基于紫外和红外光谱联合的低零值绝缘子状态监测技术研究

2023-09-05夏立伟张楚谦尹洪吴启进刘春堂

粘接 2023年8期

夏立伟张楚谦尹洪吴启进刘春堂

摘要：单纯以紫外光谱监督的传统方法无法检测绝缘子内部杂质的含量和变化趋势。为此提出基于紫外和红外光谱联合的低零值绝缘子状态监测技术，分别利用紫外光谱成像原理采集低零值绝缘子图像，辅助红外光谱检测绝缘子内部杂质的含量和变化趋势，并将二者采集到的光谱进行配准，获取绝缘子紫外和红外联合光谱，提取低零值绝缘子的过热特征、闪络特征以及破损特征，并将提取的特征向量作为样本输入至SVM分类器中實施分类处理，以此达到对低零值绝缘子状态实时监测的目的。结果表明，这种联合方法获取到的低零值绝缘子图像效果较好，并且能够对低零值绝缘子的状态作出准确判断。

关键词：光谱联合；状态监测；低零值绝缘子；图像去噪；破损特征；过热特征；闪络特征

中图分类号： TP391.4

文献标志码： A 文章编号： 1001-5922（2023）08-0180-05

Research on low zero insulator condition monitoring technology

based on combined ultraviolet and infrared spectroscopy

XIA Liwei，ZHANG Chuqian，YIN Hong，WU Qijin，LIU Chuntang

（State Grid Hubei Extra High Voltage Company，Wuhan 430060 China）

Abstract： The traditional method of simply using ultraviolet spectroscopy for monitoring cannot detect the content and trend of impurities inside insulators.Therefore，a low zero value insulator status monitoring technology based on the combination of ultraviolet and infrared spectroscopy is proposed.Using the principle of ultraviolet spectral imaging，images of low zero value insulators were collected to assist in infrared spectral detection of the content and trend of impurities inside the insulators.The spectra collected from the two were registered to obtain the combined ultraviolet and infrared spectra of insulators.The overheating，flashover，and damage features of low zero value insulators were extracted，and the extracted feature vectors were used as samples to input into the SVM classifier for classification processing，to achieve the goal of real-time monitoring of the status of low and zero value insulators.The experimental results showed that this joint method obtained good images of low zero value insulators and canld accurately judge the status of low zero value insulators.

Key words： spectral combination;condition monitoring;low zero value insulator;image denoising;damage characteristics;overheating characteristics;flashover characteristics

当前主要通过紫外光谱配合相关智能检测算法进行低零值绝缘子状态监测，其主要利用紫外光谱的特性来判断绝缘子受损程度和性质。因为紫外光谱分析则可以检测杂质的化学成分和产生的反应物。可以获得更全面的绝缘子状态信息。该技术的优点在于，它可以实现非接触式自动检测，无需拆卸绝缘子，减少人员的风险。此外，它还具有高精度和灵敏度，能够及时检测出绝缘子的问题，防止系统损坏带来的人员死亡、物质损失等事故。因此，该技术在电力系统中有着广泛的应用前景和推广价值。

李振华[1]等人通过构建卷积神经网络对输入信号实施预处理，实现信号的特征降维及提取，并对处理后的信号实施分类，以此达到绝缘子监测的目的。该方法具有较高的监测反馈效率，但在进行低零值绝缘子状态监测的过程中，没有提取低零值绝缘子的状态特征，容易发生误判。王博文[2]等人首先通过无人机实现绝缘子的自动检测，之后构建深度学习神经网络对获取的绝缘子状态实施分类，最后通过数据增强的方式防止图像拟合过度，完成对绝缘子的监测。该方法可以适应不同的监测环境，但利用该方法采集的绝缘子图像受噪声影响较大，无法正确辨别绝缘子的状态。张嘉伟[3]等人首先以复杂线路中的绝缘子为参考对象，设计绝缘子电流光纤传感器，之后利用该传感器光纤传感、抗电磁干扰以及智能特性实现绝缘子的监测。该方法具有较高的灵敏度，但其无法对远景内的绝缘子图像实施精确采集。

但是传统方法无法检测绝缘体内部存在的杂质以及其分布情况，如水分、氧化、硫化物等情况，为了解决上述问题，提出基于紫外和红外光谱联合的低零值绝缘子状态监测技术研究。

1 低零值绝缘子状态监测技术

1.1 低零值绝缘子紫外和红外联合光谱成像

1.1.1 低零值绝缘子紫外光谱图像采集

低零值绝缘子紫外光谱图像采集是一种将紫外光谱技术应用于低零值绝缘子检测的方法。该技术通过采集绝缘子表面紫外光谱图像，可以实现对绝缘子材料进行快速、准确的检测。具体的采集过程是，将紫外光源对准绝缘子表面，通过高分辨率光学成像系统对绝缘子表面进行扫描，采集不同波长下的反射光谱数据。然后，根据采集的数据进行处理和分析，可以得出绝缘子的材料成分和结构信息，判断绝缘子的质量和耐久性，并及时修复或更换存在问题的绝缘子。经研究发现，低零值绝缘子在工作过程中会根据经过电流的变化而出现不同光谱发光的现象[4]；而光谱中所含光主要集中在紫外波段，因此可以直接通过紫外线扫射的方法对低零值绝缘子的工作状态实施监测。

开始检测，在仪器上启动检测程序，并按照指示进行操作。仪器将自动采集绝缘子表面的紫外光谱图像，并进行数据分析，输出相应的结果。

结果解读，根据检测结果，可以判断绝缘子的表面是否存在不正常的放电现象，以及其损伤程度和位置等信息。将结果与其他测试数据相结合，可以全面评估绝缘子的状态，并制定相应的维修和更换策略。需要注意的是，紫外光谱检测通常只能检测到绝缘子表面的问题，而对于内部问题需要用其他检测手段来检测。因此，在进行绝缘子状态检测时，需要综合运用多种测试方法，以获得准确、全面的检测结果。

1.1.2 低零值绝缘子红外光谱图像采集

低零值绝缘子红外光谱图像采集是一种将红外光谱技术应用于低零值绝缘子检测的方法。该技术可以通过采集绝缘子表面的红外光谱图像，快速、准确地评估绝缘子材料的质量和耐久性。具体的采集过程是，将红外光源对准绝缘子表面，通过高分辨率红外成像系统对绝缘子表面进行扫描，采集不同波长下的反射光谱灰体物质数据。然后，根据采集的灰体物质进行处理和分析，可以得出绝缘子的结构和化学成分信息，判断绝缘子的健康状态和是否需要维修或更换。

经研究表明，低零值绝缘子的红外辐射能量与波长无关且发射率小于1[5]，其也被称之为灰体物质。对于灰体物质而言，其单位面积上的温度U与辐射总功率（N）满足斯蒂芬-波尔兹曼定律，其具体表现为：

N= γζU4 （1）

式中： U 代表绝缘子的热力学温度； γ 与 ζ 分别代表绝缘子的表面发射率以及斯蒂芬-波尔兹曼常数。

假定将待检测低零值绝缘子单位面积内的单位波长在波长 μ 附近的辐射功率记作 N μ ，且 μ 与 U 满足普朗克辐射定律，由此可以得到：

N μ= D 1μ－5γN exp D 2/μU －1

（2）

式中： D 1 与 D 2 分别代表第一和第二辐射常数。

综上所述，红外与紫外光谱成像均存在一定的弊端，因此需要将二者采集到的低零值绝缘子图像实施融合配准处理，以实现紫外和红外光谱联合成像的目的。

1.1.3 低零值绝缘子图像的融合配准

为了精准的反映待监测低零值绝缘子的真实情况，需要利用区域相关法对两种图像实施融合配准融合。

通过区域相关法可知，模板图像 J （位于图像 W 的局部图像）在参考图像 W y，z 处的互相关测度（CC）通常可以表现为[6]：

CC v，w = ∑ y∑ zJ y，z W y－v，z－w ∑ y∑ zW2N μ y－v，z－w （3）

通过对低零值绝缘子的红外+紫外图像 J 的一系列变换，可以将其与 W 中的相应位置重合，并且当CC达到最大值时，低零值绝缘子图像配准融合完成，将红外图像与紫外图像准确显示在同一图像中。至此完成对绝缘子紫外和紅外联合光谱图像的采集，为后续低零值绝缘子状态监测提供夯实的基础。

1.2 低零值绝缘子光谱图像去噪

在开展自适应子带阈值去噪方法时，先需要通过Visu shrinkage方式选取阈值，但由于在实施去噪处理时会过滤很多有用信息，因此可以通过Sure shrinkage方法结合Bayes shrinkage的方式实施改善，由此可得到改进后阈值 μ 的函数表达式：

μ= CC v，w ζ o2 ζ t

（4）

式中： ζ t 表示信号标准差。

在实施低零值绝缘子红外紫外联合图像去噪过程中，大尺度内为低频信息，噪声较少，方差较小，而小尺度则相反。因此，可利用噪声在不同尺度的分布情况构建噪声方差函数，以获取不同尺度所对应的噪声方差 ζ ^ o2 m ，并利用最大似然估计的方式计算 m 层 l 方向子带内的信号方差，其函数表达式为：

ζ ^ m，l2= max 0， 1 NO ∑ N j=1 ∑ O k=1 μζ ^ o2 m +ξ j，k2 m，l （5）

式中： N 代表图像长度， O 表示图像宽度， ξ j，k 表示原始图像经过Contourlet分解后所呈现的第一层内含有的高频系数。根据上述计算结果，获取各个系数的自适应阈值，其表达式：

μ m，l= ζ ^ o2 m ζ ^ m，l （6）

通过Contourlet分解的方式使得待监测图像中的幅值增大，但噪声在该图像中能量分布较为分散，并且幅值较小；由此可通过减小边缘区域的阈值对其中的系数加以保留。经研究发现，利用硬阈值函数对给定图像实施去噪处理，虽然可较好的对图像的边缘特征实施保留，但其在阈值处存在缺乏连续性的问题，这也使得此方法获得的重构图像中的边缘会产生一定的视觉失真效果；软阈值较于硬阈值来说，其获取的最终图像处理效果平滑，视觉效果也更好。因此，对于噪声区域则可通过软阈值的方式去除低零值绝缘子图像中存在的噪声。由此可以得到：

ξ - j，k = 1 N ∑ n，o ∈T ξ n，o μ m，l （7）

式中： T 代表图片分解后系数 ξ n，o 的邻域; N 代表 T 内系数总数[7-9]。

综上所述，对低零值绝缘子图像实施去噪处理的具体步骤为：

（1）对给定原始图像展开Contourlet变换；

（2）利用Contourlet变换中的高频系数分别计算自带的噪声方差和信号方差，以此获取各个系数的自适应阈值；

（3）通过软阈值函数对各个子带内含有的高频系数展开处理；

（4）通过软阈值函数对步骤3）中处理后的系数实施逆变换[10]，并对图像实施重构，以此获取去噪后的最终图像。

1.3 绝缘子固定光谱图像特征提取方法设计

本文根据预处理后的低零值绝缘子红外紫外联合图像，通过显著区域检测的方式对图像中的低零值绝缘子特征实施提取，以达到低零值绝缘子状态监测的目的。

1.3.1 过热故障特征

首先计算超像素块的协方差[11]，利用协方差对图像展开低零度绝缘子过热特征提取。通过SLIC算法对图像的超像素展开分割处理，以此实现突出图像中低零值绝缘子过热特征的目的，经研究表明，当像素块颜色越深，表明此处的绝缘子出现过热特征的可能性越大，其特征越明显，且待检测绝缘子图像的分割效果与 k 值有关。

之后处理给定红外紫外联合光谱的 u 帧图像，假定用编号为 b 的温度超像素 B ub 表示四元组 a ub，o ub，ν ub，D ub ，其中 a ub 与 o ub 分别代表 B ub 的中心温度和超像素数量， ν ub 表示 B ub 中所有温度超像素特征向量的平均值，而 D ub 则代表 B ub 的低零度绝缘子整体温度的协方差矩阵，其具体函数表达式：

D ub= 1 o ubξ - j，k ∑ o ub j=1 Y j－ν ub －ν ub+Y j U

（8）

式中： Y j= I j，T j，W j，y j，z j U 代表各像素点所具备的温度特征; I j 代表红外图像显示的温度色调， T j 代表绝缘子整体颜色饱和度; W j 代表绝缘子反射亮度; y j 与 z j 代表温度信息。

为了对各个低零值绝缘子温度超像素之间加以区分，以超像素 B uj 与 B uk 为例，其区分度的函数为 T dis B uj，B uk ，则获取待监测图像中绝缘子的过热特征 T B uj 的数学函数：

T B uj =∑ n k=1 T dis B uj，B uk D ub

（9）

式中： n 表示以温度为条件所划分出的区域数量， B uj 代表非 B uj 的超像素。

1.3.2 破损光谱图像特征提取

为了实现对低零值绝缘子实施精细化监测，可以利用区域模块化计算在已获取的图像中提取绝缘子的破损特征，并对此类区域实现背景抑制处理，以达到精准获取绝缘子破损特征的目的[12]。

首先对给定图像中绝缘子所含破损区域实施梯度平滑处理，以实现对低零值绝缘子破损特征的提取，梯度平滑处理函数：

U= arc min ∑ q T q－J q 2+ E z q φ+M z q + E y q φ+M y q μ （10）

式中： T 与 J 分别代表绝缘子的破损区域和采集图像； q 表示破损区域内的超像素； μ 表示处理绝缘子破损区域所需的平滑系数，且其值与最终的平滑效果成正比； φ 表示接近0的正数； E y q 与 E z q 表示低零值绝缘子破损位置与 q 在 S q 处所表现出的绝对空间差，其表达式为：

E y q =∑ r∈S q h q，h yT r E z q =∑ r∈S q h q，h zT r （11）

式中： S q 代表以中心位置 q 为中心的绝缘子破损区域； h q，h 代表破损绝缘子的加权函数，由此获取的该绝缘子的破损特征具体表现为：

h q，h= exp y q－y r 2+ z q－z r 2 2ε2U · －1

（12）

1.3.3 絕缘子闪络特征

低零值绝缘子红外紫外联合图像反映出的信息可以通过其中各区域像素所对应熵的集代表，其所含有关绝缘子闪络特征的信息越丰富，代表其闪络特征越显著。此处利用式（13）计算低零值绝缘子图像各区域熵值 SL 与平均值熵值 S - L - ，提取低零值绝缘子的闪络特征，若低零值绝缘子图像中绝缘子所含熵大于 S - L - ，则代表该图像中绝缘子处于闪络状态，反之则代表该绝缘子处于正常状态，表达式为：

SL=∑ y，z∈ Ω area R y，z 1－χ +χ S - L - = SL Ω

（13）

式中： R y，z 代表绝缘子的闪络能量； Ω 代表低零值绝缘子图像区域， χ 代表非闪络区域所含能量以及复杂度中熵，通常情况下 χ=0.3 。

1.4 基于SVM分类器的状态监测

将上述提取的低零值绝缘子特征向量作为样本输入至SVM分类器中实施分类处理，以此完成对低零值绝缘子的状态监测。

首先利用SVM支持向量机原理构建分类目标函数，选取分离超平面作为线性函数实现特征向量的训练，其最优分类的优化函数表达式如下：

R b =∑ o j=1 b j－ 1 2 ∑ o j，k=1 b jz j （14）

式中： o 代表样本个数； z j 表示类别编号； b j=1，2，…，o ，其代表Lagrange系数。根据上述最优分类的优化函数，建立最优SVM分类器，将低零值绝缘子特征向量作为样本输入至SVM分类器中，输出的结果即为最终低零值绝缘子特征分类结果，并通过分类结果，判断低零值绝缘子状态，以此完成低零值绝缘子状态监测，其表达式为：

E y = sgn T B uj +h q，h+S - L - R b （15）

经研究发现，低零值绝缘子状态共分为0～3级，共4类，若得到的输出结果为0级，则代表待检测绝缘子处于理想工作状态，1～3级则分别代表绝缘子处于过热状态、破损状态以及闪络状态。

综上所述，通过将绝缘子的特征向量输入至SVM向量机中，得到的绝缘子输出结果便是其状态反馈结果，以此实现低零值绝缘子状态监测的目的。

2 实验与分析

为验证基于紫外和红外光谱联合的低零值绝缘子状态监测技术研究的整体有效性，选取某低零值绝缘子作为实验对象，并对其展开实验测试。低零值绝缘子的参数设置如表1所示。

2.1 不同方法的图像融合效果

在实施低零值绝缘子状态监测过程中，首先需要对绝缘子的图像实施采集，因此可以对不同方法的图像采集效果展开对比实验。在天气情况相同且对在绝缘子施加的直流电压为5 000 V的实验条件下，分别利用所提方法、文献[1]、文献[2]和文献[3]方法，在近景及远景下量程范围0～1 999 MΩ的同一低零值绝缘子展开图像采集，并将得到的采集结果实施对比，结果如图1所示。[KH*2D]

由图1可以看出，利用文献[2]和文献[3]方法融合后的低零值绝缘子近景和远景图像受噪声影响较大，且成像均较为模糊，无法正确辨别低零值绝缘子的状态；利用文献[1]方法采集的低零值绝缘子近景和远景图像虽优于文献[2]和文献[3]方法，但仍旧存在一定的噪声干扰，其整体成像效果远不及所提方法；而所提方法因在图像采集过程中对其中噪声展开去除操作，使其最终获取的近景和远景的低零值绝缘子图像与理想图像状态一致，因此所提方法不仅获取图像融合效果好，而且能适应不同距离的低零值绝缘子图像采集。

2.2 不同方法的监测结果

在实验环境相同的情况下，设定4个编号分别为1、2、3、4的低零值绝缘子，各绝缘子所处状态分别为0～3级，即正常工作状态、过热状态、破损状态以及闪络状态，分别利用所提方法、文献[1]、文献[2]和文献[3]方法对4个低零值绝缘子展开监测，并将监测结果与实际状态进行对比，结果如下：

由图2可以看出，利用文献[1]、文献[2]和文献[3]方法分别对各个状态的低零值绝缘子实施监测，得到的监测结果与绝缘子实际状态有较大的差异，其误监测程度较高；利用所提方法获取的低零值绝缘子监测反馈结果因提前提取了低零值绝缘子各个状态的特征，因此可以对低零值绝缘子状态作出准确判断。

3 结语

提出基于紫外和红外光谱联合的低零值绝缘子状态监测技术。该方法首先构建红外紫外联合图像，再利用自适应阈值的方式对获取图像实施去噪处理，然后对绝缘子特征实施提取，最后根据绝缘子的状态特征实现低零值绝缘子的状态监测。所提方法很好的解决了目前方法存在的问题，为低零值绝缘子的广泛应用提供保障。

【参考文献】

[1] 李振华，李浩，黄景光，等.基于声信号和一维卷积神经网络的绝缘子污秽度监测方法研究[J].湖南电力，2022，42（4）：18-22.

[2] 王博文，刘兴东.基于YOLOv2无人机高压绝缘子实时检测研究[J].电气开关，2021，59（5）：80-82.

[3] 张嘉伟，叶子帆，王倩，等.基于F-P光纤泄漏电流传感器的绝缘子状态监测[J].高电压技术，2022，48（8）：2915-2923.

[4] 张美金，屈秋帛.基于GWO-SVM的红外热成像低零值绝缘子识别[J].红外技术，2021，43（4）：397-402.

[5] 赵志彬，杨正伟，李胤，等.低速冲击下碳/玻混杂复合材料红外辐射特征[J].北京航空航天大学学报，2023，49（1）：177-186.

[6] 梁嘉怡，薛盼.一些二进制数列的族复杂度和互相关测度[J].兰州理工大学学报，2022，48（4）：157-162.