基于热图像处理技术的电力设备温度监测

基于热图像处理技术的电力设备温度监测

董建波

370829199003102055

摘要：随着科技水平的进步，热图像处理技术被广泛应用在各个领域中。设备温度关系着电力设备的安全运行和使用寿命,温度监测在众多工业应用中是必不可少的技术手段之一。为此,本文提出了一种基于热图像处理技术的电力设备温度监测。其分布式测量能力可以在数十公里电缆沿线的多个点上绘制温度图。首先,基于现场众多的传感器元件采集温度数据,结合数据的时间连续性,依次堆叠温度曲线创建热图像,再采用基于多级阈值的图像分割技术对图像进行处理。然后,采用温度误差和热点尺寸相关联的多项式函数来解决拉曼分布式温度传感器(RDTS)设备本身的局限,搭建热浴槽实验平台获取不同热点尺寸的温度数据。最后,采用所提出的方法对所获数据进行分析,结果表明该技术可以实现对尺寸在3cm-15m内的热点检测和校正,校正偏差仅为1.78%,大大提高了RDTS设备的实用性。

关键词：热图像；处理技术；电力设备；温度监测

引言

计算机技术最开始作为一种现代化的成果，主要应用于日常的工作处理以及数据处理中，但是随着新时期社会发展水平的不断提升，计算机技术在多个领域都有了极强的应用价值，尤其是依托专家系统以及神经网络，打造了一系列的计算机技术衍生成果，能够代替人脑进行数据解析和信息处理。而视觉传达系统则是以模仿人眼获取事物的一系列生理逻辑，将其转移到计算机系统中，打造一系列仿真、智能的信息处理体系。进一步提升计算机图形图像处理的质量，不仅可以增强视觉传达系统的功能，还可以为不同领域的发展需求提供参考。

1计算机图像处理技术简述

计算机科学是一项综合性系统性科学知识，而图像处理技术则是其重要组成部分，计算机硬件性能以及计算机技术的快速发展，为图像处理技术的进步奠定有利条件，计算机与图像处理技术之间逐步演变为相辅相成、相互促进的内在关系。

从感官影响角度分析，图像可拉近操作人员与计算机系统之间的关系，人们可通过图像获取到想要的各类信息，因此图像质量的有效保存与还原成为早期图像处理技术的限制要点。计算机图像处理技术可有效改善图像呈现水平，将原本质量较差的图像转变为精度更高且形式多样的图像。因此，其在军事工程领域、航空航天领域以及医药工程领域得到快速应用与发展，传统图像精度较差、质量不足的问题得到转变，大量高精度图像信息的出现，也极大推动这些领域的升级与改革。

伴随着计算机硬件技术、人工智能技术的逐步完善与全面发展，图像处理技术的进化也成为可能，而人工智能技术与计算机图像处理技术的结合，可形成仿生学结构的可视化机器人，这些机械工具可在指定场景下，快速完成各类图像信息获取任务，并可对相关信息资源进行分析处理。此外，数字化图像处理技术在算法层面的发展尤为迅猛，其对相关图像的细化处理也变得更为高效，动画、电影、地理信息、医疗、办公自动化以及工业产品设计领域均有着其应用身影。

2热图像处理技术的电力设备温度监测研究

2.1基于神经网络对红外图像识别

神经网络方法是在认知科学与神经心理学的基础上建立起来的，采用计算机强大的计算能力与学习能力，可以显著降低故障处理的失误概率。电力设备采用这种故障诊断措施，便于操作，对外界条件改变后的适应性强，实际推广应用前景广泛。

基于深度神经网络的电力设备故障检测方法，包括采集红外图谱，构建规范化的图谱数据库；采集的红外图谱包括测试用的红外图谱和建模用的红外图谱；建立多层深神经网络对规范化的图谱数据库中的测试用红外图谱进行分类；建立目标检测框架RCNN对分类的测试用红外图谱进行设备分区；根据红外图谱缺陷分析准则，设置分区内温度预警规则；根据温度预警规则，得到设备安全分析结论并实现预警。构建规范化的图谱数据库的过程为：对采集的红外图谱进行分析，选择表示图像的目标特征，定义红外图谱中设备表示类型，构建规范化的图谱数据库。在多个不同视点采集的红外图谱，在构建规范化的图谱数据库之前，基于视觉和相关背景对采集的红外图谱进行过滤。

采用神经网络法可以确定性的得到电力故障的监测结果，便于制定出具有针对性的维修方案，假如不确定故障的性质，神经网络法也会给出一套效果较好的处理方案。采用这样的诊断方法能够很大程度上提升电力设备故障诊断的效率和精度。

2.2温度数据采集

为验证所提出的方法,使用商用RDTS模型APSensingN4385B对200m的光缆进行了温度测量,采用纤芯直径为50μm、包层直径为125μm的多模阶跃折射率光纤。实验中使用的RDTS单元已配置1m的空间分辨率、1min的采集时间、15cm的空间采样间隔和0.04℃的温度分辨率提供温度测量。实验同时得到了不同光纤长度和不同时间的温度分布,每个实验持续100min。将一个特殊的不锈钢盖固定在热浴池上,以在热浴池内部和外部环境之间提供更好的隔热,其中心的一个小孔允许光纤穿过盖子,环境温度严格控制在22℃。

2.3使用K-means聚类算法对颜色进行分类

K-means聚类算法是一种典型的基于划分的聚类算法，也是一种无监督学习方法。K-means聚类算法简捷，具有很强的搜索力，适合处理数据量大的情况，在数据挖掘和图像处理领域得到广泛的应用。对光伏组件红外热图像来说，当组件出现热斑效应时，热斑区域周围没有相似亮度的区域，所得到的热斑红外图像噪声较小。因此采用K-means聚类算法处理该类问题非常合适。K-means聚类算法的思想很简单，对给定的样本集，用欧几里得距离（Euclidean Distance）作为衡量数据对象间相似度的指标，相似度与数据对象间的距离成反比，相似度越大，距离越小。K-means聚类算法具体的步骤为：

（1）从数据样本中选取K个点作为初始聚类中心；

（2）计算各个样本到聚类的距离，把样本归到离它最近的那个聚类中心所在的类；

（3）计算新形成的每个聚类的数据对象的平均值得到新的聚类中心；

（4）重复以上步骤，直到相邻两次的聚类中心没有任何变化，说明样本调整结束，聚类准则函数达到最优。

因此，对组件红外热图像K-means聚类，首先随机选取图像中3个像素点，根据它与各个簇中心的欧几里得距离，将其赋给最近的簇，然后重新计算每簇的平均值。反复重复该过程，直到目标函数收敛。随后使用K-means聚类的结果标记热图像中的每个像素，对输入中的每个对象，K-means聚类返回对应于该簇的索引。然后使用像素标签将对象按颜色分成三个不同的热图像。

结语

本文提出了一种基于热图像处理技术的电力设备温度监测方法,其分布式测量能力可以在数十公里电缆沿线的多个点上绘制温度图。基于数据的时间连续性来依次堆叠温度曲线创建热图像,引入温度误差值对其进行修正,证明了所提方法的实用性。得到了以下结论:

1)基于多级阈值的图像分割技术,得到了RDTS设备测量热点的温度误差值,结合其与热点大小的关系函数进行校正,可实现对尺寸在3cm-15m内的热点检测和校正,校正偏差仅为1.78%;

2)所提出的方法可以避免RTDS设备的局限性,准确高效地解决了小空间维度区域的小温度变化问题,使得RTDS设备能够用于小于RDTS设备空间分辨率的区域的温度监测,极大地提升RTDS设备的适用性。同时该技术的覆盖程度不仅限于RDTS系统,通过适当的调整,还能够应用于测量振动、压力、液位等参数的光纤传感器。

参考文献

[1]国家能源局发布1～9月全国电力工业统计数据[N].中国电力报,2022-10-27(1).

[2]常慧.基于光伏电站的无人机全自动巡检系统的应用研究[J].太阳能,2019(1):45-47.

[3]朱莉,张晶,傅应锴,等.基于多模态特征图融合的红外热图像目标区域提取算法[J].红外与毫米波学报,2019,38(1):125-132.