探析电气设备智能检测系统的应用

发表时间:2020/8/5   来源:《当代电力文化》2020年8期   作者:宫国栋
[导读] 针对智能电网中电气设备发生故障的问题,可以引入红外热成像技术
        摘要:针对智能电网中电气设备发生故障的问题,可以引入红外热成像技术,通过非接触的方式快速准确地检测电气设备的故障位置及状态,然而传统的技术人员手持式红外设备故障检测方式相对落后,有必要采用基于深度学习的红外图像异常检测系统,形成智能化、自动化的电气设备智能检测系统,实现对电气设备图像的自动分析和处理,自动准确地判断电气设备的故障状态和类型,提高电网监测效率,确保电网平稳运行。
        关键词:电气设备;智能检测系统;应用
        1系统优势
        与传统检测方式相比,电力设备智能检测系统在多方面存在显著优势。
        a.试品运输方面
        传统检测方式一般通过2种方式运输设备:对于仓库内固定不动的电力设备,需要人工搬运或者车辆搬运测试仪器进行检测;对于方便搬运的电力设备,用液压铲车或者吊车将被检测设备搬运至各类试验仪器旁进行检测试验。以上2种方式工作效率低,反复多次搬运设备存在安全隐患。智能检测系统采用轨道式移动平台运输被试品,通过专用软件实现智能化调运,保证试品运输的高效性、准确性、安全性。
        b.试验操作方面
        传统检测方式:当一台电力设备需要做多项检测试验时,测试人员需要携带多种仪器进行试验。完成一个试验项目之后,就需要重新接线去做下一个试验。如果进行温升、局放或耐压试验项目,所需工作电源功率大或屏蔽等工作环境的要求,需要多次搬运试验设备才能完成试验。
        因此传统的试验需要试验人员反复多次更改接线,多次搬运检测设备,测试过程劳动强度大,测试效率低,在进行交流耐压等试验过程中无法彻底的将设备与人员隔离,试验过程存在安全隐患。智能检测系统有效解决了传统检测方式存在的问题。它将110kV及以下的各种电气试验项目(不同电压等级)有机地整合到同一个检测线上,可兼容不同重量、不同外形尺寸的各类设备的检测工作。智能检测系统研发了专用的自动收放线、自动切换线装置,减少了试品接换线时间,进一步提高工作效率,彻底改善传统电气试验模式的不足。
        c.数据管理方面
        传统检测方式需要人工记录各个试验项目所得到的数据,人工计算试验结果,试验报告需要多次汇总。数据的多次流转容易出错,严重影响试验报告的出具时间和质量。
        智能检测系统建立了配电设备智能试验识别系统,可根据变压器主要参数智能选择试验检测方案。智能检测系统软件可完成对试验检测数据的自动采集,智能汇总各类试验数据,根据系统预先设定的检测标准自动诊断检测结果,自动出具检测报告。
        d.安全保障方面
        传统检测方式:试品运输过程需要多种特种设备的操作和多人配合才能完成。试验检测时,试验场所不固定,无法彻底将设备和人员隔离,存在安全隐患。智能检测系统通过合理配置试验工区及试验项目,重复配置温升试验,提高试验效率和减少试品的搬运时间。智能检测系统按照试验流程设计的控制软件,试验接线图,一键化操作,避免误操作,提高了试验安全性。
        2电气设备智能检测系统的技术基础
        2.1红外热成像技术及温度提取
        红外线是物体向外热辐射而产生的,不同的物体由于温度不同,所以向外辐射的能量密度也不相同。这样传感器就能接收到不同的信号,在具体测试中有2种方式,一种是比色条提取信息,另一种是传感器数据计算温度。前者根据比色条像素值和温度值之间的关系确定温度图像,热力学公式进行计算得到温度。从精确度上来看,传感器数据的精确程度要远远高于比色条的温度。
        2.2图像预处理
        首先是图像灰度化处理,对传统RGB图像模型进行灰度处理,这样图像仅包含亮度信息,存储空间大大减少,运算速度相应增加。其次是图像去噪,去除干扰因子,以值滤波、中值滤波和高斯滤波等方式进行处理。

再次是图像增强,采用微分方法、
        Butterworth高通滤波、高低帽变换的方法进行处理。
        2.3图像分割
        利用域内相似性和域间差异性,根据图像的纹理特征提取内容中的重点目标,比如某设备的某个部位因为温度一致而具有相同颜色,而另一个部位因为温度差异显示出不同的颜色。此时可以将一致的部分分割出去,减少干扰,一般的提取方法有基于阈值的提取算法、基于边缘的提取算法、基于区域的提取算法。除此之外,还可以利用非经典方法,即基于K-means聚类算法的电气设备红外图像提取方法,该方法需要大量实验确定统计的K值。
        2.4图像识别
        采用模板匹配算法进行测试,设计一个相似性函数,进行匹配。其次,采用卷积神经网络方法,建立基于统计学和信息学的数学模型,引进由卷积核构成的卷积层,在模拟的过程中不断提升其精确性。通过局部感知、权值共享、池化等方式降低参数数目。
        3电气设备智能检测系统应用分析
        在变电站配置的巡检机器人拍摄大量的电气设备红外图像中,工作人员要耗费大量的精力逐张查看并确认设备运行状态,增大了工作人员的工作量。且大量的红外图像要消耗较多的系统存储空间,并无法特别针对疑似异常的电气设备检测,工作效率不高。为此,本文重点设计和探讨基于深度学习的红外图像异常检测系统,实现对电气设备的智能化检测,智能判断红外图像中电气设备的异常情况,构建完善的红外图像数据库,并对巡检图像的检测分析结果自动给出检测报告,为电气设备运维管理提供支撑。
        3.1系统技术架构
        电气设备智能检测系统采用MySQL数据库和Django框架,由模型、模板、视图三部分构成,由模型实现电气设备数据的存取操作,完成数据存储和更新;模板是系统的业务逻辑层,处理电气设备检测任务并进行前端显示;视图是系统的表现层,处理前后端数据管理,是模型和模板的纽带。在系统之中,其层级主要包括有:1)基础设施层。利用主机和红外检测设备,完成相关智能检测任务。2)平台层。采用HDFS、Mysql进行电气设备智能检测的存储,实现数据快速读取、添加、搜索,进行大批量红外图像数据的处理,并依托于keras和tensorflow深度学习框架,进行电气设备的参数调整、模型更新等操作。3)数据层。主要涵盖红外图像图库、质量问题图库、警告日志图库等数据,记录系统使用者的ID和权限等级。4)模型层。该层包括设备识别模型和异常检测模型,是整个算法流程的核心。5)应用层。该层实现图像上传、设备识别、异常故障识别、问题告警、数据统计等,并进行多维功能拓展和应用。
        3.2系统功能模块设计和应用
        3.2.1红外图像识别模块
        1)图像预处理子模块。该模块剔除图像上的无价值信息,采用均值滤波、中指滤波、高斯滤波的去噪处理,提高图像识别的准确性和质量。并将图像转换成灰度图,进行图像增强处理。2)温度提取子模块。采用FLIR设备生成红外图像,解析红外图像中隐藏的元数据信息,计算各点的温度值。3)图像主体提取子模块。采用K-means聚类算法,进行红外图像的分割。4)设备类型识别子模块。在数字化图像的前提下,根据特征数据进行识别和分析。5)设备异常识别子模块。采用基于面积对比算法和基于统计的算法,进行电气设备异常故障的识别和分析,达到较高的准确率。
        3.2.2巡检任务管理模块
        该模块以图像数据库为依托和支撑,由系统自动每日定时扫描数据库图像状态,获悉电气设备的不同运行状态,如:正常运行、异常运行、疑似异常等,并列出复检设备列表,由检测人员和巡检机器人共同完成电气设备的巡检任务。操作流程为:用户向系统发送请求,系统模块查询电气设备状态,结合反馈信息安排不同的任务,将其派发给用户,并记录异常图像警报信息,最后返至警报信息表的任务状态。
结束语
        电气设备智能检测系统要本着智能化的原则,充分使用红外线温感原理,不断深化设计,创新图像识别、模型分析和传感器技术。
参考文献:
[1]王晓婷.电气设备热故障智能诊断预警技术研究[D].哈尔滨:哈尔滨理工大学,2019.
[2]马子超.电气保护设备元素成分检测与寿命评估研究[D].沈阳:沈阳工业大学,2018.
投稿 打印文章 转寄朋友 留言编辑 收藏文章
  期刊推荐
1/1
转寄给朋友
朋友的昵称:
朋友的邮件地址:
您的昵称:
您的邮件地址:
邮件主题:
推荐理由:

写信给编辑
标题:
内容:
您的昵称:
您的邮件地址: