董懿飛 舒勝文 陳 誠(chéng) 金 銘 王 建

（1.福州大學(xué)電氣工程與自動(dòng)化學(xué)院，福州 350108； 2.國(guó)網(wǎng)新疆電力有限公司電力科學(xué)研究院，烏魯木齊 830013）

0 引言

隨著國(guó)家能源互聯(lián)和“一帶一路”戰(zhàn)略的穩(wěn)步推進(jìn)，特高壓輸電工程承擔(dān)著至關(guān)重要的角色。復(fù)合絕緣子具有質(zhì)量輕、機(jī)械強(qiáng)度高、抗污閃的優(yōu)越性能，被廣泛應(yīng)用于特高壓輸電系統(tǒng)。在實(shí)際運(yùn)行中，復(fù)合絕緣子會(huì)因電氣、機(jī)械和外界環(huán)境共同作用出現(xiàn)內(nèi)部缺陷，嚴(yán)重時(shí)導(dǎo)致斷串、掉線、擊穿等重大事故[1]。因此，定期開(kāi)展復(fù)合絕緣子檢測(cè)評(píng)估工作，及時(shí)發(fā)現(xiàn)并消除缺陷，對(duì)于保障輸電系統(tǒng)的安全運(yùn)行具有重大的意義。

紅外熱像檢測(cè)法因其操作便捷高效、檢測(cè)準(zhǔn)確率高、無(wú)需停電等優(yōu)點(diǎn)，在絕緣子缺陷檢測(cè)中廣泛應(yīng)用[2-3]。國(guó)內(nèi)外利用紅外圖像技術(shù)開(kāi)展了很多復(fù)合絕緣子缺陷檢測(cè)研究，但主要集中在交流方面：文獻(xiàn)[4]利用無(wú)人機(jī)航巡的機(jī)載紅外設(shè)備對(duì)復(fù)合絕緣子內(nèi)部缺陷進(jìn)行在線檢測(cè)；文獻(xiàn)[5]拍攝了大量交流10kV不同污穢等級(jí)復(fù)合絕緣子的紅外圖片，通過(guò)提取溫度特征量來(lái)實(shí)現(xiàn)污穢等級(jí)的識(shí)別；文獻(xiàn)[6]利用紅外圖像技術(shù)研究了不同均壓環(huán)配置方式和積污程度對(duì)交流500kV復(fù)合絕緣子異常發(fā)熱的影響。然而，紅外圖像技術(shù)應(yīng)用于直流復(fù)合絕緣子的缺陷檢測(cè)較少，原因是復(fù)合絕緣子在直流電壓作用下不存在極化損耗，發(fā)熱量明顯低于交流復(fù)合絕緣子，因此紅外圖像技術(shù)可檢測(cè)出直流復(fù)合絕緣子的缺陷類(lèi)型明顯低于交流復(fù)合絕緣子。

隨著深度學(xué)習(xí)方法的不斷推廣，其在絕緣子圖像識(shí)別和缺陷檢測(cè)中得到了廣泛應(yīng)用。文獻(xiàn)[7]采用改進(jìn)種子區(qū)域生長(zhǎng)法分割得到絕緣子盤(pán)面區(qū)域，并設(shè)計(jì)支持向量機(jī)多值分類(lèi)器進(jìn)行污穢等級(jí)的劃分。文獻(xiàn)[8]利用一種改進(jìn)的色差方法和最大類(lèi)間方差自適應(yīng)閾值算法，實(shí)現(xiàn)了復(fù)合絕緣子目標(biāo)的準(zhǔn)確識(shí)別。文獻(xiàn)[9]利用Hough變換和形態(tài)學(xué)實(shí)現(xiàn)絕緣子紅外圖像區(qū)域的分割，建立BP神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)故障的定位與識(shí)別。上述研究為利用紅外圖像技術(shù)對(duì)交直流復(fù)合絕緣子進(jìn)行內(nèi)部缺陷檢測(cè)提供了可能性。

本文提出一種基于紅外圖像分割和麻雀搜索算法（sparrow search algorithm, SSA）-支持向量機(jī)（support vector machine, SVM）的交直流復(fù)合絕緣子內(nèi)部缺陷檢測(cè)方法。首先，制作直流±1 100kV復(fù)合絕緣子短樣，并人工設(shè)置四種不同類(lèi)型的模擬缺陷，分別施加等價(jià)的交、直流電壓，采用紅外熱像儀得到正常和各種缺陷類(lèi)型下復(fù)合絕緣子的紅外圖像樣本；然后，對(duì)圖像進(jìn)行閾值分割，提取絕緣子區(qū)域，計(jì)算并選擇有效的溫度特征量；最后，以選擇后的溫度特征量作為SSA-SVM模型的輸入量，以缺陷類(lèi)型作為輸出量，建立交直流復(fù)合絕緣子缺陷類(lèi)型的診斷模型，并進(jìn)行模型有效性驗(yàn)證。

1 缺陷模擬實(shí)驗(yàn)

1.1 內(nèi)部模擬缺陷設(shè)置

根據(jù)復(fù)合絕緣子內(nèi)部界面擊穿的機(jī)理，可對(duì)界面內(nèi)部的碳化通道和電樹(shù)枝這兩種不同程度的缺陷進(jìn)行研究。但實(shí)際運(yùn)行中，很難尋找到存在局部放電且暫未開(kāi)裂的復(fù)合絕緣子，所以許多研究人員通過(guò)建立模擬故障的復(fù)合絕緣子模型來(lái)開(kāi)展檢測(cè)方法的研究?，F(xiàn)場(chǎng)發(fā)現(xiàn)斷裂復(fù)合絕緣子斷裂口大多位于距高壓端第一、二片傘裙處，選擇在此位置進(jìn)行故障模擬。本文選取FXBZ—±1100/300復(fù)合絕緣子的1/10短樣，采用埋入銅絲和碳纖維棒來(lái)分別模擬電樹(shù)枝和碳化通道，且根據(jù)缺陷是否與高壓端相連，將缺陷分為導(dǎo)通型缺陷與懸浮型缺陷[10]。具體的缺陷模擬方法見(jiàn)表1，得到的實(shí)際模擬缺陷如圖1所示。

表1 缺陷模擬方法

圖1 實(shí)際模擬缺陷

1.2 實(shí)驗(yàn)平臺(tái)和方法

實(shí)驗(yàn)接線原理和現(xiàn)場(chǎng)實(shí)際布置分別如圖2和圖3所示。實(shí)驗(yàn)時(shí)分別施加-110kV的直流電壓和77.8kV的等效單相交流電壓。紅外熱像儀選用德圖公司生產(chǎn)的Testo890，空間分辨率0.68mrad，熱靈敏度＜0.04℃；拍攝前需設(shè)置硅橡膠材料所對(duì)應(yīng)的發(fā)射率0.95，輸入實(shí)際環(huán)境溫度、濕度、測(cè)量距離等一系列參數(shù)，拍攝得到BMT格式的紅外圖片，將圖片導(dǎo)入相機(jī)配套的IRSOFT分析軟件進(jìn)行處理，得到清晰的絕緣子紅外圖像。操作完畢后導(dǎo)出整幅圖片每個(gè)像素點(diǎn)對(duì)應(yīng)的溫度數(shù)據(jù)?？紤]到實(shí)際的安全距離，拍攝距離為3m。加壓30min后溫升幾乎穩(wěn)定，開(kāi)始拍攝，將拍攝角度分為0°、90°、180°，正對(duì)缺陷為0°。

圖2 實(shí)驗(yàn)接線原理

圖3 實(shí)驗(yàn)現(xiàn)場(chǎng)布置

1.3 實(shí)驗(yàn)結(jié)果及初步分析

圖4和圖5分別為交流和直流電壓下導(dǎo)通導(dǎo)電缺陷絕緣子3個(gè)角度的紅外圖像。從圖中可以看出，復(fù)合絕緣子在缺陷處出現(xiàn)溫度升高現(xiàn)象，正對(duì)缺陷埋設(shè)方向處的發(fā)熱最為明顯。

圖4 交流導(dǎo)通導(dǎo)電缺陷紅外圖像

圖5 直流導(dǎo)通導(dǎo)電缺陷紅外圖像

圖6和圖7分別為交、直流電壓作用下缺陷復(fù)合絕緣子中心軸線相對(duì)溫升對(duì)比曲線。從圖中可以看出，直流復(fù)合絕緣子由于不存在介損發(fā)熱，故相對(duì)溫差不大，而交流電壓作用下復(fù)合絕緣子缺陷的發(fā)熱程度比直流電壓作用下劇烈。

圖6 交流缺陷復(fù)合絕緣子溫升對(duì)比曲線

圖7 直流缺陷復(fù)合絕緣子溫升對(duì)比曲線

2 缺陷檢測(cè)方法及驗(yàn)證

2.1 紅外圖像分割與特征選擇

將復(fù)合絕緣子區(qū)域從紅外圖像中分割出來(lái)是進(jìn)行缺陷識(shí)別的首要前提。結(jié)合本文模擬缺陷的發(fā)熱情況，首先考慮將復(fù)合絕緣子高壓端前5片傘裙的部分從紅外圖像中分割出來(lái)，與整幅圖的溫度數(shù)據(jù)相對(duì)應(yīng)，讀取絕緣子部分的溫度值。

閾值分割思想是：選取一個(gè)最佳閾值，將圖像的每個(gè)像素灰度與該閾值做比較，把圖像分成背景與目標(biāo)兩部分，使兩個(gè)部分之間的灰度值差異最大，每個(gè)部分之間的灰度差異最小。合理選擇閾值是使用閾值分割方法的前提，常見(jiàn)的方法有最頻值法、最大類(lèi)間方差法、熵方法、矩量保持法、最小誤差法等，其中最大類(lèi)間方差法的閾值選取準(zhǔn)則是讓目標(biāo)與背景這兩部分類(lèi)間方差最大，它具有計(jì)算簡(jiǎn)單、不受圖像亮度和對(duì)比度影響、分割效果穩(wěn)定等優(yōu)點(diǎn)，該算法被普遍認(rèn)為是圖像分割中閾值選取的最佳算法之一[11]。利用最大類(lèi)間方差算法進(jìn)行閾值分割后的二值化圖像如圖8所示。

圖8 二值化圖像

根據(jù)DL/T 664—2016《帶電設(shè)備紅外診斷應(yīng)用規(guī)范》，選取低壓端附近的溫度作為環(huán)境溫度，絕緣子的相對(duì)溫度為實(shí)際溫度與環(huán)境溫度之差[12]。以閾值分割出來(lái)的絕緣子區(qū)域相對(duì)溫度的均值、中值、最大值、最小值、眾數(shù)、極差、方差、偏度、峰度、能量和熵等11個(gè)統(tǒng)計(jì)量作為溫度特征量。Fisher準(zhǔn)則是目前較為常用的特征選擇方法，其思想是通過(guò)投影使多維問(wèn)題轉(zhuǎn)化為低維問(wèn)題來(lái)進(jìn)行處理[13]。對(duì)于類(lèi)內(nèi)方差小、類(lèi)間方差大的特征量，其區(qū)分能力最強(qiáng)。依據(jù)判別函數(shù)JF值的大小來(lái)選擇表征缺陷能力大小的特征量，各特征量的JF值大小如圖9所示?？梢钥闯觯捎诮涣骱椭绷鲝?fù)合絕緣子發(fā)熱情況不一致，各特征量之間JF大小排序不同，分別選擇兩類(lèi)JF值排名前8位的特征量作為識(shí)別模型的輸入量。

圖9 各特征量JF值對(duì)比

2.2 SSA-SVM算法

SVM由Vapink在1995年首次提出，它在解決小樣本、高維度的非線性問(wèn)題上具有明顯的優(yōu)勢(shì)。該算法的原理是將輸入量映射到高維空間，在高維空間求一個(gè)最優(yōu)超平面實(shí)現(xiàn)樣本的分類(lèi)。算法的重 點(diǎn)是選取合適的核函數(shù)及核函數(shù)參數(shù)。核函數(shù)的作用是將線性不可分的數(shù)據(jù)映射到高維空間，實(shí)現(xiàn)線性可分[14-15]。其中徑向基核函數(shù)（radial basis function, RBF）僅有懲罰系數(shù)C和核參數(shù)σ兩個(gè)參數(shù)，計(jì)算簡(jiǎn)單，可將數(shù)據(jù)映射到高維，從而準(zhǔn)確高效地實(shí)現(xiàn)分類(lèi)問(wèn)題，因此本文選用徑向基核函數(shù)，其表達(dá)式為

式中，σ為核函數(shù)參數(shù)。

支持向量機(jī)的分類(lèi)結(jié)果好壞取決于懲罰系數(shù)C和核參數(shù)σ，近年來(lái)許多學(xué)者采用不同的優(yōu)化算法來(lái)解決這兩個(gè)參數(shù)的優(yōu)化問(wèn)題。麻雀搜索算法是于2020年根據(jù)麻雀覓食并逃避捕食者的行為提出的種群智能優(yōu)化算法[16]。該算法的主要思路是根據(jù)捕食發(fā)現(xiàn)者和跟隨者位置的不斷更新和偵察者預(yù)警行為來(lái)尋求最佳位置。

設(shè)n只麻雀組成的位置信息矩陣為

式中，m為變量的維數(shù)。

發(fā)現(xiàn)者的位置更新公式為

式中：t為當(dāng)前迭代次數(shù)；Tmax為最大迭代次數(shù)；xij為第i只麻雀的第j維的位置信息；α∈(0, 1)，為隨機(jī)數(shù)；R2∈[0, 1]，代表預(yù)警值；ST∈[0.5, 1]，代表安全值；Q為服從正態(tài)分布的隨機(jī)數(shù)；L為1×M的全1矩陣。當(dāng)R2＜ST，說(shuō)明未發(fā)現(xiàn)捕食者，可以大膽取覓食；當(dāng)R2≥ST，說(shuō)明已發(fā)現(xiàn)捕食者的存在，需要改變位置前往其他安全區(qū)域。

跟隨者位置更新公式為

偵察者位置更新公式為

SSA優(yōu)化SVM的流程如圖10所示，具體步驟如下：

圖10 SSA優(yōu)化SVM流程

1）將輸入樣本集分為訓(xùn)練集和測(cè)試集，并進(jìn)行數(shù)據(jù)歸一化處理以提高分類(lèi)速度。

2）設(shè)置SSA的種群數(shù)量為20，迭代次數(shù)為200，發(fā)現(xiàn)者和預(yù)警者比例均為20%，安全值為0.8；設(shè)置SVM參數(shù)C、σ的取值范圍。

3）初始化種群，每一只麻雀位置對(duì)應(yīng)一組參數(shù)（C,σ），計(jì)算其適應(yīng)度值并排序，選擇出當(dāng)前最佳適應(yīng)度值及其所對(duì)應(yīng)的位置。

4）利用式（3）～式（5）進(jìn)行三類(lèi)麻雀位置的更新，得到一組新的麻雀位置并計(jì)算其適應(yīng)度值，進(jìn)行排序選擇出最佳適應(yīng)度值及所對(duì)應(yīng)的位置。若當(dāng)前值比上次的最佳適應(yīng)度值更優(yōu)，則進(jìn)行位置更新，反之則不更新。

5）當(dāng)滿(mǎn)足迭代條件時(shí)，輸出全局最佳適應(yīng)度值fg和最佳位置xbj，最佳位置信息即代表最優(yōu)的懲罰系數(shù)C和核參數(shù)σ。

6）利用最優(yōu)參數(shù)，建立復(fù)合絕緣子缺陷檢測(cè)SSA-SVM模型，對(duì)絕緣子缺陷類(lèi)型進(jìn)行識(shí)別分類(lèi)。

2.3 算法驗(yàn)證與分析

復(fù)合絕緣子狀態(tài)包括正常和導(dǎo)通導(dǎo)電缺陷、導(dǎo)通半導(dǎo)電缺陷、懸浮導(dǎo)電缺陷和懸浮半導(dǎo)電缺陷4種缺陷，共5類(lèi)。交流和直流電壓作用下紅外圖片數(shù)均為45×5=225張，每種類(lèi)型測(cè)試集與訓(xùn)練集的圖片數(shù)均分別為34張和11張。通過(guò)紅外特征提取，并將利用Fisher準(zhǔn)則進(jìn)行特征選擇后的特征量作為SSA-SVM缺陷檢測(cè)模型輸入，絕緣子缺陷類(lèi)型作為模型輸出。交流和直流電壓作用下，優(yōu)化后的參數(shù)分別為C=0.697 8，σ=7.683 3和C=1.754 3，σ=6.142 0。識(shí)別結(jié)果見(jiàn)表2。從結(jié)果可以看出，所提的方法能有效檢測(cè)出交直流復(fù)合絕緣子的缺陷類(lèi)型。

表2 SSA-SVM識(shí)別結(jié)果

為了證明SSA在優(yōu)化SVM參數(shù)上的優(yōu)越性，與網(wǎng)格搜索（grid search, GS）算法、粒子群優(yōu)化算法（particle swarm optimization, PSO）、遺傳算法（genetic algorithm, GA）進(jìn)行了對(duì)比，檢測(cè)結(jié)果對(duì)比見(jiàn)表3。從各類(lèi)優(yōu)化方法的結(jié)果對(duì)比分析可知，SSA在尋優(yōu)時(shí)間和識(shí)別正確率方面均有明顯優(yōu)勢(shì)。這也體現(xiàn)了SSA具有搜索能力強(qiáng)、收斂速度快、魯棒性能好等優(yōu)點(diǎn)，因此SSA優(yōu)化的SVM模型可以實(shí)現(xiàn)復(fù)合絕緣子缺陷的快速準(zhǔn)確檢測(cè)。

表3 不同方法檢測(cè)結(jié)果對(duì)比

此外，從表2和表3可以看出，由于部分缺陷類(lèi)型的直流復(fù)合絕緣子發(fā)熱不明顯，導(dǎo)致在識(shí)別正確率上略低于交流復(fù)合絕緣子。

2.4 現(xiàn)場(chǎng)應(yīng)用案例分析及不足

以某省500kV交流線路48、107、168、193、359號(hào)共5基塔異常發(fā)熱復(fù)合絕緣子為例，運(yùn)用直升機(jī)帶電紅外測(cè)溫，得到5基桿塔異常發(fā)熱紅外圖片如圖11所示。觀察發(fā)熱位置位于高壓端金具附近或從高壓端算起的第4～6片傘裙處，發(fā)熱區(qū)域溫度較環(huán)境參考溫度的溫升分別為12.9℃、7.1℃、18.9℃、11.8℃和8.7℃。通過(guò)本文構(gòu)建的缺陷檢測(cè)模型，初步判定48、168號(hào)桿塔復(fù)合絕緣子缺陷類(lèi)型為懸浮導(dǎo)電缺陷，107、193和359號(hào)桿塔復(fù)合絕緣子缺陷類(lèi)型為懸浮半導(dǎo)電缺陷。將現(xiàn)場(chǎng)更換下來(lái)的絕緣子進(jìn)行解體分析，缺陷狀況與模型識(shí)別結(jié)果基本吻合。 經(jīng)診斷，該5基桿塔復(fù)合絕緣子酥朽進(jìn)入中晚期，存在較大的酥?jǐn)囡L(fēng)險(xiǎn)。

圖11 5基桿塔異常發(fā)熱紅外圖片

需要指出的是，直流復(fù)合絕緣子由于不存在介損發(fā)熱，即便通過(guò)人為埋入銅絲和碳纖維棒來(lái)分別模擬電樹(shù)枝和碳化通道，缺陷處的溫升只有0.5℃，在實(shí)際線路中，考慮環(huán)境溫度的影響，直流復(fù)合絕緣子紅外檢出率較低。本文在實(shí)驗(yàn)室環(huán)境下針對(duì)直流復(fù)合絕緣子的缺陷檢測(cè)主要是作為一種方法探討，當(dāng)現(xiàn)場(chǎng)樣本積累到能對(duì)模型進(jìn)行充分訓(xùn)練時(shí)，有望提高方法對(duì)直流復(fù)合絕緣子缺陷的檢出有效性。

此外，本文利用紅外圖像特征分析檢測(cè)出絕緣子缺陷的具體類(lèi)型，是在參考其他文獻(xiàn)做法的基礎(chǔ)上進(jìn)行的一種大致的分類(lèi)，這些缺陷類(lèi)型并不是基于現(xiàn)場(chǎng)大量解剖實(shí)驗(yàn)進(jìn)行定義的，只是作為現(xiàn)場(chǎng)判斷缺陷嚴(yán)重程度的一種參考。在實(shí)際巡檢中，只要檢測(cè)出異常溫升就必須要進(jìn)行關(guān)注和維護(hù)，具體是哪種內(nèi)部缺陷，只是作為一種參考。

3 結(jié)論

本文研究并實(shí)現(xiàn)了一種基于紅外圖像分割和SSA-SVM的交直流復(fù)合絕緣子內(nèi)部缺陷分類(lèi)識(shí)別方法，得出了以下結(jié)論：

1）所提出的方法能夠有效檢測(cè)出交直流復(fù)合絕緣子的內(nèi)部缺陷，檢測(cè)正確率分別達(dá)到了89.09%和87.27%；通過(guò)SSA算法優(yōu)化得到的SVM模型與其他優(yōu)化算法得到的模型相比，計(jì)算速度更快，識(shí)別準(zhǔn)確率更高，且對(duì)現(xiàn)場(chǎng)絕緣子的缺陷具有初步的良好檢測(cè)效果。

2）相比于交流復(fù)合絕緣子，直流復(fù)合絕緣子不存在介質(zhì)損耗發(fā)熱，發(fā)熱主要來(lái)源于表面泄漏電流引起的電阻損耗，故直流復(fù)合絕緣子缺陷發(fā)熱不太明顯，利用紅外熱像儀可檢測(cè)出的缺陷類(lèi)型明顯低于交流復(fù)合絕緣子。

3）所提出的方法對(duì)500kV交流復(fù)合絕緣子缺陷具有良好的初步識(shí)別效果，直流復(fù)合絕緣子檢出率相對(duì)較低，需要積累更多的現(xiàn)場(chǎng)樣本對(duì)模型進(jìn)行充分訓(xùn)練。