基于视频叠加算法的变电站易损高压电气设备可视化监控技术研究

摘 要：為增强变电站高压电气设备易损性可视化效果，研究了基于视频叠加算法的变电站高压电气设备易损性可视化监控。利用改进的α混合算法结合视频背景色的反走样，叠加可见光视频以及红外视频，选取引导滤波器将视频帧分为基础层和细节层，利用改进的自适应加权二维主成分分析（W2DPCA）融合基础层，选取细节层作为最终细节层，获取最终融合帧，实现变电站高压电气设备易损性可视化监控。实验结果表明，采用该方法所获取监控画面可体现丰富的变电站高压电气设备细节，纹理色彩以及设备边缘对比度有所强化，便于准确判断变电站高压电气设备易损性。

关键词：视频叠加算法;变电站;高压;电气设备;易损性;可视化监控

中图分类号：TM63      文献标识码：A

Visual Supervision of Vulnerable Highvoltage Electrical

Equipment in Substation Based on Video Overlay Algorithm

FU Zhanwei

（Inner Mongolia EHV Power Supply Bureau，Hohhot， Inner Mongolia 010080，China）

Abstract：In order to enhance the visual effect of vulnerability of high voltage electrical equipment in substation， visual monitoring of vulnerability of high voltage electrical equipment in substation based on video superposition algorithm is studied. Using improved α  the hybrid algorithm combines the anti aliasing of video background color， superimposes visible video and infrared video， selects the pilot filter to divide the video frame into the base layer and the detail layer， uses the improved adaptive weighted twodimensional principal component analysis （W2DPCA） to fuse the base layer， and selects the detail layer as the final detail layer to obtain the final fusion frame， Visual monitoring of vulnerability of high voltage electrical equipment in substation is realized. The experimental results show that the monitoring images obtained by this method can reflect rich details of substation highvoltage electrical equipment， and the texture color and edge contrast of equipment are enhanced， which is convenient to accurately judge the vulnerability of substation highvoltage electrical equipment.

Key words：video overlay algorithm; substation; high voltage; electrical equipment; vulnerability; visual monitoring

变电站内包含变压器、断路器、电压互感器等众多高压电气设备，是电力系统供配电的重要组成部分[1]。变电站遇到地震等严重振动情况时，高压电气设备受到破坏将造成电网失去供配电功能，停电状况提升灾害后灾民安置困难性[2]。变电站高压电气设备易损性可应用于设备地震风险评估中，设备状态决定变电站输配电系统运行状况[3]，将可视化监控技术应用于变电站高压电气设备易损性研究中，可有效提升電气系统整体监控需求。

以往针对变电站可视化监控研究较多，陈涛研究基于自组网的变电站远程视频监控系统设计[4]，针对自组网变电站设计远程视频监控系统，可远程监控变电站内设备运行状态;滕井玉等人研究基于视频集成及智能分析的一键式程序化控制技术[5]，视频集成技术与智能分析技术应用于程序化控制电力系统中，提升电力系统众多设备控制性能;朱红岷等人研究基于图像处理的变电站视频智能分析[6]，将图像处理技术应用于变电站视频智能分析中，提升变电站设备状态分析性能，以上研究均将可视化技术应用于变电站设备监控中，并均取得一定成效。可见，在相关可视化监控研究中，多采用图像融合技术，目前已有的图像融合技术包括了多传感器信息融合技术、多重灰度级图像融合技术、基于小波变换的图像融合技术等，但上述图像融合技术应用到变电站高压电气设备易损性监控时会出现锯齿和暗边情况，因此，基于视频叠加算法的变电站高压电气设备易损性可视化监控，将视频叠加算法应用于变电站高压电气设备易损性研究中，实现变电站高压电气设备可视化监控，提高电气设备纹理色彩、边缘对比度以及细节的丰富性，实现变电站高压电气设备易损性实时检测。

1 高压电气设备易损性可视化监控的实现

1.1 视频叠加算法设计

将所采集的可见光变电站视频以及红外变电站视频利用改进的α混合算法结合背景色的反走样实现叠加。所谓α混合算法，就是利用α混合向量值来混合处理源像素和目标像素，从而使3D物件产生透明感，在本研究中引入α混合算法能使高压电气设备有三维立体感。α混合算法依据固定比例将视频近景与远景加权求和公式如下：

计算技术与自动化2022年3月

第41卷第1期

付占威：基于视频叠加算法的变电站易损高压电气设备可视化监控技术研究

公式（1）中，α与1-α分别表示视频内近景权值以及相应远景权值;Il与Ir分别表示近景像素点以及相应远景像素点颜色;Ia表示采用α混合算法叠加视频后输出值。

依据图元反走样算法所获取图元点灰度、坐标以及颜色对视频远景相应位置实施反走样公式如下：

公式（2）中，Ib表示本体视频画面与远景上反走样像素点颜色;Ie与Jg分别表示远景内像素位于相同位置时近景相应图元颜色以及依据相应反走样获取近景图元像素点灰度等级。

通过公式（2）获取新近景画面，所获取新画面基于远景基础实施反走样，避免远景与近景出现黑边以及图元边界锯齿情况[7]。所获取近景与远景可良好融合，但原画面内背景色与远景融合导致α通道无法利用背景色检测混合，变换公式（2）如下：

公式（3）中，Ik为原视频画面背景色。

利用以上过程获取混合通道α，反走样于远景的本地视频画面实现α混合公式如下：

公式（4）中，Iout表示最终视频叠加输出值。

依据背景色判断通道混合内α通道，实施反走样后远景画面内包含原有背景色以及新像素点[8]，新背景色同样呈现于视频画面中。

通道判别内可不判别位于图元内新背景色，可将公式（4）转化为：

公式（5）中，Iout表示通道α混合的最终视频叠加结果。

分析以上过程可知，采用该算法叠加视频时，混合权值由固定值转化为变混合参数，变混合参数相应远景权值可依据各位置近景像素点灰度等级调整[9]，远景于混合内权值在近景灰度等级越高时越小，远景于混合内权值在近景灰度等级越低时越大，可得公式如下：

以上公式可以看出，该算法将修正函数η加入传统α混合算法中，依据近景灰度等级设置混合权值补偿修正值，令叠加后混合视频不存在锯齿感以及暗边情况。

近景混合权值偏大而像素点灰度等级为固定，且参与叠加的混合像素灰度等级较低时，叠加后视频画面远景将被近景覆盖，近景混合权值越大，锯齿感与暗边情况越明显，此时需要加大修正量补偿力度[10];近景叠加像素点灰度等级过低且混合权值固定时，叠加后图元边界处在远景混合权值非最大值时存在锯齿感以及暗边情况，近景像素点灰度等级与修正量呈负相关状态。

将视频叠加算法应用于所建立变电站模型，即在视频实现变电站高压电气设备易损性可视化监控时，存在于RGB空间的近景画面像素信息不具有灰度等级信息，利用YUV空间灰度等级信息展示RGB空间数据[11]，转换公式如下：

1.2 基于引导滤波器和W2DPCA的融合算法

融合视频叠加后的可见光视频与红外视频获取更高质量的可视化监控结果，令可视化监控视频不受周围环境影响，将自适应加权二维主成分分析（以下称为自适应W2DPCA算法）与引导滤波器相结合融合可见光视频以及红外视频，该融合方法具有计算复杂度低的优势，能够通过逐帧融合的手段获取可见光视频与红外视频融合的可视化监控结果。融合算法总体结构图如图1所示。

该融合方法主要包括利用引导滤波器划分可视化监控层次，获取可见光帧与红外帧监控结果的基础层与细节层，视频分层所获取基础层与细节层选取不同规划方法融合[12]，最终将融合后基础层与细节层组合获取最终变电站高压电气设备易损性可视化监控结果。

1.2.1 引导滤波器的可视化监控视频帧分解

所采集变电站高压电气设备可见光监控视频中纹理较为丰富，而红外视频中容易丢失视频中纹理细节，通过引导滤波器获取视频内基础层与细节层，视频基础层包含视频整体强度变化[13]，视频细节层包含所需展示图像信息的纹理信息，引导滤波器处理后，视频可保证融合过程中可见光纹理不影响红外纹理信息。选取不同方法融合视频基础层与细节层，令融合后视频包含红外视频帧内热物体以及可见光帧内纹理细节信息。

利用引导滤波器分解红外帧以及可见光帧获取红外帧以及可见光帧基础层公式分别为：

以上公式中，G与r分别表示引导滤波函数以及滤波器半径，Ii与Iv分别表示源红外帧以及源可见光帧，ξ与IvB分别表示正则化参数以及可见光帧基础层，IiB表示红外帧基础层。

利用源可见光帧以及源红外帧所获取可见光基础层以及红外基础层之差获取可见光帧以及红外帧细节层[14]。所获取红外帧以及可见光细节层公式分别为：

通过以上过程所获取基础层与细节层分别保留源视频内存在较大方差区域以及纹理信息，红外图像内目标存在于视频基础层内。

1.2.2 W2DPCA融合基础层

通过基础层融合令受环境影响的可见光视频内物体直观清晰展示，视频帧质量直接影响图像融合最终效果[15]，仅需要加入红外热图像至高质量可见光帧即可获取最佳融合结果。利用自适应W2DPCA算法融合可见光帧与红外帧过程如下：

首先将W2DPCA算法实施于红外帧与可见光帧基础层上，红外帧与可见光帧集合用矩阵P表示，获取矩阵P协方差矩阵G公式如下：

公式（14）中，P1表示红外帧，P2与μ分别表示可见光帧以及可见光帧和红外帧平均值。

依据特征值λ大小通过降序方式排列协方差矩阵G的特征向量，矩阵最左侧放置最大特征值相应的特征向量，利用U表示特征提取矩阵，大小为n×d的特征提取矩阵由前d个特征向量组成，矩阵表达式如下：

特征图像由红外帧以及可见光帧前d个主成分组成。

不同帧权重随着像素大小改变而有所改变。可见光帧以及红外帧权重利用尺寸较小的特征图像计算可有效降低计算量。

融合过程中需要检测可见光帧的边缘区域与其他区域间对比度是否存在差异[16]，可见光质量在较差的环境有所降低，但仍包含有用的纹理信息。充分考虑帧质量在融合过程中获取自适应可见光权重，基于区域方差的可见光帧权重Wv公式如下：

公式（18）中，δ表示源图像标准差。

红外帧内像素值较高以及较低区域分别表示较热以及较冷区域，红外帧全部像素灰度值在低温情况下明显低于高温情况下，图像内热物体灰度值明显高于其他像素。融合过程中应重点突出红外热物体，利用零均值操作获取红外权重Wi公式如下：

通过公式（19）可知，较大权重将被分配至较高像素部分。

利用加权平均方法获取红外帧以及可见光帧融合特征图像QB，通过该方法获取融合特征图可保留可见光帧全部细节信息，融合特征图公式如下：

利用以下公式近似重构融合基础层公式如下：

1.2.3 细节层融合

图像内真实的纹理信息可能破坏红外帧细节层包含的大量无用信息，融合过程中可丢弃红外帧图像细节层，细节层融合公式如下：

1.2.4 最终融合视频帧

融合后基础层与融合后细节层最终融合公式如下：

通过公式（23）所获取最终融合帧可有效体现红外帧以及可见光帧所包含热目标以及纹理信息。

2 实例分析

为验证基于视频叠加算法的变电站高压电气设备易损性可视化监控对变电站高压电气设备易损性研究有效性，选取某国家电网构成的电力系统作为实例分析对象，该地区具有工业用电多、人口密度大的特点。选取该地区共29个110 kV以上变电站作为高压电气设备易损性研究的统计分析样本。其中500 kV、220 kV变电站分别为2座、8座，110 kV变电站19座。

设计一套变电站高压电气设备易损性可视化监控系统，该系统利用红外传感器以及可见光传感器的在线监控装置获取变电站高压电气设备图像源，利用上位机运行系统采用本文方法处理采集图像，通过C语言利用VS编译平台编程本文软件，系统具有红外图像以及可见光图像融合、红外以及可见光成像信息互补、变电站高压电气设备易损性分析、人工操作等功能。

采用本方法监控各变电站高压电气设备可视化监控界面图如图2所示。

图2可以看出，本方法可应用智能视频实时监控变电站高压电气设备状态。本方法采用视频叠加方法叠加视频，令所呈现视频无锯齿情况;可视化监控视频具有设备透视功能，可设置变电站内各高压电气设备透明度，避免部分設备被遮挡导致无法准确分析设备易损性。

从源变电站高压电气设备视频中选取一对红外帧以及可见光帧如图3所示。

采用本方法对以上两幅原始图像进行视频叠加以及融合处理，获取最终结果如图4所示。融合前后图像质量的客观指标对比情况如表1所示。

通过图4融合结果和表1中的指标数据可以看出，本方法可良好融合室外变电站场景，融合后图像可良好展示可见光视频内变电站高压电气设备纹理以及红外视频中设备信息，且边缘表现较为自然，融合后视频可视化效果相比未融合前具有明显提升，高压电气设备阴影部分增强效果明显，对比度有所提升，且融合结果中设备细节可有效强化，设备纹理色彩以及设备边缘对比度有所增强，监控视频内整体变电站高压电气设备细节更加丰富。

依据本文所建立变电站三维模型利用Matlab仿真软件模拟某次真实发生的地震灾害，给定变电站信息采样的节点数为200，日最大负荷为120 kW，变电站的有功功率为42 kW，设定模拟地震灾害等级为6.7级，模拟区域变电站均受到地震影响，由于不同地区受地震灾害与震源距离存在差异，不同地区变电站高压电气设备受破坏程度存在较大差异，以变电站与震源距离作为划分标准，从短距离至长距离将所研究区域划分为A-F六个地区，基于上述设定，得到各区域高压电气设备受破坏程度如表2所示。

通过表2结果可以看出，损坏设备数量随着与震源距离的增加而有所降低，与现实相吻合，充分验证变电站高压电气设备模拟有效性。

依据可视化监控界面可以看出，变电站内除变压器外的瓷柱型设备主要损坏状态为断裂损坏以及裂纹损坏。设备断裂损坏影响设备使用，设备裂纹并不影响继续使用，将设备出现裂纹设置为未破坏，将设备断裂状态归属于完全破坏。变压器在地震中损坏状态主要表现为轮轨固定装置破坏、油枕破坏等部件损坏，可知变压器具有较低的易损性。变压器损坏可分为部件损坏以及部件未损坏两种状态，设部件损坏程度低于变压器本身五分之一且不影响变压器正常操作时为变压器部件未损坏，否则为变压器部件损坏。

3 结 论

将视频叠加算法应用于变电站高压电气设备易损性可视化监控中，视频叠加算法可避免所叠加视频画面内近景的反走样图元边界存在锯齿感和暗边情况，符合变电站高压电器设备易损性监控实际需求。所研究方法具有较高的三维可视化监控性能，强化电气设备细节，使其纹理色彩以及边缘对比度增强，提高监控视频中电气设备细节的丰富性，利用变电站可视化监控精准分析高压电气设备易损性，提升变电站安全运行水平。

参考文献

[1] 陈勇， 李胜男， 张丽， 等. 基于改进Apriori算法的智能变电站二次设备缺陷关联性分析[J]. 电力系统保护与控制， 2019， 47（20）：135-141.

[2] 刘世丹， 袁亮荣， 曾耿晖，等. 基于区域虚拟变电站的区域保护性能提升方案[J]. 电力科学与技术学报， 2019， 34（1）：154-159.

[3] 刘如山， 张中近， 熊明攀，等. 基于设施易损性的变电站地震经济损失快速评估[J]. 应用基础与工程科学学报， 2017，25（3）：604-614.

[4] 陈涛. 基于自组网的变电站远程视频监控系统设计[J]. 电源技术， 2017， 41（1）：155-156.

[5] 滕井玉， 蒋正威， 杜奇伟，等. 基于视频集成及智能分析的一键式程序化控制技术研究[J]. 电力系统保护与控制， 2017， 45（17）：72-76.

[6] 朱红岷， 戴道清， 李静正. 基于图像处理的变电站视频智能分析研究[J]. 计算机工程与应用， 2018，54（7）：264-270.

[7] 朱富云， 戴相龙， 傅靖，等. 基于视频监控的变电站内安全帽检测算法研究[J]. 电网与清洁能源， 2018，34（12）：71-76.

[8] 程永锋， 朱祝兵， 卢智成， 等. 变电站电气设备抗震研究现状及进展[J]. 建筑结构， 2019，49（S2）：356-361.

[9] 鲁华永， 袁越， 郭泓佐，等. 基于正则表达式的变电站集中监控信息解析方法[J]. 电力系统自动化， 2017，41（5）：78-83.

[10]戴相龙， 朱富云， 胡广，等. 基于视频的变电站内红马甲检测系统的实现[J]. 电网与清洁能源， 2018，34（10）：83-88.

[11]才争野.基于FFmpeg与CUDA的YUV与RGB色彩空间转换性能对比分析[J].广东通信技术，2019，39（1）：21-24.

[12]王月月， 陈民铀， 姜振超，等. 基于云理论的智能變电站二次设备状态评估[J]. 电力系统保护与控制， 2018，46（1）：71-77.

[13]张营， 鲁守银， 苏建军. 高压变电站设备带电水冲洗机器人系统研究[J]. 高电压技术， 2017， 43（4）：1326-1332.

[14]李丹丹， 董静薇， 徐博， 等. 嵌入式智能视频监控技术的研究与OpenCV实现[J]. 电视技术， 2017， 41（Z3）：96-100.

[15]张翠， 高新勤， 李楠. 基于ARM与DSP的箱式变电站智能远程监控系统[J]. 电子技术应用， 2019，45（3）：104-107，112.

[16]刘焱， 崔博源， 王宁华，等. 1100 kV特高压交流变电站开关设备低温应对措施[J]. 高压电器， 2019，55（5）：220-225.