Ufugaji wa Kutafuta Mfululizo wa Ng'omongo wa Nje wa Kitumbo cha Kuvunjika cha Chakula cha Nje kulingana na Picha ya Sinini

Vikabila vya chini ya mazingira yenye viungo vya umeme kwenye uovu (vitakusimamiwa kama vikabila hapa baadae) vinatumika sana katika mtandao wa maendeleo kutokana na faida zao kama vile ukubwa mdogo, ongezeko la uzito kidogo, usalama wa moto na magonjwa, utumaini mzuri, sauti chache, umbali mdogo wa vitu vingine, muda mfupi wa magonjwa, na kudhibiti rahisi. Kama upatanishaji wa hewa unajaribu kuongezeka, katika mazingira magumu kama mgumbo mkali, mvua ya nyoka, maji ya kukosekana, au kupungua kwa barafu, inaweza kutokea upatanishaji wa sehemu (PD) juu ya suki ya vikabila. Hii inaweza hata kupeleka kwenye matukio ya haribika, kurekebisha muda wa huduma wa vikabila na kutathmini usalama na ustawi wa mtandao wa umeme.

Katika makala hii, ZW32 - 12 vikabila vya nje vya kwenye mti vya kiwango cha juu cha umeme vya uovu (itakusimamiwa kama HV ZW32 - 12 vikabila hapa baadae) vinatumika kama mfano, kutofautiana katika tabia za hewa mbalimbali. Mchakato wa upatanishaji wa suki ya ZW32 - 12 vikabila ukachapishwa na imager ya UV, wakati wingi wa upatanishaji unachukuliwa. Baada ya uprocessing wa picha za UV, paramba za muundo zinachukuliwa ili kuelezea sifa za picha hizo. Baada ya hilo, wingi wa upatanishaji unahesabiwa kutumia njia ya least-square support vector machine, ikigeuka kuwa kwa uvimbe wa picha za UV. Hii inatambua teknolojia ya tathmini mapema ya upatanishaji wa vikabila iliyotumika kabla.

ZW32 - 12 vikabila ni vikabila vya tatu, 50Hz, 12kV AC vya nje vya umeme. Inatumika kuu kuhakikisha na kurudi nguvu ya mizigo, nguvu ya mizigo zaidi, na nguvu ya mizigo fupi. Muundo wake unaelezwa katika Fig. 1.

Kutokana na kutofautiana kuchapisha picha ya UV ya upatanishaji wa suki na kutathmini wingi wa upatanishaji (PD), mifumo ya kutathmini upatanishaji wa suki ya insulator imeundwa, kama inayoelezwa katika Fig. 2. Katika Fig. 2, T inatafsiriwa kama regulatori wa voliti, B ni transformeri ya kuongeza, R₁ ni resistori ya kukabiliana, na C₂ ni capacitori ya kujihusisha, ambayo inatumika kusanya data ya PD. 

Transformeri inatumika katika mifumo ni aina ya YDWT - 10kVA/100kV, kama inayoelezwa katika Fig. 3 - a. Inatumika kutengeneza chanzo cha voliti cha juu kilichohitajika kwa insulatori.

Imageri ya Superb UV ya OFIL inatumika kuchapisha picha za UV za upatanishaji wa suki, kama inayoelezwa katika Fig. 3 - b. Sampuli ya kutathmini ni suki ya post ya vikabila ZW32 - 12, ambayo imekuwa katika huduma kwa miaka mitatu, kama inayoelezwa katika Fig. 3 - c. Sampuli inaweza kuwekwa ndani ya chemchemi ya tabia ya binadamu, ambapo humidi yake inaweza kudhibitiwa kwa ustawi.

Katika mifumo haya, njia ya current ya pulse inatumika kutathmini wingi wa upatanishaji (PD). Console huongea regulatori wa voliti na transformeri kutengeneza voliti linavyohitajika. Baada ya hilo, ishara ya PD hutumika kwa detectori JFD - 3 kupitia capacitori ya kujihusisha na impedance ya kutathmini.

Kutokana na kutofautiana kuchapisha picha za UV, wingi wa upatanishaji unathaminiwa. Imageri ya UV inachapisha video, kwa hivyo processing ya frame inahitajika kutokuza frames za video ya UV kwa ajili ya kutathmini zaidi. Kila image frame ni picha RGB ya rangi halisi [3]. Upatanishaji wa suki unaonyeshwa kama spoti ya mwanga katika picha ya UV. Ukuaji wa upatanishaji wa suki unaweza kufanikiwa kutokana na ukubwa wa eneo la spoti. Kwa hivyo, preprocessing na segmentation ya picha ni hatua muhimu kwa kutathmini picha za background na kutoa sehemu ya spoti.

 Mchakato wa picha za UV

Imageri ya UV huchapisha video, kwa hivyo processing ya frame ni lazima kutokuza frames za video ya UV zote kwa ajili ya kutathmini zaidi. Kila image frame ni picha RGB ya rangi halisi [3]. Upatanishaji wa suki unaonyeshwa kama spoti ya mwanga katika picha ya UV. Ukuaji wa upatanishaji wa suki unaweza kufanikiwa kutokana na ukubwa wa eneo la spoti. Kwa hivyo, preprocessing na segmentation ya picha ni hatua muhimu kwa kutathmini picha za background na kutoa sehemu ya spoti.

Tangu komponenti ya nyekundu (R), komponenti ya kijani (G), na komponenti ya buluu (B) katika nyanja ya RGB tu inaonyesha uwiano wa rangi na haiwezi kurepresenta brightness ya picha, tunatathmini kila image frame katika nyanja ya HSL. HSL inatafsiriwa kama Hue, Saturation, na Luminance. Komponenti za HSL za image frame zinazoelezwa katika Fig. 4. Kutokana na Fig. 4, tunaweza kuhusu kuwa komponenti ya H au S haipeweza kutoa tofauti kati ya spoti na background, lakini komponenti ya L inaweza kufanya hii [4].

Kama inawezekana kutoka Fig. 4 - c, komponenti ya L ya sehemu ya spoti ni zaidi kuliko background. Kwa hivyo, threshold segmentation ni njia ya kutosha kwa kutokta spoti. Changamoto ni kuchagua threshold ya L ya busara. Hapa, tunatumia njia ya Otsu's thresholding kutathmini threshold ya L [5]. Baada ya kutumia Matlab coding kwa njia ya Otsu's, threshold optimal ya L inatumika kuwa 216, na matokeo ya segmentation yanayoelezwa katika Fig. 5 - c. Ni wazi kwamba background imeondolewa, baki tu sehemu ya spoti ya UV.

Kama inawezekana kutoka Fig. 5 - c, ingawa sehemu ya spoti ya UV, bado kuna noise points madogo mengi. Kusuluhisha hii, tunatumia mathematical morphology operations na element ya structure ya duara yenye radius wa 4 pixels kutoa noise points [6]. Baada ya mathematical morphology processing, matokeo yanayoelezwa katika Fig. 5 - d. Noise points zote zimeondolewa, baki tu sehemu ya spoti. Tunatafsiria wingi wa pixels katika sehemu ya spoti kama "area ya facula" ya picha hii ya UV.

Baada ya kutathmini area ya facula kwa frames za video za UV, tunaweza kupata curve ya area ya facula. Curve ya area ya facula kwenye humidity ya 85% inayoelezwa katika Fig. 6. Kutokana na Fig. 6, area ya facula inaongezeka katika ukubwa mdogo, na spoti kubwa kinatofautiana mara kwa mara. Kwa hivyo, tatizo linalotathmini intensity ya discharge ni mean ya area ya facula, area ya facula intermittent, na mara ya repetition ya facula intermittent [7]. Tunachagua 100 frames za kuzulia baada ya partial discharge kama objects of study. Mean ya area ya facula ni average ya areas ya 100 frames za facula. Area ya facula intermittent ni average ya areas za facula ambazo ni zaidi ya mean ya area ya facula, na mara ya repetition ya facula intermittent ni wingi wa facula ambazo ni zaidi ya mean ya area ya facula. Kutokana na Fig. 6, mean ya area ya facula ni 665 pixels. Area ya facula intermittent ni 902 pixels. Mara ya repetition ya facula intermittent ni 32.

Baada ya kutathmini parameter zote tatu na kutathmini wingi wa partial discharge (PD) synchronously, tunajaribu kuthibitisha wingi wa PD kutumia parameter zote tatu za picha za UV kupitia least-square support vector machine method.

Ninety samples za video za UV zimechaguliwa. Kwa kila frame za samples hizi, parameter tatu za picha za UV zimehesabiwa, na wingi wa partial discharge (PD) uliothibitishwa na JFD3 PD detector. Arguments za input kwa vector machine zimechaguliwa kama mean ya area ya facula, area ya facula intermittent, mara ya repetition ya facula intermittent, na relative humidity. Argument ya output ni wingi wa PD. Radial Basis Function (RBF) imechaguliwa kama kernel function. Baada ya normalization, 80 samples zimeatumika kwa training. Parameters za kernel na punishment parameters za vector machine zimestawishwa kwa default values. Matokeo ya training yanayoelezwa katika Fig. 7.

Kama inawezekana kutoka Fig. 7, kwa samples nyingi za training, takriban error dhidi ya wingi la PD lililothibitishwa ni chache. Lakini, kwa baadhi ya samples, error unategemea zaidi ya 20%. Mean Square Error (MSE) unahesabiwa kama ifuatavyo:

Kutokana na kuimarisha MSE ya matokeo ya regression na kuongeza uhakika wa vector machine, genetic algorithm (GA) imeatumika kutathmini parameters za kernel na punishment. [8-9]

Generation ya termination imestawishwa kuwa 100, na ukubwa wa population imestawishwa kuwa 20. Mchakato wa optimization unayoelezwa katika Fig. 8. Kama inawezekana kutoka Fig. 8, baada ya 30 generations ya evolution, MSE imepunguza kutoka 0.07 hadi 0.01, inayoelezea kuwa GA imefika point optimal. [10] Parameters za optimized kernel na punishment zimekuwa 0.2861 na 82.65 respectively.

Baada ya optimization ya parameters kwa kutumia genetic algorithm (GA), samples sawa 80 zimejaribiwa tena, na matokeo ya regression yanayoelezwa katika Fig. 9. Kama inawezekana kutoka Fig. 9, karibu samples zote zinaerror chache tu dhidi ya wingi la partial discharge (PD) lililothibitishwa. MSE sasa ni 10, ambayo ni chache sana kuliko thamani ya 80 kabla ya optimization ya parameters. Kwa hivyo, ni wazi kwamba optimization ya parameters ya GA inaweza kuimarisha MSE ya matokeo ya regression na kuongeza uhakika wa vector machine.

Samples za mwisho 10 zimeatumika kutekeleza test ya model. Matokeo ya regression yanayoelezwa katika Meza 1. Ni wazi kwamba error kati ya matokeo ya regression na wingi la partial discharge (PD) lililothibitishwa ni chache kuliko 6.1%. Hii inaelezea kuwa model iliyofundishwa ina ability ya generalization nzuri.

Teknolojia ya imaging ya UV inatumika kuthibitisha discharge ya surface ya insulatori za post za vikabila vya uovu vya nje. Relationship kati ya area ya facula katika picha za UV na wingi wa partial discharge unajaribu kutokana na least-square support vector machine method, kunipa approach mpya kwa insulation fault diagnosis ya vikabila vya uovu vya nje kutumia imaging ya ultraviolet.

A. Image Processing and Parameter Definition

Baada ya kufanya L-component threshold segmentation na mathematical morphology operations kwa picha za UV, sehemu ya spoti ya picha ya UV inatokta, ikigeuka kwa hesabu ya area ya facula. Tatizo tatu limeundwa kwa quantification ya intensity ya discharge: mean ya area ya facula, area ya facula intermittent, na mara ya repetition ya facula intermittent.

B. Data Acquisition and Analysis

Baada ya kuchapisha video za UV na kutathmini wingi wa partial discharge (PD) synchronously, relative humidity na feature parameters tatu za picha za UV zimechaguliwa kama variables za input. Kwa regression analysis kupitia least-square support vector machine, pamoja na optimization ya parameters za kernel kwa kutumia genetic algorithm (GA), wingi wa PD unaweza kuthibitishwa kwa uhakika.

C. Diagnostic Accuracy and Significance

Kwa kufanya regression analysis kwa kutathmini relationship kati ya wingi wa discharge ya surface ya insulator na area ya facula ya picha ya UV, imefundishwa kuwa wingi wa PD uliothibitishwa tu kutokana na picha za UV unaerror chache kuliko 6% dhidi ya wingi la PD lililothibitishwa. Uhakika hii inafikia mahitaji ya matumizi ya kweli na inatoa njia mpya ya diagnosis ya external insulation faults katika vikabila vya uovu vya nje kutumia imaging ya ultraviolet.

Utafiti huu ulifanyika kutokana na funding ya National Natural Science Foundation of China na State Key Laboratory of Electrical Insulation and Power Equipment. Watekaji wanataraji anasema shukrani zao kwa wale wote waliofunika msaada kwa mradi huu.