引言

絕緣子放電除了會產生脈沖電流信號外,還會向外輻射聲、光、電磁波等多種特征信號。理論上來說,只要能夠探測到這些信號,就能實現絕緣子的放電檢測。

紅外成像檢測具備不接觸、不停電等眾多優(yōu)勢,已被越來越多地應用于變電運檢及單位科研工作中。同時,國內外學者與專家對紅外成像技術在絕緣子故障檢測中的應用以及圖像診斷方法進行了廣泛研究與探索。

1劣化絕緣子紅外熱像診斷原理分析

1.1紅外熱像儀的架構與工作原理

被測物體的紅外輻射通過光學系統匯聚、濾波、聚焦后,經機械掃描系統將聚焦后的紅外輻射按時間順序排列,傳輸到紅外探測器上轉換為電信號,在信號處理之后傳送至顯示器或存儲器中儲存。

1.2劣化絕緣子的紅外熱像特點

紅外輻射在傳播過程中,能量容易發(fā)生衰減,紅外熱像儀能夠檢測到的紅外信號往往較弱。熱成像系統的空間分辨率及探測能力均低于可見光,紅外熱像整體效果較模糊,圖像邊緣不夠清晰,對比度較低。

紅外熱像在成像過程中容易被外界環(huán)境干擾,在將光信號轉換為電信號的過程中,噪聲信號會混入原始信號中,導致最后形成的紅外熱像對比度較低,整體效果較模糊,且存在噪聲。紅外熱像一般偏暗,目標圖像與背景對比度較低,目標邊緣模糊,直方圖的灰度值比較集中。

為了對劣化絕緣子進行準確檢測,需對紅外圖像進行處理使其變得清晰,增大信噪比,增強對比度,優(yōu)化絕緣子紅外熱像,進行圖像特征提取及識別,并對劣化絕緣子進行診斷分析。

2劣化絕緣子紅外圖像去噪與圖像增強

絕緣子紅外圖像中的噪聲信號主要由椒鹽噪聲組成。對于椒鹽噪聲通常采用中值濾波算法進行濾除。

2.1中值濾波算法

中值濾波算法選取一個以某像素點為中心點的鄰域,遍歷該鄰域中的灰度值并進行排序,將原灰度值用排序后的中間值替換。每替換完一點,濾波窗口就繼續(xù)變換位置,直到完成整個圖像的替換處理,從而實現圖像的平滑濾波。

將中值濾波算法推廣至二維空間即標準中值濾波算法。該算法在圖像濾波處理中有較好的表現,但對于復雜的圖像處理,仍存在許多不足。

2.2自適應中值濾波

自適應中值濾波算法有效結合了三態(tài)中值濾波算法中的判斷條件以及原窗口中心元素排序后的位置,并加入了閾值7作為判斷條件。

2.3去噪效果實驗分析

對絕緣子串的紅外檢測圖像進行灰度化處理后,在圖像中混入椒鹽噪聲,分別通過標準中值濾波和自適應中值濾波算法對其進行去噪處理,實驗結果如圖1所示。

從圖1可以看出,采用自適應中值濾波算法對絕緣子紅外圖像進行去噪,可以獲得更理想的去噪效果。

2.4直方圖均衡化處理

直方圖通過數學語言描述圖像灰度值的統計特性,橫坐標表示圖像中各個像素點的灰度級,縱坐標表示各個灰度級上對應的像素值出現的次數或者概率。直方圖均衡化處理效果如圖2所示。

從圖2可以看出,經均衡化處理后的灰度直方圖分布更加均勻,原去噪后的圖像視覺效果得到明顯增強。

3基于RBF神經網絡的劣化絕緣子智能識別

3.1紅外圖像特征提取

在進行絕緣子的圖像特征提取時,應盡可能避免外界條件因素的干擾,減少不同紅外熱像儀等檢測設備間存在的差異。在不同污穢程度條件下,劣化絕緣子與正常絕緣子的表面溫差不盡相同,在訓練時需提取不同污穢等級的劣化絕緣子和正常絕緣子的圖像特征,從而優(yōu)化識別模型,并提高檢測精度。

3.2劣化絕緣子的紅外圖像分類

理想條件下,RBF神經網絡的輸出可分為正常絕緣子與劣化絕緣子。實際情況中,需將絕緣子串的紅外圖像分為以下4類,作為RBF神經網絡的輸出,從而提升神經網絡的適用性。

(1）正常無劣化絕緣子串:

（2）絕緣性能完全喪失的零值絕緣子串:

（3）表現出一片或者多片絕緣性能失效,但實際為正常絕緣子串:

（4）有兩片或兩片以上絕緣性能失效,但實際只有一片存在問題。

3.3模擬實驗及其結果分析

選取來自0、I、II、III和IV級污區(qū)的50片xP-70型自然污穢絕緣子,每級污區(qū)分別隨機選取10片。經檢測,其ESDD均值分別為0.02mg/cm2、0.05mg/cm2、0.10mg/cm2、0.19mg/cm2以及0.32mg/cm2。污區(qū)的相對濕度范圍為40%～90%、環(huán)境溫度范圍為16～36℃。實驗在3m×3m×3m的人工氣候室內進行,在模擬導體和地面之間并聯懸掛一組xP-70污穢絕緣子,污穢等級依次為0～IV級。

實驗接線原理如圖3所示,其中R為20K電阻,用以測量泄漏電流,w為SU7150L0409型放電管,起到保護作用,接入的電源經調壓器與變壓器后輸出,加至xP-70型絕緣子兩端。絕緣子串每串由10片絕緣子構成,輸出電壓等級為110kV、頻率為工頻50Hz。實驗檢測所得的絕緣子紅外圖像依次進行圖像去噪、otSu法閾值分割與特征提取,提取出每串絕緣子的溫度特征參數、環(huán)境溫度、相對濕度以及ESDD等10個特征量,共計1500個特征參數,以其中1000個數據作為實驗搭建的RBF神經網絡的訓練數據,另外的500個數據作為訓練后的測試數據。

按照RBF神經網絡訓練方法,對劣化絕緣子識別模型進行訓練與測試,仿真結果表明,RBF神經網絡的訓練與識別速度很快,訓練數據的識別率為100%,測試數據的識別率為96%。部分訓練樣本數據如表1所示,部分測試數據及測試結果如表2所示。其中,期望輸出和實際輸出的1、2、3、4,分別對應于前面3.2中提到的4種類型的絕緣子串。

實驗對于每個污穢等級10組共50組測試數據的預測結果中,有2組數據的實際輸出與期望輸出不一致,分別為表2中的第3組與第10組。導致神經網絡誤判的主要原因有多個。其一,相對濕度較低時,絕緣子表面污穢較為干燥,導致其電阻較大,泄漏電流較小,絕緣子發(fā)熱不明顯,與正常絕緣子表面溫差很小,這種情況對應于第3組數據:其二,相對濕度較大時,絕緣子表面污穢層充分受潮,部分正常絕緣子絕緣電阻較小,正常絕緣子也有可能表現出劣化絕緣子的特征,導致誤檢,這種情況對應于第10組數據。整體而言,RBF神經網絡在劣化絕緣子識別的應用中準確度較高,識別效果良好。

4結語

本文采用紅外熱像診斷方法,對運行在高壓輸變電線路上的劣化絕緣子進行了圖像診斷。首先對劣化絕緣子的紅外熱像診斷原理進行了分析,闡述了劣化絕緣子紅外熱像的基本特點,然后研究了絕緣子紅外檢測圖像去噪與圖像增強方法,最后通過RBF神經網絡實現了劣化絕緣子的紅外圖像智能識別與診斷。