一种基于图像识别的油浸式套管老化状态评估方法与流程

本发明属于套管绝缘状态评估领域，具体涉及一种基于图像识别的油浸式套管老化状态评估方法。

背景技术：

油浸式套管是大型变压器的主要附件，是变压器内部与外部电网连接的唯一通道。套管在运行过程中，长期承受电、热和机械应力，是电力系统的薄弱环节，其绝缘性能直接影响到电力系统的稳定运行。绝缘热老化是油浸式套管绝缘劣化最主要因素，在长期焦耳热效应作用下油纸绝缘材料的劣化导致绝缘性能降低，套管绝缘状态的有效评估具有重大意义。

随着我国智能电网的推进，越来越多的变电站采用搭载红外热像仪的巡检机器人用来监测电气设备的温度用于故障检测。红外热像图利用红外成像技术探测油浸式套管的红外辐射生成套管的温度分布图像，能够及时发现油浸式套管的发热点，进而及时清除早期的故障，提高供电的可靠性。目前红外热像诊断技术受到套管的运行工况和环境温度等因素的影响，缺乏可靠的历史图库中故障图谱特征，现有利用红外热像的评价方法主要是按照相关规程，方法比较单一，对于故障不能提前预警，往往发现问题时，此时问题已经比较严重。因此急需一种基于图像识别的油浸式套管老化状态评估方法。

技术实现要素：

为了能够有效地评估油浸式套管的老化状态，本发明提供一种基于图像识别的油浸式套管老化状态评估方法，包括以下步骤：

第一步：搭建实验平台

搭建油浸式套管试样热像图实验平台，主要由电流源(1)、导电杆上部(2)、导电杆下部(3)、油浸式套管试样(4)、绝缘油箱(5)、绝缘油(6)、PTC恒温加热板(7)、电压源(8)、第一温度传感器(9a)、第二温度传感器(9b)、温度采集装置(10)、红外热成像仪(11)、热像图采集装置(12)、PC电脑(13)、电搅拌器(14)组成，绝缘油箱(5)内装有绝缘油(6)，绝缘油(6)液面高度位于绝缘油箱(5)上部7/8处，油浸式套管试样(4)从绝缘油箱(5)顶部中心竖直放入绝缘油箱(5)中，导电杆下部(3)距离绝缘油箱(5)底部30cm，电搅拌器(14)距离绝缘油箱(5)底部10cm，PTC恒温加热板(7)安放于绝缘油箱(5)底部中心处，红外热成像仪(11)、第一温度传感器(9a)安放于距离油浸式套管试样(4)5m处，红外热成像仪(11)能扫描油浸式套管试样(4)整体的完整热像图，第二温度传感器(9b)安放于绝缘油箱(5)左侧中心处；导电杆上部(2)和导电杆下部(3)接至电流源(1)；电搅拌器(14)、PTC恒温加热板(7)连接至电压源(8)；第一温度传感器(9a)、第二温度传感器(9b)连接至温度采集装置(10)，温度采集装置(10)连接至PC电脑(13)；红外热成像仪(11)连接至热像图采集装置(12)，热像图采集装置(12)连接至PC电脑(13)；

第二步：不同老化状态的试样制备与基础数据获取

制备绝缘纸聚合度分别为200、500、650、750、900、1050的油浸式套管试样(4)，利用第二温度传感器(9b)记录环境温度T0，设置试验温度T，选择合适的PTC恒温加热板(7)，开启电压源(8)使电搅拌器(14)、PTC恒温加热板(7)工作，第二温度传感器(9b)测试绝缘油(6)温度；当温度保持稳定时，开启电流源(1)，对油浸式套管试样(4)加载试样额定电流2小时，关闭电流源(1)15分钟后，使用红外热成像仪(11)对油浸式套管试样(4)进行热像图扫描并拍照10次，间隔时间为15分钟，得到不同老化状态油浸式套管试样(4)在不同温度下不同时刻的热像图，热像图像素均为512×512的图像；

第三步：图像预处理与特征参数提取

对热像图图像进行移动，套管导电杆位于图像垂直方向的中心，套管法兰位于水平位置从上往下的3/4位置处，裁剪多余像素，获取256×256图像；

对热像图图像进行灰度值处理，灰度值处理方法为：计算热像图图像的RGB色彩分量，按式(1)对RGB三分量进行加权得到第m次拍照热像图的灰度图像fm(x,y)

fm(x,y)＝0.299Rm(x,y)+0.578Gm(x,y)+0.114Bm(x,y) (1)

式中,Rm(x,y)、Gm(x,y)、Bm(x,y)分别为热像图图像的红、绿、蓝颜色分量，x、y分别为热像图图像位置，x＝1，2，…，256，y＝1，2，…，256，m＝1，2，…，10；

灰度值分为0-255共256个等级；

对图像灰度图进行离散傅里叶变换Fm(u,v)

式中，j为虚数单位；

计算模量E、E0和S

式中，σ为第1次拍照热像图灰度图的标准差；

计算特征参量K0，计算方式为：

第四步：神经网络学习训练

对神经网络进行学习训练，首先，建立用于训练深度卷积神经网络的样本集，样本集为热像图图像傅里叶变换频谱图以及特征参量K0，其中傅里叶变换频谱图的截止频率为256Hz；其次，构造神经网络，并对构造的神经网络初始化；所述的神经网络，其结构包括：输入层、隐含层和输出层；对于具有多输入的单个神经元，其输出采用高斯函数作为激活函数；初始化各个神经元的阈值为一个介于0到1之间的随机数；最后，神经网络进行训练，先经过前向传递，再反向传递误差利用梯度下降法更新权值参数使得训练误差达到最小化；保存训练好的神经网络模型；

第五步：现场油浸式套管测试与模型参数修正

记录全新油浸式套管的停运前2小时内的实时电流，记为I(t)，套管额定电流为I1，并计算电流有效值I0，电流有效值I0的计算方式为：

以油浸式套管为圆心，半径为5m的位置分别放置两台同类型红外热成像仪，两台红外热成像仪与套管间形成的夹角为π/6，套管停运15min后利用红外热成像仪对油浸式套管进行扫描和红外线拍照，每间隔15min测试一次，测试10次，每一台红外热成像仪测试所得油浸式套管在不同时刻的热像图图像为一组测试结果，得到两组油浸式套管在不同时刻的热像图图像测试结果；根据第三步对现场油浸式套管测试的热像图进行图像预处理；

计算特征参量K1

加载训练好的神经网络，用训练好的神经网络对一组测试结果进行识别，根据识别结果对训练好的神经网络进行优化，用测试结果对优化后的模型进行检验并不断优化，直至两组测试结果的识别结果误差小于0.5％；

第六步：油浸式套管老化状态评估

按照第五步的现场油浸式套管的热像图测试方法测试需评估的油浸式套管的热像图，加载优化后的神经网络模型，对热像图进行识别并输出结果。

本发明的优点在于：

本发明提供了一种基于图像识别的油浸式套管老化状态评估方法，通过搭建实验平台，然后制备不同老化状态的油浸式套管试样，获取试样的热像图基础数据，通过对热像图图像进行预处理与特征参数提取后，建立神经网络模型并进行学习训练，然后利用现场油浸式套管测试结果对模型参数修正，最后对油浸式套管的老化状态进行评估。通过本发明提供基于图像识别的油浸式套管老化状态评估方法，能有效地评估油浸式套管的老化状态。

附图说明

图1基于图像识别的油浸式套管老化状态评估方法流程图。

图2基于图像识别的油浸式套管老化状态评估方法实验平台。

具体实施方式

下面结合附图对本发明进行进一步说明。

一种基于图像识别的油浸式套管老化状态评估方法，包括如下步骤：

第一步：搭建实验平台

搭建油浸式套管试样热像图实验平台，主要由电流源(1)、导电杆上部(2)、导电杆下部(3)、油浸式套管试样(4)、绝缘油箱(5)、绝缘油(6)、PTC恒温加热板(7)、电压源(8)、第一温度传感器(9a)、第二温度传感器(9b)、温度采集装置(10)、红外热成像仪(11)、热像图采集装置(12)、PC电脑(13)、电搅拌器(14)组成，绝缘油箱(5)内装有绝缘油(6)，绝缘油(6)液面高度位于绝缘油箱(5)上部7/8处，油浸式套管试样(4)从绝缘油箱(5)顶部中心竖直放入绝缘油箱(5)中，导电杆下部(3)距离绝缘油箱(5)底部30cm，电搅拌器(14)距离绝缘油箱(5)底部10cm，PTC恒温加热板(7)安放于绝缘油箱(5)底部中心处，红外热成像仪(11)、第一温度传感器(9a)安放于距离油浸式套管试样(4)5m处，红外热成像仪(11)能扫描油浸式套管试样(4)整体的完整热像图，第二温度传感器(9b)安放于绝缘油箱(5)左侧中心处；导电杆上部(2)和导电杆下部(3)接至电流源(1)；电搅拌器(14)、PTC恒温加热板(7)连接至电压源(8)；第一温度传感器(9a)、第二温度传感器(9b)连接至温度采集装置(10)，温度采集装置(10)连接至PC电脑(13)；红外热成像仪(11)连接至热像图采集装置(12)，热像图采集装置(12)连接至PC电脑(13)；

第二步：不同老化状态的试样制备与基础数据获取

制备绝缘纸聚合度分别为200、500、650、750、900、1050的油浸式套管试样(4)，利用第二温度传感器(9b)记录环境温度T0，设置试验温度T，选择合适的PTC恒温加热板(7)，开启电压源(8)使电搅拌器(14)、PTC恒温加热板(7)工作，第二温度传感器(9b)测试绝缘油(6)温度；当温度保持稳定时，开启电流源(1)，对油浸式套管试样(4)加载试样额定电流2小时，关闭电流源(1)15分钟后，使用红外热成像仪(11)对油浸式套管试样(4)进行热像图扫描并拍照10次，间隔时间为15分钟，得到不同老化状态油浸式套管试样(4)在不同温度下不同时刻的热像图，热像图像素均为512×512的图像；

第三步：图像预处理与特征参数提取

对热像图图像进行移动，套管导电杆位于图像垂直方向的中心，套管法兰位于水平位置从上往下的3/4位置处，裁剪多余像素，获取256×256图像；

对热像图图像进行灰度值处理，灰度值处理方法为：计算热像图图像的RGB色彩分量，按式(1)对RGB三分量进行加权得到第m次拍照热像图的灰度图像fm(x,y)

fm(x,y)＝0.299Rm(x,y)+0.578Gm(x,y)+0.114Bm(x,y) (9)

式中,Rm(x,y)、Gm(x,y)、Bm(x,y)分别为热像图图像的红、绿、蓝颜色分量，x、y分别为热像图图像位置，x＝1，2，…，256，y＝1，2，…，256，m＝1，2，…，10；

灰度值分为0-255共256个等级；

对图像灰度图进行离散傅里叶变换Fm(u,v)

式中，j为虚数单位；

计算模量E、E0和S

式中，σ为第1次拍照热像图灰度图的标准差；

计算特征参量K0，计算方式为：

第四步：神经网络学习训练

对神经网络进行学习训练，首先，建立用于训练深度卷积神经网络的样本集，样本集为热像图图像傅里叶变换频谱图以及特征参量K0，其中傅里叶变换频谱图的截止频率为256Hz；其次，构造神经网络，并对构造的神经网络初始化；所述的神经网络，其结构包括：输入层、隐含层和输出层；对于具有多输入的单个神经元，其输出采用高斯函数作为激活函数；初始化各个神经元的阈值为一个介于0到1之间的随机数；最后，神经网络进行训练，先经过前向传递，再反向传递误差利用梯度下降法更新权值参数使得训练误差达到最小化；保存训练好的神经网络模型；

第五步：现场油浸式套管测试与模型参数修正

记录全新油浸式套管的停运前2小时内的实时电流，记为I(t)，套管额定电流为I1，并计算电流有效值I0，电流有效值I0的计算方式为：

以油浸式套管为圆心，半径为5m的位置分别放置两台同类型红外热成像仪，两台红外热成像仪与套管间形成的夹角为π/6，套管停运15min后利用红外热成像仪对油浸式套管进行扫描和红外线拍照，每间隔15min测试一次，测试10次，每一台红外热成像仪测试所得油浸式套管在不同时刻的热像图图像为一组测试结果，得到两组油浸式套管在不同时刻的热像图图像测试结果；根据第三步对现场油浸式套管测试的热像图进行图像预处理；

计算特征参量K1

加载训练好的神经网络，用训练好的神经网络对一组测试结果进行识别，根据识别结果对训练好的神经网络进行优化，用测试结果对优化后的模型进行检验并不断优化，直至两组测试结果的识别结果误差小于0.5％；

第六步：油浸式套管老化状态评估

按照第五步的现场油浸式套管的热像图测试方法测试需评估的油浸式套管的热像图，加载优化后的神经网络模型，对热像图进行识别并输出结果。