3.2.3實際案例：基于大數據技術的電氣設備紅外圖像處理

1、現狀和需求
隨著經濟的快速發展，電網朝著特高壓、交直流混合、新能源大量接入的方向發展。國家電網公司提出建沒堅強可靠的智能電網，其核心是在電網可靠運營的前提下,實現電網的信息化、數字化、自動化和互動化。電氣設備長期處在運行狀態下，易受外界環境的影響，經常出現各類故障，對電力系統的安全穩定運行構成沖擊。據統計資料顯示，電力系統中70%的故障是由電氣設備的故障所導致的。各種故障通常表現為電流型或電壓型的異常致熱，原因主要包括表面污穢、接觸不良、受潮、腐蝕變形、漏磁等。因此，対不同類型的電氣設備進行有效的監控，并實時、自動地分析電氣設備有無故障、故障類型、存在位置和嚴重程度成為了目前的研究熱點。
紅外熱成像技術是電力系統在線實時監測領域中一個強大的工具。其原理是紅外探測器將被測物體紅外輻射量的変化轉變成電量變化，經放大處理后，被測物體表面的熱好布以可見光圖像顯示在屏幕上。通過比色條對應的顏色可以確定圖像任意點的溫度。紅外熱成像技術具有非接觸性、直觀準確、夜間監控、靈敏度高、診斷效率高、適應性強等優點。與此同時，它允許電力系統在不停電的情況下完成設備健康狀況的分析。通過該技術的監測結果，可以獲得電氣設備各個區域的溫度，更重要的是能夠通過溫度識別的結果來判斷電氣設備內部可能存在的各種缺陷，為操作人員提出可靠的動作參考，減少或規避設備因過熱所導致的故障。該項技術對確保電氣設備的安全穩定運行，提高電力系統的經濟效益和智能化水發揮了積極的作用。
利用非接觸式的紅外熱成像儀實現電氣設備的在線監測，獲得實時的紅外圖像，并提取電氣設備典型溫度數據，在此基礎上建立電氣設備溫度的歷史和實時數據庫，結合數據挖掘手段，最終建立電氣設備故障診斷與報警自動決策系統。這將是電氣設備紅外監測及診斷技術的發展趨勢。 

 (1)紅外診斷技術國內研究現狀
我國將紅外技術用于電氣設備監測的研究始于20世紀70年代初，開始便用國內自主研制的紅外熱成像儀對高壓輸電線路的接頭溫度展開監測工作。
從20世紀80年代中期開始，隨著紅外熱成像技術的快速發展和電力部門重視程度的提高，若干家電力公司引進了較為先進的紅外熱成像儀，積極開展了220kV和110kV的輸電線路直升機紅外巡檢工作。通過不斷地實驗，電力部門積累了廣泛的實踐經驗，收到了良好的經濟和社會效益，并逐漸形成了一套較為完整的故障判定標準。
20世紀90年代以后，一些電力科學研究院與電力公司相互合作，通過大量的現場實測結果，已經充分地掌握了各種類型的電氣設備故障的典型溫度特征，積累了大量的電氣設備故障情況的紅外熱成像圖譜。
1999年，當時的電力工業部頒布了DL/T664-1999《帶電設備紅外診斷技術導則》。該導則建立于廣泛的實踐經驗基礎之上，為操作人員利用紅外診斷技術對現場的電氣設備溫度進行監測和診斷以及故障的判別提供了堅實有力的依據，并極大地推動了紅外熱成像診斷技術在電力系統基層中的應用。
近年來，隨著數字圖像處理技術的發展和計算機處理速度的大幅度提高，紅外熱成像診斷技術朝著智能化、數字化、網絡化和高速化方向發展，電氣設備紅外圖像設備和溫度識別也向著自動識別和診斷方向發展。

(2)紅外診斷技術國外研究現狀
國外將紅外診斷技術應用于電氣設備監測的時間要早于中國。20世紀60年代，瑞典國家電力局開創了先河，率先將紅外熱成像儀用于電氣設備的監測。20世紀70年代開始，發達國家普遍已將紅外熱成像儀置于直升機上，對輸電線路和變電站展開巡回監測，并制定了不同的技術規范和故障判定標準。
1990年國際大電網會議首次充分肯定了紅外診斷技術在電力系統中的應用。會議指出:“紅外技術將在電氣設備從傳統的預防性故障檢修體制向預知性狀態檢修體制的轉變中發揮關鍵的作用”。
1993年，在美國動力會談上，伊利諾伊州電力公司和底特律愛迪生公司分別介紹了其利用紅外熱成像診斷技術在輸電線路、變電站和發電廠中的最新經驗。

(3)紅外圖像處理研究現狀
紅外圖像處理曾在20世紀70年代末、80年代初形成一個研究高潮，并獲得了大量的研究成果。在這個時期代表性的研究機構有美國海軍研究生院、美國福特航空通訊有限公司、美國海軍武器中心、麥道公司以及哥倫比亞密蘇里大學電子和計算機工程系等。
Thauam Ongkov等人曾利用機載紅外傳感器取得了八種不同類型艦船的紅外圖像，并對樣條系數法進行了深入的研究。研究表明，樣條系數法優于缺乏局部結構刻畫能力的傅里葉系數法。
2000年，ChiZhang和EWang利用K-均值聚類算法在HSI空間中進行了彩色圖像分割的研究。2004年，中國科學院計算技術研究所的王錫貴、黃江洪、付博等研究員，提出了一種在RGB色彩空向中定義符合人眼視覺特性的距離信息的方法進行彩色圖像分割。 
MCLaren等人提出基于知識的二叉樹分類器，并將其用于艦船紅外目標一維輪廓像分類識別。研究發現，識別率在很大程度上取決于紅外圖像本身的質量，因此，在圖像識別之前，圖像的預處理是相當重要的。
目前，各國研究人員正在綜合運用各種先進的計算機算法以及智能化目標識別方法來解決紅外圖像處理所面臨的難題。近年來，紅外圖像處理與識別的研究熱點主要涵蓋于:①人工神經網絡模式識別方法；②基于大數據的識別方法；③專家系統模式識別方法；④模糊模式識別方法。因此，針對現今情況提出了以下幾點需求:
1）故障的實時判別。目前基于人工故障診斷難以滿足故障實時識別的要求。而盡快發現熱性故障，并采取預警措施能夠有效地預防事故擴大化。
2）故障的自動判別。電氣設備紅外圖像的分析診斷大多需要基于故障診斷導則和歷史運行情況進行綜合判斷，目前的軟件僅能夠識別溫度，難以綜合各類信息實現故障自動識別。因此實際工作提出了故障自動判別的需求。
3）提高故障識別的準確度。借助計算機準準確地識別電氣設備的種類和溫度，并根據與診斷導則的對比進行故障識別，能夠彌補人工故障診斷所產生的誤差，提判產生的不良影向。
4）大量現場圖片的快速處理。
現代大型變電站有大量電氣設備需要在線監測，傳統手段難以實時處理如此大規模的現場圖片，需要借助于大數據中的分布式存儲技術、流處理技術和并行處理技術等對現場圖片進行存儲和處理。

2.應用場景
基于大數據的電氣設備紅外圖像處理主要體現在圖像提取、圖像識別和大量圖片處理上，主要采用K-means聚類、人工神經網絡、分布式存儲技術、并行計算技術等方法。

(1)圖像提取
在圖像提取部分運用了大數據技術中K-means聚類方法。從分割結果可以看出，K-means聚類方法對于溫度層次分明的紅外熱成像分割有著良好的適應性，克服了傳統Otus二值化方法抗干擾能力差的缺點。

圖3-12目標電氣設備的提取

（2）圖像識別
針對各種電氣設備紅外圖像的特點和差異，采用圖像改進Hu不變距作為圖像的特征向量，并設計BP神經網絡分類器對現場采集的圖像進行分類識別。神經網絡分類器選取部分圖像作為學習樣本，對剩余的圖像進行種類識別

圖3-13提取改進Hu不變矩對電氣設備種類進行識別

 (3)圖像處理
將處理任務分配到不同的處理節點，以便提升并行處理能力。先進行海量圖片數據分割、任務分解與結果匯總，從而完成海量圖片數據的并行處理，目前業界普遍使用該MapReduce方式。

圖3-14并行處理算法示意圖

3.大數據解決方案

(1)圖像提取
由于圖像拍攝過程中環境的變化，傳感器在將實際設備溫度轉換為紅外圖像信號時總會引入各種噪聲，因此需要對圖像進行預處理，采用圖像平滑、中值濾波、圖像校正、圖像去噪、圖像增強及灰度二值化等技術，來改善圖像質量，提升后續圖像判斷的準確率。
目標電氣設備與背景的溫度差別在圖像中表現為兩者色彩的差異，采用K-means聚類的方法將圖像按照RGB值的差異分為多類，并還原至彩色圖像，進而將目標電氣設備從復雜的背景中提取出來。
根據圖像像素值的差異，人為設定聚類數進行基于像素值的圖像分割，這克服了圖像Otus二値化分類數量少、易丟失圖像信息的缺點。

圖3-15圖像提取示意圖