Pagtunod sa Surface Discharge sa External Insulation sa Outdoor Vacuum Circuit Breaker Batas sa Ultraviolet Imaging

Ang mga outdoor vacuum circuit breakers (na tinatawag na breakers sa huling bahagi) ay malawakang ginagamit sa distribution network dahil sa kanilang mga pangunahing katangian tulad ng maliit na sukat, magaan, walang apoy at pagsabog, malinis na pag-operate, mababang ingay, maliit na clearance ng open-contact, maikling arcing time, at madaling pag-maintain. Dahil sa lumalaking polusyon sa hangin, sa mga masamang kalagayan ng panahon tulad ng makapal na ulap, maliit na ulan, kondensasyon, o pag-unlad ng yelo, maaaring mangyari ang partial discharge (PD) sa ibabaw ng post insulator ng breaker. Ito ay maaaring magresulta sa flashovers, pag-shorten ng service life ng mga breakers, at pag-apekto sa ligtas at matatag na operasyon ng power system.

Sa papel na ito, ang ZW32 - 12 outdoor-pole-mounted high-voltage vacuum circuit breaker (na kailanman tinatawag na HV ZW32 - 12 breaker) ay ginagamit bilang halimbawa, na sumasailalim sa mga test sa iba't ibang kondisyon ng klima. Ang proseso ng surface discharge ng post insulator ng ZW32 - 12 breaker ay kinukuha ng UV imager, habang ang kantidad nito ay sinusukat nang sabay-sabay. Pagkatapos ng pag-proseso ng imahe ng UV, ang mga karakteristikong parametro ay inililikha upang ilarawan ang mga katangian ng mga imahe. Sa susunod, ang kantidad ng discharge ay inaasahan gamit ang least-square support vector machine method, na nagbibigay-daan sa calibration ng mga UV images. Ito ay isang bagong non-contact detection technique para sa partial discharge ng breakers.

Ang ZW32 - 12 breaker ay isang three-phase, 50Hz, 12kV AC outdoor power-distribution device. Ito ay pangunahing ginagamit upang putulin at buksan ang load current, overload current, at short-circuit current. Ang kanyang estruktura ay ipinapakita sa Fig. 1.

Upang sabay-sabay na kunin ang discharge UV image ng post insulator at sukatin ang kantidad ng partial discharge (PD), isang insulator surface discharge test system ang idinisenyo, tulad ng ipinapakita sa Fig. 2. Sa Fig. 2, T ang voltage regulator, B ang step-up transformer, R₁ ang limiting resistor, at C₂ ang coupling capacitor, na ginagamit para sa sampling ng PD measurement. 

Ang transformer na ginagamit sa sistema ay isang YDWT - 10kVA/100kV model, tulad ng ipinapakita sa Fig. 3 - a. Ito ay ginagamit upang lumikha ng high-voltage source na kailangan ng insulator.

Isang OFIL Superb UV imager ang ginagamit upang kunin ang UV images ng insulator surface discharge, tulad ng ipinapakita sa Fig. 3 - b. Ang sample na itest ay ang post insulator mula sa ZW32 - 12 breaker, na nasa serbisyo na ng tatlong taon, tulad ng ipinapakita sa Fig. 3 - c. Ang sample ay ilalagay sa loob ng artificial climate chamber, kung saan ang relative humidity ay maaring kontrolin nang matatag.

Sa sistema na ito, ang pulse current method ang ginagamit upang sukatin ang kantidad ng partial discharge (PD). Ang console ay nagkontrol ng voltage regulator at transformer upang lumikha ng desired voltage. Pagkatapos, ang signal ng PD ay isinasalin sa PD detector JFD - 3 gamit ang coupling capacitor at detecting impedance.

Sa pamamagitan ng intermittent humidification, ang relative humidity sa loob ng artificial climate chamber ay maaaring mapanatili nang matatag. Ang mga insulators ay inilalapat ng voltage sa loob ng dalawang oras upang siguraduhing lubusan silang nababasa. Pagkatapos, isinasala ang 12kV voltage sa insulator sa loob ng 5 minuto. Sa panahong ito, ang mga UV images ay kinukuha, at ang kantidad ng PD ay sinusukat. Ang shooting distance ng UV imager ay 5 metro, na may angle na 0° at gain na 110%. Mga repeated tests ay isinasagawa sa bawat antas ng relative humidity, na may range mula 70% hanggang 90%, na may step-up process ng 5%.

 Proseso ng mga UV images

Ang UV imager ay nakukuha ang video, kaya ang frame processing ay kinakailangan upang makuha ang consecutive frames ng UV video para sa karagdagang analisis. Ang bawat image frame ay isang RGB true-color image [3]. Ang surface discharge ng insulator ay napapakita sa UV image bilang isang bright spot. Ang mas intense ang surface discharge, ang mas malaki ang spot area. Kaya, ang image pre-processing at image segmentation ay mahalagang hakbang upang i-filter ang background ng imahe at i-extract ang bahagi ng spot.

Dahil ang red component (R), green component (G), at blue component (B) sa RGB color space ay lamang nagpapahiwatig ng ratio ng kulay ng red, green, at blue at hindi maaaring ipakita ang brightness ng imahe, kami ay nag-analyze ng bawat image frame sa HSL color space. Ang HSL stands for Hue, Saturation, at Luminance respectively. Ang HSL components ng isang image frame ay ipinapakita sa Fig. 4. Ayon sa Fig. 4, maaari nating matukoy na ang H o S component ay hindi maaaring mapaghiwalay ang spot mula sa background, habang ang L component ay maaaring gumawa nito [4].

Tulad ng maaaring makita sa Fig. 4 - c, ang L component ng bahagi ng spot ay mas malaki kaysa sa background. Kaya, ang threshold segmentation ay isang epektibong paraan upang i-extract ang bahagi ng spot. Ang key lies sa pagpili ng appropriate L-component threshold. Dito, kami ay gumamit ng Otsu's thresholding method upang kalkulahin ang L-component threshold [5]. Pagkatapos ng Matlab coding para sa Otsu's method, ang optimal L-component threshold ay natukoy na 216, at ang resulta ng segmentation ay ipinapakita sa Fig. 5 - c. Evident na ang background ay na-filter out, na-wala na ang UV spot part.

Tulad ng ipinapakita sa Fig. 5 - c, bukod sa UV spot part, mayroon pa rin maraming small noise points. Upang tugunan ito, kami ay gumamit ng mathematical morphology operations na may structural element na circle na may radius ng 4 pixels upang alisin ang mga noise points [6]. Pagkatapos ng mathematical morphology processing, ang resulta ay ipinapakita sa Fig. 5 - d. Lahat ng noise points ay naalis, at ang tanging natitirang bahagi ay ang spot part. Kami ay define ang bilang ng pixels sa spot part bilang ang "facula area" ng UV image na ito.

Pagkatapos ng pag-compute ng facula area para sa consecutive frames sa UV video, maaari nating makuhang ang facula area curve. Ang facula area curve sa 85% humidity ay ipinapakita sa Fig. 6. Ayon sa Fig. 6, ang facula area ay nagfluctuate sa maliit na range, na may malaking spot na lumilitaw kung minsan. Kaya, tatlong parameters ang inilalarawan upang ilarawan ang intensity ng discharge: ang mean facula area, ang intermittent facula area, at ang repetition times of intermittent facula respectively [7]. Kami ay pinili ang 100 consecutive frames pagkatapos ng pag-occur ng partial discharge bilang object ng pag-aaral. Ang mean facula area ay ang average ng areas ng 100 frames' faculae. Ang intermittent facula area ay ang average ng areas ng faculae na mas malaki kaysa sa mean facula area, habang ang repetition times of intermittent facula ay ang bilang ng faculae na may area na mas malaki kaysa sa mean facula area. Ayon sa Fig. 6, ang mean facula area ay 665 pixels. Ang intermittent facula area ay 902 pixels. Ang repetition times of intermittent facula ay 32.

Kapag ang tatlong characteristic parameters ay nakalkula at ang partial discharge (PD) quantity ay sinusukat nang sabay-sabay, kami ay subukan na matukoy ang PD quantity gamit ang tatlong UV image parameters sa pamamagitan ng least-square support vector machine method.

Siyamnapung samples ng UV videos ang napili. Para sa bawat frame ng mga samples, tatlong UV image parameters ang nakalkula, at ang corresponding partial discharge (PD) quantity ay na-record ng JFD3 PD detector. Ang input arguments para sa vector machine ay pinili bilang ang mean facula area, ang intermittent facula area, ang repetition times of intermittent facula, at ang relative humidity. Ang output argument ay ang PD quantity. Ang Radial Basis Function (RBF) ang pinili bilang kernel function. Pagkatapos ng normalization, 80 samples ang ginamit para sa training. Ang kernel parameters at punishment parameters ng vector machine ay itinakda sa default values. Ang resulta ng training ay ipinapakita sa Fig. 7.

Tulad ng ipinapakita sa Fig. 7, para sa karamihan ng training samples, ang error sa paghahambing sa measured PD quantity ay maliit. Ngunit, para sa ilang samples, ang error ay lumampas sa 20%. Ang Mean Square Error (MSE) ay kalkulahin gaya ng sumusunod:

Upang minimize ang Mean Square Error (MSE) ng regression result at palakasin ang accuracy ng vector machine, ginagamit ang genetic algorithm (GA) upang i-optimize ang kernel parameters at punishment parameters. [8 - 9]

Ang termination generation ay itinakda sa 100, at ang population size ay itinakda sa 20. Ang optimization process ay ipinapakita sa Fig. 8. Tulad ng ipinapakita sa Fig. 8, pagkatapos ng 30 generations of evolution, ang MSE ay bumaba mula 0.07 hanggang 0.01, na nagpapahiwatig na ang genetic algorithm ay umabot sa kanyang optimal point. [10] Ang optimized kernel at punishment parameters ay 0.2861 at 82.65 respectively.

Pagkatapos ng pag-optimize ng parameters gamit ang genetic algorithm (GA), ang parehong 80 samples ay retrained, at ang regression result ay ipinapakita sa Fig. 9. Tulad ng maaaring makita sa Fig. 9, halos lahat ng samples ay nagpakita ng napakaliit na error sa paghahambing sa measured partial discharge (PD) quantity. Ang Mean Square Error (MSE) ngayon ay 10, na mas maliit kaysa sa value na 80 bago ang parameter optimization. Kaya, malinaw na ang pag-optimize ng GA parameters ay maaaring epektibong mabawasan ang MSE ng regression result at palakasin ang accuracy ng vector machine.

Ang huling 10 samples ay ginamit upang gawin ang test sa model. Ang regression results ay ipinapakita sa Table 1. Malinaw na maaaring makita na ang error sa pagitan ng regression results at ang actual partial discharge (PD) quantity ay mas maliit kaysa sa 6.1%. Ang finding na ito ay nagpapahiwatig na ang trained model ay nagpapakita ng excellent generalization ability.

Ang UV imaging technology ay ginagamit upang detektiin ang surface discharge ng outdoor vacuum breaker post insulators. Ang relasyon sa pagitan ng facula area sa UV images at ang partial discharge quantity ay sinisiyasat sa pamamagitan ng least-square support vector machine method, na nagbibigay ng bagong paraan para sa insulation fault diagnosis ng outdoor vacuum circuit breakers batay sa ultraviolet imaging.

A. Image Processing and Parameter Definition

Pagkatapos ng L-component threshold segmentation at mathematical morphology operations sa UV images, ang bahagi ng spot ng UV image ay inililikha, na nagbibigay-daan sa pag-compute ng facula area. Tatlong parameters ang inilalarawan upang quantify ang intensity ng discharge: ang mean facula area, ang intermittent facula area, at ang repetition times of intermittent faculae.

B. Data Acquisition and Analysis

Kapag ang UV videos ay nakuha at ang partial discharge (PD) quantity ay sinusukat nang sabay-sabay, ang relative humidity at ang tatlong UV image feature parameters ay ginagamit bilang input variables. Sa pamamagitan ng regression analysis via least-square support vector machine, kasama ang kernel parameter optimization gamit ang genetic algorithm (GA), ang PD quantity ay maaaring accurately determined.

C. Diagnostic Accuracy and Significance

Sa pamamagitan ng regression analysis upang itatag ang relasyon sa pagitan ng insulator surface discharge quantity at ang UV image facula area, natuklasan na ang PD quantity na diagnosed solely mula sa UV images ay may error na mas maliit kaysa sa 6% sa paghahambing sa measured PD quantity. Ang lebel ng accuracy na ito ay tumutugon sa mga requirement ng practical applications at nagbibigay ng bagong non-invasive method para sa diagnosis ng external insulation faults sa outdoor vacuum circuit breakers batay sa ultraviolet imaging.

Ang research na ito ay pinondohan ng National Natural Science Foundation of China at State Key Laboratory of Electrical Insulation and Power Equipment. Ang mga may-akda ay gustong ipahiwatig ang kanilang sincere gratitude sa lahat ng nagbigay ng suporta para sa proyektong ito.