基于改进SSD算法和紫外成像的悬式绝缘子放电严重程度评估

2023-10-16王胜辉董兴浩王玺铭金潮伟孙凯旋律方成

华北电力大学学报(自然科学版) 2023年5期

王胜辉，董兴浩，王玺铭，金潮伟，孙凯旋，律方成

(1.河北省输变电设备安全防御重点实验室(华北电力大学)，河北保定 071003；2.国网扬州仪征供电公司，江苏 225000)

0 引言

悬式绝缘子是输电线路中的重要元器件,其在长期的电、热、机械因力和环境因素作用下,会出现性能劣化甚至产生缺陷。在一定条件下可形成表面放电并伴随有紫外光信号辐射[1],其放电严重程度直接与设备的绝缘性能相关,日盲型紫外成像法具有探测距离远、非接触、放电位置定位准确等优点,能够较好的评估绝缘子的运行状态[2,3],在电气设备的放电检测中得到了较广泛的应用[4-6]。

随着人工智能的发展,深度学习算法逐步应用于绝缘子运行状态的智能评估。文献[7]采用基于协同深度学习的二阶段绝缘子故障检测方法,在绝缘子故障检测中平均准确率较高,但仅能检测图像中绝缘子的可见故障与缺陷;文献[8]基于深度学习单阶图像识别框架的绝缘子在线识别模型可快速有效地完成绝缘子识别定位;文献[9]构建了基于深度学习的目标控制模型,对拍摄图像进行分析和识别,整体识别准确率较高但小目标会出现检测精度低的问题;文献[10]采用有锚框网络YOLOV3进行绝缘子检测和缺陷识别,精度较高。紫外成像法可直观输出放电的图像或视频,文献[11]搭建了基于紫外成像的绝缘子污秽放电诊断软件和硬件平台,采用损失函数改进的YOLO算法进行了放电严重程度评估。将紫外成像仪搭载在无人机人上可提高现场检测效率[12],降低工人劳动强度,但传统巡检需通过4G或5G网络传输数据到后台诊断中心,或者在巡检完毕后将数据导入到诊断中心进行评估和识别,实时性较差。现场检测时,若将边缘计算平台部署于无人机上则可以快速完成绝缘子放电严重程度评估,减少前后端冗余数据传输[13]。文献[14]提出了利用FPN构建Faster R-CNN检测模型的MGFF-KCD来处理多个粒度的特征信息,提高了算法的准确率;文献[15]提出了一种融合多维度特征的绝缘子状态边缘识别方法,提升了绝缘子的识别准确率。文献[16]和文献[17]所设计的模型性能较好,但是模型大,将其部署于嵌入式边缘计算设备会增加功耗,降低识别速度,因此将边缘计算部署于无人机上需要考虑功耗和模型小型化问题。

SSD(Single Shot Multibox Detector)深度学习算法兼具较快的目标检测速度和检测精度,但该模型较大。为将其部署于边缘计算设备,本文提出了一种改进的SSD卷积神经网络结构,以多个低维度Core卷积核组替代了原有的高维度特征提取骨干网络,并使用辅助特征子网络进行目标预测。搭建了瓷悬式绝缘子试验平台,获取了不同放电阶段的泄漏电流和放电紫外图像及视频。设计了自主学习率更新机制,提升了模型的训练性能,将训练好的模型下载至Jetson nano边缘计算平台,实现放电严重程度的智能评估,可为后续将该边缘模块部署于无人机平台奠定基础。

1 试验原理及研究方法

1.1 试验原理

为模拟绝缘子表面不同严重程度的放电,采用人工染污在人工雾室中进行相关试验,试验接线如图1所示。试验变压器的型号为TDTW-1 200/300,人工雾室的尺寸为1.5×1.5×2.7 m,超声波冷雾加湿器型号为SJC-3000,冷雾经由雾室顶部设置的多个通风口均匀出气,实测其最大相对湿度可达95%～97%。在人工雾室的侧面加装了一片透紫外玻璃,尺寸为1.2×0.6 m,该玻璃在240 nm～280 nm波段紫外光的透光率可达95%。

图1 试验原理图

试品为XWP2-70型瓷悬式绝缘子,本文主要测量7片绝缘子的紫外放电现象,通过CoroCAM504紫外成像仪拍摄放电图形并传至视频采集卡进行存储,同时利用G15数码相机拍摄可见光图像和视频。泄漏电流采用10Ω的无感精密电阻进行取样,通过HS5数据采集卡进行数据采集。

1.2 试验方案

试验使用的绝缘子型号为XWP2-70,其结构高度为146 mm,公称盘径为255 mm,爬电距离为400 mm,表面积为2 023 cm2,采用人工涂污方法模拟绝缘子积污。涂污前,用纯净水对绝缘子的表面进行清洗,晾晒约12 h后,使用相应量氯化钠和高岭土配置好污液后对绝缘子的表面进行涂覆,控制等值盐附密度为0.4 mg/cm2,灰密为2 mg/cm2。

试验采用恒压加湿法进行试验,对7片绝缘子串施加电压为70 kV,打开超声波加湿器对人工雾室进行增湿。紫外成像仪的增益设定为60%,观测距离为14米,试验中利用数据采集系统和紫外成像仪采集相应的泄漏电流和放电紫外视频信号。

1.3 相对光斑面积

随着观测距离的增加,放电光斑面积会近似按照平方反比规律而下降,直接采用光斑大小来衡量放电难以得到统一的判据。在此本文提出了相对光斑面积参数Sre,具体如式(1)所示。

(1)

式中:Sins为拍摄的图像中绝缘子的外部轮廓所对应的长方形区域面积,也即该区域所包含的像素点,单位为像素(pixel),如图2所示。S代表放电的光斑面积,其计算方法如式(2)。

图2 绝缘子面积Sins示意图

(2)

式中:M和N代表二维像素矩阵行与列的数值,H(x,y)为采用文献[3]方法对图像进行阈值分割、形态学滤波、小区域面积算法处理后的二值图像,可有效提取放电的光斑区域。光斑面积是放电光斑区域像素点的个数,本文定义其单位为像素(pixel)。

1.4 放电严重程度划分

基于上述试验可获得不同湿度下放电的典型紫外图像如图3所示。

图3 不同湿度下紫外通道放电图像

结合放电时观测到表面的电晕、火花和电弧放电的形态,根据不同湿度下放电的相对光斑面积,对瓷悬式绝缘子的运行状态进行分析,本文将其运行状态分为以下四种:

(a)当相对湿度达到约70%左右,绝缘子铁帽周围开始出现微弱的电晕放电,紫外图像上出现分散的光斑点,分析可知此时0≤Sre<0.50,将该状态标记为“slight”,其泄漏电流波形如图4所示,此时,其泄漏电流幅值一般为几毫安左右。

图4 “slight”状态下的泄漏电流波形

(b)随着湿度继续增加,可出现蓝紫色的刷状小火花放电且伴随有明显的“呲呲声”,光斑区域呈现不规则状态,时大时小。分析可知此时0.50≤Sre<1.0时,将该状态标记为“moderate”。其泄漏电流波形如图5所示,此时,其泄漏电流在每个工频周期内的幅值可达几十毫安。

图5 “moderate”状态下的泄漏电流波形

(c)当相对湿度达到约90%左右时,在铁帽周围的干区开始出现了橘黄色的小电弧放电,长度不超过2 cm,在紫外图像中可以看到较大的光斑,放电紫外图像区域可完全遮盖绝缘子本体,分析可知此时1.0≤Sre<2.0时,本文将该状态标记为“heavy”。该状态下的泄漏电流波形如图6所示,其泄漏电流幅值可达100 mA以上。

图6 “heavy”状态下的泄漏电流波形

(d)随着湿度进一步增加,绝缘子本体上下表面会偶尔出现明亮的电弧,最大电弧可接近瓷件边缘,此时伴随着紫外图像明显增加,将该状态标记为“worse”,分析可知此时Sre≥2.0,该状态下的泄漏电流波形如图7所示,其泄漏电流幅值可接近200 mA。

图7 “worse”状态下的泄漏电流波形

2 瓷绝缘子放电严重程度状态评估

2.1 边缘平台搭建

由上述试验可知,紫外图像可有效反映绝缘子表面的放电,可采用图像和视频分析的方法进行识别和评估。在此本文搭建了基于NVIDIA Jetson nano边缘计算识别平台,该计算平台配备了Ubuntu18.04操作系统,参数如表1所示。

表1 平台参数

2.2 紫外放电数据库的建立及数据标注

本文通过试验共获取紫外通道放电图像8 000张,“slight”、“moderate”、“heavy”、“worse”四个状态下的放电图像各占四分之一,部分照片如图8所示。

图8 放电严重程度样本数据库中典型紫外图像

完成数据库的搭建后,采用labelImg图像标注软件对样本数据库内的紫外放电图像进行标注,并将整个样本数据集按照3∶1的比例划分为训练集和测试集,即将6 000张图片用于网络的训练,2 000张图片用于模型性能的评估。本文模型训练的初参数如表2所示。

表2 模型参数初始值

2.3 SSD模型的改进

将放电严重程度样本数据输入神经网络模型进行训练,为降低模型大小,本文提出的改进检测网络模型如图9所示。其由两部分组成:高度优化的Core卷积核子网络和基于SSD的辅助特征提取子网络。经Core卷积核初步提取后生成多个特征图,经过选取特定特征图传入辅助特征提取子网络用于预测,在保证目标检测精度的同时最小化模型。

图9 改进的检测网络模型

2.3.1 Core卷积组子网络

传统目标检测算法大都将VGG16等模型用于底层特征提取,此类模型多采用3×3卷积核作为特征图的滤波器,具有两方面弊端:一方面卷积的深度不足;另一方面若卷积核的数量过多,导致输出特征图的通道数过多,产生大量的参数,对硬件的算力和内存要求高。本文设计了更小的Core卷积组,并利用该网络结构体系实现更为高效的特征提取,Core卷积组的设计原则如下:尽可能的减少3×3卷积核的数量,减少3×3卷积核输入特征图的通道数。

本文所设计的Core卷积组共由10个Core卷积核组成,分别为Core1～Core10。每个Core卷积核包含两个卷积层:压缩卷积层S和扩张卷积层E。压缩卷积层中均为1×1卷积核,扩张卷积层为1×1卷积和3×3卷积的混合,具体如图10所示。每个Core体系卷积层中1×1卷积核和3×3卷积核的数量将影响目标检测的精度和模型大小。受文献[18]的启发并经过多次试验,在保证模型精度的前提下,尽可能减少了S层和E层中卷积核的数量,并在多次Core卷积后增加Pool下采样层以降低特征图的通道数,Core卷积组子网络的具体架构如表3所示。表中s1x1、e1x1、e3x3分别代表S层中1×1卷积核的数量、E层中1×1卷积核的数量和E层中3×3卷积核的数量。

表3 Core卷积组架构

图10 单个Core卷积示意图

Core卷积组均由低维度卷积核组成,极大的压缩了神经网络计算参数量。假设卷积核的输入通道数为M,输出通道数为N,使用标准卷积对其进行特征提取所产生的参数量为

K×K×M×N=K2MN

(3)

若使用本文的优化卷积,参数量为

M×s1×1+M×e1×1+9×M×e3×3=

(4)

由式(3)、式(4)对比可知,本文设计的优化卷积的计算参数量比传统卷积降低了一个数量级,并且输出通道数N越大,模型缩减效果越好。

2.3.2 辅助特征提取子网络

SSD算法是近年来应用较为广泛的目标检测网络[19],其通过一组维度逐渐缩小的非均匀卷积特征层对场景中不同尺寸的物体进行检测,然后利用这些卷积特征层来获取待检测目标的位置及类别。此方法可同时对多对象进行检测。本文在Core卷积核子网络中选取Core4、Core8、Core9、Core10、Conv11-2、Conv12-2卷积层组成辅助特征提取子网络,总体架构和每层参数如表4所示,在完成相应卷积层特征初步提取后,再使用一组卷积来预测该特征层上每个预测框的位置(loc)以及预测框内目标对应的种类(conf)。

表4 特征提取网络架构

3 训练模型策略优化

卷积神经网络的训练对硬件以及运算速度要求较高,故采用NVIDIA深度学习服务器对该模型进行训练,服务器搭载英特尔Xeon Silver 4200系列中央处理器以及英伟达P6000系列显卡,可完成复杂的神经网络训练过程。

3.1 自主更新学习率机制

学习率是深度学习中重要的超参数之一,手动调整学习率需要经过不断的尝试以获得最佳模型,每次训练的权重均拥有独立的损失曲线,易出现模型难以收敛或收敛效果不佳等情况,本文采取动态调整学习率的方案,迭代次数越多,所提取的特征图越细致,学习率越低,特征提取越全面,因此根据迭代次数设置优化器 α来执行学习率的更新,具体如图11所示。

图11 自主更新学习率机制

设定初始学习率lr为0.000 1,并按照该学习率对模型进行训练。step为训练的迭代次数,初始值为0,当迭代次数为 4 000、8 000、12 000时,将学习率载入优化器 α对其进行下降,优化器中 gamma为学习率衰减因子,此处取值为0.8,将该值进行step次方运算并与上一结点学习率相乘得到后4 000次迭代运算所需学习率。当迭代次数并非上述三个值时,按照初始学习率或更新后的学习率进行训练,即迭代次数小于4 000时,学习率等于初始学习率;迭代次数大于 4 000小于8 000时,学习率等于迭代次数为4 000时所更新的学习率;迭代次数大于8 000小于12 000时,学习率等于迭代次数为 8 000时所更新的学习率;迭代次数大于12 000小于20 000时,学习率等于迭代次数为12 000时所更新的学习率。

图12对比了本文设计的学习率自主更新机制与手动设定学习率为1e-4,1e-5,1e-6时的训练效果。由图12可看出,四条曲线均为波动下降最终收敛至一个值且刚迭代时收敛速度较快,随着迭代次数的增加,由于样本数据集深层特征的复杂性,其收敛速度趋于平缓。从学习率为1e-4、1e-5、1e-6三条曲线可看出,学习率的大小与收敛效果并非为正相关,即学习率过大或过小都不利于损失函数的收敛。学习率为1e-6时,在迭代至5 000次时已陷入局部最优解;学习率为1e-4时,且收敛速度和收敛效果略优,最终损失函数收敛值为1.2左右;1e-5学习率作为上述两学习率的中间值,收敛速度以及收敛效果远优于上述两种学习率。而本文设计的自主更新学习率机制训练效果显而易见,前10 000次收敛速度快且收敛至0.7附近,后续迭代计算速度较为平缓,整体趋势与学习率为1e-5时相近,但是整个曲线的波动值(曲线的波动由训练时陷入局部最优解引起)较小,不如学习率为1e-5时的波动幅度大,最终损失值收敛至0.3附近,整个训练过程收敛速度快,曲线较为平滑且收敛值较优。总体上,训练效果与传统固定学习率学习率相比较显著。

图12 不同学习率损失函数曲线

3.2 紫外放电图像视频流检测

本文将服务器端训练完的模型下行至边缘端,实现放电图像的实时视频流识别。视频的本质为多帧图片的融合,视频流检测即按照时间序列对帧图片进行检测。本文采用OpenCV中的VideoCapture类读取视觉传感器所获取的绝缘子视频图像信息,并在嵌入式边缘计算平台上调用PyQT5的计时器应用程序接口,每隔一段时间对其进行抽帧。

经测试,在未载入算法前嵌入式平台通过视觉传感器捕获的紫外通道下的瓷绝缘子放电图像,图像帧率为28.2 FPS,分辨率为1 280×720,调用OpenCV的VideoCapture类对视频流信息进行提取,利用计时器每间隔1 ms从视频流中读取一帧图像并将其输入预训练完成的改进SSD检测模型进行预测并输出检测结果,最后通过VideoCapture将每一帧识别结果进行融合,生成带有检测结果的视频图像。

瓷悬式绝缘子放电的每一帧视频图像的识别通过初步提取检测模型中待检测图像6个特征图的参数,再进行深度的特征提取,具体如图13所示。经过两次卷积不断调整预测框相对于先验框的位置以及每个预测框所对应的预测类别,6个特征图生成6个检测结果,最后通过非极大值抑制在6个检测结果中找出最大置信度所对应的边界框的位置和类别,即为输入图像的最终预测值。将预测值通OpenCV的VideoWriter类写入新视频图像。间隔1 ms后重复上述流程提取视频流下一帧图像,将带有检测结果的图像按堆叠即完成对瓷悬式绝缘子紫外放电图像的识别。

图13 视频图像检测过程

4 模型性能测试及分析

在本文搭建的边缘计算平台下,将验证图片分别载入本文模型、原SSD模型和文献[20]模型,借助文献[21]提出的参数计算模型进行运算参数分析,其计算方法如式(5)所示。

(5)

式中:ci为每个卷积层的参数量,N为模型训练产生的总参数量,αi为主内存对图形处理器缓存的访问次数。训练1 000次并分析训练过程中所产生中间参数量的关系,具体如图14所示。

图14 模型参数量对比

原SSD模型训练产生的参数量约为91 MB,文献[20]采用MobileNet代替底层特征提取网络,对模型进行精简后产生的参数量约为25 MB;本文模型采用了多个低纬度卷积,所产生中间参数量仅为原SSD网络的1/20,极大缩减模型,模型预测准确率及大小如表5所示,模型文件仅为4.5 MB,相比于轻量化模型 MobileNet+SSD,本文进一步精简了网络结构,实现了模型的微型化。

表5 模型对比

5 检测结果

本文将实验中所拍摄放电视频载入测试识别准确率为83.53%的模型观测识别效果,具体如图15所示。

由图中可以看出,对于大部分放电均可实现准确的识别。0≤Sre<0.50时,偶尔出现漏识别的情况;0.50≤Sre<1.0和1.0≤Sre<2.0时,易出现重复交替识别,需结合现场的其他信息使得评估更准确;Sre≥2.0时,瓷悬式绝缘子处于闪络的边缘,有较为连贯的电弧,放电光斑的本体面积较大,本文算法可对其进行精准识别。

本文还将改进SSD模型识别的悬式绝缘子放电结果与YOLOv3模型识别结果进行了对比分析,如图16所示。

分析图16可知,两种模型均能对悬式绝缘子不同放电程度进行准确识别,统计分析表明虽然YOLOv3模型的识别准确率略高于改进SSD模型,但改进SSD模型大小远小于YOLOv3模型,更适合于部署于无人机巡检上的边缘计算平台,方便现场应用。