宰紅斌 劉建國 張文崗 封士永 祖國強

(1.國網晉城供電公司 晉城 048000；2.南瑞集團(國網電力科學研究院)有限公司 南京 211106；3.國網天津市電力公司電力科學研究院 天津 300384)

1 引言

隨著人民生活水平的日益提高，可靠穩(wěn)定的電力供應已經成為人民生活不可或缺的一部分。而配電線路作為保障供電的關鍵，其運行更多地取決于絕緣子在不同大氣條件下的可靠性和穩(wěn)定性[1-2]。污染物在絕緣子表面的沉積會造成絕緣失效，導致閃絡甚至絕緣子斷裂，引發(fā)重大事故[3]。因此如何準確有效地監(jiān)測配電線路絕緣子，及時發(fā)現(xiàn)絕緣子狀態(tài)異常，以便提前采取措施運維，防止重大事故發(fā)生，具有重大的工程意義[4]。

目前對于絕緣子狀態(tài)的檢測研究已取得了一定的成果。傳統(tǒng)的絕緣子狀態(tài)檢測方法通過人工登桿實現(xiàn)，檢測準確性高，但勞動強度大，對檢修人員體力要求較高，且檢測效率低。還有研究采用直升機搭載的攝像機進行檢查，但該方法存在一定的風險性，精度也有待提高[5-6]。目前，航測法是較為新穎的一種絕緣子狀態(tài)檢測方法，但其中涉及的圖像處理算法需要具備更強的通用性和魯棒性，并且需要能夠識別和分類多種故障。文獻[7]利用攜帶輕型攝像機的無人機實現(xiàn)線路監(jiān)視，但變化的背景會降低其識別到的絕緣子圖像清晰度[8]。文獻[9]利用計算機視覺技術從圖像/視頻中自動提取絕緣子，并識別絕緣子的缺陷，通過將攝像機從包含電桿和絕緣子的配電線路拍攝的圖像發(fā)送到配電自動化主站進行處理分析[10]。但該方法對絕緣子特征識別不夠精確，提取方案狀態(tài)不能準確區(qū)分對象所處狀態(tài)。

針對上述問題，提出了一種基于深度遷移學習的配電線路絕緣子狀態(tài)監(jiān)測方法，主要工作如下所述。

(1) 針對現(xiàn)有特征提取算法存在誤匹配率較高的問題，所提方法采用 ORB (Oriented FAST and rotated BRIEF)算法對絕緣子狀態(tài)進行特征提取和圖像分析，利用灰度質心法實現(xiàn)特征點的旋轉不變性，確保特征的準確性。

(2) 為了提高絕緣子狀態(tài)的分類精度，所提方法將遷移學習融入深度學習中，將現(xiàn)有數(shù)據(jù)集上學習到的知識遷移到絕緣子的狀態(tài)分類中，以更準確地區(qū)分絕緣子狀態(tài)。

2 配電線路絕緣子狀態(tài)監(jiān)測方法

配電線路的絕緣子一般由玻璃、聚合物或陶瓷制成，存在多種類型和形狀，包括單個或串盤、長棒或線柱[11]。隨著配電線路環(huán)境的變化以及使用時間的推移，絕緣子的狀態(tài)由健康狀態(tài)變?yōu)榕R界狀態(tài)，如果一段時間內不采取必要措施，絕緣子的臨界狀態(tài)將進入風險狀態(tài)，引發(fā)擊穿和事故。同時，由于雷擊和放電的發(fā)生，絕緣子有可能會完全損壞，健康狀態(tài)可能直接轉變?yōu)轱L險狀態(tài)[12]。因此，針對配電線路絕緣子狀態(tài)提出的監(jiān)測系統(tǒng)如圖1所示。

圖1 絕緣子狀態(tài)監(jiān)測系統(tǒng)架構

所提監(jiān)測系統(tǒng)首先通過安裝在桿塔的攝像機對配電線路的絕緣子進行圖像采集，攝像機可以旋轉，通過空間布置，由多臺攝像機對絕緣子進行全方位監(jiān)測。然后攝像機將此桿塔采集的絕緣子圖像通過微功率無線通信傳輸至該桿塔安裝的智能配電終端，由智能配電終端進行圖像特征提取[13]。接著智能配電終端將提取的特征圖像通過 4G/5G通信網絡，遠程傳輸至配電自動化主站，并采用學習算法進行特征訓練和狀態(tài)分類。其中對配電線路絕緣子圖像處理流程如圖2所示。

圖2 絕緣子圖像處理流程

在整個絕緣子狀態(tài)分析流程中，首先基于ORB算法對絕緣子狀態(tài)進行特征提取，并根據(jù)特征利用深度遷移學習算法對絕緣子狀態(tài)進行分類，其中深度遷移學習模型中包含全局平均池化層、全連接層和Softmax分類器，以確定絕緣子狀態(tài)(健康、臨界或是風險)，進一步判定是否需要進行檢修。

2.1 基于ORB算法提取圖像特征

攝像機獲取的連續(xù)幀圖像需要通過降噪等措施進行圖像預處理，同時從完成預處理的圖像中選取兩幀不間斷的圖像I1與I2，采用ORB算法計算描述子提取圖像特征，如果一個像素四周存在N個不間斷點，其亮度大于或者小于正常值，則此像素可視為特征點。ORB算法大致包括關鍵點與描述子兩個部分，其中關鍵點使用Oriented FAST，具有迅速檢測局部像素灰度發(fā)生改變的特質。

假如圖像中某一像素點和四周鄰近像素存在比較大的差別，太亮或者是太暗，則該像素點有很大概率是一個角點。由于FAST特征點數(shù)量龐大但不穩(wěn)定[14]，因此，ORB對其檢測算法進行改進。首先統(tǒng)計原先FAST角點的響應值，將前N個響應值最大的角點保存下來，構成最終的點集；然后 ORB算法基于FAST角點采用灰度質心法保證特征點發(fā)生旋轉后性質不改變，以提高圖像特征提取的抗擾能力。圖像塊epq定義為

式中，I(x,y)為圖像灰度，xp、xq分別為圖像的坐標值，Ω表示圖像的點集。當epq中p、q分別取0、1，得e10、e01、e00、e00，則圖像塊的質心C為

通過連接特征點O與質心點C得到方向向量OC，其方向θ為

提取Oriented FAST特征點后，ORB算法使用改進的BRIEF特征描述—rBRIEF描述子對其每個特征點進行計算。對領域內N組點對(xi,yi),1≤i≤N的每個點對進行二進制定義，并生成二進制字符串，即BRIEF描述子fN(p)

式中，p(x)、p(y)為像素灰度，σ為對特征點的測試函數(shù)。

為使BRIEF描述子具有旋轉不變性，ORB算法定義矩陣S選取初始點集對，并利用灰度質心法監(jiān)測主方向θ明確仿射變換矩陣Rθ，則矩陣S也變換成Sθ矩陣

則具有旋轉不變性的rBRIEF描述子rN(p,θ) 為

2.2 基于深度遷移學習的絕緣子狀態(tài)分類

特征提取后，所提方法采用深度遷移學習算法對配電線路的絕緣子狀態(tài)進行訓練和分類，通過遷移學習與深度學習融合，將現(xiàn)有在數(shù)據(jù)集上學習到的知識遷移到絕緣子的分類中，明確圖像的類別：健康、臨界或風險狀態(tài)[15]。

深度遷移學習算法利用前饋卷積神經網絡(Convolutional neural network，CNN)對一部分特征圖生成尺寸一定的默認框，并將其映射到圖像臨近區(qū)域，以生成尺寸一定的邊界框集合以及邊界框內對象類型的分值，在此基礎上，采用非極大抑制算法生成最終的檢測邊界框和相應的分值。另外利用特征圖層次較高的網絡去檢測尺寸較大的圖像，其默認框的規(guī)格要最小化；相反，利用特征圖層次較低的網絡去檢測尺寸較小的圖像，其默認框的規(guī)格要最大化。選擇默認框規(guī)格與數(shù)目的數(shù)學表達如下

式中，m為特征圖的層數(shù)，j為不同的特征層，smax、smin分別為最高、最低層邊界框的比例，sj為不同特征層邊界框的比例。

遷移學習具備很好的自適應性，能夠利用已有的關聯(lián)任務區(qū)域內攜帶記號的數(shù)據(jù)信息處理分析剩下的冗雜數(shù)據(jù)，試著在源域內學習源任務，將其獲得的知識應用于解決目標域的任務。即給定一個有標記的源域和一個無標記的目標域其中x為影像，y為影像標簽，i為具體源域影像，j為目標域影像，憑借Ds的內容學習目標域Dt的內容。

本文方法提出的深度學習遷移模型如圖3所示。

圖3 深度遷移學習算法分類模型

基于深度學習的遷移分類模型包含如下步驟：① 把預先訓練好的模型刪掉全連接層(Fully connected layer，F(xiàn)C)與分類層，同時利用訓練的網絡參數(shù)將其權重進行初始化，并且由 CNN的卷積層與池化層共同組成特征訓練器，以學習圖像的特征；② 將預先訓練模型所獲取的絕緣子狀態(tài)特征與類型標簽輸入分類模型，通過一個全局平均池化層、一個FC和一個Softmax分類器，將絕緣子狀態(tài)分為健康、臨界或風險狀態(tài)[16]。

其中全局平均池化層把特征訓練器獲得的絕緣子狀態(tài)所有特征圖的值進行融合，組成一個特征值，如此特征的維數(shù)便與特征訓練器最后卷積層的特征圖數(shù)目相同，可以縮減 FC的參數(shù)量。經過全局池化操作后，特征值為

FC的作用在于把全局平局池化后的全部特征值和任一節(jié)點相連。而Softmax分類器將根據(jù)最后一層的特征將絕緣子狀態(tài)進行分類，分成健康、臨界或風險三種狀態(tài)。

3 試驗結果與分析

從10 kV、35 kV配電線路絕緣子的采樣點圖像中提取出數(shù)據(jù)集，基于Matlab搭建仿真環(huán)境進行分析處理[18]。其中絕緣子的三種可能狀態(tài)為健康、臨界和風險，嚴重的積污情況視為“風險”狀態(tài)，具體的絕緣子狀態(tài)類型劃分根據(jù)實際應用予以調整。

3.1 抗干擾能力分析

圖像獲取及處理過程中很容易受到噪聲、視線遮擋等因素的干擾，在常見干擾因素中，選取其中的 5個樣本為例，所提方法的監(jiān)測準確率如表1所示。

表1 存在干擾因素的監(jiān)測結果

從表1可以看出，對比噪聲、視線遮擋和光線這三種因素，視線遮擋造成的干擾更大，以樣本 3為例，監(jiān)測準確率僅為87.26%。由于所提方法采用了降噪措施，并且利用ORB算法計算描述子提取圖像特征，因此能夠較好地抵抗噪聲和光線的干擾。在噪聲影響下，所提方法的監(jiān)測準確率不低于90%，并且存在光線干擾時，其監(jiān)測準確率不低于89%。由此可以論證，所提方法能夠較好地抵抗各種影響因素，保證絕緣子的監(jiān)測準確性。

3.2 不同復雜環(huán)境中方法性能的分析

考慮到不同環(huán)境中絕緣子狀態(tài)監(jiān)測方法的有效性，在Matlab平臺上對具有：① 平原天空；② 山丘；③ 樹木；④ 建筑物；⑤ 復雜動態(tài)背景(如鳥兒)的五種場景進行試驗分析。

根據(jù)上述試驗環(huán)境，通過攝像機獲得與研究場景相對應的圖像80幅，其中50幅用于訓練，30幅用于測試。基于ORB算法提取圖像特征，并利用深度遷移學習算法對絕緣子圖像進行分類。在不同場景中絕緣子狀態(tài)分析時，處于健康、臨界或風險狀態(tài)的絕緣子用不同的標記標識，絕緣子狀態(tài)在所有測試集中的變化情況如圖4和表2所示。

表2 不同環(huán)境中絕緣子狀態(tài)特征統(tǒng)計

圖4 不同狀態(tài)的絕緣子圖像及狀態(tài)特性變化

從圖4和表2中可看出，所提方法能夠清晰地區(qū)分五種試驗場景中的絕緣子狀態(tài)。由于場景 1、場景4和場景5較為復雜，因此絕緣子狀態(tài)特征量較多，以便更好地辨識絕緣子狀態(tài)。而場景2和場景3中涉及的山丘和樹木較容易區(qū)分，對特征值的要求不高。由此可見，所提方法適用于不同的復雜環(huán)境，且能夠準確辨識絕緣子狀態(tài)。

3.3 不同方法的對比分析

為了論證所提方法的監(jiān)測精度，將其與三種組合方法在五種試驗環(huán)境中進行對比試驗，結果如圖5所示。

圖5 不同場景下各組合方法的分類精度

從圖5可以看出，環(huán)境不同，方法的分類精度也不同。天空、樹木和山丘較為簡單，因此在場景1～3中各種分類方法的精度相差不大。但在建筑物和復雜動態(tài)背景的場景下，精度相差較大，所提方法的監(jiān)測精度最高。因此，相較于其他方法，所提方法更適用于復雜的環(huán)境。

此外，當使用小波變換特征和支持向量機分類器對絕緣子狀態(tài)進行分類時，平均交叉驗證精度大約可達89.27%。將小波變換與深度遷移學習算法結合用于絕緣子狀態(tài)分類，平均交叉驗證精度達到86.69%左右。使用 ORB算法和支持向量機分類器的平均分類準確率為85.33%，而所提方法的平均分類準確率為91.95%。由于所提方法結合了ORB算法中BRIEF描述子的旋轉不變性和基于深度遷移學習算法的多分辨率特征，因此與其他分類方法相比，該方法具有更好的平均交叉驗證分類精度，可有效應用于配電線路絕緣子狀態(tài)的監(jiān)測。

4 結論

為了提高配電線路絕緣子狀態(tài)監(jiān)測的準確度，提出了一種基于深度遷移學習的監(jiān)測方法。采用ORB算法提取絕緣子狀態(tài)特征并進行分析。同時，將遷移學習融入深度學習中，以完成絕緣子的狀態(tài)分類。此外，基于Matlab平臺對所提方法在5種復雜環(huán)境中的性能進行了試驗論證，結果表明相比于其他方法，其絕緣子狀態(tài)監(jiān)測精度最高，5種場景下的平均分類精度為91.95%。并且交叉驗證過程用于確定分類精度，可以保證將評估中的隨機影響降至最低。

但是所提方法在更為復雜動態(tài)環(huán)境中的分類精度不高，這是今后工作需要重點研究的地方。同時，配電線路上的絕緣子數(shù)量龐大，如何將其與地理信息系統(tǒng)的實時集成有待進一步研究，并且龐大的數(shù)據(jù)如何高效地處理也是后期需要優(yōu)化的部分。