国网福建省电力有限公司莆田供电公司,福建 莆田 351100
国网福建省电力有限公司泉州电力技能研究院,福建 泉州 362013
摘要:针对红外热成像仪现场使用的必要性以及存在的不足,论文研发一款基于智能算法的变电设备红外测温发热缺陷智能预判装置。装置根据现场采集的红外图谱等信息,可即时形成设备的图文缺陷报告单。并且,装置通过对设备发热缺陷信息的跟踪记录,利用融合的智能算法实现对设备发热缺陷的智能预判。
关键词:智能算法;红外测温;变电设备;缺陷预判
异常发热是变电设备常见的缺陷[1-6]。而现场配备的红外热像仪则是设备运维人员对设备运行工况分析判断的常用辅助工具,且主要应用于变电设备的预防性维护工作。但由于不同厂家的红外热成像仪规格、型号、功能、协议、测温准确度的不同,现场难以第一时间做到协调统一的测温数据读取、图谱信息挖掘等,对变电设备的运行工况分析和跟踪记录存在不足。
变电设备的运行温度随着环境温度及负荷大小动态变化。在对设备异常发热缺陷定性时,传统方式上需人工将缺陷进行量化计算,再查阅《国网设备缺陷标准库》对照定级,过程繁琐且无法即时明确缺陷性质。变电设备发热缺陷传统判定方式如图1所示:
图1 变电设备发热缺陷传统判定方式
Picture 1. Traditional discrimination process of heat defect of substation equipment
在发热缺陷填报时,将设备测温图谱拷贝、转存、上传等中间环节较多。并且,从目前变电设备发热缺陷数据信息应用上看,数据仅用于测温时段的设备状态分析,缺乏对图谱信息的深入应用[7]。
本论文研发的变电设备发热缺陷预判装置(以下简称“预判装置”)外观如图2、图3所示:
图2 预判装置软件首页
Picture 2. The software home page of prediction device
图3 预判装置硬件外观
Picture 3. The hardware appearance of prediction device
预判装置以图像识别技术[8-10]及智能人工神经网络[11-12]算法为开发技术原理。图像识别技术主要应用于变电设备运行现场文字信息及红外图谱信息装置自动识别采集,解决文字信息录入、红外图谱转存等问题。智能人工神经网络则用于提取长时段跟踪的设备红外图谱的中变电设备发热缺陷信息,建立起对应的智能人工神经网络模型。
预判装置根据图像识别技术,通过装置摄像头扫射红外热像仪屏幕显示的变电设备红外测温图谱,拾取图谱及图谱上的热点信息等。并且,通过扫射变电设备外观及现场设备标识信息,预判装置可获得现场的文字信息。
在获得设备图谱信息和文字描述信息后,预判装置依据预判装置内置的《国网设备缺陷标准库》及《带电设备红外诊断应用规范》[13],可即时生成测温节点时设备的缺陷判别报告单。
预判装置拾取红外图谱信息、设备信息操作界面如图4所示:
图4 预判装置的文字、图像信息拾取操作界面
Picture4. Text and image information pick-up operation interface of prediction device
通过长时段跟踪异常发热设备,预判装置利用记录的设备红外测温信息、对应节点的负荷信息、环境信息等历史数据,对异常发热设备建立对应的发热预测模型。并通过设备历史发热数据,预测未来时间一个或多个连续时间节点可能的发热信息,为系统运行方式调整、人员安排、设备调拨争取时间。
本节以“220kV某变电站110kV石圣Ⅰ路177间隔1773刀闸刀口处,A相测温值64.1℃,B相测温值54.0℃,C相测温值32.5℃,环境温度15℃,同间隔环境参考体温度27.1℃,负荷100A”缺陷为例。预判装置上的信息拾取、即时缺陷报告单、预测报告单、预测曲线,分别如图5、图6、图7、图8所示:
图5 缺陷案例的信息填报
Picture 5. The information filling of defect case
图6 缺陷案例的即时报告单
Picture 6. The instant report of defect case
图7 缺陷案例的预测报告单
Picture 7. The predict report of defect case
图8 缺陷案例的预测曲线
Picture 8. The predict curves of defect case
可知,通过预判装置的现场应用,实现变电设备发热缺陷的即时判别、发热信息跟踪记录、发热预测。并且预判装置生成的报告单信息丰富,信息展示清晰,可读性强。
本文研制的变电设备发热缺陷预测装置在现场测试过程中,优势明显,具有:
3.2.1 操作性强
预测装置通过软件及硬件功能配合,在对现场文字信息及红外图谱信息拾取上,将信息手动输入转为自动拾取填充,操作简单且不易录入错误。
3.2.2 关联性强
预判装置通过内置程序,将设备发热缺陷信息按时间先后记录,形成设备发热缺陷信息历史档案,将以往的单个时间断面测温行为转为连续时段测温行为,便于后期调用以及发热缺陷预测数据读取。
3.2.3 决策性强
预判装置通过记录的发热缺陷测温信息,根据智能神经网络算法,建立起发热缺陷模型,实现对发热缺陷的单点或多点预测,为决策提供依据。
本文变电设备发热缺陷预判装置通过硬件、软件功能开发,改变传统外红测温信息录入习惯、数据保存方式,并解决传统方式下对变电设备红外测温数据利用单一,测温数据应用缺乏关联,数字化信息挖掘不深入等问题,为变电设备的智能运检提供数据和决策的支持,具有广阔应用前景。
参考文献
[1]王大伟,杨罡,张娜.220kV CVT故障的诊断及分析[J].电力电容器与无功补偿,2019,40(02):78-82.
[2]何宁辉,朱洪波,周秀,亓亮,马飞越,田禄.GIS内部缺陷检测及诊断分析技术研究[J].电测与仪表,2019,56(24):86-91.
[3]庄建煌,彭健,陈重,林俊超.基于泛在电力物联网的多技术融合变电设备发热缺陷判别预测系统的研究设计[J].高压电器,2020,56(09):54-59.
[4]李特,陶瑞祥,张锐,闻君,全姗姗,王晓杰.典型发热缺陷复合绝缘子红外特征及无人机红外测试参数选择[J/OL].高电压技术:1-11[2022-02-20].
[5]叶剑涛,杨为,柯艳国,赵恒阳,胡迪,赵常威.基于红外图像实例分割的敞开式开关设备发热缺陷智能诊断方法[J].高压电器,2021,57(12):201-208.
[6]刘黎,李特,赵浩然,周象贤,韦立富,姜凯华.测试距离对现场发热复合绝缘子无人机红外测试影响研究及控制建议[J].电瓷避雷器,2021(06):184-191.
[7]庄建煌,陈重,彭健,周静.变电设备红外测温发热缺陷判别工具开发与应用[J].中国电业,2019(05):92-93.
[8]李军锋. 基于深度学习的电力设备图像识别及应用研究[D].广东工业大学,2018.
[9]唐文虎,牛哲文,赵柏宁,季天瑶,李梦诗,吴青华.数据驱动的人工智能技术在电力设备状态分析中的研究与应用[J].高电压技术,2020,46(09):2985-2999.
[10]严英杰,盛戈皞,陈玉峰,江秀臣,郭志红,杜修明.基于大数据分析的输变电设备状态数据异常检测方法[J].中国电机工程学报,2015,35(01):52-59.
[11]曹春耕,吴琥,李子欣,张凡,涂建坤.人工神经网络在电网中的应用[J].中国电业(技术版),2015,No.869(10):6-8.
[12]张振,王锋,陈敏曦.基于BP网络的电力负荷预测改进研究[J].中国电业(技术版),2015,No.869(10):12-15.
[13] 唐佳能,金鑫,张建志,郎业兴,刘佳鑫.DL/T 664—2016《带电设备红外诊断应用规范》的应用分析[J].智能电网,2017,5(09):924-928.