首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于高低频特征融合的电力设备热故障模糊检测方法

基于高低频特征融合的电力设备热故障模糊检测方法

2024-11-26 77 上传者：管理员

摘要：电力设备在运行过程中，受电流和电压的影响易出现热故障，使成像特征为高低频混合状态，现有方法仅检测高频特征或低频特征，导致检测结果置信度低、检测效果差。提出了基于高低频特征融合的电力设备热故障模糊检测方法。采用红外成像传感器采集电力设备图像，利用区域能量自适应加权法，处理图像低频和高频特征。通过小波逆变换融合高低频特征计算小波系数。利用灰度值提取特征参数，得到热故障检测结果。实验结果表明：所提方法可精准检测热故障区域，置信度最高值为0.96，检测准确率高达90%，平均交并比为89%，具有较好的热故障检测效果。

关键词：
图像处理
故障检测
电力系统
电力设备
高低频特征
加入收藏

电力系统规模不断增大，使得电力系统的安全、稳定越来越受到重视。电力设备在运行过程中，易受到电流和电压异常波动的影响，导致设备出现热故障等问题[1-2]。通过热故障检测可在一定程度上避免持续电流过负荷、减少电力设备绝缘材料的过热老化程度，降低事故发生概率。因此，对电力设备的热故障进行检测是保证电力系统安全运行的关键。从电力数据本身收集统计信息，基于典型性的数据分析法测量电力系统中电压角或频率之间的相关度量，获取基准电力系统的模拟信号，完成电力系统的故障检测[3]。利用红外热成像进行复杂环境下目标检测方法。首先介绍了基于IRT的故障检测的一般程序、对象及局限性，然后对基于图像的智能故障识别方法进行了深入研究，最后实现了目标检测。但电力设备的热故障成像特征呈现高低频混合状态，现有方法仅检测高频特征或低频特征，容易导致检测结果的置信度低、检测效果差[4]。

为了解决上述方法中存在的问题，提出了基于高低频特征融合的电力设备热故障模糊检测方法。通过激光传感器获取电力设备图像，对其进行高低频特征融合处理，利用Joint NLM算法对图像强力降噪。采用加权法压缩电力设备的红外图像，采用最优聚类阈值对相邻区域实施二值化处理，结合改进亮度因子法与交叉验证法，计算电力设备的故障个数和故障类型，完成电力设备热故障检测。

1、电力设备热成像采集与处理

1.1基于红外传感器获取电力设备图像

基于红外传感器获取电力设备图像的流程如图1所示。

图1 电力设备图像采集流程

通过红外传感器获取电力设备图像，可以保证图像分割后的每一个像素点与其相邻的像素点都是相关的，所以像素点之间的能量可以反映出完整的图像信息[5]。原始图像经过匹配分解后形成低频特征和高频特征。

1.2高低频特征的融合处理

低频特征部分占据原图大部分能量，可通过如下公式计算出区域能量：

式中，F代表图像的区域能量；x、y代表像素点的坐标；m、n代表相邻坐标点；M代表原始图像像素点；t代表加权因子。按照如下公式，求出相应于小波系数矩阵的加权系数，对区域能量进行自适应加权处理，过程如下：

式中，σ1(x,y)和σ2(x,y)代表自适应调整系数因子。

在处理电力设备图像低频特征后，对高频特征实施边缘平滑化处理。通过高频子带系数生成二值边缘图像，用FA和FB表示。通过如下公式计算边缘特征信息，分别记作LA和LB，再对LA和LB实行膨胀形态，获取包含边缘特征的区域范围，记为ZA和ZB，其中，XOR为指令运算。

在此基础上，通过小波逆变换的方式融合处理电力设备图像的高低频特征，该选择图像是由取大法根据高频的各个方向产生的。从各个方向上综合选择图像，包含低频和高频边缘特征细节的融合选择图，具体过程如下：

式中，T(A,B)代表图像所有方向；DA和DB代表高频图像。融合将处理后的低频与高频特征融合到一起，得到新图像。

进一步分析了融合后的特征信息，发现在TA=TB=1,DA(x,y) DB(x,y)<0时，也就是对应方向与对应层次的小波系数符号存在差异，从而削弱了新图像的边缘信息。为使新的图像更全面地反映出来，通过如下公式对像素值进一步匹配筛选处理。

与图像特征融合方法不同的是，小波逆变换的融合方式会很好地保留原始图像中的主要特征[6]，该方法无需经过多次实验获得小波系数，从而有效提高了运算效率。

1.3图像降噪和校正处理

对红外传感器获取的电力设备图像实施降噪和校正处理，可以减少图像中的噪声对故障模糊检测过程的干扰[7]，具体步骤如下：

步骤1：基于激光传感器的降噪处理首先利用图像颜色差值计算出邻近的4个颜色通道均值：

式中，fn代表混合亮度；fa、fb、fc、fd分别为4个颜色的混合信息标准图像像素。

步骤2：以双边滤波联合压缩算法为基础，采用图像增强算法进行优化[8]，进而利用Joint NLM算法对图像降噪。该算法以信噪比更高的混合亮度图像为参照物，使用fn的权重系数代替被降噪图像的权重系数，从而达到对图像强力降噪的效果[9]，过程如下：

式中，μ(a)代表处理后得到的像素；θ(a,b)代表权重系数；μ(b)代表周围像素。

步骤3：校正处理。将降噪处理后的电力设备图像通过公式（8）提取出有效信息：

式中，T代表对比值图像。

步骤4：根据信息实行亮度调节和色度操作。同时，经滤波处理的图像相除，以形成一幅对比值图像。再对fa、fb进行归一化，也就是用比例图像分别乘以新的色度。将RGB图像通过式（9）转换：

式中，R代表红色通道；G代表绿色通道；B代表蓝色通道。

步骤5：最后将图像使用灰度法实行白平衡选择校正，得到校正后的电力设备图像[10]，公式如下：

式中，lR、lG、lB分别代表红色通道、绿色通道、蓝色通道的增益系数；NRGB代表颜色通道的标准化均值。

2、电力设备热故障检测方法设计

电力设备热故障检测过程中，由于红外热像的特点，电力设备间的相互重叠都会对故障检测造成一定的影响[11]。因此引入Niblack算法对红外图像进行如下处理：

采用加权法对电力设备红外图像进行压缩。将独立的图像分成不重叠的高低频矩阵区域，使每个矩阵区域获得均匀的光照[12]，然后根据每个区域的标准方差和灰度均值公式计算灰度分割阈值。公式如下：

式中，A代表阈值公式；n代表矩阵区域个数。假设σ表示类间方差，将σ用作适应度，基于粒子群算法计算矩阵区域，得到图像最优分割阈值如下：

采用最优聚类阈值对相邻区域实施二值化处理，计算出整个电力图像热红外图像区域的平均灰度值、最低灰度值和最高灰度值，过程如下：

式中，U表示模板温度；Umax表示模板最高温度；Umin表示模板最低温度；h表示模板计算；T表示图像最高温度；n表示二值化处理次数。

为准确判断电力设备热故障，使用温差来计算温度变化参数，并通过输入到构造图像样本特征空间所有区域的红外图像的灰度值来提取特征参数，如式（14）所示：

式中，T代表样本特征空间；B表示标签图像。然后引入映射函数，将电力设备热红外样本图像映射到高维度空间，解决电力设备热故障样本分类问题，在其中设置决策者平面模型，实现样本最大分类间隔。考虑每个决策者平面能够分为两种故障类型，所以需要通过如下公式对超平面实行偏置设置：

式中，R代表超平面空间；λi代表拉格郎日乘子；B代表分类间隔；D代表惩罚参数；λj代表一般系数。

结合改进亮度因子法与交叉验证法，计算电力设备故障样本点的决策分类函数。

式中，g代表热故障决策分类结果；L代表核函数模型；e代表核参数。当所有决策者都生成判断时，即可得到故障样本点内所有故障的个数和故障类型，进而完成对电力设备热故障的检测。

3、实验与分析

为了验证上述设计的基于高低频特征融合的电力设备热故障模糊检测方法的整体有效性，选取某地电力设备作为检测目标，利用FILR-T620成像仪获取电力设备热故障红外图像。在变电站电力设备红外图像数据集当中，选取90张电力设备图像作为测试图像，设计如下实验。首先采集热红外成像的高低频融合特征如图2所示。

图2 热成像中的高低频融合特征采集

根据图2红外成像系统在电力热故障现场采集的图像，可见测量电力热故障的图像采集之后，其表面受到了叠加干扰，但是在高低频融合后，其点状干扰消失。同时，通过图2右侧的图像细节，上述干扰的存在导致微弱的温度分布特征的提取问题被较好地解决。

3.1热故障检测情况

为了测试电力设备热故障检测效果，采用本文方法、文献[3]方法和文献[4]方法，对待检测电力设备图像实行热故障检测，检测结果如图3所示。

图3 电力设备热故障检测情况

由图3可知，文献[3]方法、文献[4]方法无法精准检测热故障区域，而采用所提方法可以准确地检测出热故障区域。上述结果说明，所提方法在检测过程中，对热故障的检测更精准。

3.2置信度测试

置信度可以反映热故障检测方法的可信任度，计算公式如下：

式中，TP代表检测故障正确个数；a代表故障类别；k代表置信度个数；Da代表检测图像个数。置信度的数值越高，说明方法的可信任度越高；置信度的数值越低，说明方法的可信任度越低。采用所提方法、文献[3]方法和文献[4]方法检测90张电力设备图像，对比不同方法的置信度数值。不同方法的测试结果如表1所示。

表1 不同方法的置信度数值

分析表1中的数据可知，在相同光电子谱数量下，所提方法的置信度最高值为0.96；而文献[3]方法和文献[4]方法的置信度最高值分别为0.87和0.82，低于所提方法。并且随着电力设备图像数量的增加，两种文献方法的置信度数值波动较大，而所提方法的置信度数值没有出现明显波动，表明针对电力设备热故障检测方法，所提方法具有较高的置信度。

3.3检测准确率测试

设P代表故障检测的准确率，其计算公式如下：

式中，Na代表热故障类别图像总数量；TPb代表检测准确的代表故障数量；FPb代表检测错误的代表故障数量；a代表故障类别；b代表热故障个数。检测准确率越高，表明该方法的正确检测数量越多，即误检率越低；检测准确率越低，表明该方法的错误检测数量多，即误检率高。

选取90张电力设备图像，将所提方法、文献[3]方法和文献[4]方法的热故障检测准确率测试结果绘制成柱形图，如图4所示。

图4 不同方法的热故障检测准确率

分析图4可知，针对不同数量的电力设备图像，所提方法检测准确率高达90%，并且随着电力设备图像数量的变化，所提方法的热故障检测准确率没有出现明显波动；而文献[3]方法和文献[4]方法的最高检测准确率分别为80%和83%，且上下波动幅度较大。说明所提方法的检测准确率最高且稳定。这是因为所提方法检测电力设备热故障时，利用激光传感器获取设备图像，并对图像实行降噪处理，预处理后的图像减少了噪声对检测结果的影响，使检测准确率得到大幅度提升。

3.4平均交并比测试

平均交并比可以反映出被检测故障的精度。平均交并比数值越高，说明方法的故障检测结果越精确；平均交并比数值越低，说明方法的故障检测结果越弱。其计算公式如下所示：

式中，Ua代表平均交并比；Ia代表真实区域与检测区域的面积比值。

为保证测试结果的真实有效性，本次测试选取90张电力设备图像，将所提方法、文献[3]方法和文献[4]方法的平均交并比数值与样本理想检测故障数量对比，测试结果如图5所示。

图5 不同方法的平均交并比

分析图5可知，针对电力设备热故障，所提方法的平均交并比为89%；而文献[3]方法和文献[4]方法的平均交并比分别为77%和65%，占样本理想预测值较低比例。说明所提方法的故障检测结果更加精准。

4、结束语

本研究提出了一种利用高低频特征融合技术进行电力设备热故障模糊检测的方法。首先采用激光传感器进行图像采集，在利用激光传感器采集电力设备图像后，分别通过区域能量自适应加权和边缘平滑化的方式处理图像低频和高频特征，然后通过小波逆变换融合高低频特征。利用温差来计算温度变化参数，并通过输入到图像样本特征空间中的红外图像的灰度值来提取特征参数，将得到的数据输入决策者模型中，输出热故障检测结果。所提方法不仅提高了检测结果置信度和检测准确率，也提高了检测方法的平均交并比值，在电力设备实际检测中，可精准检测热故障区域。

参考文献:

[1]黄志鸿,洪峰,黄伟.形状自适应低秩表示的电力设备热故障诊断方法研究[J].红外技术,2022,44(8):870-874.

[2]唐振营,徐景龙,邹继斌,等.自动化运维在电力企业信息系统中的应用[J].自动化技术与应用,2020,39(8):154-158,163.

[4]黄志鸿,吴晟,肖剑,等.基于引导滤波的电力设备热故障诊断方法研究[J].红外技术,2021,43(9):910-915.

[5]乔林,孙宝华,徐立波,等.多特征联合稀疏表示的电力设备图像识别方法[J].自动化技术与应用,2020,39(11):120-123.

[7]张巍,李雨成,张欢,等.面向通风智能化的风速传感器结构化数据降噪方法对比[J].中国安全生产科学技术,2021,17(8):70-76.

[8]孔祥阳,赵永强,彭群聂,等.基于互结构正则约束的红外偏振图像增强算法[J].光子学报,2020,49(5):160-165.

[9]卜丽静,赵爽,张正鹏.NLM与比率图像的多时相SAR图像去噪方法[J].遥感信息,2021,36(3):17-24.

[10]戴晓峰.复杂光照条件下舰船图像灰度校正方法[J].舰船科学技术,2021,43(22):175-177.

[12]王丽,刘增力.基于平方加权质心特征的快速分形图像压缩编码[J].电讯技术,2020,60(8):871-875.

基金资助:南网数研院科技项目(210000202203;0102JF00035);

文章来源:任正国,黄文琦,梁凌宇,等.基于高低频特征融合的电力设备热故障模糊检测方法[J].自动化技术与应用,2024,43(11):39-42+55.