周可慧，肖劍，張可人，徐先勇，唐海國(guó)，王珂，朱吉然

(1. 國(guó)網(wǎng)湖南省電力有限公司電力科學(xué)研究院，湖南長(zhǎng)沙410007；2. 國(guó)網(wǎng)湖南省電力有限公司岳陽(yáng)供電公司，湖南岳陽(yáng)414000)

0 引言

作為電力系統(tǒng)的核心設(shè)備, 電力變壓器的健康狀況直接影響到整個(gè)電力系統(tǒng)的穩(wěn)定運(yùn)行, 及時(shí)發(fā)現(xiàn)變壓器潛伏性故障, 可以防止由此引發(fā)重大事故。套管是變壓器的重要組成部分, 變壓器引出線經(jīng)過(guò)套管引出到油箱外部, 起到引出線對(duì)地和外殼的絕緣和引線固定作用。高壓套管長(zhǎng)期運(yùn)行在高電壓、大電流環(huán)境中, 除了承受電、熱以及機(jī)械力的作用外, 還受到外界溫度、濕度變化的影響[1],故障問(wèn)題較為突出。近年來(lái), 變壓器套管故障已成為引起變壓器故障的主要原因, 2015 年某110 kV高壓套管因內(nèi)部發(fā)生放電性缺陷, 引起套管炸裂[2]；2018 年某變壓器套管中螺栓未完全壓緊,出現(xiàn)松動(dòng), 導(dǎo)致導(dǎo)線與設(shè)備線夾接頭溫度劇增[3]；2015 年某110 kV 變壓器套管由于導(dǎo)電管與均壓球連接處螺紋斷裂, 使套管密封失效, 導(dǎo)致漏油事故[4]等。

紅外檢測(cè)技術(shù)通過(guò)紅外熱像儀將電力設(shè)備溫度信息可視化, 基于溫度數(shù)據(jù)和圖像特征確定設(shè)備運(yùn)行狀態(tài), 能夠不停電、實(shí)時(shí)監(jiān)測(cè)運(yùn)行設(shè)備故障隱患, 降低設(shè)備故障頻率, 對(duì)提高電力系統(tǒng)穩(wěn)定性、可靠性有著積極作用, 在電力企業(yè)中受到了廣泛的關(guān)注與應(yīng)用。然而, 當(dāng)前紅外檢測(cè)技術(shù)存在著人工依賴性較強(qiáng)、智能化程度較低等不足, 本文將以變壓器套管為例, 介紹紅外檢測(cè)技術(shù)對(duì)其狀態(tài)判斷的運(yùn)行現(xiàn)狀和應(yīng)用場(chǎng)景, 分析目前紅外檢測(cè)技術(shù)存在的問(wèn)題, 并結(jié)合深度學(xué)習(xí), 對(duì)變壓器套管運(yùn)行狀態(tài)自動(dòng)檢測(cè)技術(shù)提出研究思路。

1 深度學(xué)習(xí)在電網(wǎng)中的應(yīng)用

作為人工智能領(lǐng)域的一個(gè)重要分支, 基于多隱層機(jī)器學(xué)習(xí)模型的構(gòu)建, 深度學(xué)習(xí)打破了該領(lǐng)域的發(fā)展瓶頸, 推動(dòng)了圖像分類、識(shí)別、分割等各個(gè)方向的科技發(fā)展。深度學(xué)習(xí)這一理念來(lái)自于Geoffery Hinton 教授和他的學(xué)生在science上發(fā)表的一篇論文[5]。這篇論文的主要要點(diǎn)包括[6]: 第一, 相比于單個(gè)隱藏層, 包含多個(gè)隱含層的神經(jīng)網(wǎng)絡(luò), 具有更加優(yōu)異的特征學(xué)習(xí)能力, 可以基于模型訓(xùn)練從原始數(shù)據(jù)中提取到更加抽象、更加本質(zhì)化的特征；第二, 通過(guò)逐層訓(xùn)練的無(wú)監(jiān)督學(xué)習(xí)算法初始化網(wǎng)絡(luò)權(quán)重, 分級(jí)表達(dá)輸入數(shù)據(jù)信息, 有效地克服或降低深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)可能發(fā)生的梯度彌散等問(wèn)題。

深度學(xué)習(xí)在電網(wǎng)中應(yīng)用較為廣泛, 文獻(xiàn) [7]根據(jù)變壓器分接開(kāi)關(guān)振動(dòng)信號(hào)的相空間分布角度,提出基于卷積神經(jīng)網(wǎng)絡(luò)的有載分接開(kāi)關(guān)故障識(shí)別模型；文獻(xiàn) [8] 通過(guò)分析油中溶解氣體與故障類型的聯(lián)系, 建立以油色譜特征氣體無(wú)編碼比值為特征參量的深度信念網(wǎng)絡(luò), 提高變壓器故障診斷精度；文獻(xiàn) [9] 搭建覆冰圖像厚度辨識(shí)卷積神經(jīng)網(wǎng)絡(luò)模型, 并引入IBP 自調(diào)整機(jī)制優(yōu)化結(jié)構(gòu)參數(shù), 提高不同場(chǎng)景下的覆冰圖像辨識(shí)能力。

2 紅外檢測(cè)技術(shù)在變壓器套管中應(yīng)用

變壓器套管主要包含出線接頭、柱頭、絕緣瓷套等, 常見(jiàn)故障包括接觸不良、介質(zhì)損耗過(guò)大、污穢等。本文將針對(duì)套管各個(gè)部件的常見(jiàn)故障, 闡述紅外檢測(cè)方法對(duì)其狀態(tài)判斷的應(yīng)用場(chǎng)景。

2.1 接觸不良故障

出線線夾、內(nèi)部引線接觸不良是套管的主要故障, 主要原因包括導(dǎo)線材料質(zhì)量差、螺栓設(shè)計(jì)不符合要求、安裝施工不嚴(yán)謹(jǐn)、部件氧化以及運(yùn)行過(guò)程中電、熱、機(jī)械力作用下的導(dǎo)線斷股等。此類故障與電流有直接關(guān)系, 屬于典型的電流致熱表現(xiàn)。

在紅外檢測(cè)技術(shù)中, 接觸不良故障常用的分析方法為表面溫度判斷法和同類比較判斷法。表面溫度判斷法是指根據(jù)測(cè)得的設(shè)備表面溫度值, 對(duì)照設(shè)備溫度和溫升有關(guān)規(guī)定, 結(jié)合環(huán)境氣候條件、負(fù)荷大小進(jìn)行分析判斷；同類比較判斷法是指根據(jù)同組三相設(shè)備、同相設(shè)備之間及同類設(shè)備之間對(duì)應(yīng)部件的溫差進(jìn)行分析比較, 對(duì)于電壓致熱型設(shè)備, 還需結(jié)合圖像特征判斷法判斷；對(duì)于電流致熱型設(shè)備,還需結(jié)合相對(duì)溫差判斷法判斷, 其中相對(duì)溫差是指兩個(gè)對(duì)應(yīng)測(cè)點(diǎn)之間的溫差與其中較熱點(diǎn)的溫升之比的百分?jǐn)?shù)。兩個(gè)對(duì)應(yīng)測(cè)點(diǎn)之間的溫差與其中較熱點(diǎn)的溫升之比的百分?jǐn)?shù), 相對(duì)溫差δ用下式求出:

式中,τ1 和T1 為發(fā)熱點(diǎn)的溫升和溫度；τ2 和T2為發(fā)熱點(diǎn)的溫升和溫度；T0 為環(huán)境溫度參照體的溫度。

出線線夾或柱頭接觸不良的缺陷判斷一般分為3 個(gè)層次: 一般缺陷、嚴(yán)重缺陷和危機(jī)缺陷。對(duì)于出線線夾而言, 當(dāng)溫差沒(méi)有達(dá)到15 K 時(shí), 為一般缺陷；當(dāng)熱點(diǎn)溫度≥90℃或相對(duì)溫差≥80%時(shí), 為嚴(yán)重缺陷, 應(yīng)采取必要的措施, 如加強(qiáng)檢測(cè)等, 必要時(shí)降低負(fù)荷電流；當(dāng)熱點(diǎn)溫度≥130℃或相對(duì)溫差≥95%, 為危機(jī)缺陷, 應(yīng)立即安排處理, 如立即降低負(fù)荷電流或消缺。對(duì)于柱頭故障而言, 熱點(diǎn)溫度要求更嚴(yán)格, 當(dāng)熱點(diǎn)溫度≥55℃為嚴(yán)重缺陷, 熱點(diǎn)溫度≥80℃為危機(jī)缺陷。

2.2 介質(zhì)損耗過(guò)大

套管在運(yùn)行過(guò)程中的老化、受潮、劣化等會(huì)造成絕緣性能下降引起發(fā)熱, 其發(fā)熱與電流大小無(wú)關(guān), 是典型的電壓致熱表現(xiàn)。此類故障沒(méi)有明顯的發(fā)熱點(diǎn), 紅外圖像呈現(xiàn)整體發(fā)熱特征, 溫度變化不明顯, 當(dāng)溫升超過(guò)2 ～3 K 時(shí)即為嚴(yán)重缺陷, 需要加強(qiáng)監(jiān)測(cè)并安排其他測(cè)試手段, 缺陷性質(zhì)確認(rèn)后,立即采取措施消缺。常見(jiàn)的分析方法為圖像特征分析法、同類比較判斷法。

2.3 局部放電故障

局部放電故障會(huì)導(dǎo)致變壓器過(guò)早發(fā)生損害, 影響變壓器壽命。造成局部放電的主要原因有工藝缺陷、長(zhǎng)時(shí)間運(yùn)行導(dǎo)致套管出現(xiàn)裂紋等。局部放電故障在紅外圖像中呈現(xiàn)局部發(fā)熱特征。同介質(zhì)損耗過(guò)大故障類似, 局部放電故障也是電壓致熱型故障,溫度變化不明顯, 當(dāng)溫升超過(guò)2 ～3 K 即為出現(xiàn)故障, 采用圖像特征分析法、同類比較判斷法判斷缺陷。

2.4 套管污穢

套管運(yùn)行的外部環(huán)境較為惡劣, 可能會(huì)碰到雨雪、大風(fēng)、冰雹、臺(tái)風(fēng)等極端天氣, 因此較易積污。當(dāng)套管表面污穢, 尤其處于潮濕環(huán)境中時(shí), 污穢層中所含的可溶性鹽類和酸堿物質(zhì)等溶于水膜,形成離子電導(dǎo), 引起表面局部泄漏電流變大。其紅外圖像在污穢嚴(yán)重位置呈現(xiàn)發(fā)熱特征, 溫度變化不明顯, 采用圖像特征分析法、同類比較判斷法判斷缺陷。

2.5 缺油故障

目前變電站內(nèi)大部分使用的是油紙絕緣套管,經(jīng)常出現(xiàn)取油樣化驗(yàn)時(shí)未及時(shí)添油、滲漏油等情況, 如果未及時(shí)發(fā)現(xiàn)容易造成缺油故障, 該故障的紅外圖像特征為套管表面會(huì)存在明顯分界面, 一般采用圖像特征分析法判斷。

3 紅外檢測(cè)技術(shù)存在的問(wèn)題

紅外輻射屬于電磁波, 任何溫度超過(guò)絕對(duì)零度的物體都會(huì)向外部輻射紅外光, 且溫度越高, 輻射的能量越大。紅外成像就是把被測(cè)設(shè)備發(fā)射的紅外輻射信號(hào), 通過(guò)光學(xué)元件, 被紅外探測(cè)器吸收, 將光信號(hào)轉(zhuǎn)換成電信號(hào), 再經(jīng)信號(hào)處理器做放大、轉(zhuǎn)換等相應(yīng)處理, 傳輸?shù)浇K端, 通過(guò)顯示器輸出設(shè)備表面溫度分布情況, 其原理如圖1 所示。

圖1 紅外成像原理

雖然目前紅外檢測(cè)技術(shù)對(duì)于電力設(shè)備狀態(tài)檢測(cè)有著積極作用, 但是還是存在著若干問(wèn)題, 較為突出的問(wèn)題是拍攝的紅外圖像質(zhì)量較差以及圖像分析人為因素影響較大。

3.1 紅外圖像質(zhì)量差

由上述紅外成像原理可知, 紅外輻射需經(jīng)大氣衰減和光電信號(hào)處理等過(guò)程才能輸出紅外圖像, 因此, 相較于可見(jiàn)光圖像而言, 紅外圖像質(zhì)量將大打折扣；同時(shí), 考慮紅外傳感器的靈敏性, 紅外熱像儀通常采用高動(dòng)態(tài)范圍數(shù)據(jù)表示紅外圖像, 然而,受到人眼的像素識(shí)別影響, 當(dāng)前顯示設(shè)備只能顯示8 bit 數(shù)據(jù), 因此, 實(shí)際觀測(cè)時(shí), 需要將高動(dòng)態(tài)范圍數(shù)據(jù)壓縮。這些因素都使得紅外圖像對(duì)比度低、紋理細(xì)節(jié)相對(duì)模糊。

3.2 圖像分析人為因素影響大

目前, 變電站的紅外檢測(cè)主要還是以人工為主, 運(yùn)維人員對(duì)設(shè)備進(jìn)行現(xiàn)場(chǎng)拍攝, 記錄設(shè)備和圖像編號(hào), 生成電子文檔, 再將圖像導(dǎo)入電腦, 依靠經(jīng)驗(yàn)和相關(guān)標(biāo)準(zhǔn)對(duì)圖像進(jìn)行診斷分析, 判斷設(shè)備狀態(tài)。此方法雖然有較高的可靠性, 但是存在著人工成本高、人力資源浪費(fèi)且圖像分析效率低等明顯不足。

4 研究思路

針對(duì)目前變電站紅外檢測(cè)的不足, 將深度學(xué)習(xí)與紅外診斷技術(shù)結(jié)合成為一個(gè)重要的研究方向。

4.1 基于EfficientDet 的目標(biāo)檢測(cè)研究

紅外圖像采集過(guò)程中, 視窗內(nèi)不僅包含變壓器套管, 還包括其他部件、支撐鋼架以及環(huán)境背景等無(wú)關(guān)因素, 需要對(duì)套管自動(dòng)識(shí)別, 確定套管區(qū)域。EfficientDet[10]是一系列可擴(kuò)展的高效目標(biāo)檢測(cè)器的統(tǒng)稱, 將EfficientNet 復(fù)合縮放思路進(jìn)行延伸,主要包括EfficientNet 主干網(wǎng)絡(luò)、雙向特征金字塔模型 (BiFPN)、分類預(yù)測(cè)網(wǎng)絡(luò)和邊框預(yù)測(cè)網(wǎng)絡(luò)4個(gè)部分。該模型最大的特點(diǎn)是建立了一種精度高,效率快, 并能適用在不同硬件資源下的目標(biāo)檢測(cè)網(wǎng)絡(luò)。

EfficientDet 模型的結(jié)構(gòu)如圖 2 所示, 建立EfficientNet 主干網(wǎng)絡(luò), 采用深度可分離網(wǎng)絡(luò), 對(duì)通道和空間域分別進(jìn)行卷積操作, 獲取各層網(wǎng)絡(luò)特征；構(gòu)建加權(quán)雙向特征金字塔模型 (BiFPN), 對(duì)各層特征進(jìn)行加權(quán)融合。刪除只有一個(gè)輸出邊的節(jié)點(diǎn), 對(duì)于同級(jí)別的輸入和輸出節(jié)點(diǎn), 建立跳躍連接, 并引入加權(quán)特征融合模式, 讓神經(jīng)網(wǎng)絡(luò)自動(dòng)訓(xùn)練權(quán)重的分配, 融合各層次特征, 豐富語(yǔ)義信息；同時(shí), 為適應(yīng)不同資源的有效應(yīng)用, 實(shí)現(xiàn)了一種建立聯(lián)合尺度縮放方法, 采用復(fù)合系數(shù)φ對(duì)主干網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)、分類預(yù)測(cè)網(wǎng)絡(luò)以及邊界框預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行縮放。

圖2 EfficientDet 模型結(jié)構(gòu)圖

4.2 基于語(yǔ)義分割的套管精細(xì)化分割研究

套管不同部位的故障原因、故障類型以及紅外熱像特征都不一樣。為了進(jìn)一步確定套管不同部件區(qū)域的運(yùn)行狀態(tài), 需對(duì)變壓器套管精細(xì)化分割。語(yǔ)義分割是將輸入圖像中的每個(gè)像素分配一個(gè)語(yǔ)義類別, 以得到像素化的密集分類。目前語(yǔ)義分割的經(jīng)典網(wǎng)絡(luò)有許多, 如全卷積神經(jīng)網(wǎng)絡(luò)[11], SegNet[12]、Unet[13]等。DeepLab v3+[14]是 2018 年谷歌提出的語(yǔ)義分割模型, 其模型整體架構(gòu)如圖3 所示。該模型的主要優(yōu)勢(shì)是引入了 EncoderDecoder 思路,Encoder 主體包括帶有空洞卷積的深度卷積神經(jīng)網(wǎng)絡(luò) (DCNN) 和帶有空洞卷積的空間金字塔池化模塊 (Atrous Spatial Pyramid Pooling, ASPP) )；同時(shí), 引入的Decoder 模塊將底層特征與高層特征進(jìn)一步融合, 提升分割邊界準(zhǔn)確度。

圖3 DeepLab v3+模型結(jié)構(gòu)

4.3 可見(jiàn)光圖像和紅外圖像的配準(zhǔn)技術(shù)研究

紅外圖像存在對(duì)比度弱、邊緣模糊、信噪比低等不足, 通過(guò)可見(jiàn)光圖像分割部件可以更好地獲取優(yōu)良的分割區(qū)域。然而, 套管故障是通過(guò)紅外圖像特征進(jìn)行判斷的, 因此, 為了更好地通過(guò)分割的可見(jiàn)光圖像獲取紅外圖像的溫度信息以及圖像特征,需要將可見(jiàn)光與紅外圖像進(jìn)行配準(zhǔn)。圖像配準(zhǔn)是指將不同時(shí)間、不同環(huán)境條件和不同成像設(shè)備上拍攝的兩幅以上圖像的匹配和疊加, 可以分為傳統(tǒng)圖像配準(zhǔn)方法、深度學(xué)習(xí)的圖像配準(zhǔn)方法以及強(qiáng)化學(xué)習(xí)的圖像配準(zhǔn)方法等。

傳統(tǒng)圖像配準(zhǔn)是以特征為出發(fā)點(diǎn), 從圖像中提取得到特征點(diǎn)、區(qū)域或邊緣, 通過(guò)相似性比較, 找到對(duì)應(yīng)的特征對(duì), 并基于空間變換獲取坐標(biāo)參數(shù)對(duì)圖像進(jìn)行配準(zhǔn)。文獻(xiàn) [15-16] 闡述了傳統(tǒng)圖像配準(zhǔn)關(guān)鍵點(diǎn)檢測(cè)算法在圖像配準(zhǔn)中的應(yīng)用和效果。文獻(xiàn) [17-18] 是基于深度學(xué)習(xí)的圖像配準(zhǔn)方法, 通過(guò)卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)的卓越性來(lái)解決多源圖像的配準(zhǔn)問(wèn)題；文獻(xiàn) [19] 針對(duì)傳統(tǒng)算法不能準(zhǔn)確表征圖像特征和配準(zhǔn)圖像的相似度, 通過(guò)端到端的強(qiáng)化學(xué)習(xí)算法, 建立一個(gè)人工智能模型, 減少配準(zhǔn)誤差。

4.4 溫度數(shù)據(jù)處理研究

變壓器套管不同部件故障溫度特征是不一致的, 因此數(shù)據(jù)需求不同, 溫度處理方式也不一樣。為確定套管部件運(yùn)行狀態(tài), 需要對(duì)獲取的紅外圖像溫度信息進(jìn)行有針對(duì)性處理。各類套管故障情況不同的表現(xiàn)形式所需的數(shù)據(jù)信息各異。

各類套管故障情況所需的數(shù)據(jù)信息為:

1) 出線線夾、內(nèi)部引線接觸不良: 出線線夾過(guò)熱或柱頭過(guò)熱；數(shù)據(jù)需求: 環(huán)境溫度參考體溫度、三相線夾或柱頭溫度、電流值；溫度數(shù)據(jù)處理結(jié)果: 過(guò)熱點(diǎn)溫度、正常相溫度、溫差、相對(duì)溫差。

2) 介質(zhì)損耗過(guò)大: 套管整體發(fā)熱；數(shù)據(jù)需求: 三相套管溫度；溫度數(shù)據(jù)處理結(jié)果: 過(guò)熱點(diǎn)溫度、正常相溫度。

3) 局部放電: 套管局部發(fā)熱；數(shù)據(jù)需求: 三相對(duì)應(yīng)發(fā)熱部位溫度；溫度數(shù)據(jù)處理結(jié)果: 過(guò)熱點(diǎn)溫度、正常相溫度。

4) 套管污穢: 污穢部位發(fā)熱；數(shù)據(jù)需求: 三相對(duì)應(yīng)發(fā)熱部位溫度；溫度數(shù)據(jù)處理結(jié)果: 過(guò)熱點(diǎn)溫度、正常相溫度。

4.5 紅外圖像特征分析研究

套管絕緣瓷套的故障類型包含介質(zhì)損耗、缺油、污穢等, 這些故障大部分屬于電壓致熱型, 其溫度變化較小, 因此單純提取溫度信息可能會(huì)出現(xiàn)誤判的情況。然而, 絕緣瓷套不同類型故障的紅外圖像都有著明顯特征, 如若發(fā)生缺油故障, 套管的紅外圖像會(huì)出現(xiàn)明顯的油分界線。因此, 將溫度數(shù)據(jù)結(jié)合紅外圖像特征分析去判斷套管瓷套運(yùn)行狀態(tài)更加有效準(zhǔn)確。

不同故障類型的紅外圖像特征各異:

1) 介質(zhì)損耗過(guò)大: 較正常套管, 故障套管整體的顏色更深、更亮。

2) 套管局部放電: 相較于該套管其他部位和正常相套管對(duì)應(yīng)部位, 故障位置顏色更深、更亮。

3) 套管污穢: 相較于其他部位, 故障部位的顏色更深、更亮；同時(shí), 對(duì)比局部放電故障的紅外圖像, 污穢故障的發(fā)熱部位可能不止一處, 會(huì)出現(xiàn)多個(gè)顏色較深的區(qū)域。

4) 套管缺油: 對(duì)應(yīng)套管部位會(huì)出現(xiàn)明顯的油分界線, 且分界線下方顏色比上方更深、更亮。

5 結(jié)語(yǔ)

紅外檢測(cè)技術(shù)對(duì)于電力設(shè)備的正常運(yùn)行有著重要的意義, 本文以變壓器套管為例, 說(shuō)明了當(dāng)前紅外檢測(cè)技術(shù)的運(yùn)行現(xiàn)狀, 并分析該技術(shù)目前存在的紅外圖像質(zhì)量差, 人為因素影響大等不足。結(jié)合深度學(xué)習(xí)算法, 從目標(biāo)檢測(cè)、精細(xì)化分割、圖像配準(zhǔn)、溫度數(shù)據(jù)處理和圖像特征分析五個(gè)方面闡述,為變壓器套管狀態(tài)自動(dòng)檢測(cè)技術(shù)提供研究思路。