基于時(shí)間序列算法的變電站設(shè)備故障紅外識(shí)別

李明軒，顏培培，楊慧婷，王麗花

(國(guó)網(wǎng)新疆電力有限公司電力科學(xué)研究院，烏魯木齊 830011)

變電站設(shè)備是電力系統(tǒng)組織結(jié)構(gòu)中的重要節(jié)點(diǎn)，具有電力傳輸及轉(zhuǎn)換職責(zé)[1]，各設(shè)備的運(yùn)行狀態(tài)與電網(wǎng)穩(wěn)定性具有直接關(guān)聯(lián)，因此，實(shí)時(shí)監(jiān)控變電站設(shè)備的運(yùn)行狀態(tài)是降低其故障發(fā)生率的有效措施。溫度是表征變電站設(shè)備運(yùn)行狀態(tài)的重要參數(shù)，各設(shè)備發(fā)生故障時(shí)，其溫度往往表現(xiàn)出升高態(tài)勢(shì)[2]。利用紅外熱成像技術(shù)獲取各設(shè)備的紅外視頻圖像，通過比色條采集其溫度數(shù)據(jù)，實(shí)現(xiàn)各設(shè)備的故障識(shí)別是當(dāng)下行之有效的技術(shù)手段[3]，既不會(huì)對(duì)變電站設(shè)備的正常運(yùn)行造成干擾，又能滿足故障檢測(cè)的實(shí)時(shí)性要求。

變電站設(shè)備紅外視頻圖像具有數(shù)據(jù)規(guī)模大的特點(diǎn)，如何在紅外視頻圖像中提取設(shè)備故障幀圖像并檢測(cè)到故障發(fā)生時(shí)間是識(shí)別故障的關(guān)鍵。紅外視頻圖像各幀間的圖像信息滿足時(shí)間序列特性[4]，在時(shí)間間隔很小時(shí)，變電站設(shè)備的溫度信息不會(huì)發(fā)生大幅度改變，通過時(shí)間序列算法可實(shí)現(xiàn)變電站設(shè)備可疑紅外視頻圖像的篩選及標(biāo)記，有效提升故障識(shí)別效率。

劉黎等[5]利用改進(jìn)的Faster-RCNN目標(biāo)檢測(cè)方法獲取視頻圖像中的各尺度語義信息，實(shí)現(xiàn)了變電站異物識(shí)別，該方法對(duì)亮度較高區(qū)域具有較好的識(shí)別效果，但在暗區(qū)域存在細(xì)節(jié)丟失問題；姚艷秋[6]提出利用時(shí)序數(shù)據(jù)的趨勢(shì)分析方法識(shí)別變電站設(shè)備的絕緣性故障缺陷，該方法可完成絕緣性故障缺陷的時(shí)序性選擇，但通過最小二乘法擬合無法獲取其全部特征值，特征數(shù)據(jù)丟失嚴(yán)重，直接影響識(shí)別結(jié)果的精準(zhǔn)度。因此，筆者提出基于時(shí)間序列算法的變電站設(shè)備故障缺陷識(shí)別，旨在有效提升各設(shè)備的故障缺陷識(shí)別效果。

1 變電站設(shè)備故障缺陷識(shí)別

1.1 變電站設(shè)備紅外遙視與故障缺陷識(shí)別框架

變電站紅外遙視與故障缺陷識(shí)別框架如圖1所示，其中包含混合探測(cè)器、云臺(tái)、數(shù)據(jù)通信設(shè)備、轉(zhuǎn)發(fā)中心、監(jiān)控中心等主要單元[7]。檢測(cè)時(shí)，將由紅外、可見光攝像頭組成的混合探測(cè)器布置于云臺(tái)上，并安裝于變電站內(nèi)各設(shè)備上，紅外攝像頭負(fù)責(zé)對(duì)變電站各設(shè)備的紅外測(cè)溫圖像進(jìn)行采集，可見光攝像頭負(fù)責(zé)采集變電站設(shè)備周圍環(huán)境視頻圖像信息；采集的各視頻圖像信息經(jīng)數(shù)據(jù)通信設(shè)備傳輸至轉(zhuǎn)發(fā)中心，再遠(yuǎn)程傳輸至監(jiān)控中心，然后由監(jiān)控中心對(duì)接收的各類視頻圖像信息進(jìn)行分析處理，完成變電站設(shè)備的故障缺陷識(shí)別。

圖1 變電站設(shè)備紅外遙視與故障缺陷識(shí)別框架

變電站紅外遙視與故障缺陷識(shí)別原理為：首先監(jiān)控中心通過上位機(jī)操控混合探測(cè)器及云臺(tái)組合，對(duì)變電站各設(shè)備進(jìn)行自動(dòng)巡檢，完成各預(yù)置位紅外測(cè)溫圖像及環(huán)境視頻圖像的采集；然后采用滑動(dòng)時(shí)間窗口篩選設(shè)備的可疑故障缺陷視頻圖像并進(jìn)行標(biāo)記。在對(duì)其進(jìn)行去噪、分割的基礎(chǔ)上，一方面獲得變電站設(shè)備的特征溫度信息，通過對(duì)其進(jìn)行分析處理，實(shí)現(xiàn)變電站設(shè)備的故障診斷；另一方面根據(jù)變電站設(shè)備所處環(huán)境的視頻圖像，實(shí)現(xiàn)對(duì)變電站設(shè)備區(qū)異物、刀閘狀態(tài)、套管與頂蓋狀態(tài)、煙火的檢測(cè)，并識(shí)別設(shè)備區(qū)的車輛違停現(xiàn)象。

1.2 基于時(shí)間序列和滑動(dòng)窗口的設(shè)備可疑故障缺陷圖像篩選

1.2.1 變電站設(shè)備可疑故障缺陷圖像篩選

令X為時(shí)間序列，即包含一系列元素的有序圖像幀集合，各元素由幀圖像存儲(chǔ)時(shí)間t及記錄值x構(gòu)成[8]，表示為X={(t0,x0),(t1,x1),…,(ti,xi),…}。由于變電站設(shè)備視頻圖像在實(shí)際運(yùn)行中，其運(yùn)行狀態(tài)隨著時(shí)間的變化呈動(dòng)態(tài)性改變，滿足時(shí)間序列特點(diǎn)，因此，設(shè)定圖像幀X與時(shí)間密切相關(guān)，通常當(dāng)選擇的時(shí)間間隔很小時(shí)，X基本不會(huì)發(fā)生較大改變，在當(dāng)下時(shí)間窗內(nèi)，對(duì)各X值取平均值得到Xag，各X基本均位于Xag周圍，對(duì)于圖像幀B,若其X值遠(yuǎn)離Xag時(shí)，則B發(fā)生故障缺陷的概率很高。因此，文章采用固定大小的滑動(dòng)時(shí)間窗口，實(shí)現(xiàn)變電站設(shè)備的時(shí)間序列視頻圖像的可疑圖像幀選擇及標(biāo)記。

對(duì)于獲取的任意一個(gè)變電站設(shè)備視頻圖像，令SW[t-w…t]為其滑動(dòng)窗口，w為采樣時(shí)間間隔，t為時(shí)間，且t>w。在SW[t-w…t]內(nèi)，各圖像幀可表示為

(1)

將時(shí)間點(diǎn)為t的圖像幀xt作為B，對(duì)B進(jìn)行故障模式判別，具體分為以下5個(gè)步驟。

(2) 在滑動(dòng)窗口范圍內(nèi)，求解各幀圖像像素點(diǎn)與空間中心距離的平均值，即

(2)

式中：對(duì)于時(shí)間點(diǎn)為t的幀圖像xt，該點(diǎn)至空間中心的距離為d(xt)。

(3) 對(duì)ct=|d(xt)-d(xt-1)|進(jìn)行運(yùn)算，并求解其平均值，即

(3)

式中：ct為t時(shí)刻的空間距離；ct-w為固定時(shí)間間隔下t時(shí)刻的空間距離差。

由此可確定分布于均值周圍的xt值，其求解公式為

(4)

(5) 退回至步驟(2)進(jìn)行循環(huán)操作，完成整段時(shí)間序列的選擇，從而確定變電站設(shè)備可疑故障缺陷圖像集D，其中可能發(fā)生故障缺陷的各幀圖像已作記錄。

1.2.2 采樣時(shí)間間隔w、閾值α的確定

采樣時(shí)間間隔w、閾值α的取值直接影響變電站設(shè)備備選故障缺陷圖像集的篩選精度，α可通過實(shí)際仿真模擬進(jìn)行確定。設(shè)β為變電站設(shè)備故障缺陷識(shí)別精度，w對(duì)變電站設(shè)備故障缺陷識(shí)別的影響可通過β值來反映，即

(5)

式中：Noutlier為識(shí)別出的備選變電站設(shè)備故障缺陷圖像數(shù)量；NT為樣本中包含的變電站設(shè)備故障缺陷圖像總量。

1.3 變電站設(shè)備視頻圖像去噪

對(duì)篩選后獲取的可疑變電站設(shè)備視頻圖像進(jìn)行預(yù)處理是提高故障缺陷識(shí)別精度的有效措施，因此首先進(jìn)行灰度化處理，在解決圖像處理時(shí)內(nèi)存占用較大問題的同時(shí)，可使圖像預(yù)處理更加高效、準(zhǔn)確度更高[10]。視頻圖像采集往往容易受到各種因素的影響，導(dǎo)致視頻圖像中含有過多噪聲，為此筆者采用小波閾值變換的中值去噪方法實(shí)現(xiàn)變電站設(shè)備視頻圖像的噪聲清除，改善視頻圖像的視覺效果。其原理為：首先利用中值濾波對(duì)變電站設(shè)備可疑故障視頻圖像進(jìn)行消噪處理，解決視頻圖像中的椒鹽噪聲；然后采用小波閾值變換方法獲得系數(shù)矩陣，基于此矩陣完成閾值的設(shè)定，達(dá)到高斯噪聲去除的目標(biāo)；最后通過小波逆變換獲得新的系數(shù)矩陣，復(fù)原變電站設(shè)備視頻圖像。

1.4 變電站設(shè)備視頻圖像可疑區(qū)域分割

圖像分割是故障識(shí)別的基礎(chǔ)工作，筆者采用改進(jìn)分水嶺算法實(shí)現(xiàn)變電站設(shè)備可疑視頻圖像的分割處理。對(duì)于變電站設(shè)備的可疑視頻圖像，可通過目標(biāo)灰度與背景灰度的差值來判斷圖像分割效果的優(yōu)劣。若二者差別很大，說明圖像分割具有突出效果，反之，表明圖像存在“欠分割”的問題[11]。數(shù)學(xué)形態(tài)學(xué)的圖像變換可增大二者差異，有效提升圖像對(duì)比度。

對(duì)于任意一幅變電站設(shè)備視頻圖像，其灰度圖像為f(x,y)，噪聲去除后的圖像為ut(x,y)，對(duì)于f(x,y)圖像，可通過頂帽變換提取其高亮度區(qū)域，即

g=f-(f°n)

(6)

式中：n為結(jié)構(gòu)元素；f°n表示完成圖像的f(x,y)的開啟；g為頂帽變換圖像；f為灰度級(jí)原圖像。

然后通過底帽變換提取其細(xì)節(jié)內(nèi)容，即

j=(f?n)-f

(7)

式中：f?n表示完成圖像f(x,y)的閉合；j為底帽變換圖像。

對(duì)g(x,y)，j(x,y)圖像作疊加處理，可獲得圖像i(x,y)，即

i(x,y)=g(x,y)+j(x,y)

(8)

疊加處理后，圖像對(duì)比度獲得明顯提升。針對(duì)i(x,y)，由n完成該圖像的膨脹(i⊕n)、腐蝕(iΘn)操作，此時(shí)形態(tài)學(xué)圖像梯度l可表示為

l=(i⊕n)-(iΘn)

(9)

按上述過程獲得圖像l(x,y)，與ut(x,y)圖像相比，其視覺效果獲得大幅度提升。采用分水嶺算法對(duì)灰度圖像f(x,y)進(jìn)行分割處理，獲得目標(biāo)區(qū)域。圖像分割步驟分為以下兩步。

(1) 對(duì)于圖像f(x,y)，其內(nèi)某一微小區(qū)域表示為Q，依據(jù)下述條件對(duì)其進(jìn)行預(yù)估：該區(qū)域內(nèi)包含高灰度像素點(diǎn)；該區(qū)域呈連續(xù)性；各像素的灰度值存在類似性。

(2) 將Q作為起始點(diǎn)，水逐步向整幅圖像漫延，水漫延范圍為C(Q)，S為匯水盆地，通過構(gòu)建分水嶺避免水向S外漫延，水漫延過程應(yīng)遵循以下條件[12]：

① 漫延(a-1)次后，蔓延范圍表示為Ca-1(Q)，對(duì)其作膨脹處理，可獲得Ca(Q)；② 若膨脹使兩漫延區(qū)域發(fā)生融合，需取消膨脹，而選擇筑造堤壩；③ 反復(fù)執(zhí)行以上兩步，使水漫延至整幅圖像f(x,y)，完成不同區(qū)域分水嶺的構(gòu)建[13]，實(shí)現(xiàn)變電站設(shè)備可疑故障缺陷視頻圖像的分割處理。

1.5 基于Zernike不變矩的圖像特征提取

Zernike不變矩的基本思想是在任意一組圓形內(nèi)存在多項(xiàng)式，且為正交關(guān)系[14]，設(shè)(p+q)階中心矩陣可表示為

(10)

(11)

圖像l′(x,y)具備平移不變特性，將其與倍數(shù)系數(shù)γ相乘，使其具備縮放不變特性。

采用Zernike不變矩方法獲取圖像l(x,y)的特征，即

(12)

式中：k為階數(shù);w為重復(fù)度;ρ為中心點(diǎn)至(x,y)方向的向量;該向量與x軸方向的夾角為θ。

對(duì)于多項(xiàng)式kw(ρ,θ)，其共軛表示為*(ρ,θ)。

若縮小圖像l(x,y)，可通過將其與倍數(shù)系數(shù)γ相乘實(shí)現(xiàn)，γ的計(jì)算公式為

(13)

(14)

此時(shí)圖像具備縮放不變特性。由此可確定歸一化的圖像特征值為

(15)

1.6 基于支持向量機(jī)(SM)的變電站設(shè)備故障缺陷識(shí)別

通過支持向量機(jī)對(duì)變電站設(shè)備的視頻圖像進(jìn)行分類，識(shí)別變電站設(shè)備故障缺陷的結(jié)構(gòu)區(qū)域及故障類型。其主要分為9個(gè)步驟。

(1) 采集變電站不同設(shè)備的紅外視頻圖像，對(duì)其進(jìn)行幾何變換處理后，建立樣本數(shù)據(jù)集，通過時(shí)間序列法完成疑似故障缺陷視頻圖像的選擇與標(biāo)記。

(2) 對(duì)變電站設(shè)備可疑故障缺陷視頻圖像進(jìn)行去噪處理后，完成圖像目標(biāo)的分割，并獲取其特征值。

(3) 特征值歸一化。

(4) 根據(jù)故障缺陷識(shí)別精度調(diào)整SM參數(shù)。

(5) 確定SM分類器的核函數(shù)，采用徑向基函數(shù)，通過網(wǎng)格搜尋法獲取最佳分類間隔大小參數(shù)λ、懲罰因子r。

(6) 將歸一化的圖像特征值作為SM輸入，完成SM的訓(xùn)練，確定變電站設(shè)備分類模型。

(7) 根據(jù)變電站設(shè)備紅外圖像灰度值，對(duì)其溫度信息進(jìn)行提取，并計(jì)算其溫度的最大值、平均值及環(huán)境溫度。

(8) 通過劃分故障缺陷類型，并對(duì)變電站設(shè)備故障缺陷識(shí)別規(guī)則進(jìn)行界定，實(shí)現(xiàn)變電站不同設(shè)備的故障缺陷識(shí)別，故障類型分別定義為普通、嚴(yán)重、緊急缺陷。

(9) 得到變電站不同設(shè)備的故障缺陷識(shí)別結(jié)果。

2 試驗(yàn)分析

以變電站設(shè)備的紅外視頻圖像作為試驗(yàn)對(duì)象，建立圖像樣本數(shù)據(jù)集，紅外圖像數(shù)量為2 000幅，其中包含5種不同設(shè)備的紅外圖像，分別為斷路器、隔離開關(guān)、高壓套管、電流、電壓互感器，應(yīng)用上述方法對(duì)各設(shè)備的故障缺陷進(jìn)行識(shí)別，分析上述方法的故障缺陷識(shí)別效果。

選取斷路器設(shè)備紅外圖像為研究對(duì)象，應(yīng)用文章方法對(duì)該圖像中噪聲進(jìn)行處理，去噪前后的紅外圖像如圖2所示。

圖2 斷路器設(shè)備去噪前后的紅外圖像

分析可知，采集的斷路器設(shè)備原始紅外圖像中含有較多噪聲，導(dǎo)致紅外圖像對(duì)比度較低，色彩飽和度較差，圖像邊緣模糊且存在陰影，紅外圖像質(zhì)量較低，嚴(yán)重影響后續(xù)故障缺陷識(shí)別精度。應(yīng)用文章方法對(duì)其進(jìn)行去噪處理后，紅外圖像清晰度、色彩飽和度明顯提升，解決了圖像邊緣的模糊陰影問題。試驗(yàn)結(jié)果表明，該方法能有效提升變電站設(shè)備紅外圖像的視覺效果，降噪性能突出。

采用文章方法對(duì)去噪后的紅外圖像進(jìn)行分割處理，獲取目標(biāo)設(shè)備，并與文獻(xiàn)[5]中改進(jìn)的Faster-RCNN目標(biāo)檢測(cè)方法、文獻(xiàn)[6]中趨勢(shì)分析方法的處理結(jié)果對(duì)比，分析3種方法的圖像分割性能，對(duì)比結(jié)果如圖3所示。

圖3 不同處理方法的紅外圖像分割效果對(duì)比

分析圖3可知文獻(xiàn)[5]方法、文獻(xiàn)[6]方法對(duì)亮度高區(qū)域具有較好的分割效果，暗區(qū)域分割效果較差，使得紅外圖像中目標(biāo)設(shè)備細(xì)節(jié)內(nèi)容存在不同程度的丟失，文獻(xiàn)[6]方法細(xì)節(jié)信息丟失更多；文章方法可完整分割出目標(biāo)設(shè)備，設(shè)備細(xì)節(jié)保留完整，效果突出。

從4種不同設(shè)備數(shù)據(jù)集中分別選取10幅不同設(shè)備的紅外圖像，共40幅，采用文章方法對(duì)數(shù)據(jù)集中的全部紅外圖像進(jìn)行分析，并根據(jù)表1的各設(shè)備故障缺陷識(shí)別規(guī)則進(jìn)行識(shí)別，識(shí)別結(jié)果如表2所示。

由表1，2可知，根據(jù)各設(shè)備的紅外圖像，可獲取其所處環(huán)境溫度和當(dāng)下設(shè)備溫度，將各設(shè)備正常狀態(tài)下的溫度值與之對(duì)比，通過計(jì)算相對(duì)溫差，就可以判斷設(shè)備是否存在故障缺陷。由識(shí)別結(jié)果可見，隔離開關(guān)設(shè)備存在故障缺陷，故障類型為普通故障，是刀口接觸不良引起的故障缺陷；其余設(shè)備運(yùn)行正常，未發(fā)生故障缺陷。

表1 不同設(shè)備的故障缺陷識(shí)別規(guī)則

表2 各設(shè)備的故障缺陷識(shí)別結(jié)果

3 結(jié)語

以變電站各設(shè)備的紅外視頻圖像為研究對(duì)象，采用基于時(shí)間序列算法的設(shè)備故障缺陷紅外識(shí)別方法對(duì)紅外圖像進(jìn)行一系列處理，實(shí)現(xiàn)了變電站設(shè)備的故障識(shí)別。

該方法應(yīng)用小波閾值變換和改進(jìn)分水嶺算法，分類變電站設(shè)備，篩選并標(biāo)記經(jīng)過優(yōu)化處理的可疑故障缺陷圖像，保證分割后的目標(biāo)設(shè)備圖像細(xì)節(jié)完整，紅外圖像對(duì)比度、清晰度均獲得大幅度提升，可完成變電站設(shè)備的故障缺陷識(shí)別。