Pagtukoy sa Paglabas ng Surfase ng Panlabas na Insulasyon ng Outdoor Vacuum Circuit Breaker Batay sa Ultraviolet Imaging

Ang mga outdoor vacuum circuit breakers (na tinatawag na breakers sa susunod) ay malawakang ginagamit sa distribution network dahil sa kanilang mga pangunahing katangian tulad ng maliit na sukat, kabigatan, fire - at explosion - proof na kalidad, smooth na operasyon, mababang ingay, maliit na open - contact clearance, maikling arcing time, at madaling pagmamanage. Dahil sa lumalala na polusyon sa hangin, sa mga mahihirap na kondisyon ng panahon tulad ng matinding ulap, buhos ng ulan, condensation, o pagpapawis ng yelo, maaaring mangyari ang partial discharge (PD) sa ibabaw ng post insulator ng breaker. Ito ay maaaring humantong sa flashovers, pagkakamali ng serbisyo ng mga breakers, at pag-aapekto sa ligtas at matatag na operasyon ng power system.

Sa pagsusulat na ito, ang ZW32 - 12 outdoor - pole - mounted high - voltage vacuum circuit breaker (na tinatawag na HV ZW32 - 12 breaker sa susunod) ay ginagamit bilang halimbawa, na dumaan sa mga pagsusulit sa iba't ibang kondisyong panahon. Ang proseso ng surface discharge ng post insulator ng ZW32 - 12 breaker ay kinuha ng UV imager, habang ang kanyang discharge quantity ay kasabay na inimodel. Pagkatapos ng image processing ng mga UV images, ang mga characteristic parameters ay inilabas upang ilarawan ang mga katangian ng mga imahe. Pagkatapos, ang discharge quantity ay inicompute 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 mga breakers.

Ang ZW32 - 12 breaker ay isang three - phase, 50Hz, 12kV AC outdoor power - distribution device. Ito ay pangunahing ginagamit para sa pag-interrupt at pag-close ng load current, overload current, at short - circuit current. Ang kanyang estruktura ay ipinapakita sa Fig. 1.

Upang sabay-sabay na kuhanin ang discharge UV image ng post insulator at sukatin ang partial discharge (PD) quantity, isang insulator surface discharge test system ang nilikha, tulad ng ipinapakita sa Fig. 2. Sa Fig. 2, ang T ay tumutukoy sa 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 para lumikha ng high - voltage source na kailangan ng insulator.

Isang OFIL Superb UV imager ang ginagamit para kuhanin ang UV images ng insulator surface discharge, tulad ng ipinapakita sa Fig. 3 - b. Ang test sample ay ang post insulator mula sa isang 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 maaaring stably controlled.

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

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

 Proseso ng uv images

Ang UV imager ay nakakakuha ng video, kaya ang frame processing ay kinakailangan upang makakuha ng 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 ipinapakita 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 mailayo 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, maaaring matukoy na ang H o S component ay hindi maaaring maghiwalay ng spot mula sa background, habang ang L component ay maaaring gawin ito [4].

Tulad ng ipinapakita sa Fig. 4 - c, ang L component ng bahaging spot ay mas malaki kaysa sa background. Kaya, ang threshold segmentation ay isang epektibong paraan para i-extract ang bahaging spot. Ang key ay nasa pagpili ng appropriate L - component threshold. Dito, ginagamit namin ang Otsu's thresholding method para kalkulahin ang L - component threshold [5]. Pagkatapos ng Matlab coding para sa Otsu's method, ang optimal L - component threshold ay natuklasan na 216, at ang resulta ng segmentation ay ipinapakita sa Fig. 5 - c. Evident na ang background ay nailayo, at ang natitira ay ang UV spot part.

Tulad ng ipinapakita sa Fig. 5 - c, bukod sa UV spot part, mayroon pa rin maraming small noise points. Upang harapin ito, ginagamit namin ang 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 nalayo, at ang natitira ay ang spot part. Inidefine namin ang bilang ng pixels sa spot part bilang ang "facula area" ng UV image.

Pagkatapos ng pagkalkula ng facula area para sa consecutive frames sa isang 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 nag-uugnay sa maliit na range, may malaking spot na lumilitaw kasama. Kaya, tinukoy ang tatlong parameter upang ilarawan ang intensity ng discharge: ang mean facula area, ang intermittent facula area, at ang repetition times ng intermittent facula respectively [7]. Pumili tayo ng 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 ng 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 ng intermittent facula ay 32.

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

Ninety samples ng UV videos ang pinili. Para sa bawat frame ng mga sampol, tatlong UV image parameters ang inikinalculo, at ang corresponding partial discharge (PD) quantity ay inirecord 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 ng intermittent facula, at ang relative humidity. Ang output argument ay ang PD quantity. Ang Radial Basis Function (RBF) ang napili bilang kernel function. Pagkatapos ng normalization, 80 samples ang ginamit para sa training. Ang kernel parameters at ang 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 mga training samples, ang error sa paghahambing sa measured PD quantity ay maliit. Gayunpaman, para sa ilang mga sampol, ang error ay lumampas sa 20%. Ang Mean Square Error (MSE) ay inikinalculo bilang sumusunod:

Upang mabawasan ang Mean Square Error (MSE) ng regression result at mapataas 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 proseso ng optimization 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 nagpapakita 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 ipinapakita sa Fig. 9, halos lahat ng mga sampol ay may napakaliit na error kapag ihinalo sa measured partial discharge (PD) quantity. Ang Mean Square Error (MSE) ngayon ay 10, na malaki na maliit kaysa sa value ng 80 bago ang parameter optimization. Kaya, evident na ang pag-optimize ng GA parameters ay maaaring mabawasan ang MSE ng regression result at mapataas ang accuracy ng vector machine.

Ang huling 10 samples ay ginamit upang gawin ang test sa modelo. 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 nagpapakita na ang trained model ay may excellent generalization ability.

Ang UV imaging technology ay ginagamit upang detekta 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 inilathala sa pamamagitan ng least - square support vector machine method, na nagbibigay ng bagong approach para sa insulation fault diagnosis ng outdoor vacuum circuit breakers batay sa ultraviolet imaging.

A. Image Processing at Parameter Definition

Pagkatapos ng L - component threshold segmentation at mathematical morphology operations sa UV images, ang spot part ng UV image ay inilabas, na nagbibigay-daan sa pagkalkula ng facula area. Tinukoy ang tatlong parameters upang quantify ang discharge intensity: ang mean facula area, ang intermittent facula area, at ang repetition times ng intermittent faculae.

B. Data Acquisition at Analysis

Kapag ang UV videos ay kinuha at ang partial discharge (PD) quantity ay sinukat nang 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 at 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 mula sa UV images lamang ay may error na mas maliit kaysa 6% sa paghahambing sa measured PD quantity. Ang lebel ng accuracy na ito ay sumasang-ayon 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 pagsasaliksik 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 ipahayag ang kanilang sincere gratitude sa lahat ng mga nagbigay ng suporta para sa proyektong ito.