智能变电站设备红外测温图像的三阶颜色矩[12]，然后对颜色矩提取结果进行融合，得到完整的图像颜色特征提取结果，具体融合表达式：

式中：ω1、ω2、ω3分别代表三阶颜色矩的特征权重分配参数；Msum代表颜色特征融合结果；λ代表颜色特征向量维度[13]。

通过上述步骤即可完成对变电站设备热状态图像颜色矩提取。通过对三阶颜色矩进行定义，并将图像不变矩代入到定义表达式中[14]，对三阶颜色矩进行融合，得到红外测温图像的颜色特征。

1.3变电站设备热状态智能判别与感知

针对上述得到的变电站设备热状态图像颜色特征提取结果，通过建立灰度判据，实现变电站设备的热状态智能判别与感知。首先结合颜色特征提取结果，对图像的局部方差值进行计算[15]，假设μ（i j）代表图像的灰度均值；σ2代表图像的局部方差，由此可以得到以下关系式：

式中：f（x y）代表邻域中心点对应的像素值；mn代表邻域尺寸。

通过上述公式，对变电站设备热状态图像进行局部方差映射处理，考虑在完成颜色特征提取后，设备轮廓图像A以及背景图像B之间的局部方差点的相对位置不会发生改变，因此可以对2个点的局部方差概率[16-17]进行计算，具体计算公式：

式中：IA和IB分别代表目标图像与背景图像的亮度值；G代表图像的综合灰度[18]。由此，构建出的变电站设备热状态图像灰度判据表达式：

式中：R代表变电站设备热状态灰度判定结果；Gmax代表综合灰度阈值。

（1）若R[0 0.2），代表此时变电站设备处于热稳定状态。设备的温度在运行过程中保持稳定，没有出现明显的变化[19]。这种状态通常是由于设备内部的电气元件和机械部件处于稳定运行状态，同时外部环境因素也没有对设备产生明显的影响；

（2）若R[0.2 0.5），代表此时变电站设备处于正常热状态。设备的温度在正常运行范围内，没有出现异常升高或降低的情况；

（3）若R[0.5 0.8），代表此时变电站设备处于异常热状态。设备的温度出现异常升高或降低，但尚未达到故障状态。这种状态可能是由于设备内部的电气元件故障、机械部件磨损或外部环境因素变化等原因引起的；

（4）若R[0.8 1.0]，代表此时变电站设备处于故障热状态。说明此时变电站热成像的综合灰度超过了设定的阈值，代表设备存在热缺陷[20]。设备的温度异常升高或降低，已经达到故障状态。这种状态可能是由于设备内部的电气元件故障、机械部件损坏或外部环境因素变化等原因引起的。

基于上述论述，所提出的变电站设备热状态智能判别与感知的流程如图1所示。

2实验论证

2.1实验说明

实验选取了2组常规的变电站设备热状态感知方法作为对比对象，分别为基于YOLO算法的变电站设备热状态感知方法（常规方法A）以及基于大数据技术的变电站设备热状态感知方法（常规方法B）。通过构建实验平台，采用3种方法对同一组变电站设备状态进行感知，对比不同方法的实际感知效果。

2.2实验对象

本次实验所选取对象是一座110 kV的降压变电站，主要包括变压器、断路器、隔离开关、电流互感器、电压互感器、避雷器等设备。该变电站的电气主接线采用双母线接线方式，共有2条出线，2条进线，2条母联线路。其中，出线间隔和进线间隔的数量均为2个，母联间隔的数量为2个。在变压器保护方面，采用双绕组变压器差动保护和单侧零序电流保护。在110 kV进线保护方面，采用距离保护和零序电流保护。实验采用红外摄像机对设备图像进行获取。

在采用本文方法对变电站设备状态进行感知时，需要对颜色特征进行提取，对此，分别选取了主变压器、电抗器、互感器以及断路器4种类型的设备，每种设备选取了不同红外图像作为提取对象，由此得到的颜色矩提取数据如表1所示。

为提高实验结果的可靠性，本次实验针对所有设备的红外图像数据均进行了灰度优化处理，防止因灰度不均衡导致的感知干扰。

2.3感知效果对比结果

采用所提方法对变电站设备运行状态进行感知后，得到的具体结果如表2所示。

由表2可知，所提方法可以针对不同类型的变电站设备进行状态感知，判定设备的运行故障以及严重程度。

为了使实验结果更具有对比性，实验以不同方法的灵敏度作为对比指标，用于衡量不同方法的实际感知效果。灵敏度的计算公式：

式中：ΔOutput代表设备热状态感知方法输出量的变化值；Hactual代表变电设备的实际热状态表征参数。

结合式（11），得到不同设备故障标签与方法灵敏度之间的增益曲线如图2所示。

由图2可知，在不同设备故障类型下，不同方法的感知效果也有所不同。通过数值上的对比可以直接看出，所提方法具备更好的感知效果，灵敏度较高。

3结语

所提出的基于红外测温的智能变电站设备热状态智能感知方法是一种有效的电力设备温度监测和预警方法，能够提高设备运行的安全性和可靠性。介绍了该方法的原理、实验过程和实验结果，通过对比分析验证了其准确性和可靠性。

【参考文献】

[1]郑文杰，杨祎，乔木，等.基于改进YOLO和Resnet的变电设备热缺陷识别及诊断方法[J].重庆理工大学学报（自然科学），2023，37（9）：261-269.

[2]吴星奇，付子峰，郭景武，等.基于红外紫外成像检测技术的绝缘子运行状态评估分析[J].集成电路应用，2023，40（9）：28-30.

[3]王学玲.红外诊断技术在变电站设备维护中的应用[J].电子技术，2023，52（8）：224-225.

[4]吴瑞蕤，王晓颜，刘兴刚.基于机器视觉的有色金属加工设备温度状态监控[J].有色金属加工，2023，52（4）：60-62.

[5]赵业强.浅谈状态检修在电力设备检修的有效运用[J].低碳世界，2023，13（7）：49-51.

[6]张滇.基于红外图像处理的输变电设备故障智能检测方法[J].光源与照明，2023（6）：171-173.

[7]骆会详.基于小波域CHMT模型的110 kV变电站设备超温红外预警方法[J].计算技术与自动化，2023，42（2）：64-70.

[8]陈华伟，谢志辉，姜盼.基于红外监测技术的热缺陷分类及典型故障分析[J].机电工程技术，2023，52（6）：50-53.

[9]崔宇辉.基于红外测温的电气设备异常温升监测方法[J].信息与电脑（理论版），2023，35（8）：18-20.

[10]郭鹏程，葛志峰，裘森强，等.基于多通道状态感知的高精度红外测温校正算法[J].电子设计工程，2023，31（8）：105-109.

[11]赵锐，周雪枫.多源信息融合的设备热缺陷智能实时检测方法[J].计算机仿真，2023，40（2）：132-138.

[12]刘江，关向雨，温跃泉，等.基于改进YOLOv4的GIS红外特征识别与温度提取方法[J].电力工程技术，2023，42（1）：162-168.

[13]刘云峰，赵洪山，杨晋彪，等.基于GNR先验的电力设备热成像超分辨率方法[J].红外技术，2023，45（1）：40-48.

[14]段中兴，张雨明，马佳豪.基于改进YOLOv4的电力设备红外图像识别[J].激光与光电子学进展，2022，59（24）：29-36.

[15]张晓华，蔡巍，武宇平，等.基于红外检测的变电站设备热状态诊断[J].智慧电力，2021，49（9）：109-116.

[16]林洪，文雷，牛健飞，等.基于DCNN技术的无人值守变电站智能监测模型优化设计[J].粘接，2023，50（10）：150-153.

[17]南保峰，卢雨欣，孙廷玺，等.基于三芯电缆自取能技术的热状态评估系统研制[J].智慧电力，2020，48（11）：103-107.

[18]袁伟.一种基于物联网技术的变电站智能监控系统设计[J].粘接，2022，49（10）：185-189.

[19]张静，程林，宋鹏先，等.基于硅油劣化特性对高压电缆终端热状态的测试分析[J].绝缘材料，2020，53（3）：89-93.

[20]叶日新，赵新志，窦小晶，等.基于红外测温技术的±500 kV换流站平波电抗器套管缺陷诊断分析与处理[J].电网与清洁能源，2021，37（7）：65-72.

（责任编辑：苏幔，平海）