±1 100 kV输电线路复合绝缘子缺陷多源特征及模式识别

2022-04-27舒胜文李勇杰

电瓷避雷器 2022年2期

王建，舒胜文，金铭，李勇杰

(1.国网新疆电力有限公司电力科学研究院，乌鲁木齐830011； 2.福州大学电气工程与自动化学院，福州 350108)

0 引言

复合绝缘子由于抗污闪和重量轻等优点在特高压和超高压输电系统中得到了广泛的应用，随着特高压直流工程的不断发展输电线路外绝缘复合化比例将日益提高[1-3]。在±1 000 kV输电线路中大部分复合绝缘子的运行特性较好，但由于长期运行或生产工艺部分复合绝缘子中可能会存在内部缺陷，容易导致断裂、击穿等事故[4]。通过对复合绝缘子缺陷特征和模式进行识别，可以避免缺陷导致的各种事故，降低复合绝缘子在输电线路中的故障率，因此对复合绝缘子缺陷特征及模式进行识别对保障电力系统安全具有重大意义。

相关学者对此进行了研究，取得了一定的进展。刘立帅等人提出基于频域热特征成像的复合绝缘子缺陷特征识别方法，该方法将脉冲热激励施加到复合绝缘子上，获复合绝缘子表面的温度变化分布，利用离散傅里叶变化获取复合绝缘子的频域特征，通过相位图序列和幅值图序列中的异常区域，实现复合绝缘子缺陷特征的识别，该方法提取的特征存在误差，存在正确识别率低的问题[5]。韩旭涛等人提出基于光电复合传感器的GIS局放检测方法,该方法通过光电复合传感器测量正常绝缘子与缺陷复合绝缘子之间的表面电场分布，对正常绝缘子与缺陷绝缘子附近存在的电场差异进行对比，根据对比结果识别复合绝缘子缺陷特征，实现缺陷检测，该方法识别所用的时间较长，存在识别效率低的问题[6]。

为了解决上述方法中存在的问题，提出±1 000 kV输电线路复合绝缘子缺陷多源特征及模式识别方法。

1 输电线路复合绝缘子缺陷特征提取

1.1 图像预处理

1.1.1 直方图均衡化

对输电线路复合绝缘子图像进行均衡化可以提高图像的对比图，实现图像增强，提高图像的分辨率[7]。

假设ni描述的是出现第i个灰度级ri的频数；Pr(ri)代表的是灰度级像素的概率值，其计算公式如下：

(1)

式中，n代表的是像素个数。

通过下述函数实现图像的直方图均衡化：

(2)

式中，k表示的是灰度级数。

1.1.2 均值滤波

(3)

式中，n(x,y)代表的是噪声。

1.1.3 图像分割

设在输电线路复合绝缘子图像中共存在N×N个像素点，灰度的取值区间为G={1,2…L}；f(x,y)描述的是坐标为(x,y)的像素对应的灰度值。设置阈值T∈G，获得二值函数fT(x,y)，其表达式如下：

(4)

二维阈值化方法对像素邻域平均灰度值以及像素本身的灰度值进行考虑[8]，设g(x,y)为像素(x,y)处对应的n×n邻域平均灰度值，其计算公式如下：

(5)

通过二维矢量(S,T)对图像进行分割，二维阈值化函数fS,T(x,y)的表达式如下：

(6)

设rij为出现领域平均灰度-相应灰度对的频数；pij代表的是概率密度，其计算公式如下：

(7)

设置阈值(S,T)使背景和目标的熵最大，实现图像背景与目标的分割[9]，H0(s,t)描述的是目标对应的熵；H1(s,t)描述的是背景对应的熵，其计算公式分别如下：

(8)

(9)

阈值(S,T)通常满足下述判别函数：

H(S,T)=max[min{H0(s,t),H1(s,t)}]

(10)

1.2 特征提取

±1 000 kV输电线路复合绝缘子缺陷多源特征及模式识别方法通过提取直线特征、斑点特征和分块统计特征构建±1 100 kV输电线路复合绝缘子缺陷的特征集。

1.2.1 直线特征

1)对图像I(x,y)进行LOG边缘检测，并对图像做3×3的均值滤波处理。

2)通过阈值T_a对图像进行分割处理，获得二值图像Ta(x,y)，对二值图像做Hough直线变换，获得全部累加器Ha(ri_i,θ_i)对应的最大值Hamax。当设定的阈值HTa小于Hamax时，获得直线[10]。

3)返回步骤1)处理后获得的结果，通过阈值T_b分割图像，获得二值图像Tb(x,y)，并对二值图像做Hough直线变换处理，计算全部累加器Hb(ri_i,θ_i)对应的最大值Hbmax。当设定的阈值HTb小于Hbmax时，获得直线。

4)直线特征选取(Hamax-HTa)和(Hbmax-HTb)的最大值。

1.2.2 斑点特征

斑点属于局部特征，阈值计算结果受离算子中心很远像素点的影响，使分割结果存在误差[11]。边缘的敏感程度可以通过子图像的大小决定，当窗口过小时边缘即为分割后的结果。±1 000 kV输电线路复合绝缘子缺陷多源特征及模式识别方法通过21×21的滑动窗计算局部阈值，待处理的像素I(x,y)即为滑动窗对应的中心位置，±1 000 kV输电线路复合绝缘子缺陷多源特征及模式识别方法所用的高斯加权函数如下：

(11)

式中，K(m,n)描述的是邻域像素(m,n)对应的高斯加权值[12]。邻域像素通过上述函数进行高斯加权和，获得斑点特征。

1.2.3 分块统计特征

灰度矩的基础是像素值的统计量，可以通过矩对图像中的灰度分布进行表示[13-14]。±1 000 kV输电线路复合绝缘子缺陷多源特征及模式识别方法采用灰度一阶矩μ和灰度二阶矩σ，其计算公式分别如下：

(12)

(13)

信息熵是全部目标的平均信息量，是一个重要概念可以在信息论中对信息的不确定性进行度量[15-17]。用n维概率矢量P=(P1,P2,…,Pn)描述每个取值在集合X中出现的概率，且符合0≤Pi≤1，∑i=1Pi=1，因此熵函数H(P)的表达式如下：

(14)

设ki描述的是灰度值为gi的像素在图像中的总数，信息熵可以用灰度值为gi的像素在图像中出现的概率P(gi)进行表示：

(15)

在上式的基础上对整幅图像的灰度熵E(I)进行计算：

(16)

2 复合绝缘子缺陷多源特征及模式识别

2.1 多源特征融合

±1 000 kV输电线路复合绝缘子缺陷多源特征及模式识别方法通过BPSO算法对特征集中存在的特征进行融合，具体过程如下：

1)将特征集中存在的特征拼在一起，获得对应BPSO粒子的P维向量，其中P=P1+…+PS。

2)对BPSO算法中存在的参数进行设置，对粒子群进行初始化处理。

3)通过下式对粒子对应的适应度fitness进行计算：

(17)

式中，参数α决定了分类能力和特征维数的重要程度；Nall描述的是特征维数的总和；Npos=1描述的是融合特征的维数；Jall描述的是特征类别的可分性判据；Jpos=0描述的是没有被选中的复合绝缘子缺陷特征的类别可分性依据；J描述的是Fisher类别可分性判据。

4)比较粒子经历过的最好适应值和粒子当前的适应值，如果当前适应值优于经历过的最好适应值，则最优值选取当前值，如果相反，最优值保持不变[14]。

5)比较种群历史最优值与种群在本次循环中获得的最好位置对应的适应值，如果本次循环过程中获得的适应值优于历史最优值，历史最优值被本次最优值代替，如果相反种群最优值保持不变[14]。

6)通过下式对粒子的速度进行更新：

vid(t+1)=w×vid(t)+c1×r1×[pid(t)-xid(t)]+
c2×r2×[pid(t)-xid(t)]

(18)

式中，w代表的是惯性权重系数；c1、c2代表的是加速度权重系数，其中c1代表的是认知加速度，可以对粒子趋向自身最优位置的快慢产生影响，c2代表的是社会加速度，可以对粒子趋向全局最优位置的快慢产生影响；r1、r2代表的是随机函数，在区间(0,1)内取值；t代表的是循环次数。

通过下式对粒子的位置进行更新：

(19)

式中，rand( )代表的是随机函数，在区间(0,1)内取值。

7)设置终止条件：达到一个预设最大迭代次数；适应度值已收敛；产生足够好的适应值。如果满足设置的终止条件，停止迭代，获得种群最优位置，位置对应的特征即为复合绝缘子缺陷的融合特征[13]。

2.2 输电线路复合绝缘子缺陷模式识别模型

将复合绝缘子缺陷特征作为输入变量，并对其进行模糊化处理，获得模糊集对应的隶属度[14]：

(20)

式中，O1i、O2i描述的是节点的输出；μ描述的是隶属度函数；Ai、Bi描述的是模糊语言变量，所提方法采用种型函数μbelli和高斯函数μGaussi作为隶属度函数：

(21)

(22)

式中，ai、bi、c描述的是前提参数。

计算模糊规则激励度wi：

wi=μAi(x)μBi(x)

(23)

(24)

通过线性函数fi获得节点的输出O4i[15]：

(25)

式中，pi、qi、ri为可通过ANFIS训练学习确定的后件参数。

对全部规则的最终输出进行计算，构建复合绝缘子缺陷模式识别模型：

(26)

3 实验结果与分析

为了验证±1 000 kV输电线路复合绝缘子缺陷多源特征及模式识别方法的整体有效，需要对±1 000 kV输电线路复合绝缘子缺陷多源特征及模式识别方法进行测试。分别采用所提识别方法、频域热特征成像的识别方法、光电复合传感器的识别方法进行测试，通过光栅扫描获得不同方法下输电线路复合绝缘子缺陷多源特征识别结果，见图1。

图1 不同方法下复合绝缘子缺陷识别效果Fig.1 Composite insulator defect identification under different methods

分析图1可知，3种方法对同一区域的复合绝缘子缺陷多源特征识别结果不同。频域热特征成像的识别方法与光电复合传感器的识别方法识别出的线路和绝缘子缺陷远远少于所提识别方法，这说明那两种传统方法在进行缺陷识别时存在缺陷特征丢失问题，而本研究方法通过均值滤波对复合绝缘子缺陷图像进行了去噪，增强了图像识别效果，能够实现复合绝缘子缺陷无损识别。

为进一步验证上述结果，获得将以上3种方法的正确识别率，得到结果见表1。

表1 不同方法下缺陷特征正确识别率Table 1 Correct recognition rate of defect features under different method

根据表1可知，不同方法下缺陷特征正确识别率存在一定差异。当迭代次数为5次时，频域热特征成像识别方法的缺陷特征正确识别率为67%，光电复合传感器识别方法的缺陷特征正确识别率为54%，所提方法的缺陷特征正确识别率为98%。整体来看，本方法的正确识别率远远高于其他两种传统方法。这是因为本方法对复合绝缘子图像进行了均衡化处理，同时采用均值滤波实现了图像去噪，有效提升了缺陷特征识别正确率。

分别采用所提方法、频域热特征成像识别方法以及光电复合传感器识别方法进行测试，对比不同方法的识别效率，测试结果见图2。

图2 不同方法的识别时间Fig.2 Identification time of different methods

分析图2可知，对于不同方法的缺陷特征识别时间存在差异。当迭代次数为20次时，频域热特征成像识别方法的缺陷特征识别时间为7.0 s,光电复合传感器识别方法的缺陷特征识别时间为6.5 s,所提方法的缺陷特征识别时间为0.7 s。所提方法的缺陷识别时间明显低于其他两种传统方法。整体分析上图可知，在实验时间内，频域热特征成像识别方法与光电复合传感器识别方法的缺陷特征识别时间明显高于传统方法，所提方法法特征识别效率明显较高。这是因为所提方法对复合绝缘子缺陷特征进行识别之前，对图像进行了增强、去噪预处理，降低了识别所用的时间。