APP下载

基于Tamura-HOG 纹理特征与矩特征融合的配网电缆终端故障诊断方法

2022-09-27魏亚军李开灿

电力系统及其自动化学报 2022年9期
关键词:特征提取纹理分类器

魏亚军,李开灿,董 振

(国网山东省电力公司济宁供电公司,济宁 272000)

配网10 kV 交联聚乙烯XLPE(crosslinked polyethylene)电缆是城市电网电缆输送的主导设备,其稳定可靠运行对城市电网起到至关重要的作用[1]。由于本身制作工艺不规范或在恶劣环境下长期运行,易引起电缆绝缘缺陷、绝缘劣化,进而引发故障。电缆终端作为最薄弱环节,当存在典型缺陷时,局部放电更易发展导致绝缘严重劣化,进而造成故障。因此结合典型缺陷放电特征开展配网电缆终端故障诊断研究,可为其风险程度评估提供有意义的参考。

目前国内外学者就电力设备绝缘缺陷及故障诊断问题已开展了大量研究。文献[2-4]详细地分析了XLPE电缆的放电量、放电重复率、放电相位及放电谱图的峰度、偏斜度等统计特征,初步实现了放电类型的分类。文献[5-7]对局部放电Q-φ-N谱图进行灰度化处理后提取灰度共生矩阵特征,结合深度森林算法,得到了识别车载乙丙橡胶电缆缺陷类型的方法,取得了较好的工程应用前景,但获取的特征量存在局限性。文献[8-10]提出了采用小波变换提取局部放电信号特征量,方法结合神经网络算法,达到了有效地识别缺陷类型,但经过小波变换的局部放电信号特征不够完整,且弱化了方向信息的表达[11]。文献[12-14]基于卷积神经网络、自编码网络、深度残差网络等深度学习算法进行特征提取,并得到了高准确率的故障类型识别结果,但存在特征量缺乏物理意义的弊端。

局部放电相位分布PRPD(phase resolved partial discharge)谱图反映了电缆放电脉冲序列在放电相位下分布的放电信息,PRPD谱图的矩特征(即偏斜度(Sk)和峭度(Ku))能够表征谱图形状特征;Tamura 纹理特征包括PRPD 谱图的粗糙度、对比度、方向性、线相似度4个常用的纹理特征量;方向梯度直方图HOG(histogram of oriented gradient)纹理特征计算了PRPD谱图局部不同方向上梯度特征向量。

因此,结合现有的配网电缆故障诊断方法尚存不足的问题,本文提出了一种融合PRPD 谱图的矩特征、Tamura-HOG纹理特征的特征提取方法,该方法从形状特征、全局和局部方向纹理特征3方面更加全面地表达PRPD谱图特征。首先对PRPD谱图的矩特征、Tamura-HOG纹理特征进行提取与融合;然后结合自适应提升AdaBoost(adaptive boosting)算法进行缺陷类型分类;最后,与后馈神经网络BPNN(back propagation neural network)、支持向量机SVM(support vector machine)及卷积神经网络CNN(convolutional neural networks)、栈式自编码器SAE(stacked autoencoder)深度学习算法进行对比,并设计了实验验证。结果表明,本文所提出的故障诊断方法识别准确率最高、耗时最短且具有良好的稳定性和通用性,为配网电缆故障诊断的模式识别提供了良好应用的前景。

1 图像处理及特征提取方法

1.1 图像矩特征提取

PRPD谱图反映了放电量与放电相位之间的分布关系,已有研究表明,矩特征对表征图像的形状特征具有重要意义[15]。图像的一阶矩为均值,二阶矩为方差,三阶矩为偏斜度(Sk),四阶矩为峭度(Ku)。偏斜度(Sk)和峭度(Ku)的计算公式分别为

式中:qi为第i个相位窗下放电量的平均值;n为第n个相位窗;f(qi)为第i个相位窗下放电量qi出现的概率;q为均值;σ为方差。

1.2 Tamura 纹理特征提取

Tamura 纹理特征在表征图像全局信息方面得到广泛的应用,Tamura 纹理特征包含粗糙度、对比度、方向性、线相似度、规则度和粗略度6 个特征量,通常前4 种特征量更为常用,其基本表达式见文献[16],因此本文也对这4种特征量进行提取。

1.3 HOG 特征提取

HOG 是目前常用的描述图像局部纹理特征的方法,首先计算图片某一区域中不同方向上的梯度值,进行累积并形成直方图,然后形成方向特征向量。HOG特征提取步骤如下。

步骤1对PRPD谱图进行灰度化处理。

步骤2为了降低噪音的干扰,通过Gamma 校正算法对灰度图像梯度H(x,y)进行归一化处理,计算公式为

式中,(x,y)Gamma表示对x和y位置的像素点进行Gamma校正。

步骤3计算灰度图像的梯度。

水平方向的梯度计算公式为

垂直方向的梯度计算公式为

在像素点(x,y)处的梯度幅值为

步骤4将图像分为若干个block,利用双线性内插法将各方向梯度幅值累加到直方图中,并进行归一化处理。

步骤5将提取出的每个“小”HOG 特征首尾相连,组合成一个“大”的一维向量,便完成HOG特征向量的提取。

2 Tamura-HOG 纹理特征与矩特征融合

2.1 总体流程

实现PRPD 谱图的Tamura-HOG 纹理特征与矩特征融合流程如图1 所示。首先,选取配网10 kV的XLPE电缆,按照规范制作电缆终端,同时根据电缆终端的故障类型及放电特性,设计制作了常见的含有气隙缺陷、主绝缘划伤缺陷、半导电杂质缺陷的3种典型缺陷放电模型,并进行局部放电检测实验。为了能够以较少的实验在短期内获取局部放电数据,因此采用快速升压法和恒压法相结合施加电压,本文先以1.5 kV 的梯度升压并保持5 min,在15 kV 下恒定施压,采集PRPD 谱图。PRPD 谱图能够全面地反映局部放电信息。然后,对获取的PRPD 谱图统一图像尺寸并进行灰度化预处理,再分别提取图像的矩特征、Tamura 纹理特征和HOG纹理特征,得到全部特征的向量空间,为了提升识别速度,需进行降维处理。最后,结合分类器进行模式识别,完成故障诊断。

图1 Tamura-HOG 纹理特征与矩特征融合Fig.1 Fusion of Tamura-HOG texture and moment features

2.2 局部放电检测系统

局部放电检测系统架构如图2 所示,检测系统包括高压电源、保护电阻、耦合电容、检测阻抗、互感线圈、MPD800 局部放电检测系统和服务器。由MPD800局部放电检测系统检测局部放电信号并传输给服务器处理。实验前通过完好电缆检验设备无误差。

图2 局部放电检测系统Fig.2 Partial discharge detection system

2.3 采集PRPD 谱图

典型缺陷的PRPD谱图如图3所示。在放电平稳情况下,3 种典型缺陷的PRPD 谱图在电压相位的前后半周均不对称且差异明显。气隙缺陷在前半周谱图存在明显断层,且放电量大于后半周;主绝缘划伤缺陷谱图的散点分布较均匀,但后半周右偏更明显;半导电杂质缺陷的大幅值放电在后半周频次更多且更集中。由此可见,PRPD 谱图可直观地反映不同典型缺陷的放电特征,但谱图本身只是一种初步定性的判断。通过Tamura-HOG纹理特征与矩特征融合,建立定量的映射关系,可以实现电缆终端的故障诊断。

图3 典型缺陷的PRPD 谱图Fig.3 PRPD spectrum of typical defects

3 故障诊断方法研究

3.1 建立PRPD 谱图数据库

为建立数据量充足的数据库,本文每种缺陷制作30组试样,每组试样在恒压下各采集20张PRPD谱图,数据库分配如表1 所示,其中各缺陷试样的400张谱图为训练集,200张为测试集。

表1 数据库分配Tab.1 Database allocation

3.2 AdaBoost 分类算法

AdaBoost算法的构架如图4所示。AdaBoost分类算法为一种由多个弱分类器组合成的强分类器。首先,初始化样本的权重,若样本数量为m个,则每个样本被赋予权重D(1)为1/m。然后,训练弱分类器,当该样本被准确分类时,其权重在构建下一个训练样本集时降低;当某个样本被错误分类时,其权重将被提高,成为弱分类器的被重视者,基于调整后的权重D(2)的训练集来训练弱学习器2,依此类推。最后,组成强分类器,即在达到规定的迭代次数或者预期的误差率时,误差率低的弱分类器在最终分类器中起着决定性作用,以提高分类准确率。

图4 AdaBoost 算法的构架Fig.4 Architecture of AdaBoost algorithm

3.3 故障诊断结果与分析

AdaBoost 算法具备不需要进行特征筛选、不会产生过度拟合现象、识别精度高等优势。取训练集1 200 张PRPD 谱图作为训练样本,loss 函数分布如图5 所示,在迭代200 步以后,loss 值趋于平稳且接近0,由此可见,训练模型具有很好的预测性能。

图5 Loss 函数分布Fig.5 Function of loss distribution

AdaBoost 算法识别结果如表2 所示。3 种典型缺陷的识别结果均达到了90%以上的高准确率,半导电杂质缺陷达到了95.0%,气隙缺陷和主绝缘划伤缺陷略低,分别为92.5%和91.0%。主要原因是二者的缺陷特征和放电性质上存在相似之处,即在气隙处或划伤缝隙内均会有空气电离放电情况,在某一个或某些时间节点下获取的PRPD谱图特征较为相似,从而引起误诊断。因此结合实际情况,增加足够的样本容量便可以解决该问题。

表2 AdaBoost 算法识别结果Tab.2 Recognition results of AdaBoost algorithm

本文选择了BP 神经网络、SVM 算法、CNN 和SAE深度学习算法的识别结果加以对比,结果如表3 所示。以上算法均有较高的识别准确率,但均低于AdaBoost 算法;对比识别时间可知,AdaBoost 算法的耗时最短,而CNN和SAE深度学习算法的耗时约为AdaBoost 的2.5~3.0 倍。由此可见,本文的故障诊断方法更优。

表3 与其他算法对比Tab.3 Comparison with other algorithms

为了验证本文所提方法的正确性和通用性,本文还设计了金属微粒缺陷、潮气渗入缺陷和应力锥错位缺陷,进行相同实验、数据采集和样本分配,识别结果如表4 所示,识别结果均在90%以上。由此可见,本文的故障诊断方法具有高准确率和通用性的特点。

表4 验证实验识别结果Tab.4 Recognition results of verification experiment

另外,以上5 种算法在识别不同故障类型时识别结果的F1-score 值如图6 所示,5 种算法的F1-score 值均大于85%,而AdaBoost 算法的F1-score 值均大于90%且高于其他算法,因此其预测性能相对更稳定。

图6 5 种算法的F1-score 值Fig.6 F1-score values of five algorithms

4 结论

针对配网电缆局部放电故障诊断问题,本文提出了一种融合PRPD 谱图的矩特征、Tamura 纹理特征和HOG特征的提取方法,通过实验验证和多种分类器识别,得到以下结论。

(1)不同类型缺陷的PRPD 谱图体现了不同放电特征,为提出融合PRPD 谱图的矩特征、Tamura纹理特征和HOG特征的提取提供了依据。

(2)利用PRPD 谱图的矩特征、Tamura 纹理特征和HOG 特征相融合的特征量进行故障识别,在多种分类器下均得到识别准确率较高的结果。

(3)与BP、SVM 算法及CNN、SAE 深度学习算法相比,本文方法识别结果准确率最高、耗时最短,且具有良好的稳定性和通用性。

猜你喜欢

特征提取纹理分类器
基于朴素Bayes组合的简易集成分类器①
基于BM3D的复杂纹理区域图像去噪
基于特征选择的SVM选择性集成学习方法
空间目标的ISAR成像及轮廓特征提取
基于Gazebo仿真环境的ORB特征提取与比对的研究
基于特征提取的绘本阅读机器人设计方案
使用纹理叠加添加艺术画特效
基于Daubechies(dbN)的飞行器音频特征提取
基于差异性测度的遥感自适应分类器选择
TEXTURE ON TEXTURE质地上的纹理