， ， ， ， ，

(1.国网河北省电力公司检修分公司，石家庄 050071； 2.华北电力大学电力工程系，河北 保定 071003)

0 引言

瓷质绝缘子是输电线路中使用量最大的绝缘子之一，维护其安全稳定运行至关重要。架空线路的瓷质绝缘子在受风载、覆冰、导线自重等机械力作用的同时，也长期耐受工作电压、暂态过电压、雷击过电压等电场力的作用[1]，使其机械性能和绝缘性能降低，形成零值绝缘子，从而影响电网的正常运行[2-3]。近年来，电网公司多次发生变电站瓷质绝缘子运行事故，严重威胁电网安全[4]。

目前，随着电力大数据的发展，人工检测因其成本、准确度、检测效率上难以适应海量图像数据的涌入而逐渐消弭，红外、紫外、超声波等远距离检测手段以其时效性、安全、诊断效率高等优势而被广泛应用[5-6]。劣化绝缘子的电热特征有别于正常运行下的绝缘子，因而成为诊断绝缘子劣化与否的一项重要的检测指标。红外成像技术是一种非接触、被动式的测量技术，通过主动热激励，使物体内部的异形结构以温度差异的方式表达的一种检测手段，近年来得到广泛应用[7-8]。

但是，红外图像的特征提取和分类技术是自动诊断故障系统中的难点和关键技术，寻求一种输入量较少、诊断速度快、准确率较高的故障诊断方法尤为重要。文献[9]表明红外成像仪的表面发射率对检测高压电气设备具有一定影响，应设置在0.85～0.95范围内。文献[10]利用相对温度分布特征和人工神经网络模型相结合的方法进行绝缘子故障诊断，该方法准确率较高，但输入量较多，对检测条件要求较高。文献[7]以温度和图像信息作为特征阈值判断绝缘子运行状态，计算过程复杂，检测时间较长。

笔者以三伞瓷质绝缘子为研究对象，以绝缘子中心线的颜色矩阵为特征向量，利用BP神经网络构建诊断模型，具有输入维度小、诊断速度快、准确率较高等优点，对于红外检测劣化绝缘子具有一定的工程意义。

1 实验方法

为了获得具有典型代表性的劣化绝缘子发热红外图片，笔者进行了如下实验，选用现场撤换下来的三伞瓷质劣化绝缘子为试品，试品劣化绝缘子的阻值分别为7.5 MΩ、19 MΩ及150 MΩ。实验装置搭建如图1所示。

在I级污秽条件下，温度范围为18℃至25℃，环境相对湿度小于50%时，选择一片低值劣化绝缘子分别位于2号、5号及7号位置进行试验，其余六片均为正常片，在高压端对绝缘子串施加65.9 kV工频电压，实验进行2 h，每隔0.5 h用红外成像仪对其拍摄一次。实验结束待绝缘子完全冷却，再更换剩余不同阻值的低值绝缘子依次重复以上步骤。红外成像仪型号为Fluke Ti55TF，发射率选择0.9。从而获得405张红外绝缘子串图像。对绝缘子串图像进行分层切割，获取2 835张绝缘子单片作为实验待处理图像，随机取2 500张单片作为训练样本，取335张单片作为检验样本。

图1 绝缘子红外实验装置示意图Fig.1 Schematic diagram of insulator infrared experimental device

2 模型搭建

神经网络是由神经元的许多互联的处理元件组成的数据处理系统[11]。其中，BP神经网络算法是数据挖掘的主要分类算法之一，它能自动学习和建立大量输入—输出映射关系，且整个模型训练前无需建立明确的数理关系和模型[12]。其学习规则是最速下降法，在训练期间通过反向传播不断调整神经网络的连接权值和网络的规模，使误差平方和最小。由于绝缘子红外诊断问题本质上是一个多输入非线性的问题，并且需要较快的训练速度以适应系统中每时每刻产生的红外数据，因此本文采用BP神经网络，力求在准确度和检测速度上均达到较高要求。

2.1 BP神经网络输入量的确定

BP神经网络的结构包括输入层、隐藏层、输出层。其中，输入变量的选择是十分重要的，直接影响到网络的训练速度以及收敛快慢，合适的输入变量可以使故障诊断模型蕴含最丰富的信息，提高故障诊断的正确性[13]。由于获取的数据为非结构化的图像数据，因此需要从图像中提取特征量，作为输入进行训练。传统的图像特征提取方法有颜色矩、颜色直方图、颜色集等[14]。本文提出了一种以绝缘子中心线的颜色矩阵为特征输入参量的诊断方法，并与传统特征参量提取方法中的颜色矩、颜色直方图作对比。

2.1.1 颜色直方图

颜色直方图是颜色信息的函数，它表示图像中具有同颜色级别的像素的个数，其横坐标是颜色级别，纵坐标是颜色出现的频率(像素的个数)，该方法的优点是具有快速性和对图像变化不敏感的优点，如平移、旋转[15]。其公式表达为

(1)

式中，i表示图像的色值，ni代表该色值的积分数量，NRGB代表图像中的像素总数[16]。

图2即为绝缘子单片样片的颜色直方图，自上而下依次为R、G、B三通道下的灰度直方图。正常绝缘子单片与故障绝缘子单片在颜色直方图上有一定的差异。R通道下，正常绝缘子的颜色在0和30附近均有峰值，而故障绝缘子仅在0附近有较大的分布概率；G通道下，正常绝缘子的颜色在0-10、150-200均占有较大比重，而故障绝缘子仅在0附近有峰值，且在150-200的分布概率几乎为0；B通道下，二者颜色分布的变化趋势一致，但在225-240之间的分布概率仍有较明显的差异。

图2 劣化/正常绝缘子单片的颜色直方图Fig.2 Color histogram of deteriorated/normal insulator

2.1.2 颜色矩

颜色矩(Color Moment)特征是由Stricker和Orengo所提出的[17]，是常用的颜色特征，广泛应用于图像处理领域，他的优点是具有最低的特征向量维度和较低的计算复杂度。

图像颜色信息分布主要集中在低阶矩中，采用颜色信息的一阶矩(均值mean)、二阶距(方差variance)、三阶矩(偏度skewness)就能充分表达图像的颜色分布[18]，即以颜色矩来表示颜色特征。其数学模型如下：

(2)

(3)

(4)

式中，μi、σi、si分别代表一阶矩、二阶距、三阶矩，N代表像素点个数[19]。

由于故障绝缘子的发热特性有别于正常绝缘子，表现在红外图像上就是故障位置像素矩阵的差异。并且，颜色信息集中分布于颜色矩的三个低阶分量，以颜色矩作为输入量，可以有效简化输入矩阵的规模，便于快速构建诊断网络。如图3所示，故障绝缘子的R通道的颜色矩数值均较正常绝缘子高，且三个特征量呈逐渐递增的趋势；正常绝缘子在G/B通道下的颜色矩较劣化绝缘子高，其中一阶矩的特征最为明显。这是因为一阶矩(均值)反映了颜色的平均特征，劣化绝缘子钢帽的颜色以红、白为主，而正常绝缘子以蓝、绿色为主，因此在一阶矩上具有一定差异。方差反应了色值的平均分散程度，劣化绝缘子在R通道的均值较高，且颜色集中于钢帽部分，分散程度较大，因此二阶矩较大。偏度反映了颜色分布的偏斜程度，正常绝缘子和劣化绝缘子的颜色分布在方向上并无明显偏斜，因此差异不大。

图3 劣化/正常绝缘子单片的颜色矩分布图Fig.3 Color moment of deteriorated/normal insulator

2.1.3 绝缘子中心线的颜色向量矩阵

瓷质绝缘子的热像特征一般表现为钢帽温度高于瓷盘温度；瓷盘部分，离绝缘子串轴线位置越远，温度越低[20]。而温度的高低，直接影响到红外成像的颜色差异。图6所示，取样线1下的劣化绝缘子与正常绝缘子的色值曲线整体变化趋势一致，仅在峰值处有所区别；取样线2下的劣化绝缘子的B通道在0-5坐标区间有较大的峰值，这是由于切片时截取到了上一片绝缘子瓷盘部分，除此之外与正常绝缘子并无较大区别；取样线3下的正常绝缘子与劣化绝缘子差异明显，主要体现在0-15坐标内。R通道下，含有较大的色值分量，G/B通道下，色值分量较低。这是因为，劣化绝缘子发热部分主要集中于钢帽，而温度较高处，红外图像呈红、白色，正常绝缘子的钢帽在红外成像下多呈蓝色，因此两者相比具有较大差异。比较三条取样线可知，绝缘子中心线包含的信息量丰富，色值曲线变化明显，且有效避免了实验背景因素对图像信息的干扰，在保证最大信息量的基础上，实现了数据降维和背景降噪。因此本文以绝缘子中心线的颜色矩阵为研究对象，提取RGB通道下的像素矩阵作为特征量，构建了的BP神经网络故障诊断模型。

图4 三条取样线下劣化/正常绝缘子的 RGB色值曲线Fig.4 RGB color value curves of deteriorated/normal insulators under three cutting lines

2.2 神经网络拓扑结构的确定

2.2.1 隐层数的确定

文献[21-22]认为，增加隐层数可以降低网络误差，提高精度，但也会使网络复杂化从而增加了网络的训练时间。此外也容易产生过拟合和不收敛的倾向。因此在设计BP神经网络时，优先考虑“输入层—隐层—输出层”的拓扑结构。本文基于此，选取了3层结构的神经网络。结构示意图如图5所示。

图5 BP神经网络模型Fig.5 Model of BP neural network

2.2.2 隐层神经元数目的确定

隐层节点的数量可以根据系统要求设置精度。节点数太少，网络难以建立复杂的映射关系，导致网络训练效果差；节点数太多，学习时间过长，影响网络的收敛和效率[23]。经过反复试验，如表1所示，本文基于颜色矩、颜色直方图、中心线颜色矩阵分别选取了10、10、5个神经元作为隐藏层的数目。

表1 不同隐层神经元数目的准确度比较Table 1 Comparison of accuracy rate in case of different numbers of hidden layer neurons

3 三种特征量下的故障诊断模型

3.1 基于颜色直方图下的故障诊断模型

3.1.1 实验处理

首先将采集到的红外绝缘子串图像进行分层切割，形成绝缘子单片集。将切割后的单片集随机排列，以避免产生训练偶然性。然后进行标准化处理，通过同态滤波去除噪点干扰。提取红外图像RGB三通道下的像素矩阵，并经过计算获得三个通道下的灰度直方图，将其作为特征值带入BP神经网络模型。

实验结果见图6，表2。

图6 颜色直方图下的BP神经网络预测与实际值比对Fig.6 Comparison of predicting results with the actual values of BP neural network based on color histogram

序号12345平均准确率/%86.2787.1688.0688.6687.7687.58

3.1.2 结果分析

如图6所示，X轴为预测样本序号，Y轴为样本预测与实际的结果，且1代表检测为故障状态，0代表检测为正常状态。星号代表实验绝缘子的运行状态，圆圈代表经过诊断模型后的检测结果。由图可见，检出效果较为一般，误检、漏检较多。该情况产生的原因可能是颜色直方图反映了全局的颜色分布，在拍摄绝缘子串红外图片时，或多或少会受到背景颜色的影响，因此使得提取到的颜色直方图难以训练。此外，由于BP神经网络采用的随机梯度下降法，每次的训练结果均有一定的变化，但整体波动在一定范围内，故对实验进行5次训练，取平均值作为参考。由表2可知，基于颜色直方图下的平均准确率为87.58%，检出效果较为一般。且因为特征量选用了RGB三通道下的灰度直方图，输入量为256*3=768个，故训练时间很长，用时590.160 333 s。漏检图样见图7。

图7 颜色直方图算法下的典型漏检图样
Fig.7 Undetected sample based on color histogram

3.2 基于颜色矩特征量下的故障诊断模型

3.2.1 实验处理

将获取到的红外绝缘子串图像经过切割、随机排列、标准化、同态滤波等步骤获得待处理的绝缘子单片集。具体步骤与颜色直方图一致，不再赘述。计算原始像素点矩阵，分别提取RGB通道下的

颜色矩，并以一阶矩(均值)、二阶矩(方差)、三阶矩(斜度)，作为特征值带入BP神经网络模型。

实验结果见图8，表3。

图8 颜色矩下的BP神经网络预测结果与实际值比对Fig.8 Comparison of predicting results with the actual values of BP neural network based on color moments

序号12345平均准确率/%88.0686.8789.2588.3686.5787.82

3.2.2 结果分析

如图8所示，基于颜色矩特征量的平均准确率为87.82%，检出效果一般，样本315-340的误检较多如图8所示，分析原因是部分刚开始发热的故障绝缘子单片颜色变化不明显，且颜色矩中仍包含了部分拍摄背景的内容，这部分像素矩阵成为干扰训练效果的主要因素。但是由于特征量选取了RGB三通道下的三阶颜色矩，共9个输入量，故训练时间较快，10.764 295 s即可完成训练。与颜色直方图相比，该方法的准确度相差无几，但训练时间大大缩短。漏检图样见图9。

图9 颜色矩算法下的典型漏检图样
Fig.9 Undetected sample based on color moments

3.3 基于绝缘子中心线颜色矩阵下的故障诊断模型

3.3.1 实验处理

将获取到的红外绝缘子串图像经过切割、随机排列、标准化、同态滤波等步骤获得待处理的绝缘子单片集。具体步骤与前者一致。计算原始像素点矩阵，提取绝缘子单片中心线的RGB作为特征值带入神经网络模型。

实验结果见图10，表4。

图10 绝缘子中心线颜色矩阵下的BP神经 网络预测结果与实际值比对Fig.10 Comparison of predicting results with the actual values of BP neural network based on color matrix of insulator center -line

序号12345平均准确率/%93.4393.7392.8493.4393.4393.37

3.3.2 结果分析

如图10所示，基于绝缘子中心线颜色矩阵特征量的平均准确率为93.37%，同颜色直方图和颜色矩相比检出效果较好，样本几乎没有误检，部分故障绝缘子因为通电时间较短，发热不明显，红外图像的颜色差距较小故未检出。由于该方法仅提取绝缘子单片中心线的颜色矩阵，几乎不受环境因素及背景色的干扰，故检测效率较高。此外，该方法训练时间较短，耗时46.679 750 s，同颜色矩的方法相比仅增加了30 s，但是准确率却大大提高。漏检图样见图11。

图11 绝缘子中心线颜色矩阵下的典型漏检图样
Fig.11 Undetected sample based on color matrix of insulator center-line

3.4 三种诊断模型的综合比较

本文采用试验所获不同条件下具有代表性的绝缘子红外图像数据来建立学习样本，通过图片分层切割获取绝缘子单片集2 835张，随机取2 500张图片作为训练样本，剩余335张图片作为检验样本。分别提取颜色直方图、颜色矩、绝缘子中心线颜色矩阵作为特征量，进行BP神经网络训练，比较训练时间和预测准确率。

表5所示，基于颜色直方图的诊断方法，输入量多，包含信息更为全面，但由于体现的是全局的颜色分布，容易受到背景颜色的干扰，故诊断效果较差，准确率为87.58%。且由于输入矩阵过大，训练时间为590.160 333 s。基于颜色矩的诊断方法输入量少，平均准确率为87.82%，训练时间为10.764 295 s，与颜色直方图相比，无论从训练速度还是诊断的准确度性能都优于前者。基于绝缘子中心线颜色矩阵的诊断方法，有效避免了实验背景因素对图像信息的干扰，在保证最大信息量的基础上，实现了数据降维和背景降噪。所得预测结果的准确率达到93.37%，训练耗时仅46.679 750 s。

表5 三种诊断方法的综合比较Table 5 Comprehensive comparison of three kinds of diagnosis methods

4 结论

以RGB通道下的像素矩阵作为特征量，构建了以绝缘子中心线的颜色矩阵为研究对象的BP神经网络故障诊断模型。绝缘子中心线包含的信息量丰富，色值曲线变化明显，和传统的故障特征量提取方法相比，最大程度降低了实验背景因素对图像信息的干扰，在保证最大信息量的基础上，实现了数据降维和背景降噪。实验结果表明，此方法能有效判断绝缘子运行状态，具有较短的训练时间和较高的准确性，为瓷质悬式绝缘子单片的监控分析提供了一种高效可靠的诊断方法。