王 宁, 苏 皓, 王伟成, 陈明虎, 郭淞赫, 薛祥凯

(东北石油大学 电气信息工程学院, 黑龙江 大庆 163318)

0 引 言

随着电网规模的不断壮大, 电网输送电能的安全性以及可靠性备受关注, 绝缘子承担输电线路中的绝缘及机械支持作用, 在室外各种环境下长期运行, 隔绝电压, 同时也要承受风雪, 自重以及雷电等造成的隐患, 因此绝缘子掉串, 覆冰以及断裂等事故时有发生, 一旦绝缘子发生故障, 将会引起较为严重的后果。因此及时地对绝缘子进行状态监测与故障识别, 具有重要意义[1]。

传统的绝缘子运行状态的检测方式主要包括人工观测、 超声检测[2]和激光多普勒振动法[3]等, 其中人工观测法的工作量较大, 安全性相对较低, 不适宜大量故障环境下的检测； 超声检测法简便易行, 成本低, 但带电操作安全性差, 工作效率低； 激光多普勒振动法多用于检测开裂的绝缘子, 对其他故障的检测识别率较低。传统的绝缘子故障检测方法操作复杂, 识别率低, 安全性普遍不高。

近年来, 深度学习技术发展迅速, 在电力的维护与故障检测中也得到了广泛应用。高强等[4]针对深度信念网络故障识别率较低的缺陷, 引入模糊隶属函数的差异理论, 并将其应用于绝缘子故障识别中, 取得了较好的识别结果。孟格格[5]基于CNN(Convolution Neural Network)对特征的表达, 提出一种新的绝缘子图像分割算法, 根据预训练卷积神经网络提取图像特征区域, 将绝缘子从复杂背景中分离, 并以航拍图像为例进行了实验, 取得了较好的识别结果。……