基于智能圖像處理和三維建模技術的特高壓換流閥廳用套管運行狀態監測方法

張施令，何永勝，宮 林，郭 強

（1.國網重慶市電力公司電力科學研究院，重慶 401123；2.國網重慶市電力公司，重慶 400014；3.重慶理工大學，重慶 400054）

0 引言

特高壓換流閥廳內部主設備眾多，包含換流變壓器、穿墻套管、換流變套管、換流閥塔、各類管型母線等，這些設備制造精良、價格昂貴，且作用關鍵，其運行狀態直接關系到整個換流閥廳的電能轉換質量。其核心部件換流變壓器套管一直是制約我國超特高壓主設備全面國產化的瓶頸問題之一，近年來隨著我國超/特高壓工程的加速推進，這種矛盾顯得更加突出[1-3]。目前各電壓等級換流變壓器套管廣泛應用于換流站中，其主絕緣普遍采用環氧套筒SF6氣體絕緣和環氧芯體固體絕緣結構型式。高壓換流變壓器套管廣泛應用于高端換流變壓器出線部分，其運行的安全穩定性直接決定換流變壓器整機的運行效果。SF6氣體絕緣高壓換流變壓器套管具有典型的多介質絕緣結構，其空氣端為SF6氣體絕緣介質，套管尾部與變壓器油相接觸，套管本體一般為環氧浸紙復合絕緣結構[4-7]。基于該復雜絕緣系統，需對換流變壓器套管的運行狀態保持實時狀態監測。該結構型式套管與傳統油浸紙式套管相比不存在液相絕緣介質——套管油，因此不宜采用傳統油壓監測方法，且由于不存在套管油流循環傳導、對流散熱機制，套管中心導桿載流產生的熱量易在環氧浸紙固體芯體內積聚，最終發生套管芯體熱擊穿、內應力導致環氧芯體開裂等典型絕緣事故。鑒于此，亟需提出針對換流變壓器干式套管絕緣性能的評估方法，該方法應兼顧SF6氣體絕緣部分與環氧浸紙固體復合絕緣部分。

對于特高壓換流閥廳用套管的運行維護主要通過電學監測裝置，對于油紙絕緣系統的電力套管可通過介質損耗因數在線實時監測、變壓器油分解氣體在線檢測等技術手段。對于SF6氣體絕緣的電力套管，主要通過SF6分解氣體檢測等技術手段，主要監測HF、CF4氣體含量隨時間的變化關系。對于環氧樹脂復合皺紋紙類絕緣電力套管，主要通過介質損耗因數在線實時監測，以及應用特高頻、脈沖電流法實時監測其局部放電量水平。同時通過監測其內部溫度變化曲線、測算套管芯體關鍵部位結構尺寸從而反演出核心部件的實時在線運行狀態。

然而以上監測手段均需要通過人為參與現場實時信號的獲取，且獲取的數據流信息易引入外界干擾，同時在故障數據處理以及運維策略形成方面存在局限性。因此亟需提出一種便捷、快速且有效的運行狀態監測輔助手段。鑒于此，本研究從圖像處理技術角度提出針對換流閥廳運行狀態進行監測的方法。該技術主要包括應用智能圖像處理技術對紅外熱像儀、紫外成像儀數據庫進行辨識、分類處理；通過Kalman濾波技術針對典型金具絕緣距離進行實時在線測量；應用基于有限元法三維造型技術建立閥廳典型主設備的電場模擬模型，獲得關鍵主設備金具表面電場分布情況。結合圖像數據庫信息、絕緣距離信息和典型主設備電場分布信息有效獲取其運行狀態參量，并應用智能算法對其運行狀態進行自動評估，發掘潛伏性故障、定位正發性故障。其中應用智能圖像處理技術的思路流程如圖1所示，首先構造適用于紅外、紫外圖像數據庫的概率密度函數網絡結構，隨后將該圖像數據庫輸入模糊神經網絡中進行批量處理，最終輸出圖像數據庫的電場、熱場分布情況。涉及的實驗儀器主要包括紅外成像儀、紫外成像儀、高清數碼相機、高性能臺式計算機。其中數據主要通過紅外成像儀、紫外成像儀、高清數碼相機在巡視過程中人為拍攝得到，組成原始圖片數據庫。在軟件處理部分，基于智能圖像處理流程和Kalman濾波技術測量流程已經編制了可在計算機上運行的程序代碼，同時針對換流變套管及閥廳內部典型金具三維建模均可在計算機中實現。

圖1 模糊神經網絡圖像數據庫處理Fig.1 Fuzzy neural network image database processing

1 基于遺傳算法（GA）和BP神經網絡的智能圖像處理技術

應用遺傳算法實現圖像分割：最大類間方差的求解過程就是在解空間中找到一個最優解，使得類間方差最大[8-10]。應用遺傳算法優化BP神經網絡預測算法的具體步驟如下：

（1）設群體規模為P。隨機生成P個個體的初始種群給定一個數據選定范圍，由于初始群體的確定對GA的全局尋優有很大影響，采用線性插值函數生成種群中個體Wi的一個實數向量（w1,w2,...,ws）作為遺傳算法的一個染色體。染色體的長度如式（1）所示。

式（1）中：R為輸入層節點數；S1為隱含層節點數；S2為輸出層節點數。確定好種群中的每個個體Wi(Wi=w1，w2，...，ws，i=1，2，…，P）代表一個BP 神經網絡的初始值，個體Wi中的一個基因值ws表示神經網絡的一個連接權值或閾值。為了得到高精度的權值、縮短染色體的串長，采用浮點數編碼方法。

（2）確定個體的評價函數。給定1個BP神經網絡進化參數，將第1步中得到的染色體對BP神經網絡權值和閾值進行賦值，輸入訓練樣本進行神經網絡訓練，達到設定的精度得到1個網絡訓練輸出值，則種群W中個體Wi的適應度值fitnessi和平均適應度值分別定義為式（2）、式（3）。

式（2）～（3）：中為訓練輸出值；yj為訓練輸出期望值；M為重構相空間中的相點數；P為種群規模。

（3）采用輪盤賭法選擇算子，即基于適應度比例的選擇策略對每一代種群中的染色體進行選擇，則選擇概率pi為式（4）。

式（4）中，fi=1/fitnessi。

（4）因為個體采用實數編碼，所以交叉操作方法采用實數交叉法。第k個基因wk和第l個基因wl在j位的交叉操作如式（5）。

式（5）中，b為[0,1]的隨機數。

（5）選取第i個個體的第j個基因進行變異操作，如式（6）所示。式（6）中：wmax和wmin分別為基因wij取值的上下限；r為[0,1]的隨機數；r2為1個隨機數；g為當前迭代次數；Gmax為最大進化代數。

（6）將遺傳算法的最優個體分解為BP神經網絡的連接權值和閾值，利用BP算法對BP神經網絡預測模型進行訓練，求出混沌時間序列預測最優解[11-15]。模糊神經網絡可以通過BP算法和最小二乘估計法的混合算法進行學習，從而調整系統的前件和后件參數。前向階段計算到第4層，反向階段誤差信號反向傳遞，用BP算法更新前件參數，基于GA和BP神經網絡的智能圖像處理拓撲結構如圖2所示，先設定概率密度函數的權值和閾值，結合特高壓閥廳采集組建的電力設備圖像數據庫進行深度學習訓練，獲得概率密度函數迭代調整后權值和閾值，最終輸出圖像數據庫，得到電場、電位分布云圖。

圖2 基于GA和BP神經網絡的智能圖像處理Fig.2 Intelligent image processing based on GA and BP neural network

2 基于紫外和紅外測量智能圖像數據庫建立

以我國規劃的±800 kV某直流輸電工程為例，閥廳內部包括換流閥塔和換流變壓器套管等相臨近的電氣設備，如圖3所示。圖4為特高壓閥廳內實際電力設備現場照片，包括特高壓換流閥塔、特高壓換流變套管、特高壓穿墻套管、支撐絕緣子、管型母線和大型均壓罩等典型電力設備。這些設備在運行條件下均有大電流通過，因此將會產生較為顯著的發熱效應。一般情況下，在金屬導體存在接觸不良、換流閥塔內部IGBT存在固有缺陷、套管內部存在固體絕緣裂紋等制造工藝不足條件下均會出現局部過熱點。

圖3 特高壓閥廳內換流變套管實際運行環境Fig.3 Actual operation environment of converter bushing in UHV valve hall

從圖4還可以看出，換流閥塔結構復雜，其外表面布置有金屬外殼，用于對閥塔內部的精密換流元件進行電磁屏蔽保護。應用紅外熱像儀對以上關鍵電力設備進行了現場觀測，結果如圖5所示。

圖4 特高壓閥廳內的實際電力設備Fig.4 Actual power equipment in UHV valve hall

圖5 電力設備紅外熱像儀觀測結果Fig.5 Observation results of infrared thermal imager for power equipment

從圖5可以看出，閥廳內部電力設備在外施電流作用下出現較為明顯的溫度場差異化分布，局部過熱點主要出現在金屬導體接觸區域，大型均壓罩表面的溫度較其他區域高。同時在換流閥塔內部由于IGBT等半導體器件的重復多次開斷過程出現了明顯局部過熱區域，以上溫度過熱點同樣為閥廳電力設備在實際運行過程中較易出現故障的位置。考慮到換流閥廳電力設備在運行過程中承受高電壓長時間作用，在各個大型電力金具表面較易出現高場強區域，特別是在管型母線拐角處，高溫度區域與高場強區域基本重合，應用紫外成像儀觀測電力設備金具表面的電暈現象，結果如圖6所示。從圖6可以看出，采用紫外成像儀可在閥廳內部電力設備有效觀測到典型金具表面的微弱電暈放電情況，該放電可能是金具表面毛刺、污穢物等異物引起的，如果未出現劇烈電暈放電，則說明金具表面沒有顯著的絕緣缺陷。

圖6 電力設備紫外成像儀觀測結果Fig.6 Observation results of ultraviolet imager for power equipment

為了較為準確地定位溫度過熱點、紫外缺陷點的三維空間，以便于盡快找到缺陷位置進行電力設備現場維護檢修，接下來通過Kalman濾波技術針對典型金具絕緣距離進行實時在線測量。

3 基于Kalman濾波技術針對典型套管金具絕緣距離測量

高壓電力閥廳內部空間內布置光學傳感器，其布置數量、安裝位置均需要進行理論分析。在以上變量固定條件下，則需要考慮優化的算法和數據處理方法判斷局部放電出現的位置[16-17]。在高壓電力閥廳內部各個關鍵位置放置光學傳感器，光學傳感器發射一定頻段波長光線并不斷掃描，光線接收到局部放電信號位置信息后將其反饋至后臺信息處理系統，綜合各個傳感器位置信息可獲得局部放電位置信息。用光學傳感器測量已知的局部放電位置，測距誤差為0.05 m，大量試驗數據統計表明，激光測距儀的測量誤差方差R=0.002 5，第k次測距的數據精度不是100%，存在測量噪聲V(k)，測量方程為Z(k)=X(k)+V(k)。系統的狀態方程和觀測方程如式（7）所示。

式（7）中：X(k)是一維變量的距離（高度值）；A=1，H=1；W(k-1)和V(k)的方差是Q和R。系統建立后，可以用Kalman濾波器處理噪聲W(k)和V(k)。假設要估計第k時刻的實際高度，應根據第k-1時刻的高度預測第k時刻的高度。卡爾曼濾波的狀態空間模型對動態系統的描述如式（8）所示。

進一步預測協方差矩陣，如式（9）所示。

獲得濾波器增益矩陣，如式（10）所示。

狀態更新得到式（11）～（12）。

協方差矩陣更新得到式（13）～（14）。

將以上迭代流程在計算機上實現了可運行化編程處理，光程路線如圖7所示。

圖7 觀測傳感器的光程路線Fig.7 Optical path of six observation sensors

從圖7可以看出，每個觀測傳感器均有一定的觀測半徑，各個觀測半徑相互疊加，疊加次數出現較多的區域是觀測位置概率較大的區域。圖7中觀測點實際位置與評估距離有一定差異，但定位基本準確。

圖8為基于Kalman濾波技術的濾波效果前后對比。

圖8 基于Kalman濾波技術的濾波效果前后對比Fig.8 Comparison of filtering effect before and after Kalman filtering technology

從圖8可知，未使用Kalman濾波技術時，在0～160 s內對于關鍵位置處的距離預估偏差跳變較為劇烈，使用Kalman濾波技術后預估偏差跳變幅度縮小，基本控制在同一誤差水平，說明Kalman濾波技術具有較好的噪聲控制水平。圖9展示了典型金具絕緣距離實時在線測量軌跡跟蹤效果，可以看出觀測距離始終在真實路徑附近跳變，證明了文中提出的算法具有逐漸收斂特性。

圖9 典型金具絕緣距離實時測量軌跡跟蹤Fig.9 Track tracking of insulation distance real time measurement for typical fittings

4 特高壓換流閥廳典型電力設備的三維模型

圖10為特高壓換流變套管表面溫度的分布情況。從圖10可以看出，在運行條件下特高壓換流變套管過熱點主要分布在出線套筒，主要是由于套筒內部為換流變壓器內部變壓器油，油與變壓器繞組直接接觸，溫度較高。同時在換流閥塔水冷區域同樣存在高溫區域。

圖10 特高壓換流變套管表面溫度分布Fig.10 Surface temperature distribution of UHV converter bushing

針對特高壓換流變套管進行三維建模，如圖11所示。特高壓換流變套管三維模型包括端部均壓罩、換流變尾部均壓環和換流變本體等關鍵部件。三維模型中同時考慮套管端部和中間法蘭處均壓環、墻體以及內屏蔽結構。此外，換流變套管包括戶內、戶外兩部分，兩端空心硅橡膠絕緣子通過中間法蘭連接穿過墻體。

圖11 特高壓換流變套管三維模型示意圖Fig.11 The 3D model of UHV converter bushing

圖12為特高壓換流變套管整體的電場分布。圖12表明應通過均壓環對三接觸點進行有效屏蔽，避免硅橡膠在高場強作用下的電暈燒蝕。由于換流閥廳內部均壓罩存在溫度過熱點，因此重點關注大型均壓罩表面電場強度分布情況，如圖13所示。從圖13可以看出，閥廳大型均壓罩內部結構較為復雜，且剛性結構的管型母線與均壓罩之間存在柔性觸頭連接，具有較好的抗震和抗位移能力。高場強主要集中在均壓罩下端部，在柔性觸頭部位也存在高場強區域。

圖12 特高壓換流變套管整體電場分布Fig.12 Overall electric field distribution of UHV converter bushing

圖13 特高壓換流閥廳大型均壓環模型及三維電場分布Fig.13 Model and 3D electric field distribution of large grading ring in UHV converter valve hall

圖14為特高壓換流閥廳內部典型三接觸區域和低壓環的三維電場分布。從圖14可知，墻體和均壓環之間形成了較好的屏蔽區域，使復合絕緣子與接地法蘭間的三接觸區域形成自然屏蔽區，高場強出現在低壓金屬環表面，其數值約為900 V/mm。空心復合絕緣子表面最高場強出現在低壓屏蔽環前端，主要借助于穿墻套管內部屏蔽層金屬結構對套管護套的電場分布起調制作用。

圖14 三接觸區域和低壓均壓環三維電場分布Fig.14 Three dimensional electric field distribution in three contact areas and low voltage grading ring

5 基于遺傳算法和BP神經網絡的智能圖像處理技術應用

圖15為換流變套管復合絕緣子外輪廓提取流程。首先在特高壓換流閥廳用換流變套管的本體圖像上自動選擇種子點[18]，在圖中用小紅點進行標識。進一步應用智能識別技術對換流變壓器套管進行圖像區域生長，同時對其進行形態學圖像處理。經過形態學處理后，換流變套管圖像變為黑白二值表示，并提取了空心復合絕緣子外輪廓，圖中用綠色線條沿復合絕緣子邊緣區域進行了有效標識。同時建立如圖16所示的模糊神經網絡結構，各個神經元之間通過網絡進行連接處理，將換流變套管圖像元素信息與各個神經元的網絡權值、閾值建立對應關系。

圖15 換流變套管復合絕緣子外輪廓提取Fig.15 Outer contour extraction of composite insulator for converter bushing

圖16 模糊神經網絡結構Fig.16 Structure of fuzzy neural network

圖17為模糊神經網絡學習效果。從圖17可以看出，神經網絡具有較好的學習效果，適應度函數迭代100次后趨于穩定，且模糊神經網絡局部權值出現較為典型的非線性特征。換流變套管復合絕緣子外輪廓提取算法是進一步發現其表面異常裂紋曲線的基礎操作。通過文中提出的方法首先進行復合絕緣子的外輪廓提取處理，將圖像數據進行像素壓縮處理，同時進行圖像的灰度二值化處理，以上操作均為壓縮圖片信息內容同時保留圖片的關鍵信息，得到黑白二值圖像。在黑白二值圖像基礎上，進一步循環使用復合絕緣子外輪廓提取算法進行操作，由于正常情況下復合絕緣子的輪廓均為封閉外輪廓區間，層層提取外輪廓就相當于對復合絕緣子外表面進行循環掃描。如果遇到中間突然出現的斷裂區間，外輪廓提取算法可有效發現這些不封閉輪廓區域。因此，外輪廓提取算法是發現典型裂紋的算法基礎，經過外輪廓提取算法層層剖析復合絕緣子圖像可以發現非常規的典型裂紋曲線。

圖17 模糊神經網絡學習效果Fig.17 Learning effect of fuzzy neural network

絕緣子在運行過程中承受機械應力、電應力、溫度應力聯合作用，其本體絕緣瓷套較易出現裂紋缺陷。應用遺傳算法和BP神經網絡的智能圖像處理技術對套管不同程度裂紋區域進行分析，結果如圖18所示。應用遺傳算法和BP神經網絡的智能圖像處理技術在現場運行換流變套管絕緣子發現疑似裂紋區域。聚焦大應力載荷、高電場強度區域后發現橫狀裂紋區域，應用灰度處理算法得到黑白二值圖像進行深入研究，進一步證明了聯合遺傳算法和BP神經網絡的智能圖像處理技術可有效發掘典型換流變套管用復合絕緣子的缺陷。

圖18 換流變套管護套表面典型裂紋Fig.18 Typical surface cracks of converter bushing sheath

6 結論

（1）未使用Kalman濾波技術時，在0～160 s內對于關鍵位置處的距離預估偏差跳變較為劇烈，使用Kalman濾波技術后預估偏差跳變幅度縮小，基本控制在同一誤差水平。

（2）神經網絡具有較好的學習效果，適應度函數迭代100次后趨于穩定，且模糊神經網絡局部權值出現較為典型的非線性特征。

（3）本文提出的針對特高壓換流閥廳用套管運行狀態特征的監測方法可有效發掘潛伏性隱患、定位正發性故障，為主設備套管運行維護提供有效的數據支撐和保護策略。