Система автоматизированной обработки результатов тепловизионной диагностики электрооборудования

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.

1. Энергетическая 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).

2. 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).

3. 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.

4. 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.

5. 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.

6. Кувшинов, А. А. Диагностика технического состояния электрооборудования в системах электроснабжения: учеб. пособие / А. А. Кувшинов, В. П. Тараканов. Тольятти: ТГУ, 2016. 90 с.

7. Сви, П. М. Методы и средства диагностики оборудования высокого напряжения / П. М. Сви. М.: Энергоатомиздат, 1992. 240 с.

8. 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.

9. Вдовико, В. П. Частичные разряды в диагностировании высоковольтного оборудования / В. П. Вдовико. М.: Наука, 2007. 156 с.

10. Кучинский, Г. С. Частичные разряды в высоковольтных конструкциях / Г. С. Кучинский. Л.: Энергия, Ленингр. отд-ние, 1979. 224 с.

11. Гавриленко, А. В. Методика вибрационного обследования силовых трансформаторов / А. В. Гавриленко, А. П. Долин. URL: https://megaom.ucoz.ru/_ld/0/40_____.pdf.

12. Пузина, Е. Ю. Системы мониторинга силовых трансформаторов тяговых подстанций / Е. Ю. Пузина, А. Г. Туйгунова, И. А. Худоногов. Иркутск: ИрГУПС, 2020. 184 с.

13. Вавилов, В. П. Инфракрасная термография и тепловой контроль / В. П. Вавилов. М.: ИД Спектр, 2009. 544 с.

14. 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.

15. 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.

16. РД 153-34.0-20.363–99 Основные положения методики инфракрасной диагностики электрооборудования и ВЛ. М.: СПО ОРГРЭС, 2001. 136 с.

17. РД 34.45-51.300–97 Объем и нормы испытаний электрооборудования. М.: Изд-во НЦ ЭНАС, 2004. 256 с.

18. 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.

19. 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.

20. 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).

21. 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.

22. 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.

23. 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.

24. 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.

25. 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.

26. 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.

27. 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.

28. 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.

29. 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.

30. 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.

31. Обучение YOLOv5 на пользовательских данных // Ultralytics. URL: https://docs.ultralytics.com/yolov5/tutorials/train_custom_data/ (дата обращения: 11.01.2024).

32. 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.