基于高光谱与红外技术融合的绝缘子污秽程度检测方法

2022-04-01刘益岑王杨宁殷成凤郭裕钧张血琴

电工电能新技术 2022年3期

刘益岑，杨琳，王杨宁，殷成凤，郭裕钧，张血琴

(1. 国网四川省电力公司电力科学研究院，四川成都 600072； 2. 国网四川省电力公司, 四川成都 610041； 3. 西南交通大学电气工程学院，四川成都 611756)

1 引言

电力系统安全稳定运行是国家经济发展和国民生活生产的前提保障。绝缘子用量大、种类多，广泛应用于输电线路、发、变电所，是电力系统重要组成部分。由于绝缘子直接暴露在空气中工作，表面不可避免会沉积一层污秽物。随着绝缘子表面污秽程度加重，或遇到空气湿度大的不利天气例如雾霾、凝露时，绝缘子的绝缘性能会大大降低，在正常运行电压下也容易发生闪络事故。据统计，雷击是概率最高的电网事故，其次是污闪事故，但其造成的经济损失是雷击事故的10倍，外绝缘污闪防治仍是亟待解决的问题[1,2]。

目前提高绝缘子抗污闪能力的措施主要有人工清扫绝缘子、喷涂防水抗污涂层、采用新型复合绝缘子、增加绝缘子或增大爬距、定期更换绝缘子[3,4]。电力公司一般采用定期巡查绝缘子污秽程度并对其进行维护的方式，但工作任务量大且繁琐[5]。因此快速、精准地测量绝缘子污秽程度可以减少人员资源的浪费，为污闪防治工作提供重要的指导。

目前国内外学者针对防治污闪工作的研究集中在对污秽程度的检测，主要从化学、物理、电气特性等方面对污秽程度进行评估。传统的检测手段有等值盐密法、表面污层电导率法、污闪电压梯度法、泄漏电流法等。但以上传统检测方法操作过程较为繁琐，大多数依赖人工测量，且绝缘子数量巨大，加上输电线路大多经过山地等偏僻地区，检测人员不易操作，存在一定局限性[6,7]。为了实现绝缘子污秽程度的准确检测与评估，表征参量由电气特征量逐渐发展为非电气特征量，由人工检测、主观分析逐渐发展为特征成像、算法处理，检测方法逐渐由接触式检测发展为非接触检测方式[8]，如红外热像法[9,10]、紫外成像法[11,12]、可见光法[13]等方法以其非接触检测的优势在污闪防治工作中得到了广泛的应用。

高光谱检测技术光谱分辨率高，是一种新型快速、无损的非接触式检测手段。不同化学物质具有不同的吸收与反射特性，根据其光谱曲线吸收峰位置、幅值等特性可实现对不同化学成分、元素和含量的辨别。文志科等人采集了不同运行状态下的硅橡胶绝缘子高光谱图像，构建了样本光谱库，利用贝叶斯判别准则检测复合绝缘子运行状态[14]。张血琴等人利用高光谱技术可见光波段，基于深度极限学习机算法构建了复合绝缘子老化程度评估模型[15]。邱彦等人分别利用高光谱可见光及近红外波段，结合图像处理技术，实现了绝缘子污秽程度与污秽成分的识别[16,17]。

近年来，研究学者常基于红外成像技术，结合图像处理，实现输电线路外绝缘运行状态的检测。房俊龙等人针对拍摄的红外热像图，利用形态学修正二值图像，计算积污面积，利用R分量图的特征量训练瓷绝缘子污秽等级识别模型，准确率达91%[18]。金立军等人利用红外热像结合紫外成像技术，经过现场检测采样，归纳了典型发热放电故障类型，构建了基于多光源图像技术的外绝缘运行状况推理系统，并探究了温升及放电量变化规律[19]。染污绝缘子在放电发热过程中存在温升变化小且易受环境干扰等特点，单一使用红外图像技术检测绝缘子污秽程度仍存在一些不足，如受环境因素如温度、电压影响较大，另外红外图像采集的标准、特征量的选取、评估准则也存在争议。

基于多光源图像建立的评估模型准确率更高，抗干扰性更好。利用图像技术检测绝缘子污秽状态具有非接触、无损伤、带电检测、结果展示方便、直观等优点。因此，本文采用高光谱融合红外图像信息检测绝缘子污秽状态，综合两种图像的有效信息，去除冗余信息，实现信息互补，弥补单一光源下因环境等因素造成准确率低的缺点，提高模型准确率。

2 试验平台及样品制备

2.1 试验平台

试验装置简化电路图如图1所示，主要包括电源、分压器、变压器、保护电阻、人工雾室及高光谱成像仪、红外成像仪等装置。高光谱成像仪型号为GaiaField-F-V10，相关参数见表1，其中拍摄时，将样品放置在高光谱采集平台中合适的位置与高度，在同一高度放置标准白板，保证样品与白板同时处于图像采集区域内，调整光源使样品的补光对称。通过控制平台调整高光谱仪的位置至图像成像最佳位置，此时高光谱镜头与样品垂直成90°，距离75 cm。设定高光谱成像仪的曝光时间、调节焦距、扫描速度等参数，保证成像不失真、清晰。红外热像仪选用FLIR A655sc，15°视场角，配备一台640×480像素的非制冷型微测辐射热计，其各项技术参数见表2，将制备好的染污绝缘子样本放入人工雾室加湿，加压并采集红外热像图。对绝缘子加压10 kV，控制人工雾室的湿度在80%左右，待湿度均匀稳定，运行2.5 h。设置红外成像仪成像角度为45°，拍摄绝缘子下盘面。调节红外摄像头的焦距等参数使成像清晰、不失真、亮度合适。

图1 试验平台示意图Fig.1 Diagram of test platform

表1 高光谱成像仪参数Tab.1 Parameters of hyperspectral imager

表2 红外成像仪参数Tab.2 Parameters of infrared imager

2.2 样本制备

本文以陶瓷XP-70盘式绝缘子为研究对象，盘径255 mm，结构高度146 mm，爬距280 mm。试验前用去离子水清洗表面，自然阴干。参照GB/T 4585—2004[20]，IEC 60507 ed3.0[21]，以NaCl模拟可溶性盐，高岭土模拟不可溶灰。其中NaCl为分析纯氯化钠，纯度高于99.5%；高岭土为化学纯，主要成分为2SiO2·Al2O3·2H2O。

根据绝缘子表面积计算所需盐、灰的质量，将NaCl和高岭土按比例混合加入去离子水，使用定量涂刷法将污液均匀涂在绝缘子表面，制作了不同污秽程度的染污绝缘子样本。依据GB/T 26218.1—2010中对于污秽等级的划分，盐密(Equivalent Salt Deposit Density, ESDD)分别为0.05 mg/cm2、0.1 mg/cm2、0.2 mg/cm2、0.3 mg/cm2，其中灰密(Non-Soluble Deposit Density，NSDD)为1 mg/cm2分别对应污秽等级I～IV[17,22]。涂刷完后将绝缘子放置于阴凉处自然阴干24 h，待其表面完全干燥再进行后续试验，每个污秽等级的样品为一组，每组10个样品，一共4组，染污绝缘子样本具体参数见表3。图2为制作的部分染污绝缘子样本。

表3 染污样本参数Tab.3 Information of samples

图2 部分染污绝缘子样本Fig.2 Samples of porcelain insulators

3 数据处理

3.1 高光谱数据处理及特征提取

3.1.1 高光谱图像预处理

高光谱图像在采集过程中容易受仪器暗电流、背景噪声、光散射等影响，为建立更高效、稳定的绝缘子污秽程度检测模型，需要降低除样品成分本身以外其他干扰因素带来的影响，提高信噪比。黑白校正[23,24]主要用来去除在光强分布弱的波段处存在的图像噪声和暗电流。多元散射校正[25]主要用来消除散射的影响，增大信噪比。这是实验室传统处理流程，具体步骤见参考文献[24,25]。

3.1.2 高光谱谱线特征提取

高光谱图像所含信息量庞大，会伴随着信息冗余、存在干扰，甚至错误信息等问题。如何从具有庞大数据量的原始高光谱信息中提取有效信息也是目前研究的重点[25]。

随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)，是一种新型启发式算法，多应用于连续优化、离散优化、聚类问题中。它计算速度快，兼具较好的局部与全局搜索最优能力，参数设置简单，以选定的数学函数为启发进行搜索，寻找优化组合[26]。因此本文选用SFLA对高光谱的波段进行选取。提取的谱线特征波段分布如图3所示。

图3 特征波段分布Fig.3 Distribution of characteristic wavelengths

SFLA法一共筛选出30个特征波长，分别为484.1 nm、514.7 nm、517.0 nm、526.5 nm、545.5 nm、557.5 nm、596.0 nm、608.2 nm、620.4 nm、635.0 nm、659.7 nm、674.5 nm、699.5 nm、714.5 nm、727.0 nm、752.2 nm、765.0 nm、790.5 nm、800.7 nm、813.5 nm、816.2 nm、829.0 nm、836.9 nm、842.0 nm、868.2 nm、891.7 nm、894.4 nm、925.5 nm、947.4 nm、949.9 nm，提取特征波长集中在545.5 nm、635.0 nm、699.5 nm、813.5 nm、925.5 nm处的波峰以及714.5～765.0 nm、842.0 nm、947.4 nm 处的波谷，能较好地反映全波谱的峰谷特征。

3.2 红外图像处理

3.2.1 红外图像预处理

红外成像技术在拍摄过程中易受环境因素、探测器等影响，使得最终采集的图像存在清晰度低、噪点水平高、对比度低等缺点。因此需要对图像进行滤波去噪、图像分割等预处理。

双边滤波是在高斯滤波基础上提出的，考虑了像素值的亮度差异，具有非线性、非迭代、局部的特点，可以更好地保护图像边缘等局部细节[27]。去噪后的图像如图4所示。

图4 红外图像去噪图Fig.4 Infrared image of denoising

使用传统方法直接提取图像温度特征时，为避免背景干扰，确定温升区域，需对图像做分割。Otsu(又名大津法)为以最小二乘法为基础推导出的一种常见阈值分割方法。通过动态选定具有最佳统计意义的阈值使待分割物与背景分离[28]。图5展示了图像分割的结果。

图5 红外图像分割图Fig.5 Infrared image of segmentation

3.2.2 红外图像特征量提取

已知不同污秽等级的湿污绝缘子在加压条件下，盘面温度分布会呈现不同的差异。因此可以选用合适的温度特征量描述绝缘子盘面温度分布差异[29,30]。本文将选用以下4个量作为绝缘子红外图像特征：盘面温度最高值Tmax，盘面温度最低值Tmin，盘面温度平均值Tave，盘面温度方差Tvar。图6为不同污秽等级绝缘子红外图像，表4展示了部分染污样本的红外温度特征量，观察可发现，随着绝缘子污秽程度加重，盘面的温度最高值、最低值及平均值均会升高。其中，盘面温度的最高值升高最明显，最低值升高最平缓。此外，随着污秽程度加重，盘面温度取值更分散，反映为绝缘子盘面温度方差增大。

图6 不同污秽等级绝缘子红外图像Fig.6 Insulator infrared images of different pollution degree

表4 红外图像温度特征量Tab.4 Characteristic values of temperature (单位：℃)

3.3 核极限学习机

核极限学习机(Kernel Extreme Learning Machine, KELM)是极限学习机的改进，利用核函数拟合数据集，引入核函数代替随机选定的参数，使模型在提升传统极限学习机模型稳定性的同时具有更强泛化能力[31]。核极限学习机隐含层特征映射采用隐式映射，将低维空间里非线性、不可分的输入样本(xi,xj)映射到高维线性、可分的特征空间中的[h(xi)·h(xj)]。其中核函数选用高斯核函数。建模思路如图7所示。

图7 建模流程图Fig.7 Technological process of modeling

本文有两种信息源数据，经过特征提取构建了两个特征空间A、B，将两个特征空间通过高斯核函数映射到两个相似空间，再利用它们构建组合空间，最终在该组合空间里建立基于KELM的绝缘子污秽程度检测模型。

4 污秽程度检测

本节将以混淆矩阵直观展示输入层融合检测模型的分类结果。混淆矩阵又名误差矩阵，该矩阵能直观反映某个类别的样本是否被误分到另一个类别(即是否被混淆)。假设样本数量为N，样本类别数为M，该矩阵为N×M的矩阵，矩阵中所有元素数值相加为N。每一行为预测类别，每一列为真实类别。一个理想模型(即准确率为100%)，除了对角线上的元素，其余位置上的元素应均为0。

表5为基于特征层融合的模型混淆矩阵。共有72个测试集样本，真实污秽程度为 I级的样本有20个，II级有19个，III级有16个，IV级有17个。其中预测准确的I级样本有19个，有1个被误判为 II级。预测准确的 II级样本有17个，有2个被误判为III级。预测准确的III级样本有13个，有1个被误判为II级，2个被误判为IV级。预测准确的IV级样本有16个，1个被误判为III级。本模型的整体预测准确率为90%。