Oberflächenentladungserkennung der externen Isolierung von Freiluft-Vakuumschaltern basierend auf UV-Bildgebung

Freiluft-Vakuumschaltbrecher (im Folgenden als Schaltbrecher bezeichnet) werden aufgrund ihrer Vorteile wie geringer Größe, geringem Gewicht, feuer- und explosionsfesten Eigenschaften, reibungslosem Betrieb, geringem Lärm, kleinem Kontaktabstand, kurzer Bogenzeit und einfacher Wartung weit verbreitet in Verteilernetzen eingesetzt. Aufgrund der zunehmenden Luftverschmutzung kann es bei ungünstigen Wetterbedingungen wie dichten Nebel, Nieselregen, Kondensation oder Eisauflösung zu partiellen Entladungen (PD) an der Oberfläche des Ständerisolators des Schaltbrechers kommen. Dies kann sogar zu Blitzüberschlägen führen, die die Lebensdauer der Schaltbrecher verkürzen und den sicheren und stabilen Betrieb des Stromnetzes beeinträchtigen.

In dieser Arbeit wird der ZW32-12 Freiluft-Ständerhochspannungsvakuumschaltbrecher (im Folgenden als HV ZW32-12 Schaltbrecher bezeichnet) als Beispiel herangezogen, um Tests unter verschiedenen klimatischen Bedingungen durchzuführen. Der Oberflächenentladungsprozess des Ständerisolators des ZW32-12 Schaltbrechers wird mit einem UV-Bildgebungsgerät erfasst, während gleichzeitig die Entladungsmenge gemessen wird. Nach der Bildverarbeitung der UV-Bilder werden charakteristische Parameter extrahiert, um die Merkmale dieser Bilder zu beschreiben. Anschließend wird die Entladungsmenge mit dem Methode des Least-Square Support Vector Machine berechnet, was eine Kalibrierung der UV-Bilder ermöglicht. Dies stellt eine neue kontaktlose Detektionstechnik für partielle Entladungen von Schaltbrechern dar.

Der ZW32-12 Schaltbrecher ist ein dreiphasiges, 50Hz, 12kV AC Freiluft-Verteilungsgerät. Er wird hauptsächlich zum Unterbrechen und Schließen von Laststrom, Überlaststrom und Kurzschlussstrom verwendet. Seine Struktur ist in Abb. 1 dargestellt.

Um gleichzeitig das UV-Entladungsbild des Ständerisolators zu erfassen und die Menge der partiellen Entladungen (PD) zu messen, wurde ein Prüfsystem für die Oberflächenentladung des Isolators entwickelt, wie in Abb. 2 gezeigt. In Abb. 2 steht T für den Spannungsregler, B für den Hochspannungstransformator, R₁ für den Begrenzungswiderstand und C₂ für den Kopplungskondensator, der zur Abtastung der PD-Messung verwendet wird. 

Der im System verwendete Transformator ist ein YDWT-10kVA/100kV-Modell, wie in Abb. 3-a dargestellt. Er wird verwendet, um die für den Isolator erforderliche Hochspannungsquelle zu erzeugen.

Ein OFIL Superb UV-Bildgebungsgerät wird verwendet, um die UV-Bilder der Oberflächenentladung des Isolators zu erfassen, wie in Abb. 3-b gezeigt. Das Testobjekt ist der Ständerisolator eines ZW32-12 Schaltbrechers, der drei Jahre im Einsatz war, wie in Abb. 3-c dargestellt. Das Probenstück wird in einer künstlichen Klimakammer platziert, in der die relative Luftfeuchtigkeit stabil kontrolliert werden kann.

In diesem System wird die Impulsstrommethode zur Messung der partiellen Entladung (PD) verwendet. Die Konsole steuert den Spannungsregler und den Transformator, um die gewünschte Spannung zu erzeugen. Anschließend wird das PD-Signal über einen Kopplungskondensator und einen Detektionswiderstand an den PD-Detektor JFD-3 übertragen.

Durch intermittierende Feuchtigung kann die relative Luftfeuchtigkeit in der künstlichen Klimakammer stabil gehalten werden. Die Isolatoren werden zwei Stunden lang mit Spannung belastet, um sicherzustellen, dass sie vollständig angefeuchtet sind. Dann wird eine Spannung von 12kV für 5 Minuten auf den Isolator angewendet. Während dieser Zeit werden UV-Bilder aufgenommen und die PD-Menge gemessen. Die Aufnahmedistanz des UV-Bildgebungsgeräts beträgt 5 Meter, mit einem Winkel von 0° und einer Verstärkung von 110%. Die Tests werden bei jedem relativen Luftfeuchtigkeitsgrad wiederholt, der von 70% bis 90% reicht, wobei ein Steigerungsprozess von 5% erfolgt.

 Verarbeitung von UV-Bildern

Das UV-Bildgebungsgerät erfasst ein Video, daher ist eine Bildrahmenverarbeitung notwendig, um aufeinanderfolgende Frames des UV-Videos für weitere Analysen zu erhalten. Jeder Bildframe ist ein RGB-Farbabbild [3]. Die Oberflächenentladung des Isolators spiegelt sich im UV-Bild als heller Punkt wider. Je intensiver die Oberflächenentladung, desto größer ist der Flächeninhalt des Punktes. Daher sind die Vorverarbeitung und Segmentierung der Bilder essentielle Schritte, um den Bildhintergrund herauszufiltern und den Punktteil zu extrahieren.

Da die rote Komponente (R), grüne Komponente (G) und blaue Komponente (B) im RGB-Farbraum nur das Farbverhältnis von Rot, Grün und Blau anzeigen und nicht die Helligkeit des Bildes repräsentieren, analysieren wir jeden Bildframe im HSL-Farbraum. HSL steht für Hue, Saturation und Luminance. Die HSL-Komponenten eines Bildframes sind in Abb. 4 dargestellt. Wie aus Abb. 4 ersichtlich, können die H- oder S-Komponenten den Punkt vom Hintergrund nicht unterscheiden, während die L-Komponente dies kann [4].

Wie aus Abb. 4-c zu sehen ist, ist die L-Komponente des Punktteils größer als die des Hintergrunds. Daher ist die Schwellwertsegmentierung eine effektive Methode, um den Punktteil zu extrahieren. Der Schlüssel liegt in der Wahl eines geeigneten L-Komponentenschwellwerts. Hier verwenden wir die Otsu-Schwellwertmethode, um den L-Komponentenschwellwert zu berechnen [5]. Nach der Implementierung der Matlab-Codierung für die Otsu-Methode wird der optimale L-Komponentenschwellwert auf 216 festgelegt, und das Segmentierungsergebnis ist in Abb. 5-c dargestellt. Es ist offensichtlich, dass der Hintergrund herausgefiltert wurde und nur der UV-Punktteil übrig bleibt.

Wie in Abb. 5-c zu sehen ist, gibt es neben dem UV-Punktteil noch zahlreiche kleine Rauschpunkte. Um diese zu beseitigen, wenden wir mathematische Morphologieoperationen mit einem strukturellen Element in Form eines Kreises mit einem Radius von 4 Pixeln an, um diese Rauschpunkte zu entfernen [6]. Nach der mathematischen Morphologieverarbeitung ist das Ergebnis in Abb. 5-d dargestellt. Alle Rauschpunkte wurden eliminiert, und nur der Punktteil bleibt. Wir definieren die Anzahl der Pixel im Punktteil als die "Fackelfläche" dieses UV-Bildes.

Nach der Berechnung der Fackelfläche für aufeinanderfolgende Frames in einem UV-Video können wir die Fackelflächenkurve erhalten. Die Fackelflächenkurve bei 85% Luftfeuchtigkeit ist in Abb. 6 dargestellt. Wie aus Abb. 6 hervorgeht, schwankt die Fackelfläche innerhalb eines kleinen Bereichs, wobei gelegentlich ein großflächiger Punkt auftaucht. Daher werden drei Parameter definiert, um die Entladungsintensität zu charakterisieren: die mittlere Fackelfläche, die intermittierende Fackelfläche und die Wiederholungszahl der intermittierenden Fackelfläche [7]. Wir wählen 100 aufeinanderfolgende Frames nach dem Auftreten der partiellen Entladung als Untersuchungsobjekte. Die mittlere Fackelfläche ist der Durchschnitt der Flächeninhalte der Fackeln von 100 Frames. Die intermittierende Fackelfläche ist der Durchschnitt der Flächeninhalte der Fackeln, die größer als die mittlere Fackelfläche sind, während die Wiederholungszahl der intermittierenden Fackelfläche die Anzahl der Fackeln mit einem Flächeninhalt größer als die mittlere Fackelfläche ist. Laut Abb. 6 beträgt die mittlere Fackelfläche 665 Pixel. Die intermittierende Fackelfläche beträgt 902 Pixel. Die Wiederholungszahl der intermittierenden Fackelfläche beträgt 32.

Sobald die drei charakteristischen Parameter berechnet und die partielle Entladung (PD) synchron gemessen wurde, versuchen wir, die PD-Menge mit diesen drei UV-Bildparametern mithilfe der Least-Square Support Vector Machine Methode zu bestimmen.

Es werden 90 UV-Videoproben ausgewählt. Für jeden Frame dieser Proben werden drei UV-Bildparameter berechnet, und die entsprechende partielle Entladung (PD) wird vom JFD3 PD-Detektor aufgezeichnet. Als Eingabeargumente für die Vektormaschine werden die mittlere Fackelfläche, die intermittierende Fackelfläche, die Wiederholungszahl der intermittierenden Fackelfläche und die relative Luftfeuchtigkeit gewählt. Das Ausgabeargument ist die PD-Menge. Als Kernfunktion wird die Radiale Basisfunktion (RBF) ausgewählt. Nach der Normalisierung werden 80 Proben für das Training verwendet. Die Kern- und Strafparameter der Vektormaschine werden auf Standardwerte eingestellt. Das Trainingsergebnis ist in Abb. 7 dargestellt.

Wie in Abb. 7 zu sehen ist, ist der Fehler im Vergleich zur gemessenen PD-Menge für die meisten Trainingsproben relativ klein. Für einige Proben jedoch überschreitet der Fehler 20%. Der Mittlere Quadratische Fehler (MSE) wird wie folgt berechnet:

Um den Mittleren Quadratischen Fehler (MSE) des Regressionsergebnisses zu minimieren und die Genauigkeit der Vektormaschine zu verbessern, wird ein genetischer Algorithmus (GA) verwendet, um die Kern- und Strafparameter zu optimieren. [8 - 9]

Die Terminationsgeneration wird auf 100 gesetzt, und die Populationsgröße wird auf 20 gesetzt. Der Optimierungsprozess ist in Abb. 8 dargestellt. Wie in Abb. 8 zu sehen ist, verringert sich der MSE nach 30 Generationen der Evolution von 0,07 auf 0,01, was darauf hinweist, dass der genetische Algorithmus seinen optimalen Punkt erreicht hat. [10] Die optimierten Kern- und Strafparameter betragen 0,2861 und 82,65.

Nach der Optimierung der Parameter mit dem genetischen Algorithmus (GA) werden die gleichen 80 Proben neu trainiert, und das Regressionsergebnis ist in Abb. 9 dargestellt. Wie in Abb. 9 zu sehen ist, weisen fast alle Proben einen sehr geringen Fehler im Vergleich zur gemessenen partiellen Entladung (PD) auf. Der Mittlere Quadratische Fehler (MSE) beträgt nun 10, was signifikant kleiner als der Wert von 80 vor der Parametrisierung ist. Es ist also offensichtlich, dass die Optimierung der GA-Parameter den MSE des Regressionsergebnisses wirksam reduzieren und die Genauigkeit der Vektormaschine verbessern kann.

Die letzten 10 Proben werden verwendet, um eine Testung des Modells durchzuführen. Die Regressionsergebnisse sind in Tabelle 1 dargestellt. Es ist deutlich zu erkennen, dass der Fehler zwischen den Regressionsergebnissen und der tatsächlichen partiellen Entladung (PD) weniger als 6,1% beträgt. Dies zeigt, dass das trainierte Modell ausgezeichnete Generalisierungsfähigkeit aufweist.

UV-Bildgebungstechnologie wird verwendet, um die Oberflächenentladung von Freiluft-Vakuumschaltbrecher-Ständerisolatoren zu detektieren. Die Beziehung zwischen der Fackelfläche in UV-Bildern und der Menge der partiellen Entladung wird durch die Least-Square Support Vector Machine Methode untersucht, was einen neuen Ansatz für die Isolationsfehlersuche von Freiluft-Vakuumschaltbrechern basierend auf ultravioletter Bildgebung bietet.

A. Bildverarbeitung und Parameterdefinition

Nach der L-Komponentenschwellwertsegmentierung und der Anwendung mathematischer Morphologieoperationen auf UV-Bilder wird der Punktteil des UV-Bildes extrahiert, was die Berechnung der Fackelfläche ermöglicht. Drei Parameter werden definiert, um die Entladungsintensität zu quantifizieren: die mittlere Fackelfläche, die intermittierende Fackelfläche und die Wiederholungszahl der intermittierenden Fackelfläche.

B. Datenerfassung und -analyse

Nachdem UV-Videos aufgezeichnet und die partielle Entladung (PD) synchron gemessen wurde, werden die relative Luftfeuchtigkeit und die drei UV-Bildmerkmalparameter als Eingabevariablen verwendet. Durch Regressionsanalyse mit der Least-Square Support Vector Machine und die Optimierung der Kernparameter mit einem genetischen Algorithmus (GA) kann die PD-Menge genau bestimmt werden.

C. Diagnosegenauigkeit und Bedeutung

Durch die Regressionsanalyse, um die Beziehung zwischen der Oberflächenentladungsmenge des Isolators und seiner UV-Bild-Fackelfläche herzustellen, wird festgestellt, dass die allein aus UV-Bildern diagnostizierte PD-Menge einen Fehler von weniger als 6% im Vergleich zur gemessenen PD-Menge aufweist. Diese Genauigkeit entspricht den Anforderungen praktischer Anwendungen und bietet eine neue nicht-invasive Methode zur Diagnose externer Isolationsfehler in Freiluft-Vakuumschaltbrechern basierend auf ultravioletter Bildgebung.

Diese Forschung wurde von der National Natural Science Foundation of China und dem State Key Laboratory of Electrical Insulation and Power Equipment finanziert. Die Autoren möchten allen, die Unterstützung für dieses Projekt bereitgestellt haben, ihren aufrichtigen Dank aussprechen.