劉益岑， 楊 琳， 王楊寧， 殷成鳳， 郭裕鈞， 張血琴

(1. 國網(wǎng)四川省電力公司電力科學研究院， 四川 成都 600072； 2. 國網(wǎng)四川省電力公司, 四川 成都 610041； 3. 西南交通大學電氣工程學院， 四川 成都 611756)

1 引言

電力系統(tǒng)安全穩(wěn)定運行是國家經(jīng)濟發(fā)展和國民生活生產(chǎn)的前提保障。絕緣子用量大、種類多，廣泛應(yīng)用于輸電線路、發(fā)、變電所，是電力系統(tǒng)重要組成部分。由于絕緣子直接暴露在空氣中工作，表面不可避免會沉積一層污穢物。隨著絕緣子表面污穢程度加重，或遇到空氣濕度大的不利天氣例如霧霾、凝露時，絕緣子的絕緣性能會大大降低，在正常運行電壓下也容易發(fā)生閃絡(luò)事故。據(jù)統(tǒng)計，雷擊是概率最高的電網(wǎng)事故，其次是污閃事故，但其造成的經(jīng)濟損失是雷擊事故的10倍，外絕緣污閃防治仍是亟待解決的問題[1,2]。

目前提高絕緣子抗污閃能力的措施主要有人工清掃絕緣子、噴涂防水抗污涂層、采用新型復(fù)合絕緣子、增加絕緣子或增大爬距、定期更換絕緣子[3,4]。電力公司一般采用定期巡查絕緣子污穢程度并對其進行維護的方式，但工作任務(wù)量大且繁瑣[5]。因此快速、精準地測量絕緣子污穢程度可以減少人員資源的浪費，為污閃防治工作提供重要的指導(dǎo)。

目前國內(nèi)外學者針對防治污閃工作的研究集中在對污穢程度的檢測，主要從化學、物理、電氣特性等方面對污穢程度進行評估。傳統(tǒng)的檢測手段有等值鹽密法、表面污層電導(dǎo)率法、污閃電壓梯度法、泄漏電流法等。但以上傳統(tǒng)檢測方法操作過程較為繁瑣，大多數(shù)依賴人工測量，且絕緣子數(shù)量巨大，加上輸電線路大多經(jīng)過山地等偏僻地區(qū)，檢測人員不易操作，存在一定局限性[6,7]。為了實現(xiàn)絕緣子污穢程度的準確檢測與評估，表征參量由電氣特征量逐漸發(fā)展為非電氣特征量，由人工檢測、主觀分析逐漸發(fā)展為特征成像、算法處理，檢測方法逐漸由接觸式檢測發(fā)展為非接觸檢測方式[8]，如紅外熱像法[9,10]、紫外成像法[11,12]、可見光法[13]等方法以其非接觸檢測的優(yōu)勢在污閃防治工作中得到了廣泛的應(yīng)用。

高光譜檢測技術(shù)光譜分辨率高，是一種新型快速、無損的非接觸式檢測手段。不同化學物質(zhì)具有不同的吸收與反射特性，根據(jù)其光譜曲線吸收峰位置、幅值等特性可實現(xiàn)對不同化學成分、元素和含量的辨別。文志科等人采集了不同運行狀態(tài)下的硅橡膠絕緣子高光譜圖像，構(gòu)建了樣本光譜庫，利用貝葉斯判別準則檢測復(fù)合絕緣子運行狀態(tài)[14]。張血琴等人利用高光譜技術(shù)可見光波段，基于深度極限學習機算法構(gòu)建了復(fù)合絕緣子老化程度評估模型[15]。邱彥等人分別利用高光譜可見光及近紅外波段，結(jié)合圖像處理技術(shù)，實現(xiàn)了絕緣子污穢程度與污穢成分的識別[16,17]。

近年來，研究學者常基于紅外成像技術(shù)，結(jié)合圖像處理，實現(xiàn)輸電線路外絕緣運行狀態(tài)的檢測。房俊龍等人針對拍攝的紅外熱像圖，利用形態(tài)學修正二值圖像，計算積污面積，利用R分量圖的特征量訓(xùn)練瓷絕緣子污穢等級識別模型，準確率達91%[18]。金立軍等人利用紅外熱像結(jié)合紫外成像技術(shù)，經(jīng)過現(xiàn)場檢測采樣，歸納了典型發(fā)熱放電故障類型，構(gòu)建了基于多光源圖像技術(shù)的外絕緣運行狀況推理系統(tǒng)，并探究了溫升及放電量變化規(guī)律[19]。染污絕緣子在放電發(fā)熱過程中存在溫升變化小且易受環(huán)境干擾等特點，單一使用紅外圖像技術(shù)檢測絕緣子污穢程度仍存在一些不足，如受環(huán)境因素如溫度、電壓影響較大，另外紅外圖像采集的標準、特征量的選取、評估準則也存在爭議。

基于多光源圖像建立的評估模型準確率更高，抗干擾性更好。利用圖像技術(shù)檢測絕緣子污穢狀態(tài)具有非接觸、無損傷、帶電檢測、結(jié)果展示方便、直觀等優(yōu)點。因此，本文采用高光譜融合紅外圖像信息檢測絕緣子污穢狀態(tài)，綜合兩種圖像的有效信息，去除冗余信息，實現(xiàn)信息互補，彌補單一光源下因環(huán)境等因素造成準確率低的缺點，提高模型準確率。

2 試驗平臺及樣品制備

2.1 試驗平臺

試驗裝置簡化電路圖如圖1所示，主要包括電源、分壓器、變壓器、保護電阻、人工霧室及高光譜成像儀、紅外成像儀等裝置。高光譜成像儀型號為GaiaField-F-V10，相關(guān)參數(shù)見表1，其中拍攝時，將樣品放置在高光譜采集平臺中合適的位置與高度，在同一高度放置標準白板，保證樣品與白板同時處于圖像采集區(qū)域內(nèi)，調(diào)整光源使樣品的補光對稱。通過控制平臺調(diào)整高光譜儀的位置至圖像成像最佳位置，此時高光譜鏡頭與樣品垂直成90°，距離75 cm。設(shè)定高光譜成像儀的曝光時間、調(diào)節(jié)焦距、掃描速度等參數(shù)，保證成像不失真、清晰。紅外熱像儀選用FLIR A655sc，15°視場角，配備一臺640×480像素的非制冷型微測輻射熱計，其各項技術(shù)參數(shù)見表2，將制備好的染污絕緣子樣本放入人工霧室加濕，加壓并采集紅外熱像圖。對絕緣子加壓10 kV，控制人工霧室的濕度在80%左右，待濕度均勻穩(wěn)定，運行2.5 h。設(shè)置紅外成像儀成像角度為45°，拍攝絕緣子下盤面。調(diào)節(jié)紅外攝像頭的焦距等參數(shù)使成像清晰、不失真、亮度合適。

圖1 試驗平臺示意圖Fig.1 Diagram of test platform

表1 高光譜成像儀參數(shù)Tab.1 Parameters of hyperspectral imager

表2 紅外成像儀參數(shù)Tab.2 Parameters of infrared imager

2.2 樣本制備

本文以陶瓷XP-70盤式絕緣子為研究對象，盤徑255 mm，結(jié)構(gòu)高度146 mm，爬距280 mm。試驗前用去離子水清洗表面，自然陰干。參照GB/T 4585—2004[20]，IEC 60507 ed3.0[21]，以NaCl模擬可溶性鹽，高嶺土模擬不可溶灰。其中NaCl為分析純氯化鈉，純度高于99.5%；高嶺土為化學純，主要成分為2SiO2·Al2O3·2H2O。

根據(jù)絕緣子表面積計算所需鹽、灰的質(zhì)量，將NaCl和高嶺土按比例混合加入去離子水，使用定量涂刷法將污液均勻涂在絕緣子表面，制作了不同污穢程度的染污絕緣子樣本。依據(jù)GB/T 26218.1—2010中對于污穢等級的劃分，鹽密(Equivalent Salt Deposit Density, ESDD)分別為0.05 mg/cm2、0.1 mg/cm2、0.2 mg/cm2、0.3 mg/cm2，其中灰密(Non-Soluble Deposit Density，NSDD)為1 mg/cm2分別對應(yīng)污穢等級I～IV[17,22]。涂刷完后將絕緣子放置于陰涼處自然陰干24 h，待其表面完全干燥再進行后續(xù)試驗，每個污穢等級的樣品為一組，每組10個樣品，一共4組，染污絕緣子樣本具體參數(shù)見表3。圖2為制作的部分染污絕緣子樣本。

表3 染污樣本參數(shù)Tab.3 Information of samples

圖2 部分染污絕緣子樣本Fig.2 Samples of porcelain insulators

3 數(shù)據(jù)處理

3.1 高光譜數(shù)據(jù)處理及特征提取

3.1.1 高光譜圖像預(yù)處理

高光譜圖像在采集過程中容易受儀器暗電流、背景噪聲、光散射等影響，為建立更高效、穩(wěn)定的絕緣子污穢程度檢測模型，需要降低除樣品成分本身以外其他干擾因素帶來的影響，提高信噪比。黑白校正[23,24]主要用來去除在光強分布弱的波段處存在的圖像噪聲和暗電流。多元散射校正[25]主要用來消除散射的影響，增大信噪比。這是實驗室傳統(tǒng)處理流程，具體步驟見參考文獻[24,25]。

3.1.2 高光譜譜線特征提取

高光譜圖像所含信息量龐大，會伴隨著信息冗余、存在干擾，甚至錯誤信息等問題。如何從具有龐大數(shù)據(jù)量的原始高光譜信息中提取有效信息也是目前研究的重點[25]。

隨機蛙跳(Shuffled Frog Leaping Algorithm, SFLA)，是一種新型啟發(fā)式算法，多應(yīng)用于連續(xù)優(yōu)化、離散優(yōu)化、聚類問題中。它計算速度快，兼具較好的局部與全局搜索最優(yōu)能力，參數(shù)設(shè)置簡單，以選定的數(shù)學函數(shù)為啟發(fā)進行搜索，尋找優(yōu)化組合[26]。因此本文選用SFLA對高光譜的波段進行選取。提取的譜線特征波段分布如圖3所示。

圖3 特征波段分布Fig.3 Distribution of characteristic wavelengths

SFLA法一共篩選出30個特征波長，分別為484.1 nm、514.7 nm、517.0 nm、526.5 nm、545.5 nm、557.5 nm、596.0 nm、608.2 nm、620.4 nm、635.0 nm、659.7 nm、674.5 nm、699.5 nm、714.5 nm、727.0 nm、752.2 nm、765.0 nm、790.5 nm、800.7 nm、813.5 nm、816.2 nm、829.0 nm、836.9 nm、842.0 nm、868.2 nm、891.7 nm、894.4 nm、925.5 nm、947.4 nm、949.9 nm，提取特征波長集中在545.5 nm、635.0 nm、699.5 nm、813.5 nm、925.5 nm處的波峰以及714.5～765.0 nm、842.0 nm、947.4 nm 處的波谷，能較好地反映全波譜的峰谷特征。

3.2 紅外圖像處理

3.2.1 紅外圖像預(yù)處理

紅外成像技術(shù)在拍攝過程中易受環(huán)境因素、探測器等影響，使得最終采集的圖像存在清晰度低、噪點水平高、對比度低等缺點。因此需要對圖像進行濾波去噪、圖像分割等預(yù)處理。

雙邊濾波是在高斯濾波基礎(chǔ)上提出的，考慮了像素值的亮度差異，具有非線性、非迭代、局部的特點，可以更好地保護圖像邊緣等局部細節(jié)[27]。去噪后的圖像如圖4所示。

圖4 紅外圖像去噪圖Fig.4 Infrared image of denoising

使用傳統(tǒng)方法直接提取圖像溫度特征時，為避免背景干擾，確定溫升區(qū)域，需對圖像做分割。Otsu(又名大津法)為以最小二乘法為基礎(chǔ)推導(dǎo)出的一種常見閾值分割方法。通過動態(tài)選定具有最佳統(tǒng)計意義的閾值使待分割物與背景分離[28]。圖5展示了圖像分割的結(jié)果。

圖5 紅外圖像分割圖Fig.5 Infrared image of segmentation

3.2.2 紅外圖像特征量提取

已知不同污穢等級的濕污絕緣子在加壓條件下，盤面溫度分布會呈現(xiàn)不同的差異。因此可以選用合適的溫度特征量描述絕緣子盤面溫度分布差異[29,30]。本文將選用以下4個量作為絕緣子紅外圖像特征：盤面溫度最高值Tmax，盤面溫度最低值Tmin，盤面溫度平均值Tave，盤面溫度方差Tvar。圖6為不同污穢等級絕緣子紅外圖像，表4展示了部分染污樣本的紅外溫度特征量，觀察可發(fā)現(xiàn)，隨著絕緣子污穢程度加重，盤面的溫度最高值、最低值及平均值均會升高。其中，盤面溫度的最高值升高最明顯，最低值升高最平緩。此外，隨著污穢程度加重，盤面溫度取值更分散，反映為絕緣子盤面溫度方差增大。

圖6 不同污穢等級絕緣子紅外圖像Fig.6 Insulator infrared images of different pollution degree

表4 紅外圖像溫度特征量Tab.4 Characteristic values of temperature (單位：℃)

3.3 核極限學習機

核極限學習機(Kernel Extreme Learning Machine, KELM)是極限學習機的改進，利用核函數(shù)擬合數(shù)據(jù)集，引入核函數(shù)代替隨機選定的參數(shù)，使模型在提升傳統(tǒng)極限學習機模型穩(wěn)定性的同時具有更強泛化能力[31]。核極限學習機隱含層特征映射采用隱式映射，將低維空間里非線性、不可分的輸入樣本(xi,xj)映射到高維線性、可分的特征空間中的[h(xi)·h(xj)]。其中核函數(shù)選用高斯核函數(shù)。建模思路如圖7所示。

圖7 建模流程圖Fig.7 Technological process of modeling

本文有兩種信息源數(shù)據(jù)，經(jīng)過特征提取構(gòu)建了兩個特征空間A、B，將兩個特征空間通過高斯核函數(shù)映射到兩個相似空間，再利用它們構(gòu)建組合空間，最終在該組合空間里建立基于KELM的絕緣子污穢程度檢測模型。

4 污穢程度檢測

本節(jié)將以混淆矩陣直觀展示輸入層融合檢測模型的分類結(jié)果?；煜仃囉置`差矩陣，該矩陣能直觀反映某個類別的樣本是否被誤分到另一個類別(即是否被混淆)。假設(shè)樣本數(shù)量為N，樣本類別數(shù)為M，該矩陣為N×M的矩陣，矩陣中所有元素數(shù)值相加為N。每一行為預(yù)測類別，每一列為真實類別。一個理想模型(即準確率為100%)，除了對角線上的元素，其余位置上的元素應(yīng)均為0。

表5為基于特征層融合的模型混淆矩陣。共有72個測試集樣本，真實污穢程度為 I級的樣本有20個，II級有19個，III級有16個，IV級有17個。其中預(yù)測準確的I級樣本有19個，有1個被誤判為 II級。預(yù)測準確的 II級樣本有17個，有2個被誤判為III級。預(yù)測準確的III級樣本有13個，有1個被誤判為II級，2個被誤判為IV級。預(yù)測準確的IV級樣本有16個，1個被誤判為III級。本模型的整體預(yù)測準確率為90%。

表5 絕緣子污穢程度檢測結(jié)果Tab.5 Detection results of insulator pollution degree

除了直觀展示分類情況外，混淆矩陣可用于獲取整個模型的準確率,某一類的精確率、召回率及F1-Score。計算公式如下：

(1)

(2)

(3)

(4)

表6列出了基于表5混淆矩陣計算的模型測試指標，可發(fā)現(xiàn)除整體預(yù)測準確率90.28%預(yù)測表現(xiàn)良好以外，每級樣本各自的F1-Score得分均在0.80以上，說明該模型對每類樣本均達到良好的預(yù)測效果。平均精確率與召回率為89%左右、平均F1-Score為89.90%。

表6 檢測模型評估指標Tab.6 Evaluation indicators of detection model

同時，將高光譜數(shù)據(jù)或紅外溫度特征數(shù)據(jù)作為圖7建模流程圖中的單一輸入，即利用單一特征數(shù)據(jù)實現(xiàn)絕緣子污穢等級的檢測，其檢測結(jié)果的指標見表7。

表7 不同方式下絕緣子污穢程度檢測準確率對比Tab.7 Accuracy rate of different detection models

5 結(jié)論

本文通過獲取絕緣子的高光譜圖像與紅外圖像進行預(yù)處理，建立了基于信息融合的絕緣子污穢等級的檢測模型，所得結(jié)論如下：

(1)利用隨機蛙跳算法提取了高光譜的特征波段，其特征波段集中在主要的幾個波峰與波谷處，因此特征提取可以去除數(shù)據(jù)中的冗余同時保留大部分關(guān)鍵信息，達到提高準確率、減少運算時間的效果。

(2)對絕緣子紅外圖像進行去噪、分割等預(yù)處理，能夠較好地保留絕緣子盤面的溫度信息。

(3)建立了基于核極限學習機的絕緣子污穢程度檢測模型，分類準確率達90%。結(jié)果表明，從污穢物質(zhì)及電氣量兩方面綜合利用污穢表征參數(shù)，可較好地解決單一圖譜反應(yīng)污穢信息有限的問題。

(4)由于高光譜圖像可以獲取物質(zhì)成分信息，紅外圖像可獲取發(fā)熱信息，在未來研究中可將二者結(jié)合，從多方面、多角度對絕緣子污穢程度、成分、分布及泄漏電流進行評估，突破傳統(tǒng)檢測方法的瓶頸，為外絕緣污穢程度無人機巡檢提供理論指導(dǎo)。