基于紅外監測的電站設備熱狀態智能感知識別技術

摘要：研究基于紅外測溫技術，提出一種變電站設備熱狀態智能感知識別新方法。結合Tophat變換法，對紅外測溫圖像進行亮度均衡化處理，通過判斷信噪比，實現對熱狀態區域與背景區域的有效分離。對三階顏色矩進行定義以及融合處理，得到紅外測溫圖像的顏色特征。通過構建圖像的灰度判據，明確變電站設備的運行狀態。對該方法的感知效果進行了檢驗，結果表明，該方法對設備熱狀態的感知靈敏度較高。

關鍵詞：紅外測溫；智能變電站；變電設備；熱狀態；智能感知

中圖分類號：TM63；TN219文獻標志碼：A文章編號：1001-5922（2025）01-0177-04

Intelligent perception and recognition technology for thermalstatus of power station equipment based on infraredmonitoring

LI Jinxin，ZHENG Lei，LIAO Hai，WANG Nan，ZOU Yin

（Zunyi Power Supply Bureau of Guizhou Power Grid Co.，Ltd.，Zunyi 563100，Guizhou China）

Abstract：Based on infrared temperature measurement technology，a new intelligent perception method of thermal state of intelligent substation equipment was proposed.Combined with the Tophat transformation method，the bright-ness of the infrared temperature measurement image was equalized，and the effective separation of the thermal state area and the background area was realized by judging the signal-to-noise ratio.The third-order color moments were defined and fused to obtain the color features of the infrared temperature measurement image.By constructing gray-scale criteria for images，the operational status of substation equipment was clarified.The perception effect of this method was tested，and the results showed that the method had a high sensitivity to the perception of the thermal state of the equipment.

Key words：infrared temperature measurement；intelligent substation；substation equipment；hot state；intelligent perception

通過將改進YOLO算法和Resnet算法進行結合，對變電站設備的熱缺陷特征進行識別，實現缺陷診斷[1]。以絕緣子設備作為研究對象，通過拍攝紅外圖像以及紫外圖像，對該設備的運行狀態進行評估分析處理[2]。然而在實際應用中發現，上述方法在獲取現場圖像后，缺乏對圖像的預處理過傳，影響了感知效果。

作為一種非接觸式測溫方法，紅外測溫技術具有測量準確、快速、無需接觸等優點，已經被廣泛應用于電力系統中[3]。因此，提出了一種基于紅外測溫的智能變電站設備熱狀態智能感知方法。該方法采用形態學算法對紅外測溫圖像進行預處理和特征提取，提高了測溫的準確性和穩定性。

1方法設計與技術優化

1.1智能變電站設備熱狀態區域圖像分離

由紅外攝像機所拍攝到的變電站設備圖像通常不會存在較為明顯的結構形狀特征，同時圖像的灰度等級差異也不會很明顯[4]。因此，變電站設備紅外圖像中的故障區域邊界的清晰度偏低。針對這一問題，采用對比度增強的方式，提取熱狀態區域圖像，劃分熱狀態區域與常規區域之間的差異，實現圖像提取。在這一過程中，信噪比（SNR）可以用于表示目標信號強度與噪聲信號強度之間的對比關系，其具體表達式如下所示：

式中：μT代表變電站設備紅外測溫圖像中熱狀態區域的灰度均值；μB和σB分別代表背景圖像的灰度均值以及標準差[5]。SNR的數值越大，代表變電站設備熱狀態區域圖像與背景圖像的強度差異性越大。因此，通過對SNR的值設定一個閾值，即可對紅外測溫圖像實現對比度增強處理，放大熱狀態區域圖像與背景圖像之間的差異特征。

除圖像對比度以外，紅外測溫圖像的亮度也需要對其進行調整[6]。這主要是由于紅外攝像機在對變電站設備進行拍攝時，通常會受到拍攝環境以及光源等多種因素的影響，導致圖像亮度分布不均勻。對此，采用Tophat變換算法，對不同區域的亮度進行調整。假設變電站設備紅外測溫圖像中的結構元素為f，由此可以得到Tophat的變換表達式：

式中；f根s代表結構元素對應的開運算；h代表Tophat變換結果。通過上述公式即可完成對紅外測溫圖像的亮度調整，除不均勻的亮度分布情況以外，紅外測溫圖像中的噪聲也會對提取結果產生一定的影響，因此本文采用鄰域平均的運算方法，對紅外測溫圖像中的噪聲進行去除[7]。假設在變電站設備紅外圖像中，某坐標（x y）對應的像素灰度值為zi，由此可以得到鄰域平均法的計算公式：

式中；wi代表以（x y）為鄰域的像素點加權值；m根n代表鄰域內像素點的排列規模；g（x y）代表濾波處理后的像素值。通過上述步驟對紅外測溫圖像進行亮度均勻調整以及濾波處理，然后采用式（1）對圖像的信噪比進行計算，通過設定提取閾值，實現熱狀態區域與背景區域的有效分離。

通過上述步驟即可完成對于智能變電站設備熱狀態區域圖像的有效提取[8]。

1.2變電站設備熱狀態圖像顏色矩提取

針對上述分離得到的變電站設備熱狀態區域圖像，通過對前三階顏色矩進行定義，實現顏色矩提取，獲取到紅外測溫圖像的顏色特征。

在變電站實際工作環境中，可能存在一定的光線變化，影響到紅外攝像機的拍攝效果[9]。因此采用常規的特征提取方式無法過濾掉干擾因素。而顏色矩作為一種抗干擾性較強的特征提取方式，可以針對不同色度圖像的顏色特征進行表征，不僅可以得到圖像的明暗程度分布情況，同時也能夠掌握圖像的顏色特征分布[10]。假設變電站設備熱狀態圖像P中第i個像素的某一特征為Mi，由此可以得到該圖像的三階顏色矩的定義表達式：

式中：M1、M2、M3分別代表變電站設備熱狀態區域圖像的一、二、三階顏色矩，這3個顏色矩可以分別對像素分量的強度特征、顏色方差以及分量偏移程度進行表征；N代表圖像中的像素總數；I（pi）代表圖像均衡化亮度值，具體可以通過式（2）求得。

以上述定義的顏色矩作為提取標準，采用不變矩[11]作為智能變電站設備紅外色溫圖像的形狀特征提取對象，首先對其進行定義，具體表達式如下所示：

式中：mpq代表圖像不變矩；f（x y）代表變電站設備紅外測溫圖像；p和q分別代表顏色矩的規模尺寸。將式（5）中的mpq值代入到式（4）中的Mi，即可得到智能變電站設備紅外測溫圖像的三階顏色矩[12]，然后對顏色矩提取結果進行融合，得到完整的圖像顏色特征提取結果，具體融合表達式：

式中：ω1、ω2、ω3分別代表三階顏色矩的特征權重分配參數；Msum代表顏色特征融合結果；λ代表顏色特征向量維度[13]。

通過上述步驟即可完成對變電站設備熱狀態圖像顏色矩提取。通過對三階顏色矩進行定義，并將圖像不變矩代入到定義表達式中[14]，對三階顏色矩進行融合，得到紅外測溫圖像的顏色特征。

1.3變電站設備熱狀態智能判別與感知

針對上述得到的變電站設備熱狀態圖像顏色特征提取結果，通過建立灰度判據，實現變電站設備的熱狀態智能判別與感知。首先結合顏色特征提取結果，對圖像的局部方差值進行計算[15]，假設μ（i j）代表圖像的灰度均值；σ2代表圖像的局部方差，由此可以得到以下關系式：

式中：f（x y）代表鄰域中心點對應的像素值；mn代表鄰域尺寸。

通過上述公式，對變電站設備熱狀態圖像進行局部方差映射處理，考慮在完成顏色特征提取后，設備輪廓圖像A以及背景圖像B之間的局部方差點的相對位置不會發生改變，因此可以對2個點的局部方差概率[16-17]進行計算，具體計算公式：

式中：IA和IB分別代表目標圖像與背景圖像的亮度值；G代表圖像的綜合灰度[18]。由此，構建出的變電站設備熱狀態圖像灰度判據表達式：

式中：R代表變電站設備熱狀態灰度判定結果；Gmax代表綜合灰度閾值。

（1）若R[0 0.2），代表此時變電站設備處于熱穩定狀態。設備的溫度在運行過程中保持穩定，沒有出現明顯的變化[19]。這種狀態通常是由于設備內部的電氣元件和機械部件處于穩定運行狀態，同時外部環境因素也沒有對設備產生明顯的影響；

（2）若R[0.2 0.5），代表此時變電站設備處于正常熱狀態。設備的溫度在正常運行范圍內，沒有出現異常升高或降低的情況；

（3）若R[0.5 0.8），代表此時變電站設備處于異常熱狀態。設備的溫度出現異常升高或降低，但尚未達到故障狀態。這種狀態可能是由于設備內部的電氣元件故障、機械部件磨損或外部環境因素變化等原因引起的；

（4）若R[0.8 1.0]，代表此時變電站設備處于故障熱狀態。說明此時變電站熱成像的綜合灰度超過了設定的閾值，代表設備存在熱缺陷[20]。設備的溫度異常升高或降低，已經達到故障狀態。這種狀態可能是由于設備內部的電氣元件故障、機械部件損壞或外部環境因素變化等原因引起的。

基于上述論述，所提出的變電站設備熱狀態智能判別與感知的流程如圖1所示。

2實驗論證

2.1實驗說明

實驗選取了2組常規的變電站設備熱狀態感知方法作為對比對象，分別為基于YOLO算法的變電站設備熱狀態感知方法（常規方法A）以及基于大數據技術的變電站設備熱狀態感知方法（常規方法B）。通過構建實驗平臺，采用3種方法對同一組變電站設備狀態進行感知，對比不同方法的實際感知效果。

2.2實驗對象

本次實驗所選取對象是一座110 kV的降壓變電站，主要包括變壓器、斷路器、隔離開關、電流互感器、電壓互感器、避雷器等設備。該變電站的電氣主接線采用雙母線接線方式，共有2條出線，2條進線，2條母聯線路。其中，出線間隔和進線間隔的數量均為2個，母聯間隔的數量為2個。在變壓器保護方面，采用雙繞組變壓器差動保護和單側零序電流保護。在110 kV進線保護方面，采用距離保護和零序電流保護。實驗采用紅外攝像機對設備圖像進行獲取。

在采用本文方法對變電站設備狀態進行感知時，需要對顏色特征進行提取，對此，分別選取了主變壓器、電抗器、互感器以及斷路器4種類型的設備，每種設備選取了不同紅外圖像作為提取對象，由此得到的顏色矩提取數據如表1所示。

為提高實驗結果的可靠性，本次實驗針對所有設備的紅外圖像數據均進行了灰度優化處理，防止因灰度不均衡導致的感知干擾。

2.3感知效果對比結果

采用所提方法對變電站設備運行狀態進行感知后，得到的具體結果如表2所示。

由表2可知，所提方法可以針對不同類型的變電站設備進行狀態感知，判定設備的運行故障以及嚴重程度。

為了使實驗結果更具有對比性，實驗以不同方法的靈敏度作為對比指標，用于衡量不同方法的實際感知效果。靈敏度的計算公式：

式中：ΔOutput代表設備熱狀態感知方法輸出量的變化值；Hactual代表變電設備的實際熱狀態表征參數。

結合式（11），得到不同設備故障標簽與方法靈敏度之間的增益曲線如圖2所示。

由圖2可知，在不同設備故障類型下，不同方法的感知效果也有所不同。通過數值上的對比可以直接看出，所提方法具備更好的感知效果，靈敏度較高。

3結語

所提出的基于紅外測溫的智能變電站設備熱狀態智能感知方法是一種有效的電力設備溫度監測和預警方法，能夠提高設備運行的安全性和可靠性。介紹了該方法的原理、實驗過程和實驗結果，通過對比分析驗證了其準確性和可靠性。

【參考文獻】

[1]鄭文杰，楊祎，喬木，等.基于改進YOLO和Resnet的變電設備熱缺陷識別及診斷方法[J].重慶理工大學學報（自然科學），2023，37（9）：261-269.

[2]吳星奇，付子峰，郭景武，等.基于紅外紫外成像檢測技術的絕緣子運行狀態評估分析[J].集成電路應用，2023，40（9）：28-30.

[3]王學玲.紅外診斷技術在變電站設備維護中的應用[J].電子技術，2023，52（8）：224-225.

[4]吳瑞蕤，王曉顏，劉興剛.基于機器視覺的有色金屬加工設備溫度狀態監控[J].有色金屬加工，2023，52（4）：60-62.

[5]趙業強.淺談狀態檢修在電力設備檢修的有效運用[J].低碳世界，2023，13（7）：49-51.

[6]張滇.基于紅外圖像處理的輸變電設備故障智能檢測方法[J].光源與照明，2023（6）：171-173.

[7]駱會詳.基于小波域CHMT模型的110 kV變電站設備超溫紅外預警方法[J].計算技術與自動化，2023，42（2）：64-70.

[8]陳華偉，謝志輝，姜盼.基于紅外監測技術的熱缺陷分類及典型故障分析[J].機電工程技術，2023，52（6）：50-53.

[9]崔宇輝.基于紅外測溫的電氣設備異常溫升監測方法[J].信息與電腦（理論版），2023，35（8）：18-20.

[10]郭鵬程，葛志峰，裘森強，等.基于多通道狀態感知的高精度紅外測溫校正算法[J].電子設計工程，2023，31（8）：105-109.

[11]趙銳，周雪楓.多源信息融合的設備熱缺陷智能實時檢測方法[J].計算機仿真，2023，40（2）：132-138.

[12]劉江，關向雨，溫躍泉，等.基于改進YOLOv4的GIS紅外特征識別與溫度提取方法[J].電力工程技術，2023，42（1）：162-168.

[13]劉云峰，趙洪山，楊晉彪，等.基于GNR先驗的電力設備熱成像超分辨率方法[J].紅外技術，2023，45（1）：40-48.

[14]段中興，張雨明，馬佳豪.基于改進YOLOv4的電力設備紅外圖像識別[J].激光與光電子學進展，2022，59（24）：29-36.

[15]張曉華，蔡巍，武宇平，等.基于紅外檢測的變電站設備熱狀態診斷[J].智慧電力，2021，49（9）：109-116.

[16]林洪，文雷，牛健飛，等.基于DCNN技術的無人值守變電站智能監測模型優化設計[J].粘接，2023，50（10）：150-153.

[17]南保峰，盧雨欣，孫廷璽，等.基于三芯電纜自取能技術的熱狀態評估系統研制[J].智慧電力，2020，48（11）：103-107.

[18]袁偉.一種基于物聯網技術的變電站智能監控系統設計[J].粘接，2022，49（10）：185-189.

[19]張靜，程林，宋鵬先，等.基于硅油劣化特性對高壓電纜終端熱狀態的測試分析[J].絕緣材料，2020，53（3）：89-93.

[20]葉日新，趙新志，竇小晶，等.基于紅外測溫技術的±500 kV換流站平波電抗器套管缺陷診斷分析與處理[J].電網與清潔能源，2021，37（7）：65-72.

（責任編輯：蘇幔，平海）