變壓器套管運行狀態自動檢測技術現狀分析

周可慧，肖劍，張可人，徐先勇，唐海國，王珂，朱吉然

(1. 國網湖南省電力有限公司電力科學研究院，湖南長沙410007；2. 國網湖南省電力有限公司岳陽供電公司，湖南岳陽414000)

0 引言

作為電力系統的核心設備, 電力變壓器的健康狀況直接影響到整個電力系統的穩定運行, 及時發現變壓器潛伏性故障, 可以防止由此引發重大事故。套管是變壓器的重要組成部分, 變壓器引出線經過套管引出到油箱外部, 起到引出線對地和外殼的絕緣和引線固定作用。高壓套管長期運行在高電壓、大電流環境中, 除了承受電、熱以及機械力的作用外, 還受到外界溫度、濕度變化的影響[1],故障問題較為突出。近年來, 變壓器套管故障已成為引起變壓器故障的主要原因, 2015 年某110 kV高壓套管因內部發生放電性缺陷, 引起套管炸裂[2]；2018 年某變壓器套管中螺栓未完全壓緊,出現松動, 導致導線與設備線夾接頭溫度劇增[3]；2015 年某110 kV 變壓器套管由于導電管與均壓球連接處螺紋斷裂, 使套管密封失效, 導致漏油事故[4]等。

紅外檢測技術通過紅外熱像儀將電力設備溫度信息可視化, 基于溫度數據和圖像特征確定設備運行狀態, 能夠不停電、實時監測運行設備故障隱患, 降低設備故障頻率, 對提高電力系統穩定性、可靠性有著積極作用, 在電力企業中受到了廣泛的關注與應用。然而, 當前紅外檢測技術存在著人工依賴性較強、智能化程度較低等不足, 本文將以變壓器套管為例, 介紹紅外檢測技術對其狀態判斷的運行現狀和應用場景, 分析目前紅外檢測技術存在的問題, 并結合深度學習, 對變壓器套管運行狀態自動檢測技術提出研究思路。

1 深度學習在電網中的應用

作為人工智能領域的一個重要分支, 基于多隱層機器學習模型的構建, 深度學習打破了該領域的發展瓶頸, 推動了圖像分類、識別、分割等各個方向的科技發展。深度學習這一理念來自于Geoffery Hinton 教授和他的學生在science上發表的一篇論文[5]。這篇論文的主要要點包括[6]: 第一, 相比于單個隱藏層, 包含多個隱含層的神經網絡, 具有更加優異的特征學習能力, 可以基于模型訓練從原始數據中提取到更加抽象、更加本質化的特征；第二, 通過逐層訓練的無監督學習算法初始化網絡權重, 分級表達輸入數據信息, 有效地克服或降低深度神經網絡訓練時可能發生的梯度彌散等問題。

深度學習在電網中應用較為廣泛, 文獻 [7]根據變壓器分接開關振動信號的相空間分布角度,提出基于卷積神經網絡的有載分接開關故障識別模型；文獻 [8] 通過分析油中溶解氣體與故障類型的聯系, 建立以油色譜特征氣體無編碼比值為特征參量的深度信念網絡, 提高變壓器故障診斷精度；文獻 [9] 搭建覆冰圖像厚度辨識卷積神經網絡模型, 并引入IBP 自調整機制優化結構參數, 提高不同場景下的覆冰圖像辨識能力。

2 紅外檢測技術在變壓器套管中應用

變壓器套管主要包含出線接頭、柱頭、絕緣瓷套等, 常見故障包括接觸不良、介質損耗過大、污穢等。本文將針對套管各個部件的常見故障, 闡述紅外檢測方法對其狀態判斷的應用場景。

2.1 接觸不良故障

出線線夾、內部引線接觸不良是套管的主要故障, 主要原因包括導線材料質量差、螺栓設計不符合要求、安裝施工不嚴謹、部件氧化以及運行過程中電、熱、機械力作用下的導線斷股等。此類故障與電流有直接關系, 屬于典型的電流致熱表現。

在紅外檢測技術中, 接觸不良故障常用的分析方法為表面溫度判斷法和同類比較判斷法。表面溫度判斷法是指根據測得的設備表面溫度值, 對照設備溫度和溫升有關規定, 結合環境氣候條件、負荷大小進行分析判斷；同類比較判斷法是指根據同組三相設備、同相設備之間及同類設備之間對應部件的溫差進行分析比較, 對于電壓致熱型設備, 還需結合圖像特征判斷法判斷；對于電流致熱型設備,還需結合相對溫差判斷法判斷, 其中相對溫差是指兩個對應測點之間的溫差與其中較熱點的溫升之比的百分數。兩個對應測點之間的溫差與其中較熱點的溫升之比的百分數, 相對溫差δ用下式求出:

式中,τ1 和T1 為發熱點的溫升和溫度；τ2 和T2為發熱點的溫升和溫度；T0 為環境溫度參照體的溫度。

出線線夾或柱頭接觸不良的缺陷判斷一般分為3 個層次: 一般缺陷、嚴重缺陷和危機缺陷。對于出線線夾而言, 當溫差沒有達到15 K 時, 為一般缺陷；當熱點溫度≥90℃或相對溫差≥80%時, 為嚴重缺陷, 應采取必要的措施, 如加強檢測等, 必要時降低負荷電流；當熱點溫度≥130℃或相對溫差≥95%, 為危機缺陷, 應立即安排處理, 如立即降低負荷電流或消缺。對于柱頭故障而言, 熱點溫度要求更嚴格, 當熱點溫度≥55℃為嚴重缺陷, 熱點溫度≥80℃為危機缺陷。

2.2 介質損耗過大

套管在運行過程中的老化、受潮、劣化等會造成絕緣性能下降引起發熱, 其發熱與電流大小無關, 是典型的電壓致熱表現。此類故障沒有明顯的發熱點, 紅外圖像呈現整體發熱特征, 溫度變化不明顯, 當溫升超過2 ～3 K 時即為嚴重缺陷, 需要加強監測并安排其他測試手段, 缺陷性質確認后,立即采取措施消缺。常見的分析方法為圖像特征分析法、同類比較判斷法。

2.3 局部放電故障

局部放電故障會導致變壓器過早發生損害, 影響變壓器壽命。造成局部放電的主要原因有工藝缺陷、長時間運行導致套管出現裂紋等。局部放電故障在紅外圖像中呈現局部發熱特征。同介質損耗過大故障類似, 局部放電故障也是電壓致熱型故障,溫度變化不明顯, 當溫升超過2 ～3 K 即為出現故障, 采用圖像特征分析法、同類比較判斷法判斷缺陷。

2.4 套管污穢

套管運行的外部環境較為惡劣, 可能會碰到雨雪、大風、冰雹、臺風等極端天氣, 因此較易積污。當套管表面污穢, 尤其處于潮濕環境中時, 污穢層中所含的可溶性鹽類和酸堿物質等溶于水膜,形成離子電導, 引起表面局部泄漏電流變大。其紅外圖像在污穢嚴重位置呈現發熱特征, 溫度變化不明顯, 采用圖像特征分析法、同類比較判斷法判斷缺陷。

2.5 缺油故障

目前變電站內大部分使用的是油紙絕緣套管,經常出現取油樣化驗時未及時添油、滲漏油等情況, 如果未及時發現容易造成缺油故障, 該故障的紅外圖像特征為套管表面會存在明顯分界面, 一般采用圖像特征分析法判斷。

3 紅外檢測技術存在的問題

紅外輻射屬于電磁波, 任何溫度超過絕對零度的物體都會向外部輻射紅外光, 且溫度越高, 輻射的能量越大。紅外成像就是把被測設備發射的紅外輻射信號, 通過光學元件, 被紅外探測器吸收, 將光信號轉換成電信號, 再經信號處理器做放大、轉換等相應處理, 傳輸到終端, 通過顯示器輸出設備表面溫度分布情況, 其原理如圖1 所示。

圖1 紅外成像原理

雖然目前紅外檢測技術對于電力設備狀態檢測有著積極作用, 但是還是存在著若干問題, 較為突出的問題是拍攝的紅外圖像質量較差以及圖像分析人為因素影響較大。

3.1 紅外圖像質量差

由上述紅外成像原理可知, 紅外輻射需經大氣衰減和光電信號處理等過程才能輸出紅外圖像, 因此, 相較于可見光圖像而言, 紅外圖像質量將大打折扣；同時, 考慮紅外傳感器的靈敏性, 紅外熱像儀通常采用高動態范圍數據表示紅外圖像, 然而,受到人眼的像素識別影響, 當前顯示設備只能顯示8 bit 數據, 因此, 實際觀測時, 需要將高動態范圍數據壓縮。這些因素都使得紅外圖像對比度低、紋理細節相對模糊。

3.2 圖像分析人為因素影響大

目前, 變電站的紅外檢測主要還是以人工為主, 運維人員對設備進行現場拍攝, 記錄設備和圖像編號, 生成電子文檔, 再將圖像導入電腦, 依靠經驗和相關標準對圖像進行診斷分析, 判斷設備狀態。此方法雖然有較高的可靠性, 但是存在著人工成本高、人力資源浪費且圖像分析效率低等明顯不足。

4 研究思路

針對目前變電站紅外檢測的不足, 將深度學習與紅外診斷技術結合成為一個重要的研究方向。

4.1 基于EfficientDet 的目標檢測研究

紅外圖像采集過程中, 視窗內不僅包含變壓器套管, 還包括其他部件、支撐鋼架以及環境背景等無關因素, 需要對套管自動識別, 確定套管區域。EfficientDet[10]是一系列可擴展的高效目標檢測器的統稱, 將EfficientNet 復合縮放思路進行延伸,主要包括EfficientNet 主干網絡、雙向特征金字塔模型 (BiFPN)、分類預測網絡和邊框預測網絡4個部分。該模型最大的特點是建立了一種精度高,效率快, 并能適用在不同硬件資源下的目標檢測網絡。

EfficientDet 模型的結構如圖 2 所示, 建立EfficientNet 主干網絡, 采用深度可分離網絡, 對通道和空間域分別進行卷積操作, 獲取各層網絡特征；構建加權雙向特征金字塔模型 (BiFPN), 對各層特征進行加權融合。刪除只有一個輸出邊的節點, 對于同級別的輸入和輸出節點, 建立跳躍連接, 并引入加權特征融合模式, 讓神經網絡自動訓練權重的分配, 融合各層次特征, 豐富語義信息；同時, 為適應不同資源的有效應用, 實現了一種建立聯合尺度縮放方法, 采用復合系數φ對主干網絡、特征融合網絡、分類預測網絡以及邊界框預測網絡進行縮放。

圖2 EfficientDet 模型結構圖

4.2 基于語義分割的套管精細化分割研究

套管不同部位的故障原因、故障類型以及紅外熱像特征都不一樣。為了進一步確定套管不同部件區域的運行狀態, 需對變壓器套管精細化分割。語義分割是將輸入圖像中的每個像素分配一個語義類別, 以得到像素化的密集分類。目前語義分割的經典網絡有許多, 如全卷積神經網絡[11], SegNet[12]、Unet[13]等。DeepLab v3+[14]是 2018 年谷歌提出的語義分割模型, 其模型整體架構如圖3 所示。該模型的主要優勢是引入了 EncoderDecoder 思路,Encoder 主體包括帶有空洞卷積的深度卷積神經網絡 (DCNN) 和帶有空洞卷積的空間金字塔池化模塊 (Atrous Spatial Pyramid Pooling, ASPP) )；同時, 引入的Decoder 模塊將底層特征與高層特征進一步融合, 提升分割邊界準確度。

圖3 DeepLab v3+模型結構

4.3 可見光圖像和紅外圖像的配準技術研究

紅外圖像存在對比度弱、邊緣模糊、信噪比低等不足, 通過可見光圖像分割部件可以更好地獲取優良的分割區域。然而, 套管故障是通過紅外圖像特征進行判斷的, 因此, 為了更好地通過分割的可見光圖像獲取紅外圖像的溫度信息以及圖像特征,需要將可見光與紅外圖像進行配準。圖像配準是指將不同時間、不同環境條件和不同成像設備上拍攝的兩幅以上圖像的匹配和疊加, 可以分為傳統圖像配準方法、深度學習的圖像配準方法以及強化學習的圖像配準方法等。

傳統圖像配準是以特征為出發點, 從圖像中提取得到特征點、區域或邊緣, 通過相似性比較, 找到對應的特征對, 并基于空間變換獲取坐標參數對圖像進行配準。文獻 [15-16] 闡述了傳統圖像配準關鍵點檢測算法在圖像配準中的應用和效果。文獻 [17-18] 是基于深度學習的圖像配準方法, 通過卷積神經網絡特征學習的卓越性來解決多源圖像的配準問題；文獻 [19] 針對傳統算法不能準確表征圖像特征和配準圖像的相似度, 通過端到端的強化學習算法, 建立一個人工智能模型, 減少配準誤差。

4.4 溫度數據處理研究

變壓器套管不同部件故障溫度特征是不一致的, 因此數據需求不同, 溫度處理方式也不一樣。為確定套管部件運行狀態, 需要對獲取的紅外圖像溫度信息進行有針對性處理。各類套管故障情況不同的表現形式所需的數據信息各異。

各類套管故障情況所需的數據信息為:

1) 出線線夾、內部引線接觸不良: 出線線夾過熱或柱頭過熱；數據需求: 環境溫度參考體溫度、三相線夾或柱頭溫度、電流值；溫度數據處理結果: 過熱點溫度、正常相溫度、溫差、相對溫差。

2) 介質損耗過大: 套管整體發熱；數據需求: 三相套管溫度；溫度數據處理結果: 過熱點溫度、正常相溫度。

3) 局部放電: 套管局部發熱；數據需求: 三相對應發熱部位溫度；溫度數據處理結果: 過熱點溫度、正常相溫度。

4) 套管污穢: 污穢部位發熱；數據需求: 三相對應發熱部位溫度；溫度數據處理結果: 過熱點溫度、正常相溫度。

4.5 紅外圖像特征分析研究

套管絕緣瓷套的故障類型包含介質損耗、缺油、污穢等, 這些故障大部分屬于電壓致熱型, 其溫度變化較小, 因此單純提取溫度信息可能會出現誤判的情況。然而, 絕緣瓷套不同類型故障的紅外圖像都有著明顯特征, 如若發生缺油故障, 套管的紅外圖像會出現明顯的油分界線。因此, 將溫度數據結合紅外圖像特征分析去判斷套管瓷套運行狀態更加有效準確。

不同故障類型的紅外圖像特征各異:

1) 介質損耗過大: 較正常套管, 故障套管整體的顏色更深、更亮。

2) 套管局部放電: 相較于該套管其他部位和正常相套管對應部位, 故障位置顏色更深、更亮。

3) 套管污穢: 相較于其他部位, 故障部位的顏色更深、更亮；同時, 對比局部放電故障的紅外圖像, 污穢故障的發熱部位可能不止一處, 會出現多個顏色較深的區域。

4) 套管缺油: 對應套管部位會出現明顯的油分界線, 且分界線下方顏色比上方更深、更亮。

5 結語

紅外檢測技術對于電力設備的正常運行有著重要的意義, 本文以變壓器套管為例, 說明了當前紅外檢測技術的運行現狀, 并分析該技術目前存在的紅外圖像質量差, 人為因素影響大等不足。結合深度學習算法, 從目標檢測、精細化分割、圖像配準、溫度數據處理和圖像特征分析五個方面闡述,為變壓器套管狀態自動檢測技術提供研究思路。