鄧 琨，溫啟良，張淵淵

〈無損檢測〉

基于超聲紅外熱像的電纜終端局部放電缺陷檢測方法

鄧 琨，溫啟良，張淵淵

（南方電網(wǎng)深圳數(shù)字電網(wǎng)研究院有限公司，廣東 深圳 518000）

電纜終端局部放電缺陷特征短暫，缺陷范圍與外部環(huán)境糾纏，很難準(zhǔn)確定位，需要結(jié)合溫度特征和模式識別特征共同檢測，本文利用超聲紅外熱成像的優(yōu)勢，提出基于超聲紅外熱像的電纜終端局部放電缺陷檢測方法，方法利用圖像梯度化、灰度化處理采集到的電纜終端局部放電缺陷特征超聲紅外熱成像圖，并通過智能模式識別處理方法抑制采集圖像的復(fù)雜背景，刪除包含在電纜終端局部放電缺陷特征紅外圖像中的大面積地物及地面；根據(jù)K-means聚類算法，圈定疑似局部放電缺陷特征范圍，構(gòu)建局部放電缺陷范圍模板，經(jīng)匹配參考范圍后，得出疑似局部放電缺陷范圍的溫度特性信息，診斷電纜終端是否存在局部放電缺陷。實(shí)驗(yàn)結(jié)果表明，該方法可有效獲取電纜終端局部放電缺陷部位，檢測不同類型的電纜終端局部放電缺陷的平均精準(zhǔn)率高達(dá)98%，平均漏檢率為1%。

超聲紅外熱像；電纜終端；圖像灰度化；局部放電；缺陷檢測；背景抑制

0 引言

電纜終端是連接電力設(shè)備的連接器，用在電纜線路兩端，可以長期用于各種惡劣環(huán)境中，有很好的機(jī)械性能及電氣性能，并同時(shí)具備絕緣、防水、屏蔽、應(yīng)力控制性能，電纜終端被廣泛使用在供電系統(tǒng)中[1-3]。電纜終端局部放電缺陷是一種放電現(xiàn)象，液體介質(zhì)的氣泡、固體孔隙、畸變嚴(yán)重的空間電場易出現(xiàn)局部放電，如果不能及時(shí)被檢測發(fā)現(xiàn)，電纜終端局部放電缺陷位置的高能帶電粒子和絕緣體或絕緣油相互影響，最終會引燃絕緣材料，使電纜斷裂，導(dǎo)致供電中斷，帶來經(jīng)濟(jì)損失。所以電纜終端局部放電缺陷檢測對保證電力系統(tǒng)正常運(yùn)行十分重要。

隨著電網(wǎng)智能化程度的提高，相關(guān)學(xué)者從人工智能角度對這一問題進(jìn)行了深入研究。我國學(xué)者肖利龍等人通過多物理跟蹤方式實(shí)現(xiàn)電纜附件缺陷檢測[4]，檢測過程中需要分析放電量對各信號強(qiáng)度比值的影響規(guī)律，該分析過程較為繁瑣，使得該方法無法快速實(shí)現(xiàn)其他附件缺陷檢測。周永晨等人通過無人機(jī)紅外熱像實(shí)現(xiàn)電纜缺陷檢測[5]，使用無人機(jī)航拍戶外電纜終端采集紅外熱圖，以強(qiáng)度色譜為診斷依據(jù)，明確缺陷范圍是主體電纜圖像顏色最亮的異常范圍，但是該方法使用的強(qiáng)度色譜容易受到外界環(huán)境的干擾，導(dǎo)致檢測精確度降低。楊志學(xué)等人通過分析超聲導(dǎo)波放射器反射回傳的電纜信號[6]，實(shí)現(xiàn)導(dǎo)波放射器方圓20m內(nèi)高壓電纜缺陷檢測，該方法檢測范圍小，且使用導(dǎo)波易受到電光、磁光等干擾，降低檢測的正確率。

超聲紅外熱像技術(shù)中的超聲通過被檢測物體，會產(chǎn)生超聲的附加衰減（超聲的附加衰減是超聲通過有缺陷等不均勻結(jié)構(gòu)形成），造成局部缺陷部位溫度升高，并通過紅外相機(jī)的最大視場體現(xiàn)被檢測物體的溫度分布，不受超聲源和局部缺陷部位間相對位置和距離限制[6]。在利用超聲紅外熱像技術(shù)時(shí)，在局部缺陷部位超聲波傳導(dǎo)受阻，超聲能量轉(zhuǎn)換為熱量，導(dǎo)致缺陷處溫度升高[7-9]。因此，利用紅外熱像儀能便捷地觀察及檢測出被測物體異常高溫的缺陷范圍[10]。

因此，本文提出基于超聲紅外熱像的電纜終端局部放電缺陷檢測方法，確保電力系統(tǒng)用電安全，提高供電質(zhì)量。

1 電纜終端局部放電缺陷檢測方法的設(shè)計(jì)

1.1 采集電纜終端局部放電缺陷特征的灰度化

采用Fluke Ti20紅外熱成像儀作為檢測設(shè)備，測量溫度范圍為－10～350℃，光學(xué)分辨率為75:1，光譜范圍為7.5～14mm，瞬時(shí)時(shí)場為4.4mrad。由此獲取的偽彩色超聲紅外圖像采集得到電纜終端局部放電缺陷特征區(qū)域，并進(jìn)行灰度化處理，確?；叶群筒噬臻g中紅外圖像主色視覺一致[11]。通過圖像色彩梯度變更，展現(xiàn)顏色空間的亮度通道演變，但電纜終端局部與外部環(huán)境的色相距離較大時(shí)，展現(xiàn)效果不理想。本文通過創(chuàng)建能量函數(shù)，以保持電纜終端局部放電故障特征顏色原本亮度為基準(zhǔn)，最大程度區(qū)別特征區(qū)域外部顏色的梯度。能量函數(shù)如下：

式中：主色類型用和表示，,=1,2,…,，電纜終端局部放電特征區(qū)域顏色空間里主色dc的亮度和灰度值用、標(biāo)注，div()表示梯度值。主色和主色的梯度div(,)：

式中：dc和dc之間的RGB顏色差值絕對值用Dc標(biāo)注；符號方向用標(biāo)注，兩個(gè)主色的G通道、R通道、亮度通道L及R、G、B三通道之和需依次對比；＝1表示dc小于dc的某一項(xiàng)，＝－1表示dc大于dc的某一項(xiàng)；如果仍需對比下一項(xiàng)，那么表明兩個(gè)主色顏色相同。計(jì)算g的偏導(dǎo)數(shù)，令其等于0，公式如下：

要計(jì)算出各個(gè)電纜終端局部放電特征對應(yīng)的灰度值，需通過聯(lián)立求解算法，解出由全部方程聯(lián)成的方程組?；陔娎|終端局部放電區(qū)域主色集內(nèi)，原本存在的大地、天空等灰度色的灰度值，形成了特征干擾，需要對電纜終端局部放電特征主色灰度重新映射，解決因?yàn)榛疑镜幕疑蹬c主色集內(nèi)的灰度色的灰度值存在的差異問題。電纜終端局部放電灰度化圖像特征的過曝或欠曝的問題，通過將圖像里亮度最高和最低2種顏色輸入主色集中解決。

dcp與dcq分別代表主色集里2種相鄰灰度顏色，重映射公式如下：

式中：dcp重新映射的灰度值以p標(biāo)注，dcq重新映射的灰度值以q標(biāo)注，任意主色dct重新映射前的灰度值以t標(biāo)注，p、q、t三者間的亮度值大小關(guān)系為p＜t＜q，任意主色dct重新映射后對應(yīng)的采集電纜終端局部放電缺陷特征新灰度值，以t￠標(biāo)注。

1.2 干擾背景的剔除方法

隨著外部溫度以非線性干擾方式的出現(xiàn)，如果超聲紅外攝像頭視角較小，會導(dǎo)致相同高度檢測的背景出現(xiàn)大量相似特征干擾[12]。如果信噪比≥1.5，則采集電纜終端局部放電缺陷特征目標(biāo)灰度均值小于其本身的灰度，可進(jìn)行均值化處理。公式(5)為各行像素灰度均值計(jì)算公式：

為消除上文提到的背景因素干擾，可以先通過像素灰度與同行或上一行灰度均值的差值，實(shí)現(xiàn)干擾的降低。其計(jì)算公式分別為公式(6)、公式(7)：

式中：減同行或上一行灰度均值后的像素灰度值用g2標(biāo)注。

通過上述方法，采集的超聲紅外圖像中，會保留紅外場景里的背景細(xì)節(jié)，形成較大虛警率。處于圖像底部的往往是地面和地物，地面連接地物，同時(shí)地物和地面灰度在實(shí)際場景里差異很大。如果采集的圖像中存在大朵云團(tuán)或大塊地物、地面，則圖像最底行灰度均值無限接近它的最大值。通過這一特點(diǎn)，進(jìn)一步排除背景干擾。

以上文研究為基礎(chǔ)，對圖像中是否含有大塊地物和地面其他背景特征干擾進(jìn)行識別，是智能模式識別的目的。利用地面和地物連通性后的灰度特征，可以刪除包含在紅外圖像中的大面積地物及地面干擾。識別局部背景干擾特征模板可以根據(jù)以上表述方法確認(rèn)，公式(8)為模式識別模板：

疑似背景干擾，通過未減行灰度均值的像素點(diǎn)灰度大于任意固定值的像素點(diǎn)這一條件予以區(qū)分排除。處理完成一幀或一張圖像，并匹配模板，若與模板匹配一致，則可以確認(rèn)為背景干擾。

1.3 確定缺陷部位與參考范圍定位

1.3.1 采集疑似放電局部缺陷范圍

以上述處理完成的圖像為基礎(chǔ)，通過獲取電纜終端疑似局部放電缺陷范圍，明確電纜終端局部放電缺陷部位及嚴(yán)重程度。以此范圍為模板，用于后續(xù)工作中參考區(qū)域的匹配。電纜終端的狀態(tài)也可根據(jù)局部缺陷范圍溫度信息診斷，正常位置中，低于R、G、B分量的像素點(diǎn)對應(yīng)的位置范圍，是有局部放電缺陷的疑似位置范圍。采集疑似局部缺陷范圍，需要分割超聲紅外圖像，分割過程采用3個(gè)分量為基礎(chǔ)完成。

采集電纜終端局部放電缺陷范圍依據(jù)相似程度評判標(biāo)準(zhǔn)并采用K-means聚類算法完成，相似程度是基于樣本點(diǎn)和聚類中心點(diǎn)的差值平方為判定依據(jù)。同時(shí)，將預(yù)處理樣本像素點(diǎn)3個(gè)分量的大小作為R、G、B的分量的數(shù)據(jù)特征，固定聚類數(shù)為4。

操作流程如下：

1）數(shù)據(jù)樣本是由逐一采集電纜局部放電圖像的R、G、B分量，并逐一形成的矩陣組成。電纜終端區(qū)域即為目標(biāo)對象，通過識別采集。

2）相似程度dist越大，相似程度越小。式(9)為相似程度dist計(jì)算公式，第類聚類中心數(shù)據(jù)以標(biāo)注，數(shù)據(jù)樣本點(diǎn)數(shù)據(jù)以標(biāo)注。4個(gè)聚類中心通過每個(gè)分量隨機(jī)篩選得出，同時(shí)按相同中心劃分?jǐn)?shù)據(jù)樣本。

3）新聚類中心是通過求解各個(gè)聚類的均值得出：

式中：類別C聚類的數(shù)據(jù)樣本數(shù)據(jù)以x標(biāo)注；專屬C樣本個(gè)數(shù)數(shù)據(jù)以N標(biāo)注。

4）為達(dá)到式(11)、式(12)的收斂條件，需不斷循環(huán)2）、3）這兩個(gè)過程。循環(huán)次數(shù)以標(biāo)注；平方和是通過計(jì)算各個(gè)聚類中數(shù)據(jù)，及對應(yīng)的聚類中心偏差得出，用標(biāo)注。

5）參考局部缺陷范圍是3個(gè)分量聚類中心最大一類像素點(diǎn)的重疊區(qū)域。

1.3.2 匹配參考范圍

正常運(yùn)行下電纜終端的接線頭、接線柱等位置溫度不同，根據(jù)疑似局部缺陷范圍，采集參考圖像中與之一致的范圍，可以精準(zhǔn)預(yù)測終端的工作狀態(tài)，接下來的工作狀態(tài)也可通過采集相應(yīng)的溫度特征信息診斷[13]。篩選采集疑似局部缺陷參考范圍，需利用模板匹配算法完成。

明確待匹配圖像范圍與既定模板最接近的范圍在圖像中的位置，即為模板匹配算法。

基于模板匹配算法篩選參考范圍：

1）矩形模板是以疑似局部缺陷范圍中心作為模板中心創(chuàng)建，疑似局部缺陷范圍中心是通過聚類算法K-means采集并自動定位的范圍中心。參考電纜終端本體實(shí)際尺寸采集模板尺寸，K-means聚類算法里模板邊長為既定邊長，是電纜終端本體水平寬度的1.5倍。

2）計(jì)算窗口參考采集電纜終端中獲取與模板圖像大小一致圖像。

3）對比計(jì)算窗口像素點(diǎn)和模板像素點(diǎn)的相似程度。

公式(14)是公式(13)歸一化后的公式：相關(guān)系數(shù)越小，相似程度越小。

式中：模板及計(jì)算窗口像素點(diǎn)的灰度信息分別由、標(biāo)注，由灰度矩陣得出的相關(guān)系數(shù)以標(biāo)注，以標(biāo)注其歸一化后的相關(guān)系數(shù)。

考慮檢測時(shí)光線、角度等測試環(huán)境的不同，會對檢測結(jié)果產(chǎn)生影響，利用基于邊界的中心矩確定缺陷部位的特征向量：

5）為了遍歷參考相中的目標(biāo)對象（電纜終端），需不斷循環(huán)3）、4）這兩個(gè)過程。

參考范圍是用于與疑似缺陷范圍匹配的范圍[14]，通過采集相關(guān)系數(shù)最大的計(jì)算窗口對應(yīng)的圖像范圍疑似缺陷范圍得到[15]。其中，比較模板是通過日常對電纜終端進(jìn)行檢測得到的圖像積累的模板庫。

1.3.3 計(jì)算異常溫度參數(shù)

局部漏電有一個(gè)最為重要的特征，就是溫度參數(shù)異常。溫度參數(shù)利用讀取采集的參考范圍和疑似缺陷范圍的相應(yīng)的溫度信息算出。假如電纜疑似漏電缺陷范圍溫度數(shù)據(jù)以1標(biāo)注，參考范圍溫度數(shù)據(jù)以2標(biāo)注，環(huán)境溫度數(shù)據(jù)以0標(biāo)注，漏電缺陷范圍的溫度特征量數(shù)據(jù)使用公式(16)～(18)計(jì)算得出：

r＝1－0(16)

d＝1－2(17)

t＝(1－2)/(1－0) (18)

式中：溫升以r標(biāo)注，溫差以d標(biāo)注，相對溫差以t標(biāo)注。

1.3.4 診斷狀態(tài)

基于下述兩個(gè)條件檢測電纜終端局部放電缺陷：①診斷標(biāo)準(zhǔn)的判斷依據(jù)；②根據(jù)公式得出的溫度特征量信息。表1表示與電纜終端相關(guān)的局部放電缺陷診斷的判斷依據(jù)。

表1 局部放電缺陷判斷依據(jù)

1.4 缺陷檢測流程

本文方法檢測電纜終端局部放電缺陷的流程圖見圖1。

圖1 檢測流程圖

基于采集的超聲紅外圖像，通過圖像灰度化處理及背景抑制后對疑似缺陷范圍的局部放電缺陷進(jìn)行檢測，判斷缺陷嚴(yán)重等級。

2 實(shí)驗(yàn)分析

實(shí)驗(yàn)采用了大功率超聲電源驅(qū)動超聲換能器，以某35K電纜終端為實(shí)驗(yàn)對象，該被測件在其20kHz附近的諧振頻率上進(jìn)行共振，可以連續(xù)調(diào)節(jié)和精準(zhǔn)控制超聲激勵的功率和時(shí)間，以實(shí)現(xiàn)被測件最大的振動幅度。紅外熱成像設(shè)備為Fluke Ti20紅外熱成像儀，并通過云臺上下左右移動，實(shí)現(xiàn)各個(gè)角度距離的檢測。通過圖像梯度化方法將紅外攝像頭拍攝的電纜終端圖像灰度化處理，并根據(jù)智能模式識別處理方法對超聲紅外圖像的復(fù)雜背景進(jìn)行處理。處理后圖像可以更清晰地看出電纜接觸部位存在疑似局部發(fā)電缺陷的范圍。圖2為原始超聲紅外圖像和抑制背景后的對比圖。

圖2(a)為原始超聲紅外圖像，圖2(b)為通過本文方法應(yīng)用的智能模式識別處理方法抑制后的超聲紅外圖像，抑制后的圖像中濾除了藍(lán)色云朵及大氣溫度等干擾信息，更為直觀地凸顯出主體特性，對后續(xù)電纜終端缺陷識別、切分和溫度信息采集等操作有利，可提高檢測局部放電缺陷的準(zhǔn)確性。

基于抑制背景后的超聲紅外圖像，使用本文應(yīng)用的模板匹配算法明確疑似局部缺陷參考范圍，因本文僅對方法進(jìn)行驗(yàn)證，故僅對被測件進(jìn)行了標(biāo)準(zhǔn)圖像的采集，并未建立模板庫。通過K-means聚類算法完成以電纜終端為目標(biāo)對象的疑似局部缺陷部位模板圖像采集。圖3為局部放電缺陷部位采集結(jié)果和R、G、B分量圖。

圖2 背景抑制對比圖

圖3 局部放電缺陷部位采集結(jié)果和R、G、B分量圖

圖3(d)是通過R、G、B分量聚類中心最大一類像素點(diǎn)的交集范圍采集的疑似局部缺陷部位結(jié)果。最大一類聚類中心從3個(gè)分量聚類結(jié)果里逐一采集得出。

以疑似局部缺陷范圍為模板匹配參考范圍，采集與疑似局部缺陷部位相同的部位，明確局部缺陷部位。并通過計(jì)算溫度特征信息，判斷電纜終端局部放電缺陷嚴(yán)重等級。圖4為參考部位與疑似局部缺陷范圍匹配結(jié)果。

圖4(b)為通過參考范圍匹配疑似局部缺陷范圍采集的電纜終端局部放電缺陷部位。

原始紅外圖像有噪聲干擾及圖像邊緣不清晰等問題，這些問題影響對電纜終端局部放電范圍的精準(zhǔn)檢測，實(shí)驗(yàn)統(tǒng)計(jì)分析本文方法檢測不同電纜終端局部放電缺陷類型時(shí)的結(jié)果見表2。分析該表可得，不同缺陷類型檢測總數(shù)為500個(gè)，漏檢5個(gè)，檢測零件腐蝕磨損和電纜終端漏膠漏油時(shí)各有1個(gè)誤檢。其中，對電纜終端的損傷、斷裂、斷股檢測率最高，實(shí)現(xiàn)精準(zhǔn)檢測，利用本文方法檢測電纜終端局部放電缺陷精準(zhǔn)率高達(dá)98.6%，漏檢率為1%、誤檢率幾乎為0。

圖4 參考部位匹配結(jié)果

表2 超聲紅外熱像檢測結(jié)果統(tǒng)計(jì)與評價(jià)指標(biāo)

通過1值對不同電纜終端局部放電缺陷檢測方法的檢測性能進(jìn)行定量分析。1的定義如下：1值＝正確率×召回率×2/(正確率＋召回率)，值越大越好。使用文獻(xiàn)[4]的多物理跟蹤監(jiān)測缺陷檢測方法、文獻(xiàn)[5]的智能缺陷檢測方法、文獻(xiàn)[6]的超聲導(dǎo)波缺陷檢測方法和本文方法檢測不同缺陷類型時(shí)的1值，結(jié)果如圖5所示。

分析圖5可得，文獻(xiàn)[4]、[5]、[6]檢測方法對不同缺陷類型檢測的1值波動幅度較大，均對零件磨損、缺失引起的局部放電缺陷檢測的1值相對較低。對比3種文獻(xiàn)檢測方法，本文方法對全部缺陷類型檢測結(jié)果的1值最高，且1值相對穩(wěn)定，可實(shí)現(xiàn)電纜終端局部放電缺陷精準(zhǔn)檢測。

圖5 不同方法檢測結(jié)果的F1值對比

3 結(jié)論

本文利用超聲紅外熱像技術(shù)檢測電纜終端局部放電缺陷，將紅外圖像進(jìn)行灰度化和背景抑制處理，通過采集和匹配模板，明確電纜終端局部放電缺陷部位。實(shí)驗(yàn)結(jié)果表明本文方法可以精準(zhǔn)檢測出電纜終端局部放電缺陷部位，提高電力設(shè)備檢測及維修效率，為電力系統(tǒng)正常運(yùn)行提供保障。

[1] 孫永輝, 王馥玨, 鄧鵬. 高壓電纜局部放電帶電檢測技術(shù)的應(yīng)用研究[J]. 南京理工大學(xué)學(xué)報(bào): 自然科學(xué)版, 2019, 43(4): 505-510.

SUN Yonghui, WANG Fujue, DENG Peng. Application of discharged detection technology for partial discharge of high voltage cable [J]., 2019, 43(4): 505-510.

[2] 米浩, 楊明, 于磊, 等. 基于超聲紅外熱成像的缺陷檢測與定位研究[J]. 振動×測試與診斷, 2020, 40(1): 101-106.

MI Hao, YANG Ming, YU Lei, et al. Research on defect detection and location based on ultrasonic infrared thermal imaging [J]., 2020, 40(1): 101-106.

[3] 徐小冰, 袁婧, 廖雁群, 等. 基于Faster RCNN與Mean-Shift的電纜附件缺陷紅外圖像自動診斷方法[J]. 高電壓技術(shù), 2020, 46(9): 3070-3080.

XU Xiaobing, YUAN Jing, LIAO Yanqun, et al. Autonomous diagnosis method for defects of cable accessories based on faster RCNN and mean-shift algorithm by infrared images [J]., 2020, 46(9): 3070-3080.

[4] 肖利龍, 吳海濤, 任重, 等. 基于多物理跟蹤監(jiān)測的電纜附件缺陷局部放電比值演化特征及診斷方法研究[J]. 電工電能新技術(shù), 2020, 39(9): 28-35.

XIAO Lilong, WU Haitao, REN Zhong, et al. Partial discharge evolution characteristics and diagnostic method of cable accessories based on multi-physical tracking [J]., 2020, 39(9): 28-35.

[5] 周詠晨, 鄒翔宇, 藍(lán)耕, 等. 基于無人機(jī)紅外熱像的電纜隱患點(diǎn)智能檢測[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2020, 29(8): 249-254.

ZHOU Yongchen, ZOU Xiangyu, LAN Geng, et al. Intelligently detecting hidden points of cables based on infrared thermal image of UAV [J]., 2020, 29(8): 249-254.

[6] 楊志學(xué), 汪正山, 葉雅婷, 等. 基于超聲導(dǎo)波的長距離高壓多芯電纜缺陷檢測[J].無損檢測, 2018, 40(12): 57-62.

YANG Zhixue, WANG Zhengshan, YE Yating, et al. Defect detection for long distance high-voltage multi-core cable by using ultrasonic guided wave [J]., 2018, 40(12): 57-62.

[7] 黃永祿, 周凱, 謝敏, 等. 基于改進(jìn)CFSFDP算法的變頻諧振下電纜局部放電脈沖分離方法[J].高電壓技術(shù), 2020, 46(12): 235-242.

HUANG Yonglu, ZHOU Kai, XIE Min, et al. Partial discharge pulse separation method for cables under variable frequency resonance based on improved CFSFDP [J]., 2020, 46(12): 235-242.

[8] 陳禾, 秦迎, 陳勁, 等. 基于紅外熱成像法和超聲波法的鋼管混凝土無損檢測技術(shù)試驗(yàn)研究[J]. 建筑結(jié)構(gòu), 2020, 50(S1): 890-895.

CHEN He, QIN Ying, CHEN Jin, et al. Experimental study on nondestructive testing technology of concrete filled steel tube based on infrared thermal imaging and ultrasonic method [J]., 2020, 50(S1): 890-895.

[9] 徐洋, 周電波, 丁登偉, 等. GIS盆式絕緣子表面缺陷的局部放電檢測[J]. 高壓電器, 2020, 56(5): 107-112.

XU Yang, ZHOU Dianbo, DING Dengwei, et al. Detection of partial discharge induced by surface defect of GIS basin insulators [J]., 2020, 56(5): 107-112.

[10] 郭蕾, 曹偉東, 張靖康, 等. 基于多尺度紋理特征的EPR電纜終端故障診斷方法[J]. 電力自動化設(shè)備, 2020, 40(11): 257-267.

GUO Lei, CAO Weidong, ZHANG Jingkang, et al. Fault diagnosis method of EPR cable terminal based on multi-scale texture features [J]., 2020, 40(11): 257-267.

[11] 汪可, 張書琦, 李金忠, 等. 基于灰度圖像分解的局部放電特征提取與優(yōu)化[J]. 電機(jī)與控制學(xué)報(bào), 2018, 22(5): 29-38.

WANG Ke, ZHANG Shuqi, LI Jinzhong, et al. Partial discha RGE feature extraction and optimization based on gray image decomposition [J]., 2018, 22(5): 29-38.

[12] 王笛, 沈濤. 復(fù)雜天空背景下的紅外弱小目標(biāo)檢測算法研究[J].光學(xué)學(xué)報(bào), 2020, 40(5): 103-110.

WANG Di, SHEN Tao. Research on weak and small infrared target detection algorithm under complex sky background [J]., 2020, 40(5): 103-110.

[13] 楊寧, 畢建剛, 弓艷朋, 等. 1100 kV GIS設(shè)備內(nèi)部缺陷局部放電帶電檢測方法試驗(yàn)研究及比較分析[J]. 高壓電器, 2019, 55(8): 37-47, 57.

YANG Ning, BI Jiangang, GONG Yanpeng, et al. Experimental research and comparative analysis on live test methods of partial discharge of internal defects in 1 100 kV GIS [J]., 2019, 55(8): 37-47, 57.

[14] 肖學(xué)文, 王亞淑, 劉康林. 基于紅外熱像技術(shù)的過程設(shè)備無損檢測[J]. 化工機(jī)械, 2020, 47(6): 742-746.

XIAO Xuewen, WANG Yashu, LIU Kanglin. Nondestructive Testing of Process Equipment Based on lnfrared Thermography [J]., 2020, 47(6): 742-746.

[15] 高治峰, 董麗虹, 王海斗, 等. 振動紅外熱成像技術(shù)用于不同類型缺陷檢測的研究進(jìn)展[J]. 材料導(dǎo)報(bào), 2020, 34(9): 162-167.

GAO Zhifeng, DONG Lihong, WANG Haidou, et al. Research progress and prospect of vibrothermography in different defect types [J]., 2020, 34(9): 162-167.

Detection Method of Partial Discharge Defects in Cable Terminals Based on Ultrasonic Infrared Thermography

DENG Kun，WEN Qiliang，ZHANG Yuanyuan

(China Southern Power Grid, Shenzhen Digital Grid Research Institute Co., LTD., Shenzhen 518000, China)

The partial discharge defect characteristics of cable terminals are short, and the defect range is entangled with the external environment, making it difficult to accurately locate. It must be detected along with the temperature characteristics and pattern recognition characteristics. In this paper, using the advantages of ultrasonic infrared thermal imaging, a partial discharge defect detection method for cable terminals based on ultrasonic infrared thermal images is proposed. This method uses image gradient grayscale to collect an ultrasonic infrared thermal image of the partial discharge defect characteristics of a cable terminal, suppress the complex background of the collected image via an intelligent pattern recognition processing method, and delete large-area ground objects and surfaces contained in the image. Using the K-means clustering algorithm, the characteristic range of the suspected partial discharge defects is delineated, and the partial discharge defect range template is constructed. After matching the reference range, information on the temperature characteristics of the suspected partial discharge defect range is obtained to diagnose whether there are partial discharge defects in the cable terminal. The experimental results show that this method can effectively obtain the partial discharge defects of cable terminals. The average accuracy of detecting different types of partial discharge defects in cable terminals was as high as 98%, and the average missed detection rate was 1%.

ultrasonic infrared thermal imaging, cable terminal, partial discharge, defect detection, image graying, background suppression, template matching

TM726.4

A

1001-8891(2022)09-0972-07

2021-09-01；

2021-11-24.

鄧琨（1974-），男，漢族，貴州六盤水人，碩士，高級工程師，主要研究方向：電力運(yùn)行與管理。E-mail: yishou295730674@163.com。

貴州電網(wǎng)科技項(xiàng)目（GZKJXM20200528）。