王科，項恩新，曹偉東，徐肖偉，黃繼盛，車雨軒

(1.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，昆明 650217； 2.西南交通大學(xué) 電氣工程學(xué)院，成都 611756；3.云南電網(wǎng)有限責(zé)任公司臨滄供電局，云南 臨滄 677000)

0 引 言

乙丙橡膠(Ethylene Propylene Rubber, EPR)，作為一種高分子聚合物材料，具有良好的抗氧化、耐熱、耐潮濕等特性，被廣泛用做于擠壓式電線電纜的絕緣材料，在海底電力傳輸、船舶、礦井及軌道交通等領(lǐng)域占有的比例逐年增加[1]。但對于工作在溫差大、高海拔地區(qū)的EPR電纜而言，由于絕緣老化導(dǎo)致電纜事故的情況時有發(fā)生，因此如何正確的判斷EPR電纜的絕緣老化狀況成為了一個值得思考的問題。

針對電力系統(tǒng)中電氣設(shè)備絕緣老化的問題，國內(nèi)外學(xué)者開展了深入的研究，并且將絕緣老化的電氣特征與智能算法相結(jié)合，取得了較好的判斷效果。文獻(xiàn)[2]采用模糊模式識別算法和頻域介電譜技術(shù)對油紙絕緣受潮和老化程度進(jìn)行了識別；文獻(xiàn)[3]采用隨機森林分類器、SVM分類器和局部放電信號對油紙絕緣氣隙缺陷模型進(jìn)行了老化階段的識別；文獻(xiàn)[4]將時頻分析技術(shù)應(yīng)用于局部放電信號的分析和處理，對環(huán)氧樹脂的老化狀態(tài)進(jìn)行了判定；文獻(xiàn)[5]通過局部放電灰度圖像和雙向-二維主成分分析((2D)2PCA)算法對油紙絕緣老化階段進(jìn)行了識別。目前，國內(nèi)外研究團隊在對絕緣介質(zhì)老化狀況識別的問題上進(jìn)行了非常多的工作，并取得了豐碩的成果，但是由于EPR電纜應(yīng)用環(huán)境特殊，針對于EPR絕緣老化狀態(tài)的識別鮮有報道。隨著當(dāng)今電網(wǎng)的蓬勃發(fā)展，EPR電纜的安全、穩(wěn)定運行問題變得尤為重要，亟需提出一種針對EPR電纜絕緣老化的識別方法。

文中通過加速熱老化的方法制備了4種熱老化狀態(tài)的乙丙橡膠試樣，基于局部放電譜圖特征分別提取了19個特征參量，結(jié)合深度森林算法對EPR絕緣老化狀態(tài)進(jìn)行了識別，并與其他傳統(tǒng)分類算法進(jìn)行了對比。

1 實驗設(shè)計

1.1 試樣制備

試驗樣品采用型號為QTO-J30G的EPR電纜。試樣的制備如下：首先將電纜截成150 cm長的試樣段，然后分別剝?nèi)ル娎|端部處的外護(hù)套、屏蔽層、內(nèi)外半導(dǎo)體層和絕緣層，露出纜芯作為高壓極，再剝?nèi)ナＳ嚯娎|本體的外護(hù)套、屏蔽層，露出外半導(dǎo)體層，在電纜本體中部裹上銅導(dǎo)線作為接地極，在纜芯與外導(dǎo)體層的連接處包裹熱縮管，最后按照附件安裝工藝在電纜試樣兩端安裝終端，試樣見圖1。

圖1 試樣圖

將制作完成的試樣放入真空干燥箱中加速熱老化，根據(jù)IEC 60216-1-2013《電氣絕緣材料耐熱性》標(biāo)準(zhǔn)，熱老化時間選用為48 h、96 h、144 h、192 h，由于乙丙橡膠絕緣的最高長期安全使用溫度約為140 ℃～150 ℃[6]，本文加速熱老化溫度選用為145 ℃。

考慮到數(shù)據(jù)的分散性，文中在每個老化時間下均老化5根試樣，并綜合分析5根試樣的數(shù)據(jù)以保證數(shù)據(jù)的可靠性，老化試樣編號見表1。

表1 試樣編號

1.2 試驗平臺搭建

試驗平臺如圖2所示，高頻示波器型號為Tektronix TDS 3032B；試驗變壓器的容量為10 kVA，額定電壓為100 kV；高壓電阻阻值為400 MΩ；分壓器的分壓比為1 000:1。文中試驗在高壓屏蔽大廳進(jìn)行，背景噪聲小于2 pC。

圖2 試驗平臺圖

通過試驗分別測得每個老化溫度試樣各20組數(shù)據(jù)，共計400組數(shù)據(jù)。以3:2比例劃分?jǐn)?shù)據(jù)，將3/5數(shù)據(jù)作為訓(xùn)練樣本，剩余2/5數(shù)據(jù)作為測試樣本，訓(xùn)練樣本和測試樣本的來源見表2。

表2 訓(xùn)練樣本和測試樣本

2 局部放電譜圖特征提取

2.1 PRPD圖像

局部放電相位分布(Phase Resolved Partial Discharge, PRPD)譜圖是由多個工頻周期內(nèi)的放電量N、視在放電量Q(或放電幅值)、放電相位Φ疊加而成。通過對PRPD譜圖進(jìn)一步處理，可以得到柱狀圖、散點圖、灰度圖，由于PRPD方法較為成熟且應(yīng)用的范圍較廣，對檢測技術(shù)的要求較低，不易受噪聲影響[7]，故文中采用PRPD譜圖進(jìn)行分析。

常見的PRPD譜圖分析方法[8-9]為：提取PRPD譜圖的偏斜度Sk、翹度Ku、峰值數(shù)Peaks、不對稱度Asy、相關(guān)系數(shù)cc等參數(shù)作為網(wǎng)絡(luò)特征輸入量進(jìn)行分析，該方法較好地描述了原始譜圖的形狀、峰值、相關(guān)度等特性，但并未充分利用PRPD譜圖的圖像特征。

2.2 典型PRPD圖

通過圖2的試驗平臺，當(dāng)加壓25 kV時，測得4種老化狀態(tài)試樣的PRPD譜圖，并將其轉(zhuǎn)化為灰度圖像，如圖3。圖3(a)～圖3(d)分別為老化時間48 h、96 h、144 h、192 h的灰度圖像，其中橫坐標(biāo)為放電相位j，0≤j≤360°，縱坐標(biāo)為放電量q，為了消除坐標(biāo)軸對圖像識別的影響，文中省去了坐標(biāo)軸。虛線框所示為PRPD圖中顏色較深部位，表示放電次數(shù)頻繁區(qū)域，轉(zhuǎn)化為灰度圖后表示為灰度值較大的區(qū)域。

圖3 典型灰度圖

2.3 圖像特征提取

從以下方面對圖像特征進(jìn)行提取[10]：顏色特征、紋理特征、形狀特征。其中顏色特征較其他特征而言，具有良好的魯棒性，且特征提取較為簡單，常用的特征有顏色直方圖、顏色矩、顏色聚合向量、顏色相關(guān)圖等；紋理特征反映了圖像中某種規(guī)律的變化，可以從統(tǒng)計方法、模型方法、結(jié)構(gòu)法、信號處理法等方面進(jìn)行分析，常用的提取方法有灰度共生矩陣、Tamura紋理特征、自回歸紋理模型、小波變化等；形狀特征又可分為輪廓特征和區(qū)域特征，常見的分析方法有Hough變換、傅里葉形狀描述符、形狀不變矩法。

2.3.1 顏色特征提取

文中采用圖像三個基本顏色通道(紅色通道、綠色通道、藍(lán)色通道)中的顏色矩作為顏色特征，由于顏色信息主要集中分布在低階矩中，故采用一階矩、二階矩、三階矩來描述顏色特征，提取公式如下[11]:

(1)

(2)

(3)

式中mi、si、si分別為一階矩、二階矩、三階矩；pij為像素點的顏色分量；i=1，2，3。

基于圖像的顏色矩特征，文中對3個顏色通道中的低階顏色矩進(jìn)行了提取，共計提取9個特征。

2.3.2 紋理特征提取

文中采用Tamura紋理特征作為圖像的紋理特征，Tamura紋理主要包含六個特征量，分別為粗糙度、對比度、方向度、線性度、規(guī)整度、粗略度，其中前3個特征量線性無關(guān)，后3個特征量與前3個特征量線性相關(guān)[12]，因此主要從粗糙度、對比度、方向度進(jìn)行分析。

2.3.3 形狀特征提取

文中采用Hu不變矩[13]來描述圖像的形狀特征。Hu不變矩具有平移、灰度、旋轉(zhuǎn)和尺度不變性。假設(shè)Hu不變矩是在有限空間內(nèi)的積分，對于平面圖像f(x,y)的(p+q)原點矩、中心矩、歸一化中心矩的計算公式分別如下：

(4)

(5)

(6)

(7)

(8)

一階矩(p+q=1)中，歸一化中心矩η10=η01=0；二階矩(p+q=2)中，不變矩為：

(9)

三階矩(p+q=3)中，不變矩為：

(10)

式中a=η30-3η12、b=η03-3η21、c=η30+η12、d=η03+η21、e=η20-η02。

基于圖像的Hu不變矩特征，文中共計提取η1、η2、η3、η4、η5、η6、η7等7個特征。

文中基于局部放電灰度圖像，根據(jù)顏色特征、紋理特征、形狀特征分別從中提取了9個、3個、7個特征參數(shù)組建了特征空間。

3 基于深度森林網(wǎng)絡(luò)的老化狀態(tài)識別

3.1 深度森林網(wǎng)絡(luò)

深度森林網(wǎng)絡(luò)(Gcforest)是一種基于隨機森林算法(Rondom Forest)的深度學(xué)習(xí)網(wǎng)絡(luò)[14-15]，采用級聯(lián)結(jié)構(gòu)，每個隨機森林組中由兩個普通隨機森林和兩個完全隨機森林組成，其中普通隨機森林包含500棵決策樹，分裂節(jié)點由隨機特征子空間的gini指數(shù)決定，如圖4所示，完全隨機森林中包含1 000棵決策樹，分裂節(jié)點在全特征空間中隨機選取，如圖5所示。

圖4 普通隨機森林簡化模型

圖5 完全隨機森林簡化模型

3.2 識別結(jié)果對比分析

文中基于Python 3.6和matlab，分別采用BP神經(jīng)網(wǎng)絡(luò)、支持向量機、隨機森林[16]等算法與本文的深度森林作比較，對比結(jié)果如表3所示。從表3可以看出深度森林的識別率達(dá)到了90.625%，即只有25個樣本處于誤診斷狀態(tài)，優(yōu)于其他識別算法，能夠正確的將老化狀態(tài)分別。

表3 識別結(jié)果對比

為了進(jìn)一步看出深度森林的分類情況，文中通過混淆矩陣展示了分類結(jié)果，如圖6,圖6中左上角4*4方陣表示預(yù)測值與實際值的匹配情況，對角線(即綠色框)中的數(shù)字為每一種老化狀態(tài)識別正確的個數(shù)，其他區(qū)域(即白色框)中的數(shù)字為識別錯誤的個數(shù)；圖6中第5列為從左至右依次為4種老化狀態(tài)的識別率和綜合識別率。

為了便于表示不同老化程度，文中將老化48 h表示為編碼“1”，老化96 h表示為編碼“2”，老化144 h表示為編碼“3”，老化192 h表示為編碼“4”。從圖6中可以看出，對于編碼“1”的識別中，有5個樣本被誤診斷為編碼“2”；對于編碼“2”的識別中，有4個樣本被診斷為編碼“1”；對于編碼“3”的識別中，有2個樣本被診斷為編碼“1”，1個樣本被診斷為編碼“2”；對于編碼“4”的識別中，有1個樣本被診斷為編碼“1”，2個樣本被診斷為編碼“2”。即對于編碼“1”(老化48 h)和編碼“2”(老化96 h)存在誤診段，原因可能為老化48h試樣與老化96 h試樣的局部放電圖像存在一定的相似，使得提取出的圖像特征也存在一定的相似，導(dǎo)致這二者的識別存在誤診段的情況。

圖6 混淆矩陣

4 結(jié)束語

文中提出了一種基于局部放電圖像特征和深度森林的電纜老化狀態(tài)識別方法，該方法能較好地描述不同老化狀態(tài)電纜局部放電圖像的特征，基于圖像特征和深度森林算法能夠準(zhǔn)確地對不同老化狀態(tài)電纜進(jìn)行識別。在工程實際應(yīng)用中具有較好的應(yīng)用前景。