沈龍， 錢國超， 彭兆裕， 李謙慧,， 楊坤， 馬御棠

(1. 云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，云南 昆明 650217；2. 西南交通大學(xué)電氣工程學(xué)院，四川 成都 611756)

0 引言

目前，大多數(shù)國家采用等值鹽密(equivalent salt deposit density,ESDD)法表征絕緣串的污穢度，但離線取樣的測(cè)量方法操作冗雜、耗時(shí)長，且無法實(shí)現(xiàn)絕緣串表面污穢特性的動(dòng)態(tài)監(jiān)測(cè)[7—10]。絕緣子污閃的防治可通過紅外熱像法和紫外成像法監(jiān)測(cè)絕緣子的發(fā)熱情況和放電特征，但2種方法皆難以直觀反映絕緣子表面的污穢度[11—15]，無法給予早期清掃建議。高光譜技術(shù)發(fā)展迅速，具有高分辨率、寬波段、圖譜融合的特點(diǎn)，能非接觸獲取物質(zhì)反射光的差異信息，這為需要較高精細(xì)度的絕緣子污穢情況檢測(cè)提供了新思路[16—17]。文獻(xiàn)[18]利用高光譜技術(shù)對(duì)不同污穢度的單一人工污穢進(jìn)行識(shí)別，采用全波段光譜數(shù)據(jù)實(shí)現(xiàn)了準(zhǔn)確率高于90%的污穢等級(jí)劃分；文獻(xiàn)[19]通過高光譜所包含的豐富的細(xì)節(jié)信息，提取不同灰密度的污穢光譜曲線差異，建立回歸模型對(duì)灰密度進(jìn)行檢測(cè)。盡管高光譜技術(shù)在絕緣子污穢度檢測(cè)方面表現(xiàn)出巨大潛力，但仍存在局限性，污穢等級(jí)劃分的精準(zhǔn)度仍有提升空間。為進(jìn)一步推進(jìn)高光譜技術(shù)，需要對(duì)數(shù)據(jù)進(jìn)行更精細(xì)化的處理。光譜信息不僅反映了檢測(cè)對(duì)象信息，同時(shí)包含了基材、環(huán)境、顏色等干擾量信息。全波段光譜曲線數(shù)據(jù)盡管包含足夠多研究信息，但也包含大量無關(guān)信息，易陷入Hughes現(xiàn)象[20—22]，進(jìn)而對(duì)樣本污穢檢測(cè)的準(zhǔn)確度產(chǎn)生影響。同時(shí)，全波段光譜信息冗余大、耗時(shí)長，不適合大規(guī)模數(shù)據(jù)測(cè)試以及現(xiàn)場(chǎng)應(yīng)用推廣。采用合理有效的方法對(duì)光譜曲線數(shù)據(jù)進(jìn)行預(yù)處理和特征提取，對(duì)削弱冗余與噪聲數(shù)據(jù)的影響、挖掘光譜曲線中關(guān)鍵有效的信息、提升高光譜技術(shù)的檢測(cè)識(shí)別效果十分重要[23]。

因此，文中引入小波能量譜特征提取方法，對(duì)高光譜原始光譜曲線進(jìn)行多尺度分解，在多個(gè)尺度下提取更加細(xì)致的表征不同污穢等級(jí)差異性的特征信息。通過特征提取，提高信噪比，增強(qiáng)類間差異，實(shí)現(xiàn)更為高效、準(zhǔn)確的絕緣子污穢等級(jí)識(shí)別。

1 實(shí)驗(yàn)樣本制作

污穢底層基材反射信息會(huì)對(duì)整體光譜曲線產(chǎn)生一定影響，為模擬實(shí)際積污情況，樣品選取的涂污基材為復(fù)合絕緣子傘群材料制作的平整絕緣片。實(shí)驗(yàn)的研究重點(diǎn)是實(shí)現(xiàn)對(duì)不同污穢度的識(shí)別，為便于涂污、采集樣本，控制無關(guān)因素，文中采用5 cm×5 cm的絕緣片進(jìn)行等效簡(jiǎn)化。

以標(biāo)準(zhǔn)GB/T 5582—1993中的ESDD對(duì)不同的污穢等級(jí)進(jìn)行表征。NaCl在外絕緣污穢成分中占比10%～30%，被視為主要成分。選用NaCl作為鹽成分，與高嶺土進(jìn)行混合，制備不同污穢度的樣本。根據(jù)標(biāo)準(zhǔn)GB/T 26218.1—2010以及GB/T 22707—2003進(jìn)行樣本制作，按照4個(gè)污穢等級(jí)(Ⅰ—Ⅳ)對(duì)樣品進(jìn)行均勻覆污,制作樣品，如圖1所示。其中，灰密度恒定為1 mg/cm2；建模樣品T1、T2、T3、T4的ESDD分別為0.04 mg/cm2，0.08 mg/cm2，0.15 mg/cm2，0.30 mg/cm2；測(cè)試樣本R1、R2、R3、R4對(duì)應(yīng)的ESDD分別為0.05 mg/cm2，0.07 mg/cm2，0.19 mg/cm2，0.32 mg/cm2。

圖1 人工污穢樣品

2 高光譜測(cè)試方法

2.1 基于高光譜技術(shù)的檢測(cè)原理污穢等級(jí)識(shí)別流程

2.1.1 檢測(cè)原理

一個(gè)詞的意義發(fā)生演變，與整個(gè)社會(huì)的發(fā)展分不開。由于詞匯是語言三要素中與客觀世界聯(lián)系最為緊密的部分，因此客觀世界的發(fā)展變化會(huì)影響詞匯產(chǎn)生發(fā)展變化。在這一變化過程中，詞義的演變是必然的。

不同物質(zhì)因在微觀結(jié)構(gòu)、化學(xué)組成、物理性質(zhì)等方面不同，對(duì)光輻射的吸收、反射皆具有本征特性[24]，因此利用物質(zhì)的光譜特征可對(duì)其進(jìn)行識(shí)別與研究。文中實(shí)驗(yàn)使用GaiaField-F-V10便攜式成像儀對(duì)高光譜圖像進(jìn)行采集。高光譜儀通過透鏡、分光組件和光電轉(zhuǎn)換器將收集的目標(biāo)電磁波能量轉(zhuǎn)換為數(shù)字圖像和多波段的光譜信息[25]，具有較高的光譜分辨率，因此能獲得物質(zhì)更豐富的光譜特性，也更容易探尋到物質(zhì)細(xì)微的光譜信息差異，使光譜信息具有特定性和代表性。

2.1.2 污穢等級(jí)識(shí)別流程

針對(duì)研究對(duì)象，首先進(jìn)行高光譜圖像采集,并通過黑、白幀對(duì)光強(qiáng)差異進(jìn)行修正；其次對(duì)感興趣區(qū)域高光譜全波段數(shù)據(jù)進(jìn)行預(yù)處理，利用濾波及對(duì)數(shù)變換減弱因暗電流、光散射等引起的無關(guān)噪聲；再次采用光譜數(shù)據(jù)的污穢關(guān)聯(lián)特征方法，優(yōu)化光譜信息；最后以7∶3的比例建立和測(cè)試模型,以識(shí)別污穢等級(jí)，該流程見圖2。

圖2 污穢等級(jí)識(shí)別流程

2.2 污穢樣本光譜曲線數(shù)據(jù)采集

通過連續(xù)采樣提高光譜數(shù)據(jù)的準(zhǔn)確性，并使用專業(yè)高光譜圖像處理軟件ENVI 5.1對(duì)采集后的圖像進(jìn)行背景分離，避免背景數(shù)據(jù)的干擾。提取均勻附著污穢區(qū)域內(nèi)所有像素點(diǎn)對(duì)應(yīng)的光譜曲線數(shù)據(jù)，如圖3(a)所示，并進(jìn)行均值處理。其中，x,y,λ分別為長、寬、波長。由于分類模型需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，采用ENVI軟件對(duì)8個(gè)人工污穢樣本進(jìn)行感興趣區(qū)域劃分，每個(gè)人工污穢樣本劃分為16個(gè)感興趣區(qū)域，共得到128個(gè)光譜樣本。高光譜成像儀采集的高光譜數(shù)據(jù)共包含256個(gè)波段,去除信噪比過低波段，僅研究446.9～862.9 nm波長范圍內(nèi)的數(shù)據(jù)，樣本光譜曲線見圖3(b)。

圖3 光譜三維矩陣及曲線示意

2.3 污穢樣本光譜曲線數(shù)據(jù)預(yù)處理

采用黑幀和標(biāo)準(zhǔn)白板對(duì)原始光譜曲線進(jìn)行光源校正，將高光譜圖像像元亮度值標(biāo)準(zhǔn)化為0～1間的反射率。處理后的128條樣本光譜曲線見圖4(a)。對(duì)數(shù)變換會(huì)增大可見光波段光譜差異[18—19]，有利于不同污穢等級(jí)的識(shí)別，但也會(huì)放大采集數(shù)據(jù)中的大量高頻噪聲，對(duì)后續(xù)處理的準(zhǔn)確度產(chǎn)生影響。因此，先對(duì)黑白校正后的光譜曲線進(jìn)行Savitzky-Golay (SG)平滑處理，濾除無關(guān)噪聲，再采用對(duì)數(shù)變換增強(qiáng)不同污穢等級(jí)的光譜曲線差異，如圖4(b)、圖4(c)所示。

圖4 預(yù)處理結(jié)果

由圖4可知，通過對(duì)數(shù)變換處理后，數(shù)據(jù)的平滑性和差異性均得到了有效提升，一定程度上提高了不同污穢等級(jí)間的分散性，有利于后期分類建模。

3 基于小波包能量譜的污穢等級(jí)特征提取

3.1 小波包能量譜特征提取原理

由于小波變換對(duì)數(shù)據(jù)信號(hào)具有精細(xì)的分解能力，目前已廣泛運(yùn)用到提取各種故障診斷的復(fù)雜特征中[18—19]。而小波包則為小波空間的進(jìn)一步變換，將數(shù)據(jù)映射為能量形式，通過“二分”的方式不斷細(xì)化，能較好地利用高頻部分信息。小波包的分解示意見圖5，S為原始信號(hào)，經(jīng)過3層小波包分解得到8個(gè)頻帶信號(hào)，即AAA3,DAA3,ADA3,DDA3,AAD3,DAD3,ADD3,DDD3。提取光譜數(shù)據(jù)特征的具體流程見圖6。

圖5 小波包分解示意

圖6 小波包能量譜特征提取流程

通過能量parseval公式[22]對(duì)原始數(shù)據(jù)f(x)每層頻帶能量Ei,j(t)的重構(gòu)函數(shù)fi,j(t)對(duì)應(yīng)的節(jié)點(diǎn)幅值d(j,k)進(jìn)行計(jì)算：

(1)

式中：i為小波包的分解層數(shù)；j為小波包進(jìn)行i層分解后的頻帶序號(hào)，即每層對(duì)應(yīng)節(jié)點(diǎn)數(shù)；m為采樣點(diǎn)總數(shù)；k為采樣點(diǎn)序號(hào)；t為原始信號(hào)分解后的分量編號(hào)。

3.2 特征提取

對(duì)去噪后的光譜數(shù)據(jù)進(jìn)行小波包能量譜特征提取，可以增強(qiáng)對(duì)于不同污穢等級(jí)的特征表達(dá)能力。小波包變換既對(duì)低頻部分，同時(shí)也對(duì)高頻部分進(jìn)行分解。

光譜信號(hào)的分解過程中,分解層數(shù)有一個(gè)時(shí)效和信號(hào)清晰度的最佳值。圖7為一條光譜曲線小波包分解結(jié)果，選擇3階Daubchies小波(Db3)為母小波,進(jìn)行3層小波包分解污穢光譜信息。選取分解層數(shù)為3層,則第3層共有8個(gè)小波包系數(shù)，即可獲得8個(gè)小波包重構(gòu)信號(hào)，得到8個(gè)節(jié)點(diǎn)的頻譜,如圖7所示。根據(jù)目標(biāo)信號(hào)的特征參數(shù)自適應(yīng)選擇最佳分辨率，多次劃分頻帶，提高對(duì)信號(hào)的分析能力。

圖7 3層小波包分解系數(shù)

經(jīng)小波包分解后各個(gè)頻帶代表的頻率范圍如表1所示，單個(gè)小波包系數(shù)所覆蓋的頻帶寬度為 32 Hz，信號(hào)能量絕大部分都集中在低頻段。8個(gè)頻帶都保留了對(duì)污穢等級(jí)分類的重要特征信息。

表1 小波包分解后各節(jié)點(diǎn)頻率范圍

根據(jù)分解結(jié)果生成小波包頻帶能量譜，將保留了污穢等級(jí)信息的8個(gè)(d30—d37)小波分解系數(shù)作為污穢分級(jí)特征，分別得到光譜信號(hào)能量分布，根據(jù)不同污穢等級(jí)的能量分布變化區(qū)分污穢等級(jí)，見圖8。絕緣子4種不同污穢等級(jí)的能量譜主要集中在前4個(gè)分量處，隨著污穢等級(jí)的提高，能量譜幅值逐漸降低，分布存在一定規(guī)則性，因此可將其用于表征不同的污穢等級(jí)。從圖8的整體趨勢(shì)來看，利用小波包能量譜對(duì)其進(jìn)行特征提取，基本可以去掉冗余信息，保留不同污穢等級(jí)的光譜特征信息。

圖8 4種污穢等級(jí)下的小波包能量譜特征

3.3 基于小波包能量譜特征的污穢等級(jí)識(shí)別模型

針對(duì)污穢樣本小、光譜數(shù)據(jù)維數(shù)高、關(guān)聯(lián)非線性的特征，利用支持向量機(jī)(support vector machine，SVM)方法對(duì)絕緣子污穢等級(jí)識(shí)別進(jìn)行研究。

SVM作為一種常用的廣義線性分類器，訓(xùn)練時(shí)間短、復(fù)雜度低，主要用于數(shù)據(jù)的分類或回歸問題。因此，文中選用SVM建立污穢等級(jí)分類模型。污穢等級(jí)分類為多值分類問題，文中污穢等級(jí)分為4個(gè)等級(jí)，即Ⅰ、Ⅱ、Ⅲ、Ⅳ。圖9為建立的4個(gè)等級(jí)的樣本分類結(jié)構(gòu)，對(duì)輸入數(shù)據(jù)進(jìn)行投票，得票多的等級(jí)作為樣本等級(jí)輸出。

圖9 SVM分類結(jié)構(gòu)

基于小波包能量譜特征的絕緣子污穢等級(jí)級(jí)識(shí)別的整體流程見圖10，具體流程如下。

圖10 污穢等級(jí)預(yù)測(cè)模型的建立流程

步驟1：數(shù)據(jù)預(yù)處理。采集不同污穢等級(jí)下絕緣片樣本的高光譜圖像，并對(duì)各樣本進(jìn)行平滑去噪預(yù)處理，構(gòu)建原始樣本集X。

步驟2：將預(yù)處理后的數(shù)據(jù)按照7∶3的比例分為訓(xùn)練集{(Xi,Yi)}與測(cè)試集{(Xi,Yi)}。然后通過小波包能量譜方法提取各樣本的能量譜數(shù)據(jù)，分別獲得用于SVM訓(xùn)練與測(cè)試的特征數(shù)據(jù)樣本集{(Xbi,Yi)}和{(Xbi,Yi)}。Xi為預(yù)處理后的高光譜數(shù)據(jù)；Yi為高光譜數(shù)據(jù)對(duì)應(yīng)的腐蝕等級(jí)標(biāo)簽；Xbi為特征波段數(shù)據(jù)。

步驟3：將步驟2中的訓(xùn)練集{(Xbi,Yi)}輸入進(jìn)SVM進(jìn)行訓(xùn)練，并保存訓(xùn)練好的模型參數(shù)。

步驟4：將測(cè)試集{(Xbi,Yi)}輸入至訓(xùn)練好的SVM，得到各測(cè)試樣本的分類結(jié)果，并將其與真實(shí)標(biāo)簽對(duì)比，計(jì)算最終識(shí)別的準(zhǔn)確率。

4 模型有效性驗(yàn)證與分析

4.1 小波包能量譜特征提取效果驗(yàn)證

原始光譜曲線經(jīng)小波包能量譜特征提取之后能在一定程度上提高數(shù)據(jù)對(duì)不同污穢等級(jí)的表征程度。為對(duì)小波包能量譜特征提取效果進(jìn)行觀察,現(xiàn)將常用的主成分分析(principal component analysis，PCA)特征提取進(jìn)行三維特征可視化分析，可視化結(jié)果見圖11。

圖11 特征提取可視化結(jié)果

從圖11分析可知，PCA特征使得污穢等級(jí)Ⅰ與污穢等級(jí)Ⅱ存在較大的交叉，交叉率為30%；污穢等級(jí)Ⅲ與污穢等級(jí)Ⅳ依舊存在部分樣本交叉，交叉率為20%，這必將影響最終的識(shí)別準(zhǔn)確率。而小波包能量譜數(shù)據(jù)中4種污穢等級(jí)之間的交叉程度明顯低于PCA數(shù)據(jù)，污穢等級(jí)Ⅰ與污穢等級(jí)Ⅱ交叉率為0；污穢等級(jí)Ⅲ與污穢等級(jí)Ⅳ交叉率為5%，這說明該方法更加合理。基于小波包能量譜的特征提取能極大增強(qiáng)對(duì)于不同污穢等級(jí)的表征程度，實(shí)現(xiàn)對(duì)識(shí)別模型的優(yōu)化。

4.2 污穢等級(jí)識(shí)別模型效果驗(yàn)證

分類算法采用SVM作為最終污穢等級(jí)識(shí)別分類器，其識(shí)別結(jié)果見圖12，此次測(cè)試集識(shí)別準(zhǔn)確率為100%。

圖12 模型識(shí)別結(jié)果

為驗(yàn)證采用SVM方法的有效性，將其與常用的前饋(back propagation，BP)神經(jīng)網(wǎng)絡(luò)算法、極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)分類器進(jìn)行對(duì)比，各方法參數(shù)根據(jù)算法常用參數(shù)進(jìn)行多次調(diào)整試驗(yàn)得到最優(yōu)設(shè)置：SVM選用高斯核，懲罰參數(shù)為1，核參數(shù)為0.5；BP神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元為100，激活函數(shù)采用sigmoid；ELM隱層神經(jīng)元為100，激活函數(shù)采用sigmoid。各方法均運(yùn)行10次，每次隨機(jī)劃分訓(xùn)練集與測(cè)試集，取10次診斷準(zhǔn)確率的平均值，如表2所示。

分析表2可以發(fā)現(xiàn)，不同特征與不同的分類器均會(huì)對(duì)結(jié)果產(chǎn)生影響。在相同分類器的前提下，相較于原始數(shù)據(jù)，以PCA、小波包能量譜為特征輸入

表2 各方法下的平均診斷準(zhǔn)確率

的識(shí)別效果要更好，這主要是因?yàn)樘卣魈崛∧芴岣邤?shù)據(jù)對(duì)不同污穢等級(jí)的表征程度；在相同特征輸入的前提下，SVM的分類效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)、ELM分類器，這主要是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)會(huì)陷入局部最優(yōu)解，而ELM每次均采用隨機(jī)權(quán)重，泛化能力較差。小波包能量譜結(jié)合SVM的準(zhǔn)確率最高，因此體現(xiàn)了基于小波包能量譜特征提取對(duì)于識(shí)別模型的優(yōu)化作用。此項(xiàng)結(jié)果驗(yàn)證了文中方法在絕緣子污穢等級(jí)識(shí)別上的有效性。而對(duì)于自然污穢情況，文中方法同樣適用，采用自然污穢數(shù)據(jù)重新訓(xùn)練，所得模型即可運(yùn)用于自然污穢情況。

5 結(jié)論

輸電線路絕緣子污閃一直是電網(wǎng)安全穩(wěn)定運(yùn)行亟待解決的關(guān)鍵問題?；诟吖庾V技術(shù)，采用小波包能量譜結(jié)合SVM實(shí)現(xiàn)污穢等級(jí)識(shí)別，能夠?yàn)榻^緣子污穢等級(jí)檢測(cè)提供新思路，并得出以下結(jié)論：

(1) 用小波包能量譜特征分析實(shí)現(xiàn)了光譜數(shù)據(jù)的降維并提取出小波包能量譜特征量，從能量譜分布圖可以看出，不同污穢等級(jí)的光譜能量分布發(fā)生改變。

(2) 合理的特征提取能有效增強(qiáng)數(shù)據(jù)對(duì)不同污穢等級(jí)的表征程度。相對(duì)于原始數(shù)據(jù)與PCA特征數(shù)據(jù)，小波包能量譜特征數(shù)據(jù)不同污穢等級(jí)樣本間的交叉程度最小。

(3) 選取SVM作為模型分類器，基于小波包能量譜特征優(yōu)化的污穢等級(jí)高光譜識(shí)別模型能夠有效實(shí)現(xiàn)對(duì)絕緣子污穢等級(jí)的準(zhǔn)確識(shí)別，其準(zhǔn)確率可達(dá)99.8%。