energyЭнергетика. Известия высших учебных заведений и энергетических объединений СНГENERGETIKA. Proceedings of CIS higher education institutions and power engineering associations1029-74482414-0341BNTU10.21122/1029-7448-2025-68-4-324-342energy-2480Research ArticleЭЛЕКТРОЭНЕРГЕТИКАELECTRICAL POWER ENGINEERINGСистема автоматизированной обработки результатов тепловизионной диагностики электрооборудованияThe System for Automated Processing of the Results of Thermal Imaging Diagnostics of Electrical EquipmentКосенкоА. Д.KosenkoA. D.

Адрес для переписки: Косенко Анастасия Дмитриевна — Оренбургский государственный университет, просп. Победы, 13, 460018, г. Оренбург, Российская Федерация. Тел.: +7 353 237-28-91 fiara@inbox.ru

Address for correspondence: Kosenko Anastasia D. — Orenburg State University, 13, Pobedy Ave., 460018, Orenburg, Russian Federation. Tel.: +7 353 237-28-91 fiara@inbox.ru

fiara@inbox.ruВеличкоВ. А.VelichkoV. A.

Оренбург

Orenburg

fiara@inbox.ruКосенкоА. А.KosenkoA. A.

Оренбург

Orenburg

fiara@inbox.ruОренбургский государственный университетРоссияOrenburg State UniversityRussian Federation202513082025684324342Copyright © Косенко А.Д., Величко В.А., Косенко А.А., 20252025Косенко А.Д., Величко В.А., Косенко А.А.Kosenko A.D., Velichko V.A., Kosenko A.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://energy.bntu.by/jour/article/view/2480

Развитие электроэнергетики сопровождается улучшением средств диагностики состояния оборудования в энергетических системах. Часть оборудования электрических сетей значительно изношена и требует повышенного внимания для определения остаточного ресурса. Синтез интеллектуальных технологий и общепринятых методов диагностики является следующей ступенью на пути к будущему электроэнергетики. Цель работы – разработка принципов функционирования системы автоматизированной обработки результатов тепловизионной диагностики электрооборудования. В работе исследуются критерии оценки дефектов электрооборудования на основе температуры нагрева. Алгоритм для автоматизации обработки результатов тепловизионной диагностики электрооборудования разрабатывается на базе искусственных нейронных сетей. Программная реализация детектирования элементов электроустановок на инфракрасных снимках выполняется с использованием архитектуры YOLOv5. Тестирование и оценка обученной нейронной сети производятся с использованием данных тепловизионной диагностики работающего электрооборудования. Обученная в рамках исследования модель нейронной сети по результатам детектирования термограмм из тестовой выборки демонстрирует уверенное обнаружение деталей электроустановок. По результатам анализа нормативной документации был формализован подход к определению степени развития дефектов. Помимо использования термограмм электросетевого оборудования фиксируются также токовая нагрузка и температура окружающего воздуха для выбора подходящей формулы пересчета превышения температуры или избыточной температуры узла электроустановки или контактного соединения. Разработанный алгоритм по автоматизации обработки результатов тепловизионной диагностики электроустановок на базе нейросети YOLOv5 отражает основные процессы, необходимые для функционирования системы. Сформирован и размечен пользовательский набор данных, включающий термограммы реально существующих электроустановок, на основании которого была обучена модель нейросети. Использование тестовой выборки позволило рассчитать значения метрик для оценки качества обучения модели YOLOv5. Разработанная система апробирована на термограммах электрооборудования. Ее использование позволяет в автоматизированном режиме выявить не только развившиеся дефекты, но и начальную стадию возникновения неисправностей.

The development of the electric power industry is accompanied by the improvement of diagnostic tools for the state of equipment in energy systems. Some of the electrical network equipment is significantly worn out and requires increased attention in order to determine the residual resource. The synthesis of intelligent technologies and generally accepted diagnostic methods is the next step towards the future of the electric power industry. The aim of the project is to develop the principles for the functioning of an automated processing system for results of thermal imaging diagnostics of electrical equipment. The paper examines the criteria for evaluating defects in electrical equipment based on the heating temperature. An algorithm for automating the processing of the results of thermal imaging diagnostics of electrical equipment is also being developed on the basis of artificial neural networks. The software implementation of the detection of electrical installation elements in infrared images is performed using the YOLOv5 architecture. Testing and evaluation of the trained neural network are performed using thermal imaging diagnostics data of working electrical equipment. The neural network model trained as part of the study demonstrates confident detection of electrical installation parts based on the results of detecting thermograms from a test sample. Based on the results of the analysis of regulatory documentation, an approach to determining the degree of defect development has been clearly laid out. In addition to using thermal images of electrical grid equipment, the current load and ambient temperature are also recorded to select a suitable formula for calculating temperature excess or excessive temperature of an electrical installation unit or contact connection. The developed algorithm for automating the processing of the results of thermal imaging diagnostics of electrical installations based on the YOLOv5 neural network reflects the main processes necessary for the functioning of the system. A custom dataset was generated and marked up, including thermograms of real-life electrical installations, on the basis of which a neural network model was trained. Using a test sample, we were able to calculate the values of metrics to evaluate the quality of YOLOv5 model learning. The developed system has been tested on thermograms of electrical equipment. Its use makes it possible to identify not only the developed defects, but also the initial stage of the occurrence of defects in an automated mode.

тепловизионная диагностика электрооборудованиятермограмма электроустановкиинфракрасный контрольинфракрасная диагностикапревышение температурыизбыточная температураконтактное соединениедетектирование объектовсверточные нейронные сетинейросеть YOLOthermal imaging diagnostics of electrical equipmentthermal image of an electrical installationinfrared monitoringinfrared diagnosticstemperature excessexcessive temperaturecontact connectionsobject detectionconvolutional neural networksYOLO neural networksReferencesЭнергетическая стратегия Российской Федерации на период до 2035 года: Распоряжение Правительства Российской Федерации от 9 июня 2020 г., № 1523-р // Министерство энергетики РФ. URL: https://minenergo.gov.ru/ministry/energy-strategy (дата обращения: 26.09.2024).The Energy Strategy of the Russian Federation for the Period up to 2035 Approved by the Decree of the Government of the Russian Federation, June 9, 2020, No 1523-R. Ministry of Energy of the Russian Federation. Available at: https://minenergo.gov.ru/ministry/energy-strategy (accessed 26 September 2024) (in Russian).Реклоузер SMART 35 − Статистические данные по сетям и центрам питания 35 кВ в России // Elec.ru – электротехнический интернет-портал. URL: https://www.elec.ru/viewer?url=/files/2017/05/03/Reklouzer-SMART35.pdf (дата обращения: 26.09.2024).SMART 35 Recloser: An Innovative Solution for Upgrading Power Centers and Improving the Reliability of 35 kV Networks. Elec.ru – Electrotechnical Internet Portal. Available at: https://www.elec.ru/viewer?url=/files/2017/05/03/Reklouzer-SMART35.pdf (accessed 26 September 2024) (in Russian).Диагностика электрооборудования электрических станций и подстанций / А. И. Хальясмаа, С. А. Дмитриев, С. Е. Кокин, Д. А. Глушков. Екатеринбург: Изд-во Урал. ун-та, 2015. 64 с.Khalyasmaa A. I., Dmitriev S. A., Kokin S. E., Glushkov D. A. (2015) Diagnostics of Electrical Equipment of Power Stations and Substations. Ekaterinburg, Ural University Publishing House, 64 (in Russian).Секретарев, Ю. А. Модели текущего технического состояния электрооборудования для расчета надежности систем электроснабжения монопотребителей в рамках риск-ориентированного подхода / Ю. А. Секретарев, А. А. Горшунов // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2025. Т. 68, № 1. С. 17–34. https://doi.org/10.21122/1029-7448-2025-68-1-17-34.Sekretarev Yu. A., Gorshunov A. A. (2025) Models of the Current Technical Condition of Electrical Equipment for Calculating the Reliability of Power Supply Systems for Single-Users within the Framework of a Risk-Based Approach. Energetika. Izvestiya Vysshikh Uchebnykh Zavedenii i Energeticheskikh Ob’edinenii SNG = Energetika. Proceedings of CIS Higher Education Institutions and Power Engineering Associations, 68 (1), 17–34. https://doi.org/10.21122/1029-7448-2025-68-1-17-34 (in Russian).Хлебцов, А. П. Развитие методов и устройств диагностики силового электрооборудования трансформаторных подстанций / А. П. Хлебцов, Л. Х. Зайнутдинова, А. Н. Шилин // Электротехнические и информационные комплексы и системы. 2020. Т. 16, № 3. С. 14–27. https://doi.org/10.17122/1999-5458-2020-16-3-14-27.Khlebtsov А. Р., Zainutdinova L. КН., Shilin A.N. (2020) Development of Methods and Devices for Diagnostics of Power Electrical Equipment of Transformer Substations; Elektrotekhnicheskiye i informatsionnyye kompleksy i sistemy = Electrical and data processing facilities and systems, 16 (3), 14–27. https://doi.org/10.17122/1999-5458-2020-16-3-14-27 (in Russian).Кувшинов, А. А. Диагностика технического состояния электрооборудования в системах электроснабжения: учеб. пособие / А. А. Кувшинов, В. П. Тараканов. Тольятти: ТГУ, 2016. 90 с.Kuvshinov A. A., Tarakanov V. P. (2016) Diagnostics of the Technical Condition of Electrical Equipment in Power Supply Systems. Togliatti, Togliatti State University. 90 (in Russian).Сви, П. М. Методы и средства диагностики оборудования высокого напряжения / П. М. Сви. М.: Энергоатомиздат, 1992. 240 с.Svi P. M. (1992) Methods and Means of Diagnostics of High Voltage Equipment. Moscow, Energoatomizdat Publ. 240 (in Russian).Максудов, Д. В. Методы селекции сигналов частичных разрядов в изоляции силовых трансформаторов / Д. В. Максудов, Е. М. Федосов // Вестник УГАТУ. 2009. Т. 12, № 2. С. 138–143.Maksudov D. V., Fedosov E. M. (2009) Methods of Selection of Partial Discharge Signals in Isolation of Power Transformers. Vestnik USATU, 12 (2), 138–143 (in Russian).Вдовико, В. П. Частичные разряды в диагностировании высоковольтного оборудования / В. П. Вдовико. М.: Наука, 2007. 156 с.Vdoviko V. P. (2007) Partial Discharges in the Diagnosis of High-Voltage Equipment. Moscow, Nauka Publ. 156 (in Russian).Кучинский, Г. С. Частичные разряды в высоковольтных конструкциях / Г. С. Кучинский. Л.: Энергия, Ленингр. отд-ние, 1979. 224 с.Kuchinskiy G. S. (1979) Partial Discharges in High Voltage Structures. Leningrad, Energiya Publ., Leningrad Branch. 224 (in Russian).Гавриленко, А. В. Методика вибрационного обследования силовых трансформаторов / А. В. Гавриленко, А. П. Долин. URL: https://megaom.ucoz.ru/_ld/0/40_____.pdf.Gavrilenko A. V., Dolin A. P. (2004) Technique of Vibration Inspection of Power Transformers. Available at: https://megaom.ucoz.ru/_ld/0/40_____.pdf (in Russian).Пузина, Е. Ю. Системы мониторинга силовых трансформаторов тяговых подстанций / Е. Ю. Пузина, А. Г. Туйгунова, И. А. Худоногов. Иркутск: ИрГУПС, 2020. 184 с.Puzina E. Yu., Tuygunova A. G., Khudonogov I. A. (2020) Systems of Monitoring of Power Transformers of Traction Substations. Irkutsk, Irkutsk State Transport University (IrGUPS). 184 (in Russian).Вавилов, В. П. Инфракрасная термография и тепловой контроль / В. П. Вавилов. М.: ИД Спектр, 2009. 544 с.Vavilov V. P. (2009) Infrared Thermography and Thermal Control. Moscow, Spektr Publishing House. 544 (in Russian).Власенко, С. А. Мониторинг и диагностика болтовых электрических соединений системы тягового электроснабжения: монография / С. А. Власенко, И. В. Игнатенко. Хабаровск: Изд-во ДВГУПС, 2022. 107 с.Vlasenko S. A., Ignatenko I. V. (2022) Monitoring and Diagnostics of Bolted Electrical Connections of the Traction Power Supply System. Khabarovsk, Far Eastern State Transport University (FESTU) Publishing House. 107 (in Russian).Коренчиак, Д. Тепловое измерение и его применение для диагностики масляных трансформаторов распределительных сетей. / Д. Коренчиак, M. Себок, М. Гуттен // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2019. Т. 62, № 6. С. 583–594. https://doi.org/10.21122/1029-7448-2019-62-6-583-594.Korenciak D., Sebok M., Gutten M. (2019) Thermal Measurement and its Application for Diagnostics of Distribution Oil Transformers. Energetika. Izvestiya Vysshikh Uchebnykh Zavedenii i Energeticheskikh Ob’edinenii SNG = Energetika. Proceedings of CIS Higher Education Institutions and Power Engineering Associations, 62 (6), 583–594. https://doi.org/10.21122/1029-7448-2019-62-6-583-594 (in Russian).РД 153-34.0-20.363–99 Основные положения методики инфракрасной диагностики электрооборудования и ВЛ. М.: СПО ОРГРЭС, 2001. 136 с.RD [Guidance Document] 153-34.0-20.363-99. Method for Infrared Inspection of Electrical Equipment and Overhead Lines. Moscow, SPO ORGRES, 2001. 136 (in Russian).РД 34.45-51.300–97 Объем и нормы испытаний электрооборудования. М.: Изд-во НЦ ЭНАС, 2004. 256 с.RD [Guidance Document] 34.45-51.300-97. Scope and Standards for Tests of Electrical Equipment. Moscow, IC ENAS Publishing House, 2004. 256 (in Russian).Величко, В. А. Предложения по совершенствованию системы критериев оценки состояния электрооборудования по результатам инфракрасного контроля / В. А. Величко, А. Д. Чернова // Проблемы и перспективы развития электроэнергетики и электротехники: материалы V Всерос. науч.-практ. (с междунар. участием) конф., посвящ. празднованию 55-летия КГЭУ. Казань: КГЭУ, 2023. Т. 2. С. 219–228.Velichko V. A., Chernova A. D. (2023) Proposals for Improving the Criteria System for Assessing the Condition of Electrical Equipment Based on the Results of Infrared Control. Problemy i perspektivy razvitiya elektroenergetiki i elektrotekhniki: materialy V Vseros. nauch.-prakt. (s mezhdunar. uchastiem) konf., posvyashch. prazdnovaniyu 55-letiya KGEU. T. 2 [Problems and Prospects of Development of the Electric Power Industry and Electrical Engineering”: Proceedings V All-Russian Scientific and Practical Conference (with International Participation) Dedicated to the Celebration of the 55th Anniversary of the KGEU. Vol. 2]. Kazan, Kazan StatePower Engineering University, 219–228 (in Russian).Лебедь, Н. И. Имитационное моделирование автоматизированных систем управления технологических процессов в электроэнергетике и АПК / Н. И. Лебедь. Волгоград: ФГБОУ ВО Волгоградский ГАУ, 2022. 88 с.Lebed’ N. I. (2022) Simulation Modeling of Automated Control Systems for Technological Processes in the Electric Power Industry and the Agro-industrial Complex. Volgograd, Volgograd State Agrarian University Publ. 88 (in Russian).Standard for Infrared Inspection of Electrical Systems & Rotating Equipment. NJ: Infraspection Institute, 2016. URL: https://www.atlanticleak.com/wp-content/uploads/2019/08/Stan-dard-for-Infrared-Inspection-of-Electrical-systems-and-Rotating-Equipment.pdf (date of access 26.09.2024).Standard for Infrared Inspection of Electrical Systems & Rotating Equipment. NJ, Infraspection Institute, 2016. Available at: https://www.atlanticleak.com/wp-content/uploads/2019/08/Standard-for-Infrared-Inspection-of-Electrical-systems-and-Rotating-Equipment.pdf (accessed 26 September 2024).Kim, J. S. Infrared Thermal Image-Based Sustainable Fault Detection for Electrical Facilities / J. S. Kim, K. N. Choi, S. W. Kang // Sustainability. 2021. Vol 13, № 2. P. 557. https://doi.org/10.3390/su13020557.Kim J. S., Choi K. N., Kang S. W. (2021) Infrared Thermal Image-Based Sustainable Fault Detection for Electrical Facilities. Sustainability, 13 (2), 557. https://doi.org/10.3390/su13020557.Xu, F. Research on Power Equipment Troubleshooting Based on Improved AlexNet Neural Network / F. Xu, S. Liu, and W. Zhang // Journal of Measurements in Engineering. 2024. Vol. 12, No 1. Р. 162–182. https://doi.org/10.21595/jme.2023.23786.Xu F., Liu S., Zhang W. (2024) Research on Power Equipment Troubleshooting Based on Improved AlexNet Neural Network. Journal of Measurements in Engineering, 12 (1), 162–182, https://doi.org/10.21595/jme.2023.23786.Wu, J. An Infrared Image Detection of Power Equipment Based on Super-Resolution Reconstruction and YOLOv4 / J. Wu, X. Li, Y. Zhou // The Journal of Engineering. 2022. Vol. 2022, No 10. P. 1006–1016. https://doi.org/10.1049/tje2.12187.Wu J., Li X., Zhou Y. (2022) An infrared image detection of power equipment based on super-resolution reconstruction and YOLOv4. The Journal of Engineering, 2022, 1006–1016. https://doi.org/10.1049/tje2.12187.Efficient Real-Time Detection of Electrical Equipment Images Using a Lightweight Detector Model / C. Qi, Z. Chen, X. Chen [et al.] // Frontiers in Energy Research. 2023. Vol. 11. P. 1291382. https://doi.org/10.3389/fenrg.2023.1291382.Qi C., Chen Z., Chen X., Bao Y., He T., Hu S., Li J, Liang Y, Tian F, Li M. (2023). Efficient Real-time Detection of Electrical Equipment Images Using a Lightweight Detector Model. Frontiers in Energy Research, 11, 1291382. https://doi.org/10.3389/fenrg.2023.1291382.Electric Substation Inspection: YOLOv5 in Hotspot Detection Through Thermal Imaging / D. A. Pérez-Aguilar, J. M. Pérez-Aguilar, A. P. Pérez-Aguilar [et al.] // Ingenius, Revista Ciencia y Tecnología. 2024. Vol 31. P. 43–54. https://doi.org/10.17163/ings.n31.2024.04.Pérez-Aguilar D. A., Pérez-Aguilar J. M., Pérez-Aguilar A. P., Risco-Ramos R. H., Malpica-Rodríguez M. E. (2024) Electric Substation Inspection: YOLOv5 in Hotspot Detection Through Thermal Imaging. Ingenius. Revista Ciencia y Tecnología, 31, 43–54. https://doi.org/10.17163/ings.n31.2024.04.王媛彬. 基于自适应特征融合和注意力机制的变电设备红外图像识别 /王媛彬, 吴冰超 // 电子与信息学报. 2024. Vol. 46, No 9. P. 3749–3756 = Wang, Y., Infrared Image Recognition of Substation Equipment Based on Adaptive Feature Fusion and Attention Mechanism / Y. Wang, B. Wu // Journal of Electronics & Information Technology. 2024. Vol. 46, No 9. P. 3749–3756. https://doi.org/10.11999/JEIT231047.Wang Y., Wu B. (2024) Infrared Image Recognition of Substation Equipment Based on Adaptive Feature Fusion and Attention Mechanism. Journal of Electronics & Information Techno-logy, 46 (9), 3749–3756 (in Chinese). https://doi.org/10.11999/JEIT231047.Ahmed, K. R. Smart Pothole Detection Using Deep Learning Based on Dilated Convolution / K. R. Ahmed // Sensors. 2021. Vol. 21, No 24. P. 8406. https://doi.org/10.3390/s21248406.Ahmed K. R. (2021). Smart Pothole Detection Using Deep Learning Based on Dilated Convolution. Sensors, 21 (24), 8406. https://doi.org/10.3390/s21248406.Величко, В. А. Программная реализация алгоритма по автоматизации тепловизионной диагностики оборудования подстанций с использованием нейросети YOLOv5 / В. А. Величко, А. Д. Косенко // Университетский комплекс как региональный центр образования, науки и культуры: материалы Всерос. науч.-метод. конф., Оренбург, 01–03 февр. 2024 г. Оренбург: Оренбургский государственный университет, 2024. С. 1209–1214.Velichko V. A., Kosenko A. D. (2024) Software Implementation of an Algorithm for Automating Thermal Imaging Diagnostics of Substation Equipment Using the YOLOv5 Neural Network. Universitetskii kompleks kak regional'nyi tsentr obrazovaniya, nauki i kul'tury: materialy Vseros. nauch.-metod. konf., Orenburg, 01–03 fevr. 2024 g. [University Complex as a Regional Center of Education, Science and Culture. Proceedings of the All-Russian Scientific and Methodological Conference, Orenburg, 01–03 February 2024.]. Orenburg, Orenburg State University, 1209–1214 (in Russian).Чернова, А. Д. Разметка изображений элементов электроустановок для обучения нейросети Yolov5 / А. Д. Чернова, В. А. Величко // Энергетика: состояние, проблемы, перспективы: материалы XIV Всероссийской науч.-техн. конф., Оренбург. Оренбург: Оренбург. гос. ун-т, 2023. С. 217–222.Chernova A. D., Velichko V. A. (2023) Markup of Images of Electrical Installation Elements for Training the YOLOv5 Neural Network. Energetika: sostoyanie, problemy, perspektivy: materialy XIV Vserossiiskoi nauch.-tekhn. konf., Orenburg [Power Engineering: State, Problems, Prospects: Proceedings of the XIV All-Russian Scientific and Technical Conference]. Orenburg, Orenburg State University, 217–222 (in Russian).Ярышев, С. Н. Технологии глубокого обучения и нейронных сетей в задачах видеоанализа / С. Н. Ярышев, В. А. Рыжова. СПб.: Ун-т ИТМО, 2022. 82 с.Yaryshev S. N., Ryzhova V. A. (2022) Deep Learning and Neural Network Technologies in Video Analysis Tasks. St. Petersburg, ITMO University. 82 (in Russian).Обучение YOLOv5 на пользовательских данных // Ultralytics. URL: https://docs.ultralytics.com/yolov5/tutorials/train_custom_data/ (дата обращения: 11.01.2024).Train YOLOv5 on Custom Data. Ultralytics. Available at: https://docs.ultralytics.com/yolov5/tutorials/train_custom_data/ (accessed 11 January 2024) (in Russian).Gomede, E. The Significance of Train-Validation-Test Split in Machine Learning / E. Gome-de // Medium. URL: https://medium.com/@evertongomede/the-significance-of-train-valida-tion-test-split-in-machine-learning-91ee9f5b98f3. Publ. date: 28.08.2023.Gomede E. (28 August 2023) The Significance of Train-Validation-Test Split in Machine Learning. Medium. Available at: https://medium.com/@evertongomede/the-significance-of-train-validation-test-split-in-machine-learning-91ee9f5b98f3.

The authors declare that there are no conflicts of interest present.