基于發熱面積的電流互感器紅外故障診斷方法

冉建軍

（貴州電網有限責任公司遵義道真供電局，貴州 遵義 563000）

紅外檢測技術是一種通過物體熱輻射光譜檢測，進行溫度感知的熱故障檢測手段，因具備無接觸測溫等突出優勢[1]，被各行各業廣泛應用。中國將紅外檢測技術應用于變電設備故障診斷的時間較晚，當前主要還是使用手持紅外熱像儀采集變電設備紅外圖像，并依據運檢人員的經驗進行人為判斷。這種方式不僅對運檢人員的經驗依賴性大，而且運檢效率和準確度都較低[2]。變電設備是電網中的主要設備之一，當它發生故障時，會影響電網的正常供電。根據相關資料顯示，半數以上設備發生故障時，都會伴隨著發熱不均衡的情況，即不均衡發熱是變電設備大量故障的顯著特征[3]。因此，對變電設備進行實時溫度監控具有重要意義。伴隨著中國人工智能等技術迅猛發展，提取關鍵、有效的故障特征進行變電設備故障診斷已成為趨勢。特別是在變電設備紅外故障圖像數量較少，不足以支撐算法模型的數量時，能夠有效解決紅外故障圖像數量不足的問題。

從DL/T 664—2016《帶電設備紅外診斷應用規范》[4]和現有的文獻中可以看出，當前主要還是提取紅外圖像中的溫度值信息進行故障診斷[5]。對于發熱面積等特征未充分挖掘和應用，出現故障特征描述性能和故障診斷精度不高等問題。因此，本文為了使變電設備故障特征描述性更強和診斷精度更高，提出了一種基于發熱面積的電流互感器紅外故障診斷方法。算法流程如圖1 所示。

圖1 故障診斷算法流程

1 故障特征分析及提取

1.1 故障特征分析

因變電設備長期處于工作狀態及環境因素等影響，對電網的健康、穩定運行造成影響。由文獻資料可知，電網中大多數的故障都是因變電設備故障演變而來，并且半數以上設備發生故障時，都會伴隨著發熱不均衡的問題，即不均衡發熱是變電設備大量故障的顯著特征[6]。因此，溫度是設備發生故障時的重要特征。

《帶電設備紅外診斷應用規范》中的相關判定依據，是由運檢人員憑借經驗和數據總結歸納而成，隨著電力系統大數據的到來，這些現有的判斷依據和特征已經無法滿足故障診斷的需求，對發熱面積等具體發熱行為的挖掘和提取不太全面，從而限制了人工智能算法在故障智能化診斷方面的應用。觀察變電設備紅外圖像時發現，當變電設備溫度發生異常變化時，在紅外圖像中會呈現出溫度最高的點、條、團、圓盤等不規則形狀的光斑[7]，如圖2 所示。不同大小的光斑可以間接反映出設備故障的嚴重程度，光斑區域像素點較多時，說明該區域發熱較為嚴重，反之，則發熱不嚴重。為了便于對故障光斑進行描述，本文挖掘并提取發熱面積特征來對設備故障程度進行進一步描述，從而提升變電設備故障特征的描述性能和診斷精度。

圖2 變電設備故障光斑

1.2 故障區域分割

計算發熱面積時，最為重要的步驟是如何實現對故障區域的準確分割，因故障區域分割的精準度會直接影響發熱面積的計算精度，如果計算不準確容易導致誤診斷，從而造成人工成本等損失。因此，準確有效地分割出故障區域是提取發熱面積的核心步驟。本文采用改進區域生長法，主要改進種子點的自動選取和生長條件的設置2 方面。該方法在文獻[8]中取得了較好的成效，因此本文采用該方法來實現對故障區域的分割。原始紅外圖像如圖3 所示。

圖3 原始紅外圖像

故障區域分割效果如圖4 所示。

圖4 故障區域分割效果

從分割的效果可以看出，使用改進區域生長方法能夠較為準確地分割出故障區域，有效解決了人工選擇種子點帶來的誤分割和過分割等問題，提高了分割的效率和精度。

1.3 發熱面積特征的提取

發熱面積指對故障區域進行二值化處理后，像素值為1 的數量和。而本文中發熱面積的提取過程為：首先運用中值濾波算法進行濾波去噪；然后采用改進的區域生長法分割出故障區域，并對它進行二值化處理；最后統計故障區域中像素值為1 的像素和發熱面積S，計算公式如下：

以圖4 中分割出來的故障區域為例，首先對故障區域進行二值化處理，處理效果如圖5 所示。由式（1）得到其發熱面積分別為1 191 pt 和1 162 pt。

圖5 故障區域二值化效果

2 基于SVM 的故障診斷及分析

為了驗證提取的發熱面積特征的準確性和實現對電流互感器的故障診斷，本文運用MATLAB 中自帶的SVM 和KNN（K-Nearest Neighbor）這2 種分類模型進行試驗，并且采用交叉驗證的方式進行，此種驗證方式往往是把樣本數據隨機分配成k份，把第k－1 份和第k份分別當作訓練樣本與驗證樣本，交替輪換共進行k次訓練和驗證，最后取k次驗證結果的平均值作為衡量模型準確性的指標[9]。

通過使用發熱面積特征提取方法，對本文梳理的80 組電流互感器紅外圖像處理和發熱面積特征進行提取，并將提取的結果作為本文樣本，其中部分樣本如表1 所示。

表1 部分樣本

因故障樣本量較少，在本文收集和整理的電流互感器樣本中，設備的故障類型較少，主要包括電流致熱型一般故障、嚴重故障和電壓致熱型故障3 種。從提取的發熱面積結果來看，各故障類型間發熱面積相差較大，特別是電流致熱型缺陷和電壓致熱型缺陷相差最大，這是因為電壓致熱型缺陷發生故障主要位于套管上，并且通常故障點位于套管內部。

因此，可以通過發熱面積區別出不同的故障類型和等級，為運檢人員提供參考。為了較好驗證特征的描述水平和診斷效果，在驗證時，交替輪換進行50 次訓練和驗證。分類結果和運行參數分別如圖6 和表2所示。

表2 SVM 和KNN 分類模型運行參數

圖6 SVM 和KNN 模型分類結果

從圖6 和表2 可以看出，SVM 模型對于預測類別1、2、3 的分類正確率分別為100%、80%和83%。雖然對于2、3 類存在誤分類的情況，但在小樣本的情況下整體分類準確率能達到91.3%。KNN 對于預測類別1、2、3 的分類正確率分別為88%、80%和75%。在分類正確率方面，相較于SVM 模型分類準確率偏低一些，但整體分類準確率也能達到83.8%，并且該模型在運行速率方面較快。因此，在故障特征樣本量較少的情況下，2 種分類模型都能取得較高的分類準確率。充分體現出了本文提取的發熱面積特征具有良好的描述性和實用性，能夠給予變電站運檢人員一定的參考，從而提高變電設備的診斷效率和準確度。

3 結論

本文為了提高故障特征的描述性能和診斷準確度，提出了一種基于發熱面積的電流互感器紅外故障診斷方法。結果表明，在樣本量較少的情況下，分類準確率可達91.3%，充分說明了本文提取的發熱面積特征具有較強的描述性和實用價值。