《电力大数据》引发技术变革的电力大数据

3.2.3实际案例：基于大数据技术的电气设备红外图像处理

1、现状和需求
随着经济的快速发展，电网朝着特高压、交直流混合、新能源大量接入的方向发展。国家电网公司提出建没坚强可靠的智能电网，其核心是在电网可靠运营的前提下,实现电网的信息化、数字化、自动化和互动化。电气设备长期处在运行状态下，易受外界环境的影响，经常出现各类故障，对电力系统的安全稳定运行构成冲击。据统计资料显示，电力系统中70%的故障是由电气设备的故障所导致的。各种故障通常表现为电流型或电压型的异常致热，原因主要包括表面污秽、接触不良、受潮、腐蚀变形、漏磁等。因此，対不同类型的电气设备进行有效的监控，并实时、自动地分析电气设备有无故障、故障类型、存在位置和严重程度成为了目前的研究热点。
红外热成像技术是电力系统在线实时监测领域中一个强大的工具。其原理是红外探测器将被测物体红外辐射量的変化转变成电量变化，经放大处理后，被测物体表面的热好布以可见光图像显示在屏幕上。通过比色条对应的颜色可以确定图像任意点的温度。红外热成像技术具有非接触性、直观准确、夜间监控、灵敏度高、诊断效率高、适应性强等优点。与此同时，它允许电力系统在不停电的情况下完成设备健康状况的分析。通过该技术的监测结果，可以获得电气设备各个区域的温度，更重要的是能够通过温度识别的结果来判断电气设备内部可能存在的各种缺陷，为操作人员提出可靠的动作参考，减少或规避设备因过热所导致的故障。该项技术对确保电气设备的安全稳定运行，提高电力系统的经济效益和智能化水发挥了积极的作用。
利用非接触式的红外热成像仪实现电气设备的在线监测，获得实时的红外图像，并提取电气设备典型温度数据，在此基础上建立电气设备温度的历史和实时数据库，结合数据挖掘手段，最终建立电气设备故障诊断与报警自动决策系统。这将是电气设备紅外监测及诊断技术的发展趋势。 

 (1)红外诊断技术国内研究现状
我国将红外技术用于电气设备监测的研究始于20世纪70年代初，开始便用国内自主研制的红外热成像仪对高压输电线路的接头温度展开监测工作。
从20世纪80年代中期开始，随着红外热成像技术的快速发展和电力部门重视程度的提高，若干家电力公司引进了较为先进的红外热成像仪，积极开展了220kV和110kV的输电线路直升机红外巡检工作。通过不断地实验，电力部门积累了广泛的实践经验，收到了良好的经济和社会效益，并逐渐形成了一套较为完整的故障判定标准。
20世纪90年代以后，一些电力科学研究院与电力公司相互合作，通过大量的现场实测结果，已经充分地掌握了各种类型的电气设备故障的典型温度特征，积累了大量的电气设备故障情况的红外热成像图谱。
1999年，当时的电力工业部颁布了DL/T664-1999《带电设备红外诊断技术导则》。该导则建立于广泛的实践经验基础之上，为操作人员利用红外诊断技术对现场的电气设备温度进行监测和诊断以及故障的判别提供了坚实有力的依据，并极大地推动了红外热成像诊断技术在电力系统基层中的应用。
近年来，随着数字图像处理技术的发展和计算机处理速度的大幅度提高，红外热成像诊断技术朝着智能化、数字化、网络化和高速化方向发展，电气设备红外图像设备和温度识别也向着自动识别和诊断方向发展。

(2)红外诊断技术国外研究现状
国外将红外诊断技术应用于电气设备监测的时间要早于中国。20世纪60年代，瑞典国家电力局开创了先河，率先将红外热成像仪用于电气设备的监测。20世纪70年代开始，发达国家普遍已将红外热成像仪置于直升机上，对输电线路和变电站展开巡回监测，并制定了不同的技术规范和故障判定标准。
1990年国际大电网会议首次充分肯定了红外诊断技术在电力系统中的应用。会议指出:“红外技术将在电气设备从传统的预防性故障检修体制向预知性状态检修体制的转变中发挥关键的作用”。
1993年，在美国动力会谈上，伊利诺伊州电力公司和底特律爱迪生公司分别介绍了其利用红外热成像诊断技术在输电线路、变电站和发电厂中的最新经验。

(3)红外图像处理研究现状
红外图像处理曾在20世纪70年代末、80年代初形成一个研究高潮，并获得了大量的研究成果。在这个时期代表性的研究机构有美国海军研究生院、美国福特航空通讯有限公司、美国海军武器中心、麦道公司以及哥伦比亚密苏里大学电子和计算机工程系等。
Thauam Ongkov等人曾利用机载红外传感器取得了八种不同类型舰船的红外图像，并对样条系数法进行了深入的研究。研究表明，样条系数法优于缺乏局部结构刻画能力的傅里叶系数法。
2000年，ChiZhang和EWang利用K-均值聚类算法在HSI空间中进行了彩色图像分割的研究。2004年，中国科学院计算技术研究所的王锡贵、黄江洪、付博等研究员，提出了一种在RGB色彩空向中定义符合人眼视觉特性的距离信息的方法进行彩色图像分割。 
MCLaren等人提出基于知识的二叉树分类器，并将其用于舰船红外目标一维轮廓像分类识别。研究发现，识别率在很大程度上取決于红外图像本身的质量，因此，在图像识别之前，图像的预处理是相当重要的。
目前，各国研究人员正在综合运用各种先进的计算机算法以及智能化目标识别方法来解决红外图像处理所面临的难题。近年来，红外图像处理与识别的研究热点主要涵盖于:①人工神经网络模式识别方法；②基于大数据的识别方法；③专家系统模式识别方法；④模糊模式识别方法。因此，针对现今情况提出了以下几点需求:
1）故障的实时判别。目前基于人工故障诊断难以满足故障实时识别的要求。而尽快发现热性故障，并采取预警措施能够有效地预防事故扩大化。
2）故障的自动判别。电气设备红外图像的分析诊断大多需要基于故障诊断导则和历史运行情况进行综合判断，目前的软件仅能够识别温度，难以综合各类信息实现故障自动识别。因此实际工作提出了故障自动判别的需求。
3）提高故障识别的准确度。借助计算机准准确地识别电气设备的种类和温度，并根据与诊断导则的对比进行故障识别，能够弥补人工故障诊断所产生的误差，提判产生的不良影向。
4）大量现场图片的快速处理。
现代大型变电站有大量电气设备需要在线监测，传统手段难以实时处理如此大规模的现场图片，需要借助于大数据中的分布式存储技术、流处理技术和并行处理技术等对现场图片进行存储和处理。

2.应用场景
基于大数据的电气设备红外图像处理主要体现在图像提取、图像识别和大量图片处理上，主要采用K-means聚类、人工神经网络、分布式存储技术、并行计算技术等方法。

(1)图像提取
在图像提取部分运用了大数据技术中K-means聚类方法。从分割结果可以看出，K-means聚类方法对于温度层次分明的红外热成像分割有着良好的适应性，克服了传统Otus二值化方法抗干扰能力差的缺点。

图3-12目标电气设备的提取

（2）图像识别
针对各种电气设备红外图像的特点和差异，采用图像改进Hu不变距作为图像的特征向量，并设计BP神经网络分类器对现场采集的图像进行分类识别。神经网络分类器选取部分图像作为学习样本，对剩余的图像进行种类识别

图3-13提取改进Hu不变矩对电气设备种类进行识别

 (3)图像处理
将处理任务分配到不同的处理节点，以便提升并行处理能力。先进行海量图片数据分割、任务分解与结果汇总，从而完成海量图片数据的并行处理，目前业界普遍使用该MapReduce方式。

图3-14并行处理算法示意图

3.大数据解决方案

(1)图像提取
由于图像拍摄过程中环境的变化，传感器在将实际设备温度转换为红外图像信号时总会引入各种噪声，因此需要对图像进行预处理，采用图像平滑、中值滤波、图像校正、图像去噪、图像增强及灰度二值化等技术，来改善图像质量，提升后续图像判断的准确率。
目标电气设备与背景的温度差别在图像中表现为两者色彩的差异，采用K-means聚类的方法将图像按照RGB值的差异分为多类，并还原至彩色图像，进而将目标电气设备从复杂的背景中提取出来。
根据图像像素值的差异，人为设定聚类数进行基于像素值的图像分割，这克服了图像Otus二値化分类数量少、易丢失图像信息的缺点。

图3-15图像提取示意图