樊云鵬,池招榮,覃顯南,賴璐璐,黃雅琴,廖曼君

(廣西電網(wǎng)有限責(zé)任公司崇左供電局,廣西 崇左 532200)

電氣二次回路作為變電站運行系統(tǒng)的重要組成,為二次設(shè)備安全可靠運行提供基本保障,電氣二次回路出現(xiàn)故障和缺陷的情況不斷增加,且電氣二次回路遍布變電站各個電氣元件,為了防止變電站發(fā)生重大事故,需要提高二次回路運行的可靠性,實現(xiàn)二次回路運行狀態(tài)的實時監(jiān)測。

目前變電站電氣二次回路涉及的設(shè)備和裝置數(shù)量較多,存在著工作量大、工作效率低的問題,因此,應(yīng)采取科學(xué)有效的方法進行故障識別,如王磊等[1]研究了一種智能變電站失靈保護二次回路的可視化數(shù)字圖紙建模方法。鄔小坤等[2]設(shè)計了智能變電站故障過程可視化分析系統(tǒng)。戴志輝等[3]分析了基于改進D-S證據(jù)理論的智能站保護二次回路故障診斷方法。及時消除故障隱患,為運維人員及時發(fā)現(xiàn)異常情況提供技術(shù)支撐,這也是變電站提高設(shè)備運維管理水平的發(fā)展方向和迫切需要。

最大熵閾值分割在監(jiān)控安防以及工業(yè)生產(chǎn)等領(lǐng)域中起著十分重要的作用,該技術(shù)能夠根據(jù)像素之間的灰度值,提取識別目標(biāo)與背景,便于后文的可視化識別研究,因此本文基于最大熵閾值分割,對電氣二次回路故障三維可視化識別模型進行了研究,為變電站二次回路運維水平的提高提供了重要的參考依據(jù),對電氣二次回路三維可視化識別技術(shù)的發(fā)展具有現(xiàn)實意義。

1 電氣二次回路故障三維可視化識別模型

1.1 電氣二次回路監(jiān)測

本文主要采用紅外成像儀作為主要監(jiān)測設(shè)備,對二次回路端子排進行紅外測溫,根據(jù)紅外圖像,隨時監(jiān)測二次回路的溫度情況,若發(fā)現(xiàn)端子排存在溫度過高情況,則發(fā)出告警信號,便于維修人員及時處理故障。由于目前對二次回路電壓電流數(shù)據(jù)的采集是基于接觸式的,這種方式存在著諸多不安全因素,因此本文對非接觸式電壓電流獲取技術(shù)進行研究,在對二次回路電壓電流監(jiān)測中,開發(fā)并利用一種基于變?nèi)荻O管的電子式直流電壓傳感器,與紅外成像儀結(jié)合使用,實時監(jiān)測二次回路端子上的電流、電壓數(shù)據(jù),可以對二次回路的運行狀態(tài)進行實時分析,并實現(xiàn)故障的自動定位,依靠電場耦合方式對導(dǎo)體電位進行測量。

在待測導(dǎo)線周圍位置安放感應(yīng)電極,由感應(yīng)電極產(chǎn)生感應(yīng)電勢,該感應(yīng)電勢與待測導(dǎo)線成正比關(guān)系,將感應(yīng)極板與變?nèi)荻O管的反向端相接,根據(jù)感應(yīng)極板產(chǎn)生的感應(yīng)電勢與大地形成的電勢差,改變變?nèi)荻O管的電容值以及調(diào)諧電路的諧振頻率點。采集各頻率下對應(yīng)的電壓幅值,以電壓幅值最大點對應(yīng)的頻率,作為變?nèi)荻O管諧振電路的諧振頻率。

1.2 生成電氣二次回路三維虛擬場景

目前,變電站在進行電氣二次回路數(shù)據(jù)分析和故障排查等運維工作時,都需要運維人員查閱大量的二維圖紙?；趫D紙開展各項工作不僅為運維人員帶來極大的工作量,也影響了運維工作的效率,對運維人員的理論知識和經(jīng)驗也有著較高的要求。因此,本文圖紙的自動和手工矢量化轉(zhuǎn)換技術(shù),能夠自動轉(zhuǎn)換CAD圖紙,在只有紙質(zhì)圖紙的情況下,手工繪制成矢量圖。

由于二維圖紙中電氣設(shè)備以及相互連接等信息都是通過符號來表示的,不能對空間位置、實體位置等真實信息進行展示[4-5],因此本文通過三維仿真技術(shù),生成三維虛擬場景,利用Unity3D技術(shù)進行建模,根據(jù)圖紙資料以及數(shù)據(jù)尺寸,設(shè)置三維場景中各種物體模型的材質(zhì)、位置等,并以*.Max格式進行保存,以保證虛擬場景建成后質(zhì)量,進一步進行紋理制作處理,生成光照紋理,以達到效果。本文對變電站電氣二次回路中電纜和起止設(shè)備在三維虛擬場景中進行具體展示,如圖1所示。

圖1 電纜“9Y-125”的三維虛擬場景

由圖1可以看出,建成后的虛擬場景以其直觀的三維實體和空間位置代替抽象的二維圖紙符號,實現(xiàn)了二維場景圖像三維場景圖的轉(zhuǎn)化,并在場景中標(biāo)定電子式直流電壓傳感器的位置、紅外成像儀的監(jiān)控角度和監(jiān)控距離,實現(xiàn)場景漫游,便于后續(xù)對二次回路故障的識別與檢修。

1.3 基于最大熵閾值分割處理圖像

為了便于后續(xù)對電氣二次回路故障進行識別,本文基于最大熵閾值分割法,對采集到的電氣二次故障圖像進行分割處理,提取出識別目標(biāo)和背景之間的邊界,讓分割后的圖像的熵達到最大,擇取最優(yōu)閾值[6-7],設(shè)定待處理圖像中有n個因素,建立圖像的灰度值集合,計算各灰度級在圖像中出現(xiàn)的概率,具體公式為:

pi=Ni/n,i=0,1,2,…,l-1

(1)

式中,Ni為灰度值為i的像素數(shù)量,{0,1,2,…,l-1}為灰度值集合,l為灰度級,根據(jù)閾值t分割圖像,對目標(biāo)和背景區(qū)域均值進行求解,具體公式為:

(2)

式中,γ0為目標(biāo)均值,γ1為背景區(qū)域均值,其中:

(3)

根據(jù)上式計算,得到圖像的總灰度平均值,具體公式為:

γt=σ0γ0+σ1γ1

(4)

由此得到目標(biāo)和背景的灰度熵分別為:

(5)

式中,h0為目標(biāo)灰度熵,h1為背景灰度熵,h0和h1的值越大,代表區(qū)域內(nèi)像素點間的性質(zhì)越相似,分割效果越明顯,由此得到圖像的總灰度熵為:

(6)

經(jīng)過上述各式計算,取閾值t的最大值為最佳閾值,能夠避免頻繁出現(xiàn)有效分割像素點丟失的情況。根據(jù)本文對圖像數(shù)字灰度值的處理,將待提取的目標(biāo)進行分割,以達到提高圖像抗噪性效果,便于識別二次回路故障。

1.4 建立二次回路故障三維可視化識別模型

本文在電氣二次回路中安裝視頻識別RFID電子標(biāo)簽,通過選擇超高頻無源RFID芯片,保證識別系統(tǒng)的抗干擾性能。本文構(gòu)建的二次回路故障三維可視化識別模型,基于可視化分析技術(shù),描述變電站運行狀態(tài)的數(shù)據(jù),把測量到的數(shù)據(jù)、圖像及計算中生成的數(shù)據(jù)轉(zhuǎn)變成直觀的圖像信息。對二次回路可視化進行顏色處理,區(qū)分不同性質(zhì)的二次回路[8-10],制定不同的顏色值,整型顏色值到浮點數(shù)的轉(zhuǎn)換情況如表1所示。

低宜人性消費者往往性格比較冷淡，不具有親和力，更注重自我利益的實現(xiàn)以及自我愿望的滿足。她們比較不容易參考他人的意見，多將注意力放在自己身上。因此，企業(yè)應(yīng)采取較為靈活的定價方法。意見領(lǐng)袖對于低宜人性女性化妝消費的營銷不大，因此，化妝品牌可以減少這方面的成本支出。

表1 整型顏色值到浮點數(shù)的轉(zhuǎn)換

表1中,為了清楚地識別二次回路中多條電纜以及起止設(shè)備的缺陷和故障,保證觀察的全面性,因此,生成一個繞任意軸旋轉(zhuǎn)的矩陣,了解每一個缺陷和故障發(fā)生的細(xì)節(jié),具體矩陣為:

(7)

式中Rx(δ)為繞x軸旋轉(zhuǎn)α度對應(yīng)的矩陣,繞y軸旋轉(zhuǎn)α度對應(yīng)的矩陣為:

(8)

繞z軸旋轉(zhuǎn)α度對應(yīng)的矩陣為:

(9)

為了更好地觀察局部細(xì)節(jié),把握二次回路全局概貌,對識別目標(biāo)進行縮放,其縮放矩陣為:

(10)

由此在三維可視化場景下,通過交互式操作對電氣二次回路進行故障識別,提取二次回路故障特征,并通過建立二維圖紙中的圖元和三維場景中的虛擬對象的映射,實現(xiàn)二維圖像和三維場景的通信,獲取故障信息,完成對電氣二次回路故障的識別。

2 實例論證與結(jié)果分析

2.1 論證準(zhǔn)備及過程

為驗證本文模型對電氣二次回路故障識別效果,本文以某220 kV變電站為研究對象,對變電站中二次回路故障進行識別。本文論證共分為兩部分,第一部分為故障分割,進行圖像背景和故障目標(biāo)的分割處理;第二部分對圖像中的電氣二次回路故障進行識別,分析本文模型的故障識別性能。為了進一步驗證本文模型的有效性,本文選取了基于OTSU分割的識別模型[11]和基于K-means 聚類分割的識別模型[12]作為對照模型,驗證本文模型的圖像分割處理以及故障識別效果。

本次論證在相同論證條件下,以220 kV變電站中110 kV開關(guān)充電的保護裝置異常為例,故障條件相同,通過不同模型識別該條件下的二次回路故障。在第一部分論證中,判斷不同模型的圖像分割是否存在有效分割像素點的丟失和分割不清晰的問題;在第二部分論證中,以故障識別的準(zhǔn)確率、誤檢率、漏檢率為論證指標(biāo),分析不同模型的故障識別效果。其準(zhǔn)確率計算公式為:

(11)

式中,A為電氣二次回路故障識別正確的線路總數(shù),B為誤報的故障線路總數(shù),誤檢率的計算公式為:

(12)

漏檢率的計算公式為:

(13)

式中,C為電氣二次回路的實際故障線路總數(shù),論證測試集中共包含400個圖像,其中有171個二次回路故障數(shù)據(jù)。在經(jīng)過6輪驗證后,取各結(jié)果的平均值,得到最終的故障識別結(jié)果。

2.2 最大熵閾值分割圖像處理效果

由不同模型對二次回路故障圖像進行分割處理,選取其中一組二次電纜圖像進行展示,得到的圖像分割結(jié)果如圖2所示。

(a)原始二次電纜故障圖像

(b)基于OTSU分割的識別模型處理圖像

(c)基于K-means 聚類分割的識別模型處理圖像

(d)本文模型處理圖像

由圖2可知,基于OTSU分割的識別模型處理的圖像質(zhì)量最差,目標(biāo)與背景的輪廓最不清晰,推測這是由于該模型閾值選擇不恰當(dāng)導(dǎo)致的;基于K-means 聚類分割的識別模型處理后的圖像的噪聲明顯減少,目標(biāo)與背景輪廓更加清晰,但存在有效分割像素點丟失的情況,分割精度有待提高。與兩種傳統(tǒng)方法相比,本文模型處理后的圖像分割效果更佳,目標(biāo)與背景輪廓清晰,且不存在有效分割像素點丟失的現(xiàn)象。由此可見,本文模型的圖像分割處理具有更好的效果。

2.3 電氣二次回路故障三維可視化識別性能

本文共進行5組電氣二次回路故障識別論證,其中第5組論證為多目標(biāo)故障識別,不同模型的故障識別結(jié)果如圖3所示。

(a)準(zhǔn)確率

(b)誤檢率

(c)漏檢率

圖3清晰地展現(xiàn)了不同模型對電氣二次回路故障識別效果,本文模型故障識別的準(zhǔn)確率始終在95%以上,基于OTSU分割的識別模型準(zhǔn)確率則在70%～80%之間,基于K-means 聚類分割的識別模型準(zhǔn)確率在85%～90%之間;同時,本文模型的誤檢率和漏檢率均在5%以下,基于OTSU分割的識別模型的誤檢率和漏檢率均為最高,由此可見,本文模型具有更好的故障識別效果。綜上所述,本文模型具有可靠性。

3 結(jié) 論

通過電氣二次回路監(jiān)測,基于最大熵閾值分割處理圖像,生成電氣二次回路三維虛擬場景,建立二次回路故障三維可視化識別模型,圖像分割效果更佳,目標(biāo)與背景輪廓清晰,且不存在有效分割像素點丟失的現(xiàn)象,識別準(zhǔn)確率始終在95%以上。

但對于多目標(biāo)故障識別檢測的實驗內(nèi)容較少,在今后的研究中,還將增加對二次回路熱故障識別的研究,在圖像分割處理過程中,更注重原始圖像信息的完整性保留,使本文模型在實際應(yīng)用中具有更好的分割效果和故障識別效果。