一種粗略到精確的電力設備熱故障定位方法

重慶理工大學電氣與電子工程學院 張 蓮 李云昊 劉增里 王 磊

一種粗略到精確的電力設備熱故障定位方法

重慶理工大學電氣與電子工程學院 張 蓮 李云昊 劉增里 王 磊

在電力系統運行中，電力設備發熱故障給電力系統的穩定性和安全性帶來重大隱患。使用紅外熱像儀對電力設備熱故障進行智能診斷已成為重要課題。其中，準確，高效的故障定位可以大大提高智能診斷的準確性，提高診斷效率。文章提出一種從粗略到精確的電力設備熱故障定位方法，該方法通過結合伽馬變換和OSTU灰度閾值變換對故障設備進行粗略定位，然后利用灰度重心算法對分割出的發熱設備進行計算，可以精確定位到發熱設備內一點。該方法相對于傳統的只提取發熱設備圖像作為結果的方法具有更精確的結果，可適用于大部分發熱故障的紅外熱像圖，且對之后的設備識別工作具有重要意義。

紅外熱像儀；故障定位；灰度重心；熱故障

0 引言

電力設備運行時，由于絕緣老化，接觸不良等各種原因引起的設備發熱故障，如常見的隔離開關發熱，電阻損耗發熱，導線線夾發熱等，為電網運行安全帶來重大隱患，嚴重時造成設備退出運行，甚至火災。因此，電力設備的熱故障檢測是電力設備安全研究的重要課題之一。

傳統的電力設備熱故障檢測采用停電檢修的方式，費時費力，隨著紅外熱成像儀的引進，如今的熱故障檢測方式普遍采用紅外熱像儀對電力設備進行檢測。與傳統方法相比，紅外熱像儀可以實現遠距離，不取樣，不觸體，不斷電，又具有準確，快速直觀等特點[1]。如今，固定式紅外熱成像探頭已經在各變電站等場所普及，但仍需工作人員在數據接收端對故障進行人工判定。實現電力設備熱故障的智能診斷主要分為三個步驟[2]，首先從紅外熱像圖中定位發熱設備；識別發熱設備；最后對發熱設備進行診斷，判斷其是否發生故障。其中最關鍵的一步就是對發熱設備的定位，能否精確定位發熱設備決定著是否能夠準確識別故障。傳統方法對電力設備紅外熱像圖進行簡單的閾值分割或分水嶺算法分割出發熱部位[3]，這些方法分割出來的發熱部位往往包含許多非感興趣區域圖像或丟失許多感興趣區域圖像，嚴重影響之后發熱部位識別的準確性。從而嚴重降低了整個智能診斷的準確性和效率。本文提出一種粗略到精確的電氣設備紅外熱故障定位方法，先粗略定位再精確定位，定位結果準確到發熱設備內一點。

1 發熱部位的粗略提取

1.1 電力設備紅外熱像圖特性

紅外熱成像技術是基于自然界中一切溫度高于絕對零度(-273.15°C)的物體，每時每刻都輻射出紅外線的原理[4]，同時由于這種紅外輻射都載有物體狀態的特征信息，可以利用紅外技術判別各種被測目標的溫度高低和溫度分布情況[5]。在電力設備中，其發熱故障部位一般為由發熱中心向外輻射的溫度場，在其紅外熱像圖中可以清晰看出發熱故障部位。

圖1 變壓器套管發熱故障

圖2 線夾發熱故障

在圖像分割中，由于發熱設備的多樣性以及拍攝時環境因素的影響，使用單一的灰度閾值變換無法選用合適的自適應系數適用于各種圖像，一些學者提出了各種改進方法，如熊芬芳等人提出的基于MSER和mean-shift算法的電力設備紅外熱故障定位得到較好的結果[6]，但這些算法普遍迭代次數過多，算法效率太低。文章在故障的粗略定位中采用伽馬變換結合OSTU自適應灰度閾值變換分割出發熱部位圖像，結果準確且算法簡潔。

1.2 圖像對比度伽馬變化

在實際拍攝情況下，一些圖片偏亮，一些圖片偏暗，使得其灰度化后目標區域的灰度值與背景的灰度值相差不同，不便于我們對故障部位進行圖像分割，所以我們首先要做的是對灰度化后的圖像進行對比度調整。

圖3 灰度變換后的圖像

由圖3可知，灰度化后，發熱部位亮度明顯高于其他區域，我們將其設為目標區域，而將其他區域設為背景區域。如果將目標區域的亮度繼續提高的同時降低背景區域的亮度，目標區域則會更加明顯。利用伽馬變換，可以有效的達到這一目的，公式如下：

公式(5)中，x與y的取值范圍均為[0, 1]，esp為補償系數，為伽馬系數。伽馬變換曲線如圖4所示：

圖4 伽馬變換

如圖4我們可以看到，當系數增大時，灰度值高的點將會被放大，而灰度值較低的點將會被縮小，在伽馬變換實際應用中，經實驗得知系數取2.5時可以滿足大部分圖像變換需求，一些特殊情況將在下一章中給出解決方法。熱故障灰度圖像伽馬變換結果及其對應直方圖對比如圖5所示。

圖5 伽馬變換后的圖像及其直方圖對比

1.3 自適應灰度閾值變換

灰度閾值變換可以將一副灰度圖像轉換為灰度值為0和255的黑白二值圖像。指定一個閾值，高于此閾值的像素點灰度值設為255，而低于此閾值的像素點灰度值設為0。由此得到由0和255組成的黑白二值圖像。在灰度閾值變換中，由于每幅圖像發熱部位形狀以及噪聲不同，很難設定一個閾值可以適用于所有圖像，所以，如何自適應的選擇閾值是灰度閾值變換的重要問題。

文章采用OSTU自適應灰度閾值變換對圖像進行二值化處理。該算法將一幅圖像依據其灰度分布特性分為前景和背景兩部分，前景和背景的類間方差越大，說明前景和背景的差別越大，當將前景錯分為背景或背景錯分為前景都會導致兩部分的類間方差減小。因此，類間方差最大情況下的分割意味著錯分概率最小[7]。

設當前景與背景分隔閾值為t時，前景點占圖像比例為，均值為，背景點占圖像比例為，均值為。則整個圖像的平均灰度為：

采用遍歷的方法求得類間方差最大值，即為所求最佳閾值分割。閾值分割后的結果如圖6所示：

圖6 OSTU閾值分割

圖7 灰度中心算法處理結果

伽馬變換后的圖像結合OSTU自適應閾值分割處理可以自適應的分離出發熱部分，結果精確，可適用于絕大多數圖像。

2 故障的精確定位

2.1 灰度重心算法

從根據上一步的算法分離出電力設備中發熱的設備，從結果上看這些部位大多都以完整或不完整的多邊形組成，使用灰度重心算法可以求得發熱設備的型心，其結果為發熱設備內部一點。

灰度重心算法是一種中心點提取算法[7]，一般有兩種方法，一種是把灰度平方作為權值的加權型心算法，設目標的中心為,可表示為如下形式：

另一種則是將區域內每一個坐標的灰度值當作該點的“質量”，求其“能量”中心點，公式如下：

由灰度重心算法公式可知，灰度重心算法原理與加權平均算法相同，穩定性較高。由于上述公式是對圖像的灰度值進行加權，因此文章采用一種適用于二值化圖像的特殊情況的灰度重心算法，公式如下：

處理后的結果如圖7所示。

2.2 特殊情況的處理

在實際檢測中，會遇到極少數圖像檢測失敗，如圖8所示。

對于圖8，檢測結果偏移到圖像以外灰度值為255的黑色區域，此情況發生的原因是由于伽馬變換和OSTU自適應二值化配合無法將發熱部位準確提取出來，最終導致灰度重心算法計算出的型心不在圖像內。此時只需設置程序，當檢測到定位到的坐標的灰度值部位0是，則將將伽馬系數增加0.5即可得到準確結果，如圖9所示。

3 實驗結果分析

文章將所采用方法在matlab上進行變成驗證，對不同電力設備的紅外熱像圖進行故障定位，所得結果精確。實驗結果如圖10，11，12所示。

圖8 35kv電纜絕緣燒毀故障處理結果（γ=2.5）

圖9 35kv電纜絕緣燒毀故障處理結果（γ=3）

圖10 高壓套管故障

圖11 阻波器內避雷器發熱故障

圖12 線夾發熱故障

4 結束語

文章針對電力設備發熱故障定位，提出一種粗略到精確地電力設備熱故障定位方法。該算法結合伽馬變換和OSTU自適應灰度閾值算法，粗略提取發熱部位二值圖像，再使用灰度重心算法計算發熱部位型心。經實驗表明，該算法適用各種不同設備的故障定位，且結果精確，算法簡潔。此方法對于之后的設備識別有著重要意義。

[1]曹海洋,張玉成,朱啟偉,趙強.基于紅外成像技術的變壓器熱故障在線檢測與診斷[J].實驗室研究與探索,2012,02:30-32+40.

[2]Jadin.M.S,Taib.S.Recent progress in diagnosing the reliability of electrical equipment by using infrared thermography[J].Infrared Physics & Technology,2012,55(4):236-245.

[3]Laurentys A.C.A,Braga A.P,Nascimento.S,et al.Intelligent thermographic diagnostic applied to surge arresters: a new approach[J]. IEEE Transactions on Power Delivery,2009,24(2):751-757.

[4]陳衡.紅外熱像儀在電力設備系統中故障診斷應用概況[J].激光與紅外,1994,03:8-11.

[5]張啟清,呂厚余,黃選發,唐昆明.電力變壓器故障紅外診斷專家系統[J].電網技術,2002,09:18-21.

[6]熊芬芳.基于圖像處理技術的電氣設備故障診斷方法研究[D].東華大學,2015.

[7]張小艷,王曉強,白福忠,田朝平,梅秀莊.基于改進灰度重心法的光帶中心提取算法[J].激光與紅外,2016,05:622-626.

[8]王曉華,趙志雄.結合伽馬變換和小波變換的PCA人臉識別算法[J].計算機工程與應用,2016,05:190-193.

[9]孫力.基于ROI與自適應Ostu相結合的圖像分割算法[J].現代電子技術,2011,06:1-3.