變電站自動化紅外檢測系統探究

王思宇

引言

電力事業作為現代社會發展的基石，在居民生活中扮演著重要角色。隨著社會電力需求量的不斷增加，為確保供電質量與穩定性，避免電力事故的發生成為電力企業的重要使命，而變電站作為核心成員，它的運行質量將直接影響到電力用戶的使用體驗。其中，變電站內電力設備的溫度是變電站運行狀況的重要表征參數，在現階段，紅外測溫技術是對設備溫度進行檢測的主要安全手段。然而，隨著變電站規模的擴大、數量的增加，在變電運維人員工作過程中單純基于人力對變電站中各電力設備的溫度進行檢測，以及數據記錄管理的方法逐漸暴露出了許多弊端。在此，本文提出了一種變電站自動化紅外檢測系統，并對其各環節具體時候方法進行了探究。

一、變電站設備故障特點

變電站中通常包含著大量需要承受高溫、高壓、大電流的電力設備，此類設備在長期不間斷運行過程中難免會因為環境因素以及壽命老化等原因，性能退化，乃至突然故障，進而造成停電、爆炸、火災等嚴重電力事故。表1對變電站中部分主要設備的故障類型及原因進行了闡述。然而，表1中所述故障的產生初期往往都伴隨著可察覺的溫度變化，如變壓器的溫升變高、局部放電等；開關設備及導線因接觸不良、接觸面氧化、老化等原因產生了更多電阻損耗，形成局部熱點。因此，對變電站中電力設備進行溫度檢測，可以及時有效地發現和診斷出電力設備的事故隱患和故障先兆，進而減少和避免由于電力設備故障引發的電力事故。

表1 變電站部分主設備故障類型及原因

二、紅外測溫在變電運維中的運用

（一）紅外測溫原理

紅外測溫作為一種可靠、實用且易操作的溫度測量技術，被廣泛應用于變電站電力設備的溫度檢測，其測溫原理如圖1所示。由于在非絕對零度下任何物體的原子和分子都會做無規則運動，進而向外輻射紅外線，并且輻射能量的大小與物體自身的溫度呈正相關。然而，紅外線的波長處于0.76μm到1000μm的可見光范圍之外，因此必須借助專業的紅外測溫儀對物體表面的紅外輻射能量進行捕捉和測量，最后經綜合處理可呈現物體表面的紅外能量分布圖，即熱像圖像[1]。

圖1 紅外測溫應用方法

（二）變電運維應用

現階段，手持式紅外測溫儀由于其界面友好、體積小方便攜帶、測量精度高等特點被廣泛應用于變電運維的巡視當中。下面舉例兩種最常用紅外測溫技術的變電站巡視場景：

1.日常巡視——帶電檢測

變電站設備一旦通電后，無特殊情況將不會再斷開，因此帶電檢測成了變電運維人員在日常巡視過程中的重要任務之一。而紅外測溫，由于其遠距離非接觸式的測量特點，成了重要的安全測溫手段。在巡視過程中，檢測人員會對變電站內的電力設備——變壓器、斷路器、隔離開關、金屬導線等，逐一進行測量并記錄數據及熱像。在記錄完成后，會進一步對比以往的檢測數據和熱像，判斷當前的設備運行狀態。如果熱像存在異常，會及時對不同類型的設備采用相應的方法和依據，分析設備的缺陷特征，判斷設備的缺陷類型，并及時報備檢修。

2.特殊巡視—保電

隨著現代社會發展的進步，城市經常會舉行一些例如運動會、晚會等等的大型活動，這時為了確?；顒幽軌蝽樌匍_舉行，需要供電公司進行保電，而紅外測溫則是經常使用的一種即時觀測變電站異常情況的有力工具。在特殊巡視時，針對需要保電的線路進行一日多次測溫，特殊加強對個別線路的巡視與關注，及時、敏銳地發現任何異常情況，并做出處理。

三、變電站自動化紅外檢測系統

紅外測溫無疑是提高變電站運維管理效率必不可少的重要部分，然而伴隨著其覆蓋率越來越高，缺點也逐漸顯現：（1）在單次巡視過程中，紅外測溫儀所拍攝圖像都會存儲在儀器內，需要巡視結束后人工傳輸至電腦中，如遇到缺陷錄入時，則還需要對每份熱像生成報告，無形之中增加了班組員工的工作量，耗時且容易出錯。（2）變電站內的電力設備類型較多，不同類型設備都存在著各自典型的缺陷特征。有時，由于溫差太小，特征不明顯，人眼很難準確辨別，即使是經驗豐富的設備檢測人員也有可能存在疏忽和遺漏，造成安全隱患。（3）即使是使用了手持式紅外測溫儀，由于運維人員水平的參差不齊，當需要巡視的目標對象過多時，也有可能因為體力不支等問題，無法做到詳盡的數據記錄及熱像拍攝，變相造成了安全隱患。（4）伴隨著溫度及熱像數據增多，簡單按時間或地點進行分類保存的數據存儲方式，容易造成數據的冗余堆積，無法清晰地對設備的歷史運行狀態進行觀測，以及對潛在的設備缺陷進行及時的判斷。在此，提出一種變電站自動化紅外檢測系統，其整體架構如圖2所示，下面就其每個環節的具體實施方法進行探究。

圖2 基于大數據的紅外監測系統架構圖

（一）數據自動采集與上傳

首先，變電運維人員對于變電站中各類設備的溫度檢測大致可分為兩大類：日常巡視和實時監測。針對第一種場景，可通過在每個變電站內預先放置裝有紅外測溫儀的機器人，規劃好其巡視路線及拍攝角度，最大化實現站內所有電力設備的熱像拍攝。此外，對于位置較為隱蔽，機器人難以到達的位置，可以通過提放置固定式紅外測溫儀的方式進行測溫，最終達成日常巡視過程中對于站內電力設備100%溫度檢測的目的。對于第二種場景，可通過遠程控制的方式，將機器人運行至指定地點及位置，對重點關注設備的溫度狀態進行實時監測。

其次，在變電站現場通過紅外攝測溫儀采集的電力設備熱像圖，可能會由于環境干擾和硬件缺陷等因素，造成熱像中存在噪聲和畸變，甚至不清晰等情況。尤其是在缺少人為校準的全自動化拍攝過程中，更容易導致拍攝圖片質量差。因此，在機器人巡視拍攝熱像過程中，需要對圖像質量進行實時判斷，確保所拍攝的熱像能夠傳遞出的信息準確。在此，可利用人工智能圖像識別、小波閾值降噪、中值濾波等方法來提升熱像的質量與準確度[2]。

最后，將自動拍攝到的可靠熱像上傳至云端數據庫。

（二）大數據存儲與智能處理

熱像圖中物體的識別與溫度信息的提取是至關重要的環節，其準確度是系統可靠性的一個重要衡量標準。在此，對于熱像的處理大致可以分為三個部分：

1.圖像識別

由于單一熱像圖中一般都會包含多個設備的溫度信息，因此，對于熱像圖中的設備進行識別就顯得尤為重要?，F階段可采用的方法大致可分為兩類：圖像分割與深度學習。圖像分割往往無法適應復雜背景，且對于發熱不明顯的熱像圖的適應性較差[3]。深度學習則需要借助大量的熱像圖進行模型訓練來提升識別準確率[4]。

伴隨著計算機技術的高速發展，基于深度學習的紅外熱像圖識別必然會成為未來重要的發展方向。

2.故障判斷

基于識別出來的設備溫度信息，一般可采用如下三種辦法對設備是否故障進行判斷[5]：

（1）表面溫度判別法：通過對比相關標準中對于各設備材料溫度與極限溫升的規定，結合測溫得到的環境溫度與當前負荷來判斷當前設備是否存在故障風險。

（2）相對溫差判斷法：通過對比各設備與另一臺類型、負荷、所處環境等多方面都基本相同的正常運行設備，對應測溫位置的溫度差是否超過閾值來判斷是否存在故障風險。

（3）歷史溫度判別法：結合當前電力負荷，通過對比各設備與歷史相同工況下的溫度來判斷是否存在故障風險。

以上三種判斷方法在實際使用中可以選取其中一種，或同時使用，多維度提升系統判斷的準確度。

3.數據存儲

對于數據的存儲可以根據變電站與設備類型進行分類，然后將識別得到的各設備熱像，以“時間_設備名稱_負荷_環境溫度_判斷結果”進行命名存儲，便于后期的故障回溯以及設備歷史運行狀態的統計。

（三）結果展示與故障預警

通過開發PC端上位機以及手機APP的方法，對該自動化檢測系統中各環節的運行狀態進行實時顯示，如各變電站中巡視機器人的運行狀態、熱像圖質量，以及所有設備是否都完成了溫度檢測等。并且，根據故障判斷結果，對存在潛在故障風險的設備進行預警或報警。此外，也可對各設備的歷史運行狀態形成圖表與報告，方便變電運維人員了解設備的健康狀態。

總結

變電站作為電力行業的重要基礎設施之一，其安全穩定運行尤為重要。本文從變電站巡視過程中對電力設備進行紅外測溫存在的問題點出發，進行了探究與思考，同時結合當下對于智能變電站的推動與發展，提出了一種變電站自動化紅外檢測系統，并對其中各環節的具體實施方法進行了較為詳細的探究，為變電站中電力設備溫度的檢測與管控提供了一套有效可行的方案。