变电运行设备智能化的关键准则是低能耗和高效率，智能化集中体现在引用大量计算机技术、数字化通信技术和广电传输技术，这样不但能降低电力维护成本，还能提高电力设备运行效率[1]。现阶段，对电力设备的巡视工作多数为表面上的看、听、摸等动作巡视，但诸多细小问题是肉眼观察不到的，且电力设备有一定危险性，直接触摸容易产生安全问题，仅用人的感官观测设备无法有效解决电力故障，对变电设备进行高科技巡视十分必要。红外热成像检测技术是一个很好的选择，该技术具备灵敏度高[2]、安全直观等优势，可完成高效的变电设备故障无损检测。

针对电力设备红外图像故障检测问题，有学者基于人工智能深度学习理论，按照区域建议网络中的Faster RCNN算法进行处理，用于检测、识别、定位输变电红外图像的发热故障。输变电设备发热故障信息主要借助红外热像仪进行收集，然后构建专门的故障图像库，并利用交替训练设置网络共享参数。这样就可以获得输变电设备异常法人红外智能检测模型[3]。但该方法计算量过多，对故障检测效率不高。将电流互感器、电压互感器、避雷器、隔离开关以及断路器五种外形相对接近的设备状态红外图像当作研究对象，采用拥有旋转与缩放不变性的Zernike矩当作待识别设备特征，运用基于相关向量机进行设备分类与识别[4]。但该方法考虑故障因素较少，故障检测结果可信度较低。

总结已有研究不足，本文运用ICA(Independent Component Analysis，独立成分分析）滤波改进红外图像故障检测问题。通过评估变电运行业务智能化故障风险，快速计算设备连锁故障风险水平指标，立足全局角度探究电力设备性能，高效精准评判设备安全性；特征提取红外图像，代入ICA滤波获得红外图像中故障曲线区域位置，完成变电运行业务智能化无损故障诊断。

1、变电运行业务智能化故障风险评估

虽然变电运行业务在智能化基础上，能有效提升变电站工作效率，但在实际应用中，极易发生大规模连锁故障，产生断电现象[5]。在实施红外热成像故障检测之前，需要评估运行业务故障风险，让故障检测结果更加准确。

若元件可靠度无异常，通常借助蒙特卡洛模拟方式来分析大停电的初始故障。瞬时故障、永久性故障属于输电线的基本故障类型。针对变电运行线路出现瞬时故障的问题，会迅速使用自动重合闸进行解决，整个系统受到的影响偏小。因此，当碰到大停电时仅需关注永久性故障。假如永久性故障的故障率用表示，故障维持时间用C表示，线路强制停运率由p代表，式（1）是它们之间的关系：

8 760这一数值代表的是一年的平均小时数，p则表示输电线路故障的发生概率。

依靠蒙特卡洛抽样法来判断元件发生的初始故障。R1就是一个服从[0,1]区间均匀分布的随机数，然后抽样主要利用均匀分布伪随机数发生器完成。当结果为肯定说明线路存在永久性故障。

就线路切除来说，影响因素包括三个，即继电保护隐含故障、输电线路以及设备历史统计故障率。在此基础上构建三个评价指标，以判断元件断开的主要原因。

故障传播在不同因素作用下所受到的干扰也存在差异。以输电网络为例，它的一次电气设备比较强，线路能很好地承载过负荷，在故障传播期间隐含故障居于关键位置[6]。当在输电网络中一次输电设备处于脆弱状态，故障传播就可能受到线路过负荷切除的明显干扰。变电运行环境变得不佳时，一些不可控因素就会对故障传播造成显著的影响，常见的因素包括线路意外断开。

变电运行智能化关键设备是发电机，遇到发电机断电情况时，此时只应该分析过励磁切除[7]。为确定设备过励磁倍数，应获取发电机的机端电压，系统的频率大小，详细过程为：

式中，U*表示机端电压标幺值，f*是系统频率标幺值。

了解停电历史数据情况下，将变电运行设备元件产生故障的概率解析式记作：

其中，

式中，Fimax是支路i传输功率上限，Fi'、Fi依次表示故障元件切除前后支路i的传输功率。

将连锁故障内损失的总负荷量当作权衡连锁故障规模指标，某个连锁故障流程最终损失的总负荷通常会涉及到下列3种情况：

(1）线路持续开断引起所有负荷供电线路都断开。

(2）解列变电运行业务设备之后，要想确保各个电气孤岛有功均衡，需确定切负荷总量。这需要先了解各孤岛负荷，明确发电机容量，然后将负荷最高的孤岛挑出，基于最优潮流就可以确定孤岛中被切除的负荷值。对于其余负荷偏小的孤岛，若发电容量在负荷值以上，提示孤岛可以自主平衡；若发电容量在负荷值以下，那么被切除的负荷值应通过负荷、发电容量近似加以计算。

(3）就潮流计算来看，若不存在可行解，此时判断系统缺乏稳定性，需依托调节系统的有功输入与输出来探寻新运行点。此时，极有可能会将部分负荷切除。

第一种情况损失的负荷就是所谓的断开负荷，而后面两种情况必须得到切负荷大小，多由最优潮流法加以计算，若切负荷最小被当作目标函数，则该函数的解析式为：

等式收敛条件为：

不等式收敛条件为：

其中，PLi0、PLi分别代表第i个负荷节点调节前后的负荷量，P就是节点有功注入矢量，B表示的是电纳矩阵，θ就是母线电压相角矢量，PGi、QGi代表发电机调节后节点注入功率，PGimax、QGimax是指发电机节点注入功率的上限值，Finew表示第i条线路经调节后的传输功率大小。故而此刻的切负荷量可描述成：

变电运行设备连锁故障风险水平指标是：

式中，Di是变电设备第i种连锁故障形态损失的负荷量，ρi代表第i种连锁故障形态发生的概率。

由此可知，变电运行设备连锁故障损失负荷的预期值正是风险水平指标ε。这些指标通过蒙特卡洛抽样法就可轻松得出。假设N为反复运算次数，而K表示第i种连锁故障形态发生次数，得到：

2、基于红外热成像检测技术的变电设备故障检测

2.1 红外热成像测温

红外热成像检测技术可运用红外技术监测目标物体在实际使用过程中的温度状态，是温度检测技术之一，由信息检出、信号处理、信号识别评估、预测技术构成。在上述变电运行业务智能化故障风险评估中，得到变压器箱是最易产生故障的区域，需着重对其进行故障检测。

所有高于绝对零度的物体因为其自身分子运动，会不断向外发射红外辐射，红外热成像仪通过接收物体射出的红外线，利用红外探测器把物体辐射的功率信号转变为电信号[8-9]，在电子系统处理后获取和物体表面热分布对应的热像图，确定物体表明温度分布状态。

红外热像仪由三部分构成：探测器、监视器及显示屏。红外热成像温度检测根据其检测模式可划分成主动与被动两种类型。主动式红外检测是把人为生成的特定波长红外光映射于被测物体内，使用红外热像仪接收物体表面反射的特定波长红外光，构成物体影像。被动式红外热像图又可分成驱动式被动与自然式被动红外热像图。驱动式被动红外热像图检测表示在真实测量过程中，人为加热被测物体一段时间后，再运用红外热像仪检测被测物体表面。自然式被动红外热像图是通过红外热像仪直接测量被测物体表面。

2.2 红外图像特征提取

采用上述过程获取红外图像后，为清晰辨别图像内的温度场区域，对图像进行特征提取工作。

在变电运行设备红外图像诊断期间，很难对设备进行分割与识别，这是因为红外热像图的相关二维特点与设备间的发生相互重叠。另外，设备分割受到影响的另一个因素就是非均匀背景，这会阻碍特征提取。本次选取Niblack法，并在权重法的支持下灰度化处置相关设备红外影像。其中，单幅图像被均等划分成n个矩形区域，它们不重叠，从而确保各矩阵背景光照的均匀性。为计算该区域的灰度分割阈值，需算出每个领域的标准方差s、灰度均值m，再参照式（12）的阈值解析式。将式（12）中k的步长值定为0.05，然后创设n维阈值寻优空间Y,以便得到最优的图像分割，得到式（13）。

将类间方差作为适应度函数，在寻优空间Y内探寻每个区域的最佳分割阈值：

根据最优分割阈值原理，对相邻区域选择二值化方式加以处理，同时计算获得下列结果：红外图像的最高灰度g1、最低灰度值g2、灰度均值g3和背景区域灰度均值g4。对于红外图像来说，含有不少细长的条纹噪音与椒盐噪音，g1和g2的大小可通过5×5平均值样板加以计算，从而尽量消除噪音的影响。T1、T2、T3分别是图像的最高、最低温度以及温度均值，为得出这三个参数值需用到灰度值以及真实温度线性映射解析式，其中，线性映射公式如下：

其中，图像最高灰度值为LTmin、Tmax则表示红外热像仪设定的测温区间。温升参数值的计算参照以下公式：

在获取从所有红外图像中提出的相关特征参数{x1,x2,x3}R3之后，就可以批量生成图像样本特征空间：

标签项yi{0,1,2,3}的四个数值分别是指四类故障形式，0是指正常，1表示一般，后面依次是严重与危险，也表明某种运行状态下红外图像温度场的真实故障状态。

2.3 基于ICA滤波的设备红外热成像故障检测方法

明确红外图像温度场范围后，使用ICA滤波计算红外图像缺陷区域，完成精准的智能化变电运行设备故障无损检测。

ICA方法可对对应的特征维数加以削减，由于维持特征的高阶是相互独立的关系，故而获得的数值更精准。此法的目的就是能将独立分类的统计独立特征最大化，即非高斯性。通过负熵来权衡独立分量统计的独立性，参照以下公式计算：

其中，yG就是一个高斯随机变量，它与y是相同的协方差矩阵，H表示的是概率密度函数是py(η)随机变量y的熵，描述为：

只有y呈现出高斯分布特点时，负熵才是1个非负数，而且为0，故而负熵可被视为独立分量非高斯性的判断准则。

利用式（21）得到负熵的难度系数较高，采用式（22）对负熵值进行逼近式运算：

式中，v表示均值是0，方差是1的高斯变量，G是非二次函数。

基于ICA滤波的红外热成像变电运行设备故障检测由两部分构成，分别是离线训练、在线检测。就离线训练来说，需选取一幅没有瑕疵存在的红外图像，然后筛选出几个子图像，用作训练样本，依靠最优分离矩阵对其加以搜索。就在线检测来说，它把最优分离矩阵当作ICA滤波，将其与待测图像一道计算，选择旋积算法。将结果进行阈值分割处理得出最终的故障检测数据，详细流程为：

挑选一幅没有瑕疵存在的红外图像，规格设置成256pixel×256pixel，从中随机选出子图像h个，规格设置成mpixel×npixel；关于子图像灰度值，需从原来的二维矩阵处理为一维行矢量，得到：

挑选h个子图像块，将训练样本记作：

滤波输入由训练样本Z表示，同时，W就属于最优分离矩阵，而W中的列矢量便代表了滤波器。

把滤波器和待检测图像实施旋积计算获取反应值，如果f(x,y)是图像(x,y)位置的灰度值，H(x,y)是一个mpixel×npixel的滤波器，那么二者的旋积过程是：

式中，Q(x,y)就是滤波后的反应值。

按照整幅图像旋积后反应的均值与标准差设置临界值，运用临界值得到二值图像，获取红外图像内故障曲线区域位置：

式中，K表示控制常数，μi、σi是旋积反应后图像的均值与标准差，依次将其记作：

3、仿真实验

实验对象是智能化220 kV变压器箱，使用编程工具Matlab R2015a，运用基于ICA滤波的设备红外热成像故障检测方法完成故障诊断。图1是设备的过热区域及设备故障提取结果。

图1 220 kV变压器箱红外故障检测结果

利用方法推算设备相对温差，结果如表1所示。通过表内数据评估变电器箱是否拥有过热故障现象。

表1 相对温差结果

综合图1与表1数据可知，变压器箱已经产生过热故障，运用式（16）-式（19）可计算出当前故障属于一般故障，应当停机检修及时清除故障，诊断结果和真实设备状态一致，检测效果较好，证明所提方法实用性强，可有效满足变电运行业务智能化故障检测需求。

为了进一步验证本文方法的故障诊断效率，获得文献[4]方法、文献[5]方法以及本文方法变电运行智能化设备故障诊断用时，得到结果如表2所示。

表2 不同方法的故障诊断用时

根据表2可知，在不同的迭代次数下，不同方法的变电运行智能化设备故障诊断用时不同。当迭代次数为30次时，文献[4]方法的故障诊断用时为12 min，文献[5]方法的故障诊断用时为10 min，本文方法的故障诊断用时为0.5 min。当迭代次数为120次时，文献[4]方法的故障诊断用时为22 min，文献[5]方法的故障诊断用时为26min，本文方法的故障诊断用时为2 min。本文方法始终能够在较短时间内将变电运行智能化设备故障诊断出来，具有较高的效率。这是因为本文方法考虑了设备负荷情况、继电保护隐含故障等多种因素，利用了红外热像仪进行设备测温诊断，提高了故障诊断速度。

4、结束语

采用ICA滤波算法，清晰展现红外热成像检测技术在变电运行业务智能化中的应用成效。方法可以很好地区分背景与故障区域，故障诊断，精度较高，能够准确检测变压器箱过热故障，检测效果较好，故障诊断用时短，但在对电力设备实施风险评估时，对设备故障因素考虑较为单一，在后续研究中会对此问题展开探究。

参考文献:

[1]吕事桂,刘学业.红外热像检测技术的发展和研究现状[J].红外技术,2018,40(3):214-219.

[2]付炜平,王伟,董俊虎,等.利用红外热像技术检测劣化绝缘子的适用性分析研究[J].高压电器,2018,54(2):110-114,120.

[3]刘云鹏,裴少通,武建华,等.基于深度学习的输变电设备异常发热点红外图片目标检测方法[J].南方电网技术,2019,13(2):27-33.

[4]郭文诚,崔昊杨,马宏伟,等.基于Zernike矩特征的电力设备红外图像目标识别[J].激光与红外,2019,49(4):121-124.

[5]冯振新,周东国,江翼,等.基于改进MSER算法的电力设备红外故障区域提取方法[J].电力系统保护与控制,2019,47(5):131-136.

[6]郭采珊,蔡泽祥,潘天亮,等.基于信息可达性的智能变电站继电保护系统风险评估方法[J].电网技术,2018,42(9):3041-3048.

[7]陈碧云,张福勇.云模型在变电站作业风险感知中的应用[J].电力系统及其自动化学报,2019,31(7):23-29.

[8]赵振兵,王帆帆,刘良帅,等.基于注意力特征融合YOLOv5模型的无人机输电线路航拍图像金具检测方法[J].电测与仪表,2023,60(3):145-152.

[9]张晓春,欧阳广泽,何洪英,等.基于红外图像匹配的零值绝缘子检测[J].电测与仪表,2019,56(6):100-105.

文章来源:蒋奇,和定繁,蒋羽鹏,等.红外热成像检测技术在变电运行业务智能化中的应用[J].自动化技术与应用,2024,43(09):126-130.