贾东明
(北京市电力公司检修分公司，北京 100073)
随着社会经济的不断发展，全社会的用电量日益增加[1-2]。变电站尖峰负荷不断刷新历史记录[3]，其设备温度越限的问题也日益严重[4]。在传统的温度监测中，运维检修人员需手持红外测温仪测温。该方式巡检周期长、成本高，不能及时发现异常设备[5]。
许多学者对变电站设备温度监测作了大量研究。变电站设备测温主要采用无线无源测温和图像识别测温两种方式。无线无源测温通过安装在变电站设备上的传感器进行测温，并通过微功率无线网络将温度信号传输至测温集中器[6-7]。但变电站设备众多，传感器安装难度大、成本高。图像识别测温方式通过变电站红外巡检摄像头拍摄设备的红外图像，采用区域卷积神经网络(region convolutional neural networks,R-CNN)和红外测温结合的方式进行测温[8-9]。但上述方法未过滤噪声数据，测温不准确。
随着变电站智能化建设工作的逐步推进，无人值守变电站已得到广泛应用。现有的变电站测温方法中，传感器测温的布置点位有限，不能覆盖所有的变电站设备[10]。传统的球型摄像机红外成像测温由于球型摄像机移动性差、拍摄变电站设备角度有限，会造成测温误差大[11]。因此，本文采用变电站巡检机器人的方式，采集变电站设备的红外视频数据。
局部不变特征由David Lowe提出，可在图像中检测出关键点。为解决变电站设备温度监测难度大的问题，本文基于局部不变特征提出了一种变电站设备温度监测方法。该方法首先通过投射校准获得准确的变电站设备红外图像输入，并进行异常设备图像分割；
然后对异常温度设备图像进行校验，验证变电站设备异常温度问题。
本文所提出的基于局部不变特征的变电站设备温度监测方法框架，主要包括图像采集与校准、设备温度区域数据提取、异常温度区域分割和异常图像区域校验四部分。变电站设备温度监测框架如图1所示。
图1 变电站设备温度监测框架图Fig.1 Substation equipment temperature monitoring framework
在图像采集与校准环节:首先，巡检机器人按周期拍摄变电站内设备的红外图像数据；
然后，对设备的红外图像进行分析，获取设备的特征点；
最后，对设备的红外图像进行校准，消除角度偏移带来的影响。在提取设备温度区域数据环节，采用局部不变特征算法提取变电站设备图像温度区域数据，并按温度的高低标注变电站设备的温度区域。在异常温度区域分割环节，首先对异常的图像区域进行检测，判断该区域历史变化情况；
然后对异常温度升高的区域进行图像分割。在异常图像区域校验环节，通过改进热力平均温差法对变电站设备异常图像区域进行校验，验证该变电站设备区域是否出现温度越限情况。
2.1 图像采集与校准
首先，设定变电站巡检机器人的巡检路径和周期；
然后，变电站巡检机器人按照路径拍摄变电站设备的红外成像数据。为解决红外成像数据边缘界定的问题，采用滤波器进行边缘点检测，判断变电站设备的红外图像边缘。通过滤波器转换后的红外图像像素点为：
式中：na为变电站设备红外图像采集像素点数；
kai为当前的像素点；
Δf为滤波器转换函数。
通过滤波器对变电站设备的红外图像像素点进行遍历，即可获得变电站设备红外图像的边缘点。
对于变电站设备红外图像，需校准拍摄角度。红外图像拍摄角度为：
式中：ha为变电站设备的边缘顶点对角线长度;la为该变电站设备参数的对角线长度。
旋转校准的目标Ua为：
式中：Ra为变电站设备红外图像投射数据；
nb为图像旋转的次数；
jai为每次旋转偏移的角度；
smooth(Rajai)函数是在其定义域内无穷阶数连续可导的函数。
2.2 提取设备温度区域数据
图像的局部不变特征方法是变电站设备红外图像温度特征提取和转换的重要过程。该方法将变电站设备的红外图像转换成数据向量，并实现温度特征的估计。该方法已被应用于信息系统的图像检索、目标识别等领域[12]。目前，该方法未在红外图像处理领域应用。因此，本文选用局部不变特征方法提取变电站设备的温度区域数据。
检测后的区块信息Ta为：
Ta=det(Ga)-σmax(Ga)2
(4)
式中：Ga为当前的变电站设备红外图像区域像素点值；
σ为图像的局部检测因子；
det为矩阵的行列式计算函数。
在获得变电站红外图像区域温度信息值后，按温度的高低，以不用的颜色标注变电站设备的温度区域。本文将温度分为五级：红色代表极高温度；
橘色代表高温；
黄色代表温度越限；
绿色代表正常温度；
蓝色代表低温。
2.3 异常温度区域分割
首先，对标记温度后的变电站设备区块信息进行历史变化情况检测，判断该设备的历史温度变化情况。本文采用温度曲线拟合的方式判断变电站设备温度的变化情况。
曲线拟合是指选择历史的变电站设备温度曲线与当前的温度曲线进行拟合来观测数据，并通过拟合方程式来分析多条曲线直接的变量关系[13]。
设变电站设备红外图像温度曲线为W，拟合后的曲线Wf为：
式中：nc为变电站设备红外图像温度曲线个数；
φ为曲线拟合函数。
在进行曲线拟合后，即可判断异常温度升高的区域，并将该部分区域分割出来标记为异常区域。
2.4 异常图像区域校验
为验证变电站设备的温度变化异常情况，通过改进热力平均温差法对变电站设备异常图像区域进行校验。
在变电站设备温度变化中，设备的不同部位存在温度差异[14-15]，需采用对不同部位温度差异求对数的方式计算平均温差。因此，本文采用改进热力平均温差法校验变电站设备的温度，以验证变电站设备是否存在异常。
变电站设备的改进热力平均温差wc为：
式中:wh为变电站设备的最高温度；
wl为最低温度。
通过改进热力平均温差法，即可验证该变电站设备区域是否出现温度越限情况。
本文所述的基于局部不变特征的变电站设备温度监测仿真流程如图2所示。
图2 变电站设备温度监测仿真流程图Fig.2 Substation equipment temperature monitoring simulation flowchart
为验证本文所提基于局部不变特征的变电站设备温度监测方法的有效性，在某220 kV变电站应用本文方法。巡检机器人的红外成像数据分辨率为640×480(307,200 像素)。后台验证计算机的操作系统为Windows 10，处理器为i7，计算机内存为16 GB。
巡检机器人设置为每4 h巡检一次变电站设备。每次的巡检时间为20 min。红外图像分析为在线数据分析。
4.1 变电站设备温度曲线拟合精度
变电站设备温度曲线拟合的目的是比对历史和当前的温度曲线数据，从而判断当前设备是否出现温度异常。该指标值的取值范围为0%～100%。指标值越高，说明拟合效果越好。
分别选择10 d、20 d、30 d、40 d、50 d、60 d、80 d、100 d的变电设备的温度数据，采用本文方法与三阶贝塞尔曲线比较拟合精度。变电站设备温度曲线拟合精度对比如表1所示。
表1 变电站设备温度曲线拟合精度对比Tab.1 Comparison of substation equipment temperature curve fitting accuracy
由表1可知，本文方法温度曲线拟合精度高于三阶贝塞尔曲线法。
4.2 变电站设备温度异常图像信息
变电站设备温度异常图像可反映变电站设备温度异常的关键数据信息。本文方法通过对巡检机器人拍摄的变电站设备红外图像信息进行分析，从而获取异常温度升高的区域，并将此区域进行标记。本文将红外图像与可见光图像关联，并标记异常温度区域。
4.3 变电站设备温度分析准确率
变电站设备温度分析准确率是判断变电站设备温度是否正常的核心指标。验证方法如下。首先，采用本文方法和红外辐射测温方法分别测量变电站温度。在测温后，将该温度值与手持测温仪的温度值进行比较。两者之间的百分比绝对值即为准确率。该指标值的取值范围为0%～100%。指标值越高，说明温度测量越准确。
分别选择10个、20个、30个、50个、80个、100个变电站设备，取测量周期为100 d，比较本文方法与固定球机红外辐射测温方法的测温准确度。变电站设备温度分析准确率对比如表2所示。
由表2可知，红外辐射测温方法的缺点是对固定视野内的温度测量精度较高，对视野外的温度测量精度差。因此，本文方法变电站设备温度分析准确率高于红外辐射测温法。
本文采用投射校准的方式获得变电站设备的标准红外图像，消除了拍摄角度偏差给温度监测带来的影响；
采用局部不变特征算法提取变电站设备图像温度区域数据，分析温度准确率高于固定球机红外辐射测温方法；
采用改进热力平均温差法对变电站设备异常图像区域进行校验，提升了设备的温度变化分析能力，提高了温度分析的准确性。下一步将结合第五代通信技术(5th generation mobile communication technology,5G)，对输电线路的温度在线监测作进一步研究。