تشخیص تخلیه سطحی عایق بیرونی دریچه قطع کننده خلاء بیرونی بر اساس تصویربرداری فرابنفش

بیرونی برق‌گیرهای خلاء (که در ادامه به عنوان برق‌گیرها اشاره می‌شود) به دلیل مزایایی مانند حجم کوچک، وزن سبک، جلوگیری از آتش و انفجار، عملکرد صاف، سر و صدای کم، فاصله تماس باز کوچک، زمان قوس کوتاه و نگهداری آسان در شبکه توزیع گسترده استفاده می‌شوند. با افزایش آلودگی جو، در شرایط هواپیمایی نامساعد مانند مه سنگین، باران ریز، تكثيف يا ذوب یخ، انتشار بخشی (PD) ممکن است روی سطح برق‌گیر پستی اتفاق بیفتاد. این می‌تواند حتی منجر به جرقه‌هایی شود که عمر مفید برق‌گیرها را کاهش می‌دهد و عملکرد ایمن و پایدار سیستم برق را تحت تأثیر قرار می‌دهد.

در این مقاله، برق‌گیر خلاء فشار بالا ZW32 - 12 بیرونی-پستی (از این پس به عنوان برق‌گیر HV ZW32 - 12 اشاره می‌شود) به عنوان مثال، در شرایط آب و هوایی متنوع تست می‌شود. فرآیند انتشار سطحی برق‌گیر پستی ZW32 - 12 توسط دوربین UV ثبت می‌شود، در حالی که مقدار انتشار آن همزمان اندازه‌گیری می‌شود. پس از پردازش تصویر UV، پارامترهای مشخصه استخراج می‌شوند تا ویژگی‌های این تصاویر را نشان دهند. سپس مقدار انتشار با استفاده از روش ماشین بردار پشتیبان کمترین مربعات محاسبه می‌شود، که این امر به کالیبراسیون تصاویر UV می‌انجامد. این یک تکنیک تشخیص غیرتماسی جدید برای انتشار بخشی برق‌گیرها است.

برق‌گیر ZW32 - 12 یک دستگاه توزیع برق بیرونی سه‌فاز، 50Hz، 12kV است. این دستگاه عمدتاً برای قطع و بستن جریان بار، جریان بیش از حد و جریان کوتاه‌مداری استفاده می‌شود. ساختار آن در شکل 1 نشان داده شده است.

برای ثبت تصویر UV انتشار سطحی برق‌گیر پستی و اندازه‌گیری مقدار انتشار بخشی (PD)، یک سیستم تست انتشار سطحی برق‌گیر طراحی شده است، که در شکل 2 نشان داده شده است. در شکل 2، T نشان‌دهنده تنظیم‌کننده ولتاژ، B ترانسفورماتور افزایش‌دهنده، R₁ مقاومت محدودکننده و C₂ خازن کوپلینگ است که برای نمونه‌برداری اندازه‌گیری PD استفاده می‌شود. 

ترانسفورماتور مورد استفاده در سیستم مدل YDWT - 10kVA/100kV است، که در شکل 3 - a نشان داده شده است. این ترانسفورماتور برای تولید منبع ولتاژ بالا مورد نیاز برق‌گیر استفاده می‌شود.

دوربین UV OFIL Superb برای ثبت تصاویر UV انتشار سطحی برق‌گیر استفاده می‌شود، که در شکل 3 - b نشان داده شده است. نمونه آزمون برق‌گیر پستی از یک برق‌گیر ZW32 - 12 است که سه سال در خدمت بوده است، که در شکل 3 - c نشان داده شده است. نمونه در یک کابین آب و هوایی مصنوعی قرار دارد که رطوبت نسبی آن می‌تواند به صورت پایدار کنترل شود.

در این سیستم، روش جریان ضربه‌ای برای اندازه‌گیری مقدار انتشار بخشی (PD) استفاده می‌شود. کنسول تنظیم‌کننده ولتاژ و ترانسفورماتور را کنترل می‌کند تا ولتاژ مورد نظر تولید شود. سپس سیگنال PD از طریق یک خازن کوپلینگ و یک مانع تشخیص به جستجوگر PD JFD - 3 منتقل می‌شود.

با ترکیب مرطوب‌سازی متناوب، رطوبت نسبی در کابین آب و هوایی مصنوعی می‌تواند در سطح پایداری نگهداری شود. برق‌گیرها دو ساعت تحت ولتاژ قرار می‌گیرند تا به طور کامل مرطوب شوند. سپس ولتاژ 12kV به برق‌گیر اعمال می‌شود تا 5 دقیقه. در طول این دوره، تصاویر UV ثبت می‌شوند و مقدار PD اندازه‌گیری می‌شود. فاصله تصویربرداری دوربین UV 5 متر است، با زاویه 0° و gain 110٪. آزمون‌های تکراری در هر سطح رطوبت نسبی انجام می‌شود که از 70٪ تا 90٪ متغیر است با گام 5٪.

 فرآیند تصاویر UV

دوربین UV یک ویدئو ثبت می‌کند، بنابراین پردازش فریم لازم است تا فریم‌های متوالی از ویدئو UV برای تحلیل بیشتر به دست آید. هر فریم تصویر یک تصویر رنگی RGB واقعی است [3]. انتشار سطحی برق‌گیر در تصویر UV به عنوان یک نقطه روشن نمایان می‌شود. هرچه انتشار سطحی شدیدتر باشد، مساحت نقطه بزرگتر است. بنابراین، پردازش اولیه تصویر و تقسیم‌بندی تصویر مراحل ضروری برای فیلتر کردن پس‌زمینه تصویر و استخراج بخش نقطه‌ای هستند.

از آنجا که مؤلفه‌های قرمز (R)، سبز (G) و آبی (B) در فضای رنگی RGB فقط نسبت رنگ قرمز، سبز و آبی را نشان می‌دهند و نمی‌توانند روشنایی تصویر را نمایش دهند، هر فریم تصویر در فضای رنگی HSL تحلیل می‌شود. HSL به ترتیب به معنای رنگ، اشباعی و روشنایی است. مؤلفه‌های HSL یک فریم تصویر در شکل 4 نشان داده شده‌اند. بر اساس شکل 4، می‌توان دریافت که مؤلفه H یا S نمی‌تواند نقطه را از پس‌زمینه جدا کند، در حالی که مؤلفه L این تمایز را انجام می‌دهد [4].

همانطور که از شکل 4 - c مشهود است، مؤلفه L بخش نقطه‌ای بزرگتر از پس‌زمینه است. بنابراین، تقسیم‌بندی آستانه‌ای یک روش موثر برای استخراج بخش نقطه‌ای است. کلید انتخاب یک آستانه مؤلفه L مناسب است. در اینجا از روش آستانه‌گذاری Otsu برای محاسبه آستانه مؤلفه L استفاده می‌کنیم [5]. پس از پیاده‌سازی کد Matlab برای روش Otsu، آستانه مؤلفه L بهینه به 216 تعیین شد و نتیجه تقسیم‌بندی در شکل 5 - c نشان داده شده است. واضح است که پس‌زمینه فیلتر شده و فقط بخش نقطه‌ای UV باقی مانده است.

همانطور که در شکل 5 - c نشان داده شده است، علاوه بر بخش نقطه‌ای UV، هنوز نقاط نویز کوچک زیادی وجود دارد. برای حل این مشکل، عملیات مورفولوژی ریاضی با یک عنصر ساختاری به شکل دایره با شعاع 4 پیکسل برای حذف این نقاط نویز اعمال می‌شود [6]. پس از پردازش مورفولوژی ریاضی، نتیجه در شکل 5 - d نشان داده شده است. تمام نقاط نویز حذف شده‌اند و فقط بخش نقطه‌ای باقی مانده است. تعداد پیکسل‌های بخش نقطه‌ای را به عنوان "مساحت فاکولا" این تصویر UV تعریف می‌کنیم.

پس از محاسبه مساحت فاکولا برای فریم‌های متوالی در یک ویدئو UV، می‌توان منحنی مساحت فاکولا را به دست آورد. منحنی مساحت فاکولا در رطوبت نسبی 85٪ در شکل 6 نشان داده شده است. همانطور که از شکل 6 پیداست، مساحت فاکولا در محدوده کوچکی نوسان می‌کند، با ظهور گاه به گاه یک نقطه بزرگ. بنابراین، سه پارامتر تعریف می‌شوند تا شدت انتشار را مشخص کنند: مساحت میانگین فاکولا، مساحت فاکولا متناوب و تعداد تکرار فاکولا متناوب به ترتیب [7]. ما 100 فریم متوالی پس از وقوع انتشار بخشی را به عنوان ابجکت مطالعه انتخاب می‌کنیم. مساحت میانگین فاکولا میانگین مساحت‌های 100 فریم فاکولا است. مساحت فاکولا متناوب میانگین مساحت‌های فاکولا‌هایی است که بزرگتر از مساحت میانگین فاکولا هستند، در حالی که تعداد تکرار فاکولا متناوب تعداد فاکولا‌هایی است که مساحت آن‌ها بزرگتر از مساحت میانگین فاکولا است. بر اساس شکل 6، مساحت میانگین فاکولا 665 پیکسل است. مساحت فاکولا متناوب 902 پیکسل است. تعداد تکرار فاکولا متناوب 32 است.

پس از محاسبه سه پارامتر مشخصه و اندازه‌گیری همزمان مقدار انتشار بخشی (PD)، سعی می‌کنیم مقدار PD را با استفاده از این سه پارامتر تصویر UV از طریق روش ماشین بردار پشتیبان کمترین مربعات تعیین کنیم.

90 نمونه از ویدئوهای UV انتخاب شده‌اند. برای هر فریم از این نمونه‌ها، سه پارامتر تصویر UV محاسبه شده و مقدار انتشار بخشی (PD) متناظر توسط جستجوگر PD JFD3 ثبت می‌شود. آرگومان‌های ورودی برای ماشین بردار شامل مساحت میانگین فاکولا، مساحت فاکولا متناوب، تعداد تکرار فاکولا متناوب و رطوبت نسبی است. آرگومان خروجی مقدار PD است. تابع پایه شعاعی (RBF) به عنوان تابع هسته انتخاب می‌شود. پس از نرمال‌سازی، 80 نمونه برای آموزش استفاده می‌شوند. هر دو پارامتر هسته و پارامتر تنبیه ماشین بردار به مقادیر پیش‌فرض تنظیم می‌شوند. نتیجه آموزش در شکل 7 نشان داده شده است.

همانطور که در شکل 7 نشان داده شده است، برای بیشتر نمونه‌های آموزشی، خطای مقایسه با مقدار PD اندازه‌گیری شده نسبتاً کوچک است. اما برای برخی نمونه‌ها، خطا بیش از 20٪ است. میانگین مربعات خطا (MSE) به صورت زیر محاسبه می‌شود:

برای کاهش میانگین مربعات خطا (MSE) نتیجه رگرسیون و افزایش دقت ماشین بردار، الگوریتم ژنتیک (GA) برای بهینه‌سازی پارامترهای هسته و تنبیه استفاده می‌شود. [8 - 9]

نسل پایانی به 100 تنظیم شده و اندازه جمعیت به 20 تنظیم شده است. فرآیند بهینه‌سازی در شکل 8 نشان داده شده است. همانطور که در شکل 8 نشان داده شده است، پس از 30 نسل تکامل، MSE از 0.07 به 0.01 کاهش می‌یابد، که نشان می‌دهد الگوریتم ژنتیک به نقطه بهینه خود رسیده است. [10] پارامترهای هسته و تنبیه بهینه به ترتیب 0.2861 و 82.65 هستند.

پس از بهینه‌سازی پارامترها با استفاده از الگوریتم ژنتیک (GA)، همان 80 نمونه دوباره آموزش داده می‌شوند و نتیجه رگرسیون در شکل 9 نشان داده شده است. همانطور که از شکل 9 مشهود است، تقریباً تمام نمونه‌ها خطای بسیار کوچکی نسبت به مقدار انتشار بخشی (PD) اندازه‌گیری شده دارند. میانگین مربعات خطا (MSE) اکنون 10 است، که به طور قابل توجهی کوچکتر از مقدار 80 قبل از بهینه‌سازی پارامترها است. بنابراین، واضح است که بهینه‌سازی پارامترهای GA می‌تواند به طور موثر MSE نتیجه رگرسیون را کاهش دهد و دقت ماشین بردار را افزایش دهد.

10 نمونه آخر برای انجام آزمون روی مدل استفاده می‌شوند. نتایج رگرسیون در جدول 1 نشان داده شده‌اند. به وضوح می‌توان دید که خطای بین نتایج رگرسیون و مقدار واقعی انتشار بخشی (PD) کمتر از 6.1٪ است. این یافته نشان می‌دهد که مدل آموزش دیده دارای توانایی تعمیم بسیار خوبی است.

فناوری تصویربرداری UV برای تشخیص انتشار سطحی برق‌گیرهای پستی بیرونی خلاء استفاده می‌شود. رابطه بین مساحت فاکولا در تصاویر UV و مقدار انتشار بخشی از طریق روش ماشین بردار پشتیبان کمترین مربعات مورد بررسی قرار می‌گیرد، که روش جدیدی برای تشخیص خرابی‌های عایقی برق‌گیرهای خلاء بیرونی بر اساس تصویربرداری فوق‌بنفش ارائه می‌دهد.

A. پردازش تصویر و تعریف پارامترها

پس از انجام تقسیم‌بندی آستانه مؤلفه L و عملیات مورفولوژی ریاضی بر روی تصاویر UV، بخش نقطه‌ای تصویر UV استخراج می‌شود که امکان محاسبه مساحت فاکولا را فراهم می‌کند. سه پارامتر تعریف می‌شوند تا شدت انتشار را کمی کنند: مساحت میانگین فاکولا، مساحت فاکولا متناوب و تعداد تکرار فاکولا متناوب.

B. جمع‌آوری و تحلیل داده‌ها

پس از ثبت ویدئوهاي UV و اندازه‌گیری همزمان مقدار انتشار بخشی (PD)، رطوبت نسبی و سه پارامتر ویژگی تصویر UV به عنوان متغیرهای ورودی استفاده می‌شوند. از طریق تحلیل رگرسیون با استفاده از ماشین بردار پشتیبان کمترین مربعات و بهینه‌سازی پارامترهای هسته با استفاده از الگوریتم ژنتیک (GA)، می‌توان مقدار PD را با دقت تعیین کرد.

C. دقت تشخیص و اهمیت

با انجام تحلیل رگرسیون برای برقراری رابطه بین مقدار انتشار سطحی برق‌گیر و مساحت فاکولا تصویر UV، مشاهده شده است که مقدار PD که تنها از تصاویر UV تشخیص داده می‌شود، خطای کمتر از 6٪ نسبت به مقدار PD اندازه‌گیری شده دارد. این سطح از دقت نیازهای کاربردی را برآورده می‌کند و روش جدیدی بدون تهاجم برای تشخیص خرابی‌های عایقی بیرونی برق‌گیرهای خلاء بیرونی بر اساس تصویربرداری فوق‌بنفش ارائه می‌دهد.

این تحقیق توسط بنیاد ملی علوم طبیعی چین و آزمایشگاه کلیدی دولتی عایق‌سازی و تجهیزات برق تأمین مالی شده است. نویسندگان از تمامی کسانی که از این پروژه حمایت کرده‌اند از قلب تشکر می‌کنند.