， ， ， ， ，

(1.國網(wǎng)河北省電力公司檢修分公司，石家莊 050071； 2.華北電力大學(xué)電力工程系，河北 保定 071003)

0 引言

瓷質(zhì)絕緣子是輸電線路中使用量最大的絕緣子之一，維護(hù)其安全穩(wěn)定運(yùn)行至關(guān)重要。架空線路的瓷質(zhì)絕緣子在受風(fēng)載、覆冰、導(dǎo)線自重等機(jī)械力作用的同時(shí)，也長期耐受工作電壓、暫態(tài)過電壓、雷擊過電壓等電場(chǎng)力的作用[1]，使其機(jī)械性能和絕緣性能降低，形成零值絕緣子，從而影響電網(wǎng)的正常運(yùn)行[2-3]。近年來，電網(wǎng)公司多次發(fā)生變電站瓷質(zhì)絕緣子運(yùn)行事故，嚴(yán)重威脅電網(wǎng)安全[4]。

目前，隨著電力大數(shù)據(jù)的發(fā)展，人工檢測(cè)因其成本、準(zhǔn)確度、檢測(cè)效率上難以適應(yīng)海量圖像數(shù)據(jù)的涌入而逐漸消弭，紅外、紫外、超聲波等遠(yuǎn)距離檢測(cè)手段以其時(shí)效性、安全、診斷效率高等優(yōu)勢(shì)而被廣泛應(yīng)用[5-6]。劣化絕緣子的電熱特征有別于正常運(yùn)行下的絕緣子，因而成為診斷絕緣子劣化與否的一項(xiàng)重要的檢測(cè)指標(biāo)。紅外成像技術(shù)是一種非接觸、被動(dòng)式的測(cè)量技術(shù)，通過主動(dòng)熱激勵(lì)，使物體內(nèi)部的異形結(jié)構(gòu)以溫度差異的方式表達(dá)的一種檢測(cè)手段，近年來得到廣泛應(yīng)用[7-8]。

但是，紅外圖像的特征提取和分類技術(shù)是自動(dòng)診斷故障系統(tǒng)中的難點(diǎn)和關(guān)鍵技術(shù)，尋求一種輸入量較少、診斷速度快、準(zhǔn)確率較高的故障診斷方法尤為重要。文獻(xiàn)[9]表明紅外成像儀的表面發(fā)射率對(duì)檢測(cè)高壓電氣設(shè)備具有一定影響，應(yīng)設(shè)置在0.85～0.95范圍內(nèi)。文獻(xiàn)[10]利用相對(duì)溫度分布特征和人工神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的方法進(jìn)行絕緣子故障診斷，該方法準(zhǔn)確率較高，但輸入量較多，對(duì)檢測(cè)條件要求較高。文獻(xiàn)[7]以溫度和圖像信息作為特征閾值判斷絕緣子運(yùn)行狀態(tài)，計(jì)算過程復(fù)雜，檢測(cè)時(shí)間較長。

筆者以三傘瓷質(zhì)絕緣子為研究對(duì)象，以絕緣子中心線的顏色矩陣為特征向量，利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建診斷模型，具有輸入維度小、診斷速度快、準(zhǔn)確率較高等優(yōu)點(diǎn)，對(duì)于紅外檢測(cè)劣化絕緣子具有一定的工程意義。

1 實(shí)驗(yàn)方法

為了獲得具有典型代表性的劣化絕緣子發(fā)熱紅外圖片，筆者進(jìn)行了如下實(shí)驗(yàn)，選用現(xiàn)場(chǎng)撤換下來的三傘瓷質(zhì)劣化絕緣子為試品，試品劣化絕緣子的阻值分別為7.5 MΩ、19 MΩ及150 MΩ。實(shí)驗(yàn)裝置搭建如圖1所示。

在I級(jí)污穢條件下，溫度范圍為18℃至25℃，環(huán)境相對(duì)濕度小于50%時(shí)，選擇一片低值劣化絕緣子分別位于2號(hào)、5號(hào)及7號(hào)位置進(jìn)行試驗(yàn)，其余六片均為正常片，在高壓端對(duì)絕緣子串施加65.9 kV工頻電壓，實(shí)驗(yàn)進(jìn)行2 h，每隔0.5 h用紅外成像儀對(duì)其拍攝一次。實(shí)驗(yàn)結(jié)束待絕緣子完全冷卻，再更換剩余不同阻值的低值絕緣子依次重復(fù)以上步驟。紅外成像儀型號(hào)為Fluke Ti55TF，發(fā)射率選擇0.9。從而獲得405張紅外絕緣子串圖像。對(duì)絕緣子串圖像進(jìn)行分層切割，獲取2 835張絕緣子單片作為實(shí)驗(yàn)待處理圖像，隨機(jī)取2 500張單片作為訓(xùn)練樣本，取335張單片作為檢驗(yàn)樣本。

圖1 絕緣子紅外實(shí)驗(yàn)裝置示意圖Fig.1 Schematic diagram of insulator infrared experimental device

2 模型搭建

神經(jīng)網(wǎng)絡(luò)是由神經(jīng)元的許多互聯(lián)的處理元件組成的數(shù)據(jù)處理系統(tǒng)[11]。其中，BP神經(jīng)網(wǎng)絡(luò)算法是數(shù)據(jù)挖掘的主要分類算法之一，它能自動(dòng)學(xué)習(xí)和建立大量輸入—輸出映射關(guān)系，且整個(gè)模型訓(xùn)練前無需建立明確的數(shù)理關(guān)系和模型[12]。其學(xué)習(xí)規(guī)則是最速下降法，在訓(xùn)練期間通過反向傳播不斷調(diào)整神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和網(wǎng)絡(luò)的規(guī)模，使誤差平方和最小。由于絕緣子紅外診斷問題本質(zhì)上是一個(gè)多輸入非線性的問題，并且需要較快的訓(xùn)練速度以適應(yīng)系統(tǒng)中每時(shí)每刻產(chǎn)生的紅外數(shù)據(jù)，因此本文采用BP神經(jīng)網(wǎng)絡(luò)，力求在準(zhǔn)確度和檢測(cè)速度上均達(dá)到較高要求。

2.1 BP神經(jīng)網(wǎng)絡(luò)輸入量的確定

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括輸入層、隱藏層、輸出層。其中，輸入變量的選擇是十分重要的，直接影響到網(wǎng)絡(luò)的訓(xùn)練速度以及收斂快慢，合適的輸入變量可以使故障診斷模型蘊(yùn)含最豐富的信息，提高故障診斷的正確性[13]。由于獲取的數(shù)據(jù)為非結(jié)構(gòu)化的圖像數(shù)據(jù)，因此需要從圖像中提取特征量，作為輸入進(jìn)行訓(xùn)練。傳統(tǒng)的圖像特征提取方法有顏色矩、顏色直方圖、顏色集等[14]。本文提出了一種以絕緣子中心線的顏色矩陣為特征輸入?yún)⒘康脑\斷方法，并與傳統(tǒng)特征參量提取方法中的顏色矩、顏色直方圖作對(duì)比。

2.1.1 顏色直方圖

顏色直方圖是顏色信息的函數(shù)，它表示圖像中具有同顏色級(jí)別的像素的個(gè)數(shù)，其橫坐標(biāo)是顏色級(jí)別，縱坐標(biāo)是顏色出現(xiàn)的頻率(像素的個(gè)數(shù))，該方法的優(yōu)點(diǎn)是具有快速性和對(duì)圖像變化不敏感的優(yōu)點(diǎn)，如平移、旋轉(zhuǎn)[15]。其公式表達(dá)為

(1)

式中，i表示圖像的色值，ni代表該色值的積分?jǐn)?shù)量，NRGB代表圖像中的像素總數(shù)[16]。

圖2即為絕緣子單片樣片的顏色直方圖，自上而下依次為R、G、B三通道下的灰度直方圖。正常絕緣子單片與故障絕緣子單片在顏色直方圖上有一定的差異。R通道下，正常絕緣子的顏色在0和30附近均有峰值，而故障絕緣子僅在0附近有較大的分布概率；G通道下，正常絕緣子的顏色在0-10、150-200均占有較大比重，而故障絕緣子僅在0附近有峰值，且在150-200的分布概率幾乎為0；B通道下，二者顏色分布的變化趨勢(shì)一致，但在225-240之間的分布概率仍有較明顯的差異。

圖2 劣化/正常絕緣子單片的顏色直方圖Fig.2 Color histogram of deteriorated/normal insulator

2.1.2 顏色矩

顏色矩(Color Moment)特征是由Stricker和Orengo所提出的[17]，是常用的顏色特征，廣泛應(yīng)用于圖像處理領(lǐng)域，他的優(yōu)點(diǎn)是具有最低的特征向量維度和較低的計(jì)算復(fù)雜度。

圖像顏色信息分布主要集中在低階矩中，采用顏色信息的一階矩(均值mean)、二階距(方差variance)、三階矩(偏度skewness)就能充分表達(dá)圖像的顏色分布[18]，即以顏色矩來表示顏色特征。其數(shù)學(xué)模型如下：

(2)

(3)

(4)

式中，μi、σi、si分別代表一階矩、二階距、三階矩，N代表像素點(diǎn)個(gè)數(shù)[19]。

由于故障絕緣子的發(fā)熱特性有別于正常絕緣子，表現(xiàn)在紅外圖像上就是故障位置像素矩陣的差異。并且，顏色信息集中分布于顏色矩的三個(gè)低階分量，以顏色矩作為輸入量，可以有效簡(jiǎn)化輸入矩陣的規(guī)模，便于快速構(gòu)建診斷網(wǎng)絡(luò)。如圖3所示，故障絕緣子的R通道的顏色矩?cái)?shù)值均較正常絕緣子高，且三個(gè)特征量呈逐漸遞增的趨勢(shì)；正常絕緣子在G/B通道下的顏色矩較劣化絕緣子高，其中一階矩的特征最為明顯。這是因?yàn)橐浑A矩(均值)反映了顏色的平均特征，劣化絕緣子鋼帽的顏色以紅、白為主，而正常絕緣子以藍(lán)、綠色為主，因此在一階矩上具有一定差異。方差反應(yīng)了色值的平均分散程度，劣化絕緣子在R通道的均值較高，且顏色集中于鋼帽部分，分散程度較大，因此二階矩較大。偏度反映了顏色分布的偏斜程度，正常絕緣子和劣化絕緣子的顏色分布在方向上并無明顯偏斜，因此差異不大。

圖3 劣化/正常絕緣子單片的顏色矩分布圖Fig.3 Color moment of deteriorated/normal insulator

2.1.3 絕緣子中心線的顏色向量矩陣

瓷質(zhì)絕緣子的熱像特征一般表現(xiàn)為鋼帽溫度高于瓷盤溫度；瓷盤部分，離絕緣子串軸線位置越遠(yuǎn)，溫度越低[20]。而溫度的高低，直接影響到紅外成像的顏色差異。圖6所示，取樣線1下的劣化絕緣子與正常絕緣子的色值曲線整體變化趨勢(shì)一致，僅在峰值處有所區(qū)別；取樣線2下的劣化絕緣子的B通道在0-5坐標(biāo)區(qū)間有較大的峰值，這是由于切片時(shí)截取到了上一片絕緣子瓷盤部分，除此之外與正常絕緣子并無較大區(qū)別；取樣線3下的正常絕緣子與劣化絕緣子差異明顯，主要體現(xiàn)在0-15坐標(biāo)內(nèi)。R通道下，含有較大的色值分量，G/B通道下，色值分量較低。這是因?yàn)?，劣化絕緣子發(fā)熱部分主要集中于鋼帽，而溫度較高處，紅外圖像呈紅、白色，正常絕緣子的鋼帽在紅外成像下多呈藍(lán)色，因此兩者相比具有較大差異。比較三條取樣線可知，絕緣子中心線包含的信息量豐富，色值曲線變化明顯，且有效避免了實(shí)驗(yàn)背景因素對(duì)圖像信息的干擾，在保證最大信息量的基礎(chǔ)上，實(shí)現(xiàn)了數(shù)據(jù)降維和背景降噪。因此本文以絕緣子中心線的顏色矩陣為研究對(duì)象，提取RGB通道下的像素矩陣作為特征量，構(gòu)建了的BP神經(jīng)網(wǎng)絡(luò)故障診斷模型。

圖4 三條取樣線下劣化/正常絕緣子的 RGB色值曲線Fig.4 RGB color value curves of deteriorated/normal insulators under three cutting lines

2.2 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定

2.2.1 隱層數(shù)的確定

文獻(xiàn)[21-22]認(rèn)為，增加隱層數(shù)可以降低網(wǎng)絡(luò)誤差，提高精度，但也會(huì)使網(wǎng)絡(luò)復(fù)雜化從而增加了網(wǎng)絡(luò)的訓(xùn)練時(shí)間。此外也容易產(chǎn)生過擬合和不收斂的傾向。因此在設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)時(shí)，優(yōu)先考慮“輸入層—隱層—輸出層”的拓?fù)浣Y(jié)構(gòu)。本文基于此，選取了3層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)。結(jié)構(gòu)示意圖如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)模型Fig.5 Model of BP neural network

2.2.2 隱層神經(jīng)元數(shù)目的確定

隱層節(jié)點(diǎn)的數(shù)量可以根據(jù)系統(tǒng)要求設(shè)置精度。節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)難以建立復(fù)雜的映射關(guān)系，導(dǎo)致網(wǎng)絡(luò)訓(xùn)練效果差；節(jié)點(diǎn)數(shù)太多，學(xué)習(xí)時(shí)間過長，影響網(wǎng)絡(luò)的收斂和效率[23]。經(jīng)過反復(fù)試驗(yàn)，如表1所示，本文基于顏色矩、顏色直方圖、中心線顏色矩陣分別選取了10、10、5個(gè)神經(jīng)元作為隱藏層的數(shù)目。

表1 不同隱層神經(jīng)元數(shù)目的準(zhǔn)確度比較Table 1 Comparison of accuracy rate in case of different numbers of hidden layer neurons

3 三種特征量下的故障診斷模型

3.1 基于顏色直方圖下的故障診斷模型

3.1.1 實(shí)驗(yàn)處理

首先將采集到的紅外絕緣子串圖像進(jìn)行分層切割，形成絕緣子單片集。將切割后的單片集隨機(jī)排列，以避免產(chǎn)生訓(xùn)練偶然性。然后進(jìn)行標(biāo)準(zhǔn)化處理，通過同態(tài)濾波去除噪點(diǎn)干擾。提取紅外圖像RGB三通道下的像素矩陣，并經(jīng)過計(jì)算獲得三個(gè)通道下的灰度直方圖，將其作為特征值帶入BP神經(jīng)網(wǎng)絡(luò)模型。

實(shí)驗(yàn)結(jié)果見圖6，表2。

圖6 顏色直方圖下的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)與實(shí)際值比對(duì)Fig.6 Comparison of predicting results with the actual values of BP neural network based on color histogram

序號(hào)12345平均準(zhǔn)確率/%86.2787.1688.0688.6687.7687.58

3.1.2 結(jié)果分析

如圖6所示，X軸為預(yù)測(cè)樣本序號(hào)，Y軸為樣本預(yù)測(cè)與實(shí)際的結(jié)果，且1代表檢測(cè)為故障狀態(tài)，0代表檢測(cè)為正常狀態(tài)。星號(hào)代表實(shí)驗(yàn)絕緣子的運(yùn)行狀態(tài)，圓圈代表經(jīng)過診斷模型后的檢測(cè)結(jié)果。由圖可見，檢出效果較為一般，誤檢、漏檢較多。該情況產(chǎn)生的原因可能是顏色直方圖反映了全局的顏色分布，在拍攝絕緣子串紅外圖片時(shí)，或多或少會(huì)受到背景顏色的影響，因此使得提取到的顏色直方圖難以訓(xùn)練。此外，由于BP神經(jīng)網(wǎng)絡(luò)采用的隨機(jī)梯度下降法，每次的訓(xùn)練結(jié)果均有一定的變化，但整體波動(dòng)在一定范圍內(nèi)，故對(duì)實(shí)驗(yàn)進(jìn)行5次訓(xùn)練，取平均值作為參考。由表2可知，基于顏色直方圖下的平均準(zhǔn)確率為87.58%，檢出效果較為一般。且因?yàn)樘卣髁窟x用了RGB三通道下的灰度直方圖，輸入量為256*3=768個(gè)，故訓(xùn)練時(shí)間很長，用時(shí)590.160 333 s。漏檢圖樣見圖7。

圖7 顏色直方圖算法下的典型漏檢圖樣
Fig.7 Undetected sample based on color histogram

3.2 基于顏色矩特征量下的故障診斷模型

3.2.1 實(shí)驗(yàn)處理

將獲取到的紅外絕緣子串圖像經(jīng)過切割、隨機(jī)排列、標(biāo)準(zhǔn)化、同態(tài)濾波等步驟獲得待處理的絕緣子單片集。具體步驟與顏色直方圖一致，不再贅述。計(jì)算原始像素點(diǎn)矩陣，分別提取RGB通道下的

顏色矩，并以一階矩(均值)、二階矩(方差)、三階矩(斜度)，作為特征值帶入BP神經(jīng)網(wǎng)絡(luò)模型。

實(shí)驗(yàn)結(jié)果見圖8，表3。

圖8 顏色矩下的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與實(shí)際值比對(duì)Fig.8 Comparison of predicting results with the actual values of BP neural network based on color moments

序號(hào)12345平均準(zhǔn)確率/%88.0686.8789.2588.3686.5787.82

3.2.2 結(jié)果分析

如圖8所示，基于顏色矩特征量的平均準(zhǔn)確率為87.82%，檢出效果一般，樣本315-340的誤檢較多如圖8所示，分析原因是部分剛開始發(fā)熱的故障絕緣子單片顏色變化不明顯，且顏色矩中仍包含了部分拍攝背景的內(nèi)容，這部分像素矩陣成為干擾訓(xùn)練效果的主要因素。但是由于特征量選取了RGB三通道下的三階顏色矩，共9個(gè)輸入量，故訓(xùn)練時(shí)間較快，10.764 295 s即可完成訓(xùn)練。與顏色直方圖相比，該方法的準(zhǔn)確度相差無幾，但訓(xùn)練時(shí)間大大縮短。漏檢圖樣見圖9。

圖9 顏色矩算法下的典型漏檢圖樣
Fig.9 Undetected sample based on color moments

3.3 基于絕緣子中心線顏色矩陣下的故障診斷模型

3.3.1 實(shí)驗(yàn)處理

將獲取到的紅外絕緣子串圖像經(jīng)過切割、隨機(jī)排列、標(biāo)準(zhǔn)化、同態(tài)濾波等步驟獲得待處理的絕緣子單片集。具體步驟與前者一致。計(jì)算原始像素點(diǎn)矩陣，提取絕緣子單片中心線的RGB作為特征值帶入神經(jīng)網(wǎng)絡(luò)模型。

實(shí)驗(yàn)結(jié)果見圖10，表4。

圖10 絕緣子中心線顏色矩陣下的BP神經(jīng) 網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與實(shí)際值比對(duì)Fig.10 Comparison of predicting results with the actual values of BP neural network based on color matrix of insulator center -line

序號(hào)12345平均準(zhǔn)確率/%93.4393.7392.8493.4393.4393.37

3.3.2 結(jié)果分析

如圖10所示，基于絕緣子中心線顏色矩陣特征量的平均準(zhǔn)確率為93.37%，同顏色直方圖和顏色矩相比檢出效果較好，樣本幾乎沒有誤檢，部分故障絕緣子因?yàn)橥姇r(shí)間較短，發(fā)熱不明顯，紅外圖像的顏色差距較小故未檢出。由于該方法僅提取絕緣子單片中心線的顏色矩陣，幾乎不受環(huán)境因素及背景色的干擾，故檢測(cè)效率較高。此外，該方法訓(xùn)練時(shí)間較短，耗時(shí)46.679 750 s，同顏色矩的方法相比僅增加了30 s，但是準(zhǔn)確率卻大大提高。漏檢圖樣見圖11。

圖11 絕緣子中心線顏色矩陣下的典型漏檢圖樣
Fig.11 Undetected sample based on color matrix of insulator center-line

3.4 三種診斷模型的綜合比較

本文采用試驗(yàn)所獲不同條件下具有代表性的絕緣子紅外圖像數(shù)據(jù)來建立學(xué)習(xí)樣本，通過圖片分層切割獲取絕緣子單片集2 835張，隨機(jī)取2 500張圖片作為訓(xùn)練樣本，剩余335張圖片作為檢驗(yàn)樣本。分別提取顏色直方圖、顏色矩、絕緣子中心線顏色矩陣作為特征量，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，比較訓(xùn)練時(shí)間和預(yù)測(cè)準(zhǔn)確率。

表5所示，基于顏色直方圖的診斷方法，輸入量多，包含信息更為全面，但由于體現(xiàn)的是全局的顏色分布，容易受到背景顏色的干擾，故診斷效果較差，準(zhǔn)確率為87.58%。且由于輸入矩陣過大，訓(xùn)練時(shí)間為590.160 333 s?；陬伾氐脑\斷方法輸入量少，平均準(zhǔn)確率為87.82%，訓(xùn)練時(shí)間為10.764 295 s，與顏色直方圖相比，無論從訓(xùn)練速度還是診斷的準(zhǔn)確度性能都優(yōu)于前者?；诮^緣子中心線顏色矩陣的診斷方法，有效避免了實(shí)驗(yàn)背景因素對(duì)圖像信息的干擾，在保證最大信息量的基礎(chǔ)上，實(shí)現(xiàn)了數(shù)據(jù)降維和背景降噪。所得預(yù)測(cè)結(jié)果的準(zhǔn)確率達(dá)到93.37%，訓(xùn)練耗時(shí)僅46.679 750 s。

表5 三種診斷方法的綜合比較Table 5 Comprehensive comparison of three kinds of diagnosis methods

4 結(jié)論

以RGB通道下的像素矩陣作為特征量，構(gòu)建了以絕緣子中心線的顏色矩陣為研究對(duì)象的BP神經(jīng)網(wǎng)絡(luò)故障診斷模型。絕緣子中心線包含的信息量豐富，色值曲線變化明顯，和傳統(tǒng)的故障特征量提取方法相比，最大程度降低了實(shí)驗(yàn)背景因素對(duì)圖像信息的干擾，在保證最大信息量的基礎(chǔ)上，實(shí)現(xiàn)了數(shù)據(jù)降維和背景降噪。實(shí)驗(yàn)結(jié)果表明，此方法能有效判斷絕緣子運(yùn)行狀態(tài)，具有較短的訓(xùn)練時(shí)間和較高的準(zhǔn)確性，為瓷質(zhì)懸式絕緣子單片的監(jiān)控分析提供了一種高效可靠的診斷方法。