تشخیص تخلیه سطحی عایق بیرونی شکن خلأ خارجی بر اساس تصویربرداری فرابنفش
میانبرهای خلاء بیرونی (که در ادامه به آنها می‌گوییم میانبر) به دلیل مزایایی مانند حجم کوچک، وزن سبک، جلوگیری از آتش و انفجار، عملکرد هموار، سر و صدا کم، فاصله تماس باز کوچک، زمان قوس کوتاه و نگهداری آسان در شبکه توزیع گسترده استفاده می‌شوند. با شدت گرفتن آلودگی جوی، در شرایط آب و هوایی نامساعد مانند ابرپوش، باران ریز، تعرق یا ذوب یخ، انتشار جزئی (PD) ممکن است روی سطح عایق پست میانبر اتفاق بیفتد. این می‌تواند حتی منجر به قوس الکتریکی شود، عمر میانبر را کاهش دهد و عملکرد ایمن و پایدار سیستم برق را تحت تأثیر قرار دهد.
در این مقاله، میانبر خلاء بالادستی ZW32-12 (که در ادامه به آن می‌گوییم میانبر HV ZW32-12) به عنوان نمونه در شرایط اقلیمی مختلف آزمایش می‌شود. فرآیند انتشار سطحی عایق پست میانبر ZW32-12 با استفاده از تصویربرداری UV ضبط می‌شود، در حالی که مقدار انتشار همزمان اندازه‌گیری می‌شود. پس از پردازش تصاویر UV، پارامترهای مشخصه استخراج می‌شوند تا ویژگی‌های این تصاویر را نشان دهند. سپس با استفاده از روش ماشین بردار پشتیبان حداقل مربعات، مقدار انتشار محاسبه می‌شود که امکان کالیبراسیون تصاویر UV را فراهم می‌کند. این یک تکنیک تشخیص غیرتماسی جدید برای انتشار جزئی میانبرها است.
میانبر ZW32-12 یک دستگاه توزیع برق بیرونی AC سه فاز با فرکانس 50Hz و ولتاژ 12kV است. این دستگاه عموماً برای قطع و بستن جریان بار، جریان بیش از حد و جریان کوتاه مورد استفاده قرار می‌گیرد. ساختار آن در شکل 1 نشان داده شده است.
برای ضبط تصویر UV انتشار سطحی عایق پست و اندازه‌گیری مقدار انتشار جزئی (PD)، یک سیستم آزمایش انتشار سطحی عایق طراحی شده است که در شکل 2 نشان داده شده است. در شکل 2، T نمایانگر تنظیم‌کننده ولتاژ، B ترانسفورماتور افزایش‌دهنده، R₁ مقاومت محدودکننده و C₂ خازن جفت‌کننده است که برای نمونه‌برداری اندازه‌گیری PD استفاده می‌شود.
ترانسفورماتور مورد استفاده در این سیستم مدل YDWT-10kVA/100kV است که در شکل 3-a نشان داده شده است. این ترانسفورماتور برای تولید منبع ولتاژ بالا مورد نیاز عایق استفاده می‌شود.
یک دوربین UV OFIL Superb برای ضبط تصاویر UV انتشار سطحی عایق استفاده می‌شود که در شکل 3-b نشان داده شده است. نمونه آزمایشی عایق پست از یک میانبر ZW32-12 است که سه سال در خدمت بوده است و در شکل 3-c نشان داده شده است. نمونه در یک کابین اقلیمی مصنوعی قرار دارد که رطوبت نسبی آن به صورت پایدار کنترل می‌شود.
در این سیستم، روش جریان پالسی برای اندازه‌گیری مقدار انتشار جزئی (PD) استفاده می‌شود. کنسول کنترل تنظیم‌کننده ولتاژ و ترانسفورماتور را کنترل می‌کند تا ولتاژ مورد نظر تولید شود. سپس سیگنال PD از طریق خازن جفت‌کننده و مانع تشخیصی به جستجوگر PD JFD-3 منتقل می‌شود.
با ترطيب متناوب، رطوبت نسبی در کابین اقلیمی مصنوعی می‌تواند در سطح پایداری حفظ شود. عایق‌ها دو ساعت تحت ولتاژ قرار می‌گیرند تا کاملاً مرطوب شوند. سپس ولتاژ 12kV به عایق اعمال می‌شود و 5 دقیقه حفظ می‌شود. در این مدت، تصاویر UV ضبط می‌شوند و مقدار PD اندازه‌گیری می‌شود. فاصله تصویربرداری دوربین UV 5 متر، زاویه 0° و gain 110% است. آزمایش‌های تکراری در هر سطح رطوبت نسبی انجام می‌شود که از 70% تا 90% با گام 5% متغیر است.
فرآیند پردازش تصاویر UV
دوربین UV یک ویدئو ضبط می‌کند، بنابراین پردازش فریم‌ها برای کسب فریم‌های متوالی ویدئو UV برای تحلیل بیشتر ضروری است. هر فریم تصویر یک تصویر رنگی RGB واقعی [3] است. انتشار سطحی عایق در تصویر UV به عنوان یک نقطه روشن ظاهر می‌شود. هرچه انتشار سطحی شدیدتر باشد، مساحت نقطه بزرگتر است. بنابراین، پردازش پیش‌نیاز و تقسیم‌بندی تصویر گام‌های ضروری برای فیلتر کردن پس‌زمینه تصویر و استخراج بخش نقطه‌ای هستند.
چون مؤلفه‌های قرمز (R)، سبز (G) و آبی (B) در فضای رنگی RGB فقط نسبت رنگ‌های قرمز، سبز و آبی را نشان می‌دهند و نمی‌توانند روشنایی تصویر را نشان دهند، هر فریم تصویر را در فضای رنگی HSL تجزیه و تحلیل می‌کنیم. HSL به ترتیب نشان‌دهنده رنگ (Hue)، اشباع (Saturation) و روشنایی (Luminance) است. مؤلفه‌های HSL یک فریم تصویر در شکل 4 نشان داده شده است. بر اساس شکل 4 می‌توان دریافت که مؤلفه‌های H یا S قادر به تمایز نقطه از پس‌زمینه نیستند، در حالی که مؤلفه L این تمایز را انجام می‌دهد [4].
همانطور که از شکل 4-c مشهود است، مؤلفه L بخش نقطه‌ای بیشتر از پس‌زمینه است. بنابراین، تقسیم‌بندی آستانه‌ای یک روش موثر برای استخراج بخش نقطه‌ای است. کلید این موضوع انتخاب آستانه مناسب مؤلفه L 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 محاسبه شده و نتیجه تقسیم‌بندی در شکل 5-c نشان داده شده است. واضح است که پس‌زمینه فیلتر شده و تنها بخش نقطه‌ای UV باقی مانده است.
همانطور که در شکل 5-c مشهود است، علاوه بر بخش نقطه‌ای UV، هنوز تعداد زیادی نقطه نویز وجود دارد. برای رفع این مشکل، عملیات مورفولوژی ریاضی با یک عنصر ساختاری دایره‌ای با شعاع 4 پیکسل برای حذف این نقاط نویز استفاده می‌شود [6]. پس از پردازش مورفولوژی ریاضی، نتیجه در شکل 5-d نشان داده شده است. تمام نقاط نویز حذف شده‌اند و تنها 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، می‌توانیم منحنی مساحت فاکولا را بدست آوریم. منحنی مساحت فاکولا در رطوبت نسبی 85% در شکل 6 نشان داده شده است. همانطور که از شکل 6 مشهود است، مساحت فاکولا در محدوده کوچکی نوسان می‌کند و گاهی اوقات یک نقطه با مساحت بزرگ ظاهر می‌شود. بنابراین، سه پارامتر تعریف می‌شوند تا شدت انتشار را مشخص کنند: مساحت میانگین فاکولا، مساحت فاکولا مقطعی و تعداد تکرار فاکولا مقطعی به ترتیب [7]. 100 فریم متوالی پس از وقوع انتشار جزئی را به عنوان موارد مطالعه انتخاب می‌کنیم. مساحت میانگین فاکولا میانگین مساحت‌های 100 فریم فاکولا است. مساحت فاکولا مقطعی میانگین مساحت‌های فاکولا‌هایی است که بزرگتر از مساحت میانگین فاکولا هستند، در حالی که تعداد تکرار فاکولا مقطعی تعداد فاکولا‌هایی با مساحت بزرگتر از مساحت میانگین فاکولا است. بر اساس شکل 6، مساحت میانگین فاکولا 665 پیکسل است. مساحت فاکولا مقطعی 902 پیکسل است. تعداد تکرار فاکولا مقطعی 32 است.
پس از محاسبه سه پارامتر مشخصه و اندازه‌گیری همزمان مقدار انتشار جزئی (PD)، سعی می‌کنیم با استفاده از این سه پارامتر تصویر UV مقدار PD را با استفاده از روش ماشین بردار پشتیبان حداقل مربعات تعیین کنیم.
90 نمونه از ویدئوها UV انتخاب شده‌اند. برای هر فریم از این نمونه‌ها، سه پارامتر تصویر UV محاسبه شده و مقدار انتشار جزئی (PD) مربوطه توسط جستجوگر PD JFD3 ثبت شده است. ورودی‌های ماشین بردار انتخاب شده مساحت میانگین فاکولا، مساحت فاکولا مقطعی، تعداد تکرار فاکولا مقطعی و رطوبت نسبی هستند. خروجی ماشین مقدار PD است. تابع پایه شعاعی (RBF) به عنوان تابع کرنل انتخاب شده است. پس از نرمال‌سازی، 80 نمونه برای آموزش استفاده می‌شوند. هر دو پارامتر کرنل و پارامترهای تنبیه ماشین به مقادیر پیش‌فرض تنظیم شده‌اند. نتیجه آموزش در شکل 7 نشان داده شده است.
همانطور که در شکل 7 مشهود است، برای اکثر نمونه‌های آموزشی، خطای مقایسه با مقدار PD اندازه‌گیری شده نسبتاً کوچک است. اما برای برخی نمونه‌ها، خطای بیش از 20% است. خطای میانگین مربعات (MSE) به صورت زیر محاسبه می‌شود:
برای کاهش خطای میانگین مربعات (MSE) نتیجه رگرسیون و افزایش دقت ماشین، الگوریتم ژنتیک (GA) برای بهینه‌سازی پارامترهای کرنل 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 مشهود است، پس از 30 نسل تکامل، MSE از 0.07 به 0.01 کاهش یافته که نشان‌دهنده رسیدن الگوریتم ژنتیک به نقطه بهینه است. [10] پارامترهای کرنل 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 اندازه‌گیری شده انتشار جزئی (PD) دارند. خطای میانگین مربعات (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 خطای MSE نتیجه رگرسیون را کاهش داده و دقت ماشین را افزایش دهد.
10 نمونه آخر برای تست مدل استفاده می‌شوند. نتایج رگرسیون در جدول 1 نشان داده شده است. واضح است که خطای بین نتایج رگرسیون و مقدار واقعی انتشار جزئی (PD) کمتر از 6.1% است. این یافته نشان می‌دهد که مدل آموزش دیده توانایی تعمیم بسیار خوبی دارد.
فناوری تصویربرداری UV برای تشخیص انتشار سطحی عایق‌های پست میانبرهای خلاء بیرونی استفاده می‌شود. ارتباط بین مساحت فاکولا در تصاویر UV و مقدار انتشار جزئی با استفاده از روش ماشین بردار پشتیبان حداقل مربعات بررسی شده است که یک رویکرد جدید برای تشخیص عیب عایق میانبرهای خلاء بیرونی بر اساس تصویربرداری UV 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 و مساحت فاکولا محاسبه می‌شود. سه پارامتر برای کمیت گذاری شدت انتشار تعریف شده‌اند: مساحت میانگین فاکولا، مساحت فاکولا مقطعی و تعداد تکرار فاکولا مقطعی.
B. جمع‌آوری و تحلیل داده‌ها
پس از ضبط ویدئوها UV و اندازه‌گیری همزمان مقدار انتشار جزئی (PD)، رطوبت نسبی و سه پارامتر ویژگی تصویر UV به عنوان متغیرهای ورودی استفاده می‌شوند. با استفاده از تحلیل رگرسیون با ماشین بردار پشتیبان حداقل مربعات و بهینه‌سازی پارامترهای کرنل با الگوریتم ژنتیک (GA)، مقدار PD به صورت دقیق تعیین می‌شود.
C. دقت تشخیص و اهمیت
با انجام تحلیل رگرسیون برای برقراری ارتباط بین مقدار انتشار سطحی عایق و مساحت فاکولا تصویر UV، مشخص شده است که مقدار PD تشخیص داده شده فقط با تصاویر UV خطای کمتر از 6% نسبت به مقدار اندازه‌گیری شده PD دارد. این سطح دقت نیازهای کاربردی را برآورده می‌کند و یک روش جدید غیرتهاجمی برای تشخیص عیب‌های عایق بیرونی میانبرهای خلاء بیرونی بر اساس تصویربرداری UV ارائه می‌دهد.
این تحقیق با حمایت بنیاد ملی علوم طبیعی چین و آزمایشگاه کلیدی دولتی عایق و تجهیزات برقی انجام شده است. نویسندگان از همه کسانی که حمایت کرده‌اند به صورت صادقانه تشکر می‌کنند.
