白 卫，黎业欣，甘 徐，卢胜标，李 毅

（广西电网有限责任公司玉林供电局，广西 玉林537000）

1 引言

绝缘子是电力设备上的重要部件，起着连接导线和电塔的重要作用。电力系统要稳定运行，需确保绝缘子性能良好。绝缘子长期暴露在各种复杂自然环境中，其性能不仅受到外界环境的影响，同时电磁场和应力也会导致绝缘子的绝缘性能失效、劣化，最终成为零值绝缘子[1]。零值绝缘子在恶劣环境下会发生断串、掉线等事故，甚至会导致严重的区域性停电[2]。零值绝缘子已经严重危害到国民经济的发展和人民日常生活。因此，及时排除电网设备中的劣化、零值绝缘子，确保电网的稳定安全成为现在的一个重要课题。

随着电网规模的扩大，人工巡检的方法越来越难以实施。零值绝缘子的智能化检测手段较高的准确率能有效减少电网因绝缘子劣化引发的停电事故，从而确保电网的安全稳定运行。

2 原理介绍

用深度学习的方法定位出绝缘串在红外影像中的位置，通过分析红外影像中绝缘子串的热特性判别绝缘子是否是零值绝缘子。流程如图1 所示，下面主要介绍零值绝缘子的发热原理、热红外影像的成像原理和基于深度学习的目标检测技术的相关研究成果。

2.1 零值绝缘子热特性

挂网绝缘子的热量来源有三种：绝缘子在大气环境中表面沾染污秽，泄漏电流通过污秽传导产生的热量[3]；由于绝缘子制造工艺的限制，导致绝缘子内部各部件粘接不紧密，穿过绝缘子内部电流引起发热；绝缘介质在工频电压作用下的极化效应引起介质损耗发热。

图1 算法流程图

随着绝缘子运行时间的增加，受风吹日晒等自然环境的影响，绝缘子绝缘性能不断降低，导致出现劣化。在劣化过程中，绝缘阻值变小，从而导致发热增加，温度升高。实验表明，当绝缘子阻值减小到某一特定值时，发热功率达到最大值，这是通过热红外影像判别绝缘子劣化的重要依据。

2.2 红外影像

红外热像仪通过探头上的光敏传感器感应环境中的红外辐射能量，将其转化为电流强度信号，并将其量化为红外热像图[4]。所以，和光学相机类似，热红外图片上每一处的灰度值反映了物体对应处的实时温度。该目标点的热量越大，图片的灰度值越高，红外图像上反映出来的点就越亮[5]。当绝缘子串通电时，绝缘子会发热而与周围环境区分开来。当线路中出现劣化零值绝缘子时，其阻值为0，表现为不发热，所以此区域的热量同环境温度基本一致，而低于正常绝缘子的温度。最终通过明暗的形式反映到红外图片上，结果如图2 所示。

图2 正常绝缘子和零值绝缘子

2.3 深度学习

深度学习是近年来的一个热门研究方向，其基本思路是模拟人脑神经元之间的连接来处理一些复杂的感知问题，由于其在语音识别、计算机视觉等应用中取得突破性的进展，深度学习技术被广泛应用于工业生产各个领域。其中，卷积神经网络（CNN）能极大程度地提高图像识别的泛化能力的识别效果。CNN 网络以输入图像处理对象，输出为目标检测结果及其概率，并且由于权值共享机制的影响，CNN 网络对于图片数据的位移、翻转、缩放有着很好的适应效果。和传统基于人工特征的图像算法相比，完全摒弃了特征设计和提取的繁杂过程。本文设计了基于卷积神经网络的零值绝缘子识别模型。

3 绝缘子发热实验

为了解绝缘子串，特别是零值绝缘子的发热特向。首先在实验室环境下模拟绝缘子串在不同位置、不同湿度和不同污秽度条件下的发热实验，获得零值绝缘子的发热影像数据，构建热红外影像数据库。

3.1 实验设备

按照GB/T 4585—2004/IEC60507：1991《交流系统用高压绝缘子的人工污秽试验》标准进行试验，试验方案如图3所示。移圈调压器输入电压220 V，输出电压0～250 V，调压器实物如图4 所示。用以限流的保护电阻为12 kΩ，由工频交流变压器给予电源，高压端铜芯电线经绝缘保护管接入环境模拟室。将绝缘子串悬挂到2 000 mm×1 300 mm×1 300 mm 的环境模拟室中，开启加湿器，增加环境相对湿度，同时使用电子湿度计时监控模拟室内的环境湿度。将绝缘子串按照图3 所示方式进行布置，在绝缘子串两端施加电压。加压时采用均匀升压的方式快速升压至试验电压，再采用恒压方式持续加压1 h，使用分压比为1 000∶1 的电容分压器监测电压，同时用红外热像仪拍摄绝缘子串温度分布图，红外热像仪为FLIR T440，测量范围为-20～1 200 ℃，热灵敏度小于0.045 ℃，像素为320×240，空间分辨率为1.36 mrad，测量精度为±2 ℃或读数的±2%，并具有连续变焦功能。

图3 试验原理图

图4 调压器

3.2 实验步骤

实验步骤如下：①在确保未通电的情况下，将涂污阴干后的绝缘子连接成串悬挂于人工雾室内，低压端绝缘子钢帽与接地线连接使其可靠接地，高压端绝缘子铁脚连接高压进线，接线完成后封闭人工雾室；②接通电源进行升压，升压时采用平均快速升压的方法升压至实验电压，然后利用恒压的方式继续加压，使用电容分压器监测电压；③打开加湿系统使人工雾室内的空气湿度逐渐增加，直至试验所需目标湿度值，使用温湿度传感器对人工雾室内的温湿度进行监测；④持续加压半小时后关闭电源，记录环境温湿度并使用高精度红外热像仪采集绝缘子串红外热像图，然后将绝缘子串静置并使用红外热像仪进行检测，直至绝缘子余热消除，避免影响后续试验；⑤将绝缘子按高压端、中间位置、低压端进行编号，分别编号为1 号位、2 号位和3 号位，改变零值绝缘子方位（1 号位、2 号位、3 号位）后，重复步骤①～④；⑥改变目标湿度（60%、70%、80%）后，重复上述步骤①～⑤；⑦更换不同污秽度（0.03 mg/cm2、0.04 mg/cm2、0.2 mg/cm2）绝缘子后，重复上述步骤①～⑥。

3.3 实验结果

3.3.1 不同位置零值绝缘子发热特性

为了解污秽绝缘子串中出现劣化情况时，零值绝缘子所在地方对于整串绝缘子发热的影响，进行了相关试验。将污秽绝缘子串进行编号，由高压端至低压接地端依次编为1～3 号位置，试验时选择零值绝缘子置于高压位置、中间位置和低压接地位置，分别进行绝缘子串红外检测。不同位置绝缘子串红外图如图5 所示。

图5 不同位置绝缘子串红外图

结合图5 可以看出，零值绝缘子位于高压端即1 号、中间位置即2 号和低压接地端即3 号时，零值绝缘子均表现出较一致的热特征，即零值绝缘子温度较低，这主要是因为在电流相同的情况下，零值绝缘子的电阻几乎为0，其两端的电压几乎为0，发热不明显，而正常绝缘子电阻很大，正常绝缘子承受的电压较大，图像发热较零值绝缘子要明亮。

3.3.2 不同湿度零值绝缘子发热特性

为了分析环境相对湿度对于污秽含零值绝缘子串温度分布的影响，进行了相关试验。不同湿度下绝缘子串红外图如图6 所示。

图6 不同湿度下绝缘子串红外图

在相对湿度较小时，绝缘子表面污秽干燥，由于附着污秽物影响，电阻值较大，虽然通过其的电流会增加，热效应也增强，但正常绝缘子温升仍然较小，与零值表面温度接近，仍然不利于红外检测零值绝缘子。

3.3.3 不同污秽度零值绝缘子发热特性

为了分析绝缘子表面污秽度对于污秽含零值绝缘子串温度分布的影响，进行了相关试验。相同环境相对湿度条件（80%）含零值绝缘子时，污秽度不同时绝缘子串上表面温度分布试验结果如图7 所示。

图7 不同污秽度下绝缘子串红外图

4 热红外影像处理

在实验室环境和真实环境中拍摄大量绝缘子串的红外影像图片，首先对红外影像进行去噪处理，然后分割提取盘面得到符合要求的图像。

4.1 图像去噪

采集到的原始红外图片，首先需要进行去噪处理，即滤除图像中的高斯噪声、散粒噪声等干扰噪声。

与高清照片相比，红外图片受限于红外热像仪分辨率（普遍为640×480）的影响，表现出低对比度的特征，即难以准确地区分出环境与目标物[6]。自适应滤波器能分析输入输出消息的时变效应，智能匹配滤波器参数，有较好的滤波性能，本文采用自适应中值滤波器作为图像去噪的工具，能较好滤除红外图片数据中的杂质噪声，保障目标的特征能被有效识别出来。

4.2 红外图像分割

图像分割是目标物特征提取的关键。红外图片进行去噪处理后，绝缘子与周围环境的差异变大，通过使用优化的Otsu 算法对红外图片实现分割处理，然后使用Sobel 算法得到绝缘子串边界图像，最后运用Hough 算法测算出绝缘子串的边界线和倾角，从而完成对其的校正。

4.3 建立样本数据库

对热红外影像预处理之后，需要建立自己的样本数据库。因为网络模型的效果好坏直接取决于样本数据库的丰富程度。只有样本数据库真实有效，类型丰富，网络模型精准识别劣化绝缘子的能力才更突出。

5 深度学习目标检测

Faster RCNN 是目标检测领域经典的的目标检测算法[7]。Faster RCNN 包含2 个cnn 网络：特征提取网络RPN和Fast RCNN 检测网络[8]。RPN 通过在feature map 上滑动窗口，建一个神经网络用于物体分类+框位置的回归。Faster RCNN 的流程如图8 所示。

图8 Faster RCNN 流程图

为了保证样本的丰富性，采用实验室数据+现场巡检数据的模式对深度学习网络模型进行训练。首先是红外视频样本采集，使用opencv 开源图像处理库对视频进行转换操作，共截取了3 344 张绝缘子红外图像；然后通过以上零值绝缘子发热实验，获得不同位置、不同湿度、不同污秽下的绝缘子红外数据5 000 张。获得充足的样本数据后，利用常见的标注工具LabelMe 对3 344 张现场绝缘子照片和5 000张实验绝缘子照片进行标注，标注出绝缘子位置信息，如图9 所示。

图9 红外数据标注

将标注好的数据导入深度学习模型进行训练，经过不断映射和反复修改模型参数，最后得到目标检测模型，检测示例如图10 所示。

图10 目标检测结果