CN114629784A

CN114629784A - 一种高压电器视频流故障可视化方法

Info

Publication number: CN114629784A
Application number: CN202111355857.1A
Authority: CN
Inventors: 王彬; 任明; 李易; 董明; 金祎; 顾渊博; 张崇兴
Original assignee: State Grid Shanghai Electric Power Co Maintenance Co; Xian Jiaotong University; State Grid Shanghai Electric Power Co Ltd
Current assignee: State Grid Shanghai Electric Power Co Maintenance Co; Xian Jiaotong University; State Grid Shanghai Electric Power Co Ltd
Priority date: 2021-11-16
Filing date: 2021-11-16
Publication date: 2022-06-14
Anticipated expiration: 2041-11-16
Also published as: CN114629784B

Abstract

本公开揭示了一种高压电器视频流故障可视化方法，包括：利用可见光相机拍摄高压电器的可见光视频，以及利用超声阵列传感器对高压电器的局部放电位置进行定位，将定位信息与可见光视频融合，获得第一融合视频流；利用紫外相机拍摄高压电器局部放电产生的光子获得紫外视频，对紫外视频的视场进行配准并与第一融合视频流进行融合，获得第二融合视频流；利用红外相机拍摄高压电器的红外视频，对红外视频进行配准并提取红外视频中因局部放电导致的温度异常区域，将所提取的温度异常区域叠加在第二融合视频流上，获得高压电器的故障可视化视频。

Description

一种高压电器视频流故障可视化方法

技术领域

本公开属于高压电器检测技术领域，具体涉及一种高压电器视频流故障可视化方法。

背景技术

目前变电站电气主设备中绝缘材料的夹杂物、气孔和裂纹等材料不连续性日益增多，如GIS盆式绝缘子或者支撑绝缘子开裂或者烧毁等威胁到电网安全稳定运行。而入网检测与验收主要注重于电气性能检测，虽然能够及时发现较为严重的主绝缘等缺陷，但是目前日常运维主要依靠人工巡查和在线监测以及采取单一的红外、紫外带电检测等方法，一些潜伏性缺陷故障难以及时被发现。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中的不足，本公开的目的在于提供一种基于高压电器视频流的故障可视化方法，通过结合可见光视频、紫外视频、红外视频和超声定位对设备故障进行可视化检测，提高了故障检测效率。

为实现上述目的，本公开提供以下技术方案：

一种高压电器视频流故障可视化方法，包括如下步骤：

S100：利用可见光相机拍摄高压电器的可见光视频，以及利用超声阵列传感器对高压电器的局部放电位置进行定位，将定位信息与可见光视频融合，获得第一融合视频流；

S200：利用紫外相机拍摄高压电器局部放电产生的光子获得紫外视频，对紫外视频的视场进行配准并与第一融合视频流进行融合，获得第二融合视频流；

S300：利用红外相机拍摄高压电器的红外视频，对红外视频进行配准并提取红外视频中因局部放电导致的温度异常区域，将所提取的温度异常区域叠加在第二融合视频流上，获得高压电器的故障可视化视频。

优选的，步骤S100中，通过对超声阵列传感器进行加权以实现对高压电器的局部放电位置进行定位。

优选的，步骤S100中，所述将定位信息与可见光视频融合包括如下步骤：

S101：将可见光视频作为第一背景视频，将定位信息转换为与可见光视频的像素点(x,y)一一对应的方向平面视频并做为第一前景视频；

S102：对所述第一背景视频和第一前景视频进行融合，获得第一融合视频；

S103：对所述第一融合视频按顺序逐帧播放，得到第一融合视频流。

优选的，步骤S200中，通过仿射变换对紫外视频进行配准。

优选的，步骤S200中，所述将配准后的紫外视频与第一融合视频流进行融合包括如下步骤：

S201：将第一融合视频流作为第二背景视频，将紫外视频做为第二前景视频；

S202：对所述第二背景视频和第二前景视频进行融合，获得第二融合视频流。

优选的，步骤S300包括如下步骤：

S301：同时提取红外视频和第二融合视频流的每一帧图像中的设备轮廓边缘，得到第一边缘图像集和第二边缘图像集；

S302：提取所述第一边缘图像集和第二边缘图像集的边缘特征点并对边缘特征点进行筛选，得到最佳仿射变换矩阵；

S303：通过视场变换域配准，对红外相机的视场进行校正，提取红外视频中的高温异常区域叠加至第二融合视频流上。

优选的，步骤S301中，步骤S301中，利用边缘检测法提取红外视频和第一融合视频流的每一帧图像中的设备轮廓边缘。

优选的，步骤S302中，通过加速鲁棒法提取所述第一边缘图像集和第二边缘图像集的边缘特征点。

优选的，步骤S302中，通过采取斜率一致性和随机样本一致性方法对边缘特征点进行筛选。

与现有技术相比，本公开带来的有益效果为：本公开通过将红外视频、紫外视频和超声定位图像与可见光视频进行融合，通过可视化联合检测提高了故障的检出率。

附图说明

图1是本公开一个实施例提供的一种高压电器视频流故障可视化方法的流程图；

图2(a)至图2(b)是基于加权多重信号分类法的超声传感器阵列得到的方向角和俯仰角的检测定位结果；

图3(a)至图3(c)是超声传感器定向信息与可见光视频的融合示意图；

图4(a)至图4(i)是紫外视频与第一融合视频流的融合示意图；

图5(a)至图5(f)是红外视频与第二融合视频流的融合示意图。

具体实施方式

下面将参照附图图1至图5(f)详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本公开的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本公开的范围。本公开的保护范围当视所附权利要求所界定者为准。

为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。

一个实施例中，如图1所示，本公开一种高压电器视频流故障可视化方法，包括如下步骤：

本实施例通过声光融合多维度进行变电站电气设备电-声-光融合带电定位检测实现缺陷非接触隐患排查，通过对设备运行状态特征信息提取分析，直观、准确、快速及安全，为输变电设备的状态检测提供了一种灵活的检测手段，不仅可以有效提升对设备状态感知、主动预测预警能力，不仅可以提高运维水平，而且强化设备的本质安全、保障安全运行。

另一个实施例中，步骤S100中，通过对超声阵列传感器进行加权以实现对高压电器的局部放电位置进行定位。

本实施例中，通过引入加权多重信号分类法实现超声阵列传感器对高压电器的局部放电位置的定位。现有技术中，一般采用双螺旋超声阵列传感器并通过引入多重信号分类法对传感器阵列接收到的信号进行分析以实现对高压电器局部放电的定位，但该方法仍然存在定位精度不足的问题，作为改进，本实施例结合双螺旋超声阵列传感器的特性，通过设定特殊的加权矩阵对传感器阵列进行加权，以改变不同传感器信号的权重，从而提高定位精度，改进后的方法定义为加权多重信号分类法，其具体表示为：

式中，α(θ)表示传感器阵列的方向矩阵，H表示方向矩阵的共轭转置，下标N是noise的缩写，表示噪声；UN表示信号子空间。

上述加权多重信号分类法的具体实施过程如下所示：假设W₁矩阵为一个31行31列的单位矩阵，该单位矩阵的对角线系数都为1，其余系数为0。将对角线上的31个非0系数进行调整，将31个传感器分为7组，传感器的编号分别记为1，2-6，7-11,12-16,17-21,22-26，27-31。经过多次定位尝试，发现按照2的指数规律进行加权时，得到权重系数定位较好，即将第一组传感器的权重设为20，第二组的权重设为21，第三、四、五、六、七组的权重依次设为22，23，24，25，26。依次将权重赋在W₁矩阵对角线的31个非零系数上，即可得到加权系数矩阵W₂，再将得到的31路超声信号导入到MATLAB中，定位结果如图1所示。

图2(a)为未引入加权系数矩阵W₂时的定位结果，由图2(a)可知，其方向角是90°的时候，由于波峰的幅值都相近，因此俯仰角难以测量。图2(b)为引入加权系数矩阵W₂时的定位结果，由图2(b)可知，在获得加权系数矩阵W₂后，其方向角是90°的时候，由于波峰的幅值发生了变化，出现了一个局部峰值，因此使得俯仰角可以测量。因此，通过引入加权系数矩阵W₂，可以增加传感器阵列的定位角度范围，使得方向角接近90°时的定位精度增加。

另一个实施例中，步骤S100中，所述将定位信息与可见光视频融合包括如下步骤：

S101：将可见光视频逐帧分解，对于每一帧图像，将可见光视频作为第一背景视频B₀(z)，将定位信息转换为与可见光视频的像素点(x,y)一一对应的方向平面图像并做为第一前景图像F₀(z)；

该步骤中，通过使用上以实施例所述的加权多重信号分类法确定局部放电位置的方向角和俯仰角，其中，以方向角为横轴，以俯仰角为纵轴，得到角度图，以该角度图作为第一前景视频F₀(z)，如图3(a)所示。

S102：对所述第一背景视频B₀(z)和第一前景视频F₀(z)进行融合，获得第一融合视频。

S103:对所述第一融合视频按顺序逐帧播放，得到第一融合视频流。

该步骤中，通过采用基于α分量的视频合称法对如图3(b)所示的第一背景视频B(z)和如图3(a)所示的第一前景视频F(z)进行融合，具体融合方法如下式所示：

I(z)＝α(z)F(z)+(1-α(z))B(z)

式中，I(z)(z＝(x,y))表示第一融合视频中像素点强度信息；α(z)表示每一个像素点对应的α分量的值；z表示像素位置。

一般地，可见光视频的每一帧都是由红、绿、蓝三种颜色通过不同强度组合而成，称RGB，每种颜色的取值为0～255，取值越大代表颜色强度越大。本实施例中，α(z)分量的值设置为统一值，不随像素位置z的改变而改变，α取0.55(背景占融合比例55％，前景占45％进行融合)。示例性的，本实施例取红色信号为局放位置的标记颜色，RGB三种颜色合成如下所示：

I_r(z)＝B_r(z)*α(z)+F(z)*(1-α(z))

Ig(z)＝Bg(z)*α(z)

I_b(z)＝B_b(z)*α(z)

式中，I_r表示红色分量强度分布；I_b表示蓝色分量强度分布；Ig表示绿色分量强度分布。

经过上述步骤，可获得如图3(c)所示的第一融合视频流，通过图3(c)，可以很清晰地观察到高压电器局部放电的定位信息，从而能够更加直观的反映设备的绝缘状态。

另一个实施例中，步骤S200中，通过仿射变换对紫外视频进行配准。

本实施例中，在紫外视频和第一融合视频流的融合过程中，由于紫外相机和可见光相机的视场不同，因此需要对紫外视频进行视场配准，这是二者能够融合的关键。本实施例通过引入仿射矩阵对紫外图像进行仿射变换，仿射矩阵具体表示如下：

其中，(x,y)表示仿射变换后的坐标，(x′,y′)表示图像的原始坐标，m₀-m₅表示变换的6个参数。

通过以下方程计算参数m₀-m₅：

x_1-3＝m₀x′_1-3+m₁y′_1-3+m₂

y_1-3＝m₃x′_1-3+m₄y′_1-3+m₅

其中，(x_1-3,y_1-3)表示某一时刻可见光视频单帧图像中局部放电位置的三组坐标，(x′_1-3,y′_1-3)表示同一时刻的紫外视频单帧图像中局部放电位置的三组坐标，如果以相同距离的三个角度拍摄三组图像，则通过重新闭电晕放电中心点和紫外图像中的光点获取三组(x_n,y_n)和相应的(x′_n,y′_n)，使用上式从仿射矩阵中解出m₀-m₅。最后，使用该矩阵变换紫外视频每个像素点的坐标，使他们与第一融合视频的视场相同。

需要说明的是，仿射矩阵会随局部放电与紫外相机及可见光相机之间的距离发生变化。如果仿射矩阵固定，当距离变化时，视场变换的精度会显著降低。针对这一状况，本实施例通过改变局部放电位置与相机之间的距离，计算出多组仿射矩阵M_n，并将其存储在装置中。在视场转换过程中，通过利用激光测距仪所测量的局部放电位置与相机之间的距离与数据库中的距离进行比较，从而能够选择与最小距离差对应的最佳仿射矩阵。

另一个实施例中，步骤S200中，所述将配准后的紫外视频与第一融合视频流进行融合包括如下步骤：

本实施例中，在完成对紫外视频配准后，紫外视频被校准为与第一融合视频流相同的像素大小且特征点对齐。由于紫外视频包含的特征很少，因此选择密集光子区域的集合中心以匹配针板放电的针尖。在三帧可见光和紫外图像中，选择三对特征变换点作为左、中、右放电点。特征点x₁-3和y₁-3的选择如图4(a)至4(i)所示，其中，图4(a)至图4(c)分别为第一至第三可见光单帧图像，图4(d)至图4(f)为第一至第三单帧紫外图像，则融合后的图像为图4(g)至图4(i)。在融合过程中，对视频中的每个像素点逐一计算，如果紫外视频的像素点灰度值是0，那么融合视频灰度值为可将光图像的灰度值；如果是非零的灰度值，那么融合视频的的灰度值为(255,0,0)，即图中所显示的红色。

另一个实施例中，步骤S300包括如下步骤：

该步骤中，第一边缘图像如图5(a)所示，第二边缘图像如图5(b)所示，利用边缘检测法提取红外图像和可见光图像的边缘，边缘检测法属于本领域的常用方法，本文就不再做具体介绍。

该步骤中，图5(a)所示的第一边缘图像集和图5(b)所示的第二边缘图像集的特征点提取及匹配如图5(c)所示，具体过程描述如下：

a、检测尺度空间的极值：将X＝(x,y)设置为图像上的一个点，并在下式中对Hessian矩阵H(x,δ)和相应的空间尺度σ进行定义：

同样，L_xy(x,σ)、L_yy(x,σ)与L_xx(x,σ)类似，表示二阶高斯偏导数与图像的卷积。

为提高运算速度，使用盒形滤波器代替高斯滤波器对图像卷积。三个方向的卷积分别为D_xx，D_yy和D_xy。因此，Hessian矩阵可以简化为：

det(H)＝D_xxD_yy-(αD_xy)²

其中，α作为加权系数与x相加，以平衡使用盒形滤波器近似而引起的误差。

Hessian行列式的值可以在任何尺度上计算。本方法通过直接改变盒形滤波器的大小来构建尺度空间，然后在尺度空间中找到局部极值。最后，对尺度空间和图像空间进行插值以得到特征点的精确位置。

b、获得特征点向量的主方向：为了获得旋转不变性，需要得到特征点的主方向。对于每个特征点，本方法定义一个圆形区域，特征点位于半径为6σ的圆心处。得到了特征点沿x、y方向的小波响应，建立了dx、dy坐标系。然后将搜索区域旋转60度，将扇区中的所有响应叠加，就可以得到一个大致方向。最大方向向量决定了主方向。

c、特征点匹配：确定特征点的主要方向后，基于特征点建立正方形区域。我们将正方形区域划分为16个子域4×4，对于每个子域，计算了归一化空间采样点的25(5×5)个哈尔小波响应；然后将每个子域的dx和dy相加，得到每个子域的4D特征向量∑dx，∑dy，∑|dx|，∑|dy|。

因此，每个特征点得到一个4×4×4＝64维的特征向量，表示如下：

v＝(∑dx,∑dy,∑|dx|,∑|dy|)

然后，在可见光单帧图像中选择一个特征点，计算其特征向量，并求出其与红外单帧图像中所有特征点的内积。紧接着计算余弦相似度。余弦相似度最大的两个点是最匹配的点。最后，我们设置了一个阈值，当最大值大于阈值时，考虑两个特征点进行匹配。

上述方法得到的匹配点大多依赖于固定阈值的设置。如果阈值设置过大，会得到更多正确或错误的匹配点；否则，这样的点很少得到。为了保证匹配的准确性，尽可能地消除假匹配，我们通过采取斜率一致性和随机样本一致性方法对由上述方法得到的粗匹配点进行进一步筛选，具体过程表述如下：

a、基于坡度一致性的粗选择：

由于红外相机和可见光相机的视场相差不大，所以匹配合适的点对直线斜率总体上应该是相同的。因此，该方法可以消除许多错误匹配的点。以每一个斜率为中心，引入合适的区间长度ε。在领域内包含最多匹配点的斜率被认为是正确的斜率S₀，并将[S₀-ε,S₀+ε]范围内的匹配点视为正确的匹配点。

b、基于RANSAC算法的精确选择：

1、初始化嵌入点(模型可以描述的点)N_i(N₀＝0)并计算样本的数量。在RANSAC算法的采样过程中，需要具体的采样数K，计算方法如下所示：

其中，P表示置信区间，常为99.5％或95％；ω为内嵌点与整体点的比值；m为计算模型所需要的最小样本数，在仿射变换中，m＝3。

2、从粗略匹配点对中随机选取三对不共线的匹配点，计算仿射变换矩阵H，所述仿真变换矩阵H的计算方法如步骤S200中所述，此处不再赘述。

3、计算每一对匹配点与仿射变换后对应匹配点之间的欧氏距离。然后将D与阈值DT比较，如果D＜DT，对应的匹配点是内部点。

4、内部点的数量N′_i与N_i相比，如果N′_i更大，矩阵H′是最佳仿射变换矩阵，更新N_i的值直到循环次数N_C等于采样数K。当循环次数N_C达到最大时，内部点的数量保持不变，对应的仿射矩阵为最佳变换矩阵H。

该步骤中，图5(d)为配准后的红外视频，图5(e)为所提取的高温异常区域，二者融合后获得第二融合视频流如图5(f)所示。

以上应用了具体实施例对本公开进行了阐述，只是用于帮助理解本公开，并不用于限制本公开。任何熟悉该技术的技术人员在本公开所揭示的技术范围内的局部修改或替换，都应涵盖在本公开的范围之内。

Claims

1.一种高压电器视频流故障可视化方法，包括如下步骤：

2.根据权利要求1所述的方法，其中，优选的，步骤S100中，通过对超声阵列传感器进行加权以实现对高压电器的局部放电位置进行定位。

3.根据权利要求1所述的方法，其中，步骤S100中，所述将定位信息与可见光视频融合包括如下步骤：

4.根据权利要求1所述的方法，其中，步骤S200中，通过仿射变换对紫外视频进行视场配准。

5.根据权利要求1所述的方法，其中，步骤S200中，所述将配准后的紫外视频与第一融合视频流进行融合包括如下步骤：

6.根据权利要求1所述的方法，其中，步骤S300包括如下步骤：

7.根据权利要求6所述的方法，其中，步骤S301中，利用边缘检测法提取红外视频和第一融合视频流的每一帧图像中的设备轮廓边缘。

8.根据权利要求6所述的方法，其中，步骤S302中，通过加速鲁棒法提取所述第一边缘图像集和第二边缘图像集的边缘特征点。

9.根据权利要求6所述的方法，其中，步骤S302中，通过采取斜率一致性和随机样本一致性方法对边缘特征点进行筛选。