基于深度学习的电力设备红外图像故障诊断方法

陈达，唐文虎，牛哲文

(1.深圳供电局有限公司，广东 深圳 518020；2.华南理工大学 电力学院，广东 广州 510641)

变电设备长期运行中，可能产生各种各样的内生缺陷，变电站运维人员普遍地运用红外测温工具周期性对设备进行巡视，尽早从设备运行的异常状况中预判故障，从而避免设备突然停运。这种方式对运维人员的经验和技术有一定要求，同时存在覆盖不全面、工作效率低的缺点。在智能化改造过程中，无人机、巡检机器人等智能设备也产生了大量巡检图片，却缺乏相应的智能分析能力；因此，对图像数据进行自动分析，从中诊断电力设备状态，对于及时了解电力设备的运行状况，提高电力设备运行、维护和管理水平具有十分重要的意义。

为了在红外图像上实现设备故障诊断，一方面需要读取准确的温度，另一方面需要对设备类型进行准确分类，结合这2种信息才有可能准确判定设备状态。文献[1]基于历史数据和层次分析法建立了柱上开关成套设备状态评估方法，克服了层次分析法较为主观的问题。在温度测量方面，文献[2]考虑了温度随测温距离和风速的变化，通过模拟试验得到了温度修正系数。文献[3]从外部故障和内部故障2个角度分析了各类型设备产生热故障的可能原因，并给出各种故障特征下具体的温度判据。实际工作中，运维人员一般按照DL/T 664—2008《带电设备红外诊断应用规范》[4]要求，使用表面温度法和相对温差法来判定具体缺陷等级。……