基于PCA-kmeans和图谱特征的绝缘子表面污秽程度评估方法

赵云龙,刘占双,李 岩,潘 超,贾明辉,任 明,夏昌杰

(1.国网青海省电力公司检修公司,西宁 810021;2.西安交通大学电气工程学院,西安 710049)

0 引言

绝缘子在高压输配电系统中承担着机械支撑和电气绝缘的重要作用,但是由于绝缘子长期暴露在大气环境中,其表面不可避免地会积累污秽[1-5],进而造成污秽闪络。相关数据表明,由于污秽缺陷在短时间内无法消除将导致污闪后自动重合闸失败,因此造成的经济损失远高于雷击闪络事故[6-11]。准确评价绝缘子的污秽程度及分布对于防止污闪事故的发生和维护电力系统的可靠运行具有重要意义。

为了满足对污秽程度检测的迫切需要,国际大电网组织推荐了5种绝缘子表面污秽状态表征方法[12-16],分别是等值盐密法,污秽层电导率法,泄漏电流法,泄漏电流脉冲技术法和污秽闪络电压梯度法。等值盐密法应用最为广泛且准确度最高,但是其难以实现在线监测和大面积普测,并且会丢失污秽的分布信息。污秽层电导率法可以表征污秽层的湿润状态但其同样难以实现在线监测,并且受环境温度和湿度的影响较大。对于泄漏电流法和泄漏电流脉冲技术法,现场运行条件下对小电流信号的准确监测是该方法面临的主要挑战。而污秽闪络电压梯度法则是离线条件下的破坏性试验,难以大面积开展。总的来看,传统污秽检测方法尽管具有较高的准确度,但是在在线应用方面均面临着挑战。

光学成像技术在非接触式检测方面的优势为绝缘子污秽状态在线检测提供了一种新的研究思路。以可见光波段下颜色特征[17]、红外波段下异常发热检测[18]和紫外波段下电晕放电检测方法[19]得到了众多学者的关注。然而,可见光图像在实际应用中诊断模型准确率较低,红外图像和紫外图像的检测结果不仅受到了绝缘子污秽状态的影响,还受到了其运行电压以及运行负载的影响。为了进一步提高污秽检测模型的可靠性,部分学者提出了以可见光波段、红外波段和紫外波段联合诊断的“多光谱检测方法”,该方法通过信息融合有效地提高了诊断模型的精度,但是其仍未能充分利用光谱信息维度蕴含的丰富信息[20-22]。

为了进一步发挥光谱信息维度在精细化检测中的优势,高光谱成像技术即高分辨率光谱成像技术应运而生,该技术是一种利用几百个极窄的电磁波周期来获取从可见光到近红外光的连续光谱和图像的探测方法。由于兼具了一维光谱信息和二维空间图像信息,因此可以准确地描绘被测物体的反射光谱并结合图像信息实现检测结果的可视化。高光谱成像技术具有优异的识别被测对象物质类型和结构的能力,该技术已广泛应用于传统的遥感遥测领域和各类无损检测领域[23-25]。本研究将基于高光谱成像技术建立绝缘子污秽程度检测评估方法。首先通过开展人工染污方法制备出3种类型绝缘子的污秽样品,并搭建高光谱成像平台完成污秽绝缘子高光谱图像数据采集;其次在高光谱图像中选择感兴区域提取出受污区域的反射率光谱曲线,通过光谱校正和预处理后获得绝缘子表面反射率曲线;最后利用PCA-kmeans算法对提取出的反射率光谱曲线开展降维和聚类分析,从而实现绝缘子表面污秽等级的评估和可视化展示,为后续高光谱成像技术的现场应用提供基础。

1 高光谱成像原理及污秽样品制备

1.1 高光谱成像原理

高光谱成像技术结合了光谱技术和成像技术的优势,通过在光谱维度进行细致分割(数以百计的波段数量)实现了光谱信息的获取,同时在每个窄波段光谱通道下采集图像信息,从而同步获取了一维光谱信息和二维空间信息,即具有高光谱分辨率的连续的窄波段图像集,也被称为高光谱三维数据立方[23],高光谱三维数据立方体可以在增强空间图像表达的同时提供更高的光谱分辨率,见图1。

图1 高光谱三维数据立方Fig.1 Hyperspectral 3D data cube

1.2 高光谱成像系统

高光谱成像系统见图2,主要由以下5个部分组成:1)推扫型高光谱成像仪Gaifield-pro-V10,该成像仪可实现自动曝光、对焦匹配等功能,其光谱分辨率为2.8 nm,光谱范围为400 nm ～1 000 nm,共176个光谱波段。2)2个功率为100 W的卤素灯,其具有输出光谱波段宽、光谱平滑等特点。3)光学暗室,为了有充足的内部空间放置绝缘子样品,搭建的光学暗室尺寸为1.5 m×1.5 m×1.5 m,用以屏蔽外界光源干扰。4)安装有高光谱成像仪控制软件及数据分析软件的计算机。5)工作台,用以放置待测样品并且可以根据需要启动机械活动平台。

图2 高光谱成像系统Fig.2 Hyperspectral imaging system

1.3 人工污秽试验与样本制备

分别选择XWP2-70型瓷绝缘子、LXP-70型玻璃绝缘子和FZSW1-12/4型复合绝缘子作为试验对象探究不同基底材料绝缘子染污后的高光谱数据,其中为了染污和测量过程的方便将FZSW1-12/4复合绝缘子硅橡胶伞裙裁下。绝缘子结构图见图3,基本参数见表1。

表1 绝缘子基本技术参数Table 1 Main dimensions and parameters of samples

图3 绝缘子结构图Fig.3 Insulator structure drawing

参照IEC 60507:2013标准进行了人工污染试验,用等值盐密(ESDD)和等值灰密(NSDD)表示绝缘子的污染程度。其中,NaCl被选为可溶性污染物,高岭土被选为不溶性污染物。染污步骤如下:

1)计算每个样本的表面污染面积。

2)根据设定的污秽等级及对应的ESDD、NSDD(见表2)和表面积计算每个样品所需的NaCl和高岭土的重量。

表2 试验设定的ESDD及NSDDTable 2 ESDD and NSDD set mg·cm-2

3)用天平称取NaCl和高岭土,加入适量的水充分溶解后,将污秽溶液均匀地涂抹在样品上。染污结果见图4。

图4 绝缘子染污样品Fig.4 The contaminated insulator samples

2 高光谱图像数据处理

2.1 黑白校正

依次将污秽绝缘子样品放置于工作台,调节合适的曝光时间和焦距,避免数据采集过程中出现过度曝光导致高光谱成像仪输出饱和。

为了克服各波段光源强度不均匀和暗电流的影响,对采集的高光谱图像进行黑白校准。校准时,首先将标准聚四氟乙烯反射率校正白板(反射率大于99%)放置在工作台,保持与样本采集时相同的曝光时间和焦距,采集标准白板的全白色反射校准图像;随后将镜头盖盖上,采集暗场环境下全黑色反射校准图像;根据式(1)完成黑白校正,得到校正后的高光谱反射率图像I。

(1)

式中,I0为原始高光谱图像,B为全黑色定标图像,W为全白色定标图像。

2.2 污秽区域选择及光谱提取

高光谱数据提取和分析采用遥感图像处理软件ENVI 5.3和MATLAB 2021b进行。首先通过人工选择感性区域(region of interest,ROI),从原始高光谱图像中选择出绝缘子样品区域提取反射光谱。在本研究中,在每个污秽样品图像中提取50个数据点求取平均光谱。图5展示了瓷绝缘子在0污秽状态下取得的50条反射率光谱曲线。

图5 0污秽状态瓷绝缘子反射率光谱曲线Fig.5 Reflectance spectral curve of 0 pollution grade porcelain insulator

2.3 平滑降噪

采用Savitzky-Golay滤波器实现平滑和噪声去除,该滤波器是一种基于时域局部多项式最小二乘拟合的滤波方式,通过不断平移窗口实现数据中的噪声去除,同时保证原始信号的形状和宽度不变[26]。设窗口宽度为2m+1,即每个窗口内的数据点依次为x=[-m,-m+1,…,0,1,…,m,m+1],采用k-1次多项式对数据进行拟合,则

y=a0+a1x+a2x2+…+ak-1xk-1

(2)

假设共有n个窗口则构成了共有n个方程的k次方程组,为使方程有解需满足n≥k。则通过最小二乘拟合确定拟合参数A:

Y(2m+1)×k=X(2m+1)×k·Ak×1+E(2m+1)×k

(3)

(4)

(5)

3 高光谱图像数据分析

3.1 不同污秽状态下绝缘子高光谱数据

为了分析不同基底材料的绝缘子在不同污秽等级下的反射率特征,分别在3类绝缘子高光谱数据中选取不同等级的污秽区域提取反射率光谱数据并求取平均值,提取结果见图6。

图6 污秽绝缘子反射率光谱曲线Fig.6 Reflectance spectral curve of polluted insulators

由图6(a)可知,对于玻璃绝缘子来说,随着污秽等级的升高,全波段反射率值与污秽等级表现出了正相关性,并且在III级和IV级污秽时上升趋势相较于低污秽等级时较缓慢。从反射率曲线波形上看,I～IV级污秽状态下反射率曲线在675 nm附近出现了反射峰,在620 nm附近存在一个吸收峰。对于未染污区域(即0级污秽区域)来说,未出现明显的吸收和反射峰。

由图6(b)可知,对于瓷绝缘子来说,同样存在全波段下反射率值随污秽等级升高而明显升高的现象,并且在较高污秽等级时反射率值上升更为明显。在反射率波形上各个污秽等级下反射率曲线形状较为相似,在675 nm附近存在明显的反射峰。

由图6(c)可知,对于复合绝缘子来说,反射率值也保持了和污秽等级一致的变化趋势,但当污秽等级较高时反射率值较为接近。而对于反射率波形来说,低污秽状态和高污秽状态存在明显差异。

总的来看,绝缘子表面反射率随污秽程度的增加表现出了上升的趋势,其中玻璃绝缘子和瓷绝缘子的反射率波形在不同污染程度下比较相似,但在污染程度较低时不同材料的反射率曲线相似度较低。这是因为当污秽程度较低时,污秽层并没有完全覆盖绝缘子表面,因此反射率曲线反映的是污秽层和基底材料的共同特性。光在不同介电常数和磁导率介质中的相互作用将严格遵循麦克斯韦方程和电磁辐射定律,入射光与空气、污染层、基底材料等多层结构相互作用,经过反射、折射、吸收后被成像仪检测到,这个过程可用图7描述。

图7 污秽绝缘子表面光线传输过程Fig.7 Transmission process of light on insulator surface

3.2 基于PCA-kmeans的污秽状态识别

为了验证各污秽状态反射光谱数据的可分离性,采用主成分分析对低维数据进行可视化。PCA的主要思想是将n阶特征映射到k阶特征(n>>k)。新的k阶特征称为k主成分,是原始特征的线性组合。在此基础上,定义主成分得分为原始数据代入k个主成分的结果,前两个主成分得分可以构成一个二维特征空间实现二维可视化。进一步的,在特征空间上引入k-means空间聚类算法,可以有效实现数据的分类和识别[27-29],见图8。

图8 PCA-kmeans流程图Fig.8 The flow chart of PCA-kmeans

具体步骤如下:

第一步:原始数据标准化处理:

(6)

式中,RS是为减去平均值后的光谱矩阵,Rij是第i个光谱的第j个波段值,n是波段数。

第二步:计算RS的协方差矩阵C:

C=RSRST/d

(7)

式中,d=样品数-1。

第三步:计算协方差矩阵C的特征值及对应的特征向量:

(8)

式中,v是特征值,x是特征向量,E是单位矩阵。

第四步:根据特征值大小对特征向量进行排序,取前k个行组成主成分矩阵K。图9展示了前5个主成分的累计贡献率,累计贡献率可解释为主成分分量对原始变量的代表能力,计算结果显示对于3类绝缘子其在第2主成分即PC2时累计贡献率已到达95%以上,因此可以选用第1主成分和第2主成分代表原始数据[30]。

图9 主成分累计贡献率Fig.9 Cumulative contribution rate of principal component

图10 基于PCA-kmeans的污秽状态识别Fig.10 Pollution state recognition based on PCA-kmeans

第五步:计算第k个主成分得分:

Y=K·R

(9)

式中,R是原始光谱数据,K是前k个主成分对应的特征向量组成的矩阵。取前两个主成分得分可构成一个二维特征空间。

第六步:根据建立的二维特征空间,利用同类数据的相似性可以实现数据的聚类和分析,从而达到污秽等级分类识别的目的。本研究中,在PCA得分的计算结果上将进一步引入kmeans聚类算法进行模式识别。根据污秽等级分类情况将确定聚类中心为5个,并随机选取5个聚类中心。

第七步:计算数据集中各点与各聚类中心的欧式距离,根据最小欧式距离可将数据点归于各个类别中,从而实现数据分类。重复第六和第七步直至聚类中心不再改变,获得最终的聚类结果。聚类结果见图9。

3种绝缘子表面污秽状态识别准确度结果见图11,PCA-kmeans分类算法可以准确地实现污秽状态的分类和识别,识别准确度均在93%以上,其中复合绝缘子的污秽等级识别率最高到达了96.5%。

图11 3类绝缘子的污秽状态识别准确率Fig.11 Identification accuracy of pollution state of three types of insulators

3.3 污秽状态可视化

光谱信息维度上的主成分分析实现了污秽状态的识别,而在空间图像信息维度上主成分分析则实现了将连续窄波段图像进行数据降维和图像融合。笔者选取图像融合后的第1主成分作为PCA的计算结果,根据其图像灰度值进行伪彩显示表征污秽的分布状态,结果见图12。

图12 3类绝缘子的污秽状态识别准确率Fig.12 Identification accuracy of pollution state of three types of insulators

4 讨论

本研究在实验室条件下建立了基于绝缘子图谱特征的非接触式污秽状态评估方法,该方法在实验室条件下对于不同基底材料的绝缘子污秽状态评估均表现出了较高的识别准确度,具有广阔的应用前景。在未来的应用中,还需要解决和考虑以下问题:

1)抗电磁干扰问题。电磁干扰是输电线路的在线检测必须考虑和面临的挑战,高光谱成像技术尽管实现了非接触式遥测并且检测对象为非电量参数具有较强的抗电磁干扰能力,但高光谱成像系统本身依然面临着电磁干扰的影响,因此在后续开发电力巡检专用设备时应从可靠接地、精准滤波、信噪分离和金属屏蔽等方面加强高光谱成像系统的抗电磁干扰能力。

2)现场应用问题。高光谱成像平台的现场应用存在两种方式:第一种是在线检测,即通过在待测绝缘子附近安装设置高光谱成像系统从而实现绝缘子污秽状态的在线检测;第二种是带电巡检,即将高光谱成像平台与无人机进行结合实现机载检测。对于在线监测方式,该方法的优点在于可以结合无线通信技术远程实现绝缘子污秽状态的检测,但其难点在于高光谱成像平台的能量获取和黑白校准的开展,此外难以实现大面积普测。对于结合无人机载平台的带电巡检方式,该方式也是现阶段高光谱成像技术在各无损检测领域中主要应用方式,无人机载平台的灵活性可以实现更大范围内的绝缘子污秽状态检测,这也是未来本技术的最有可行性的应用方式,也是本研究的后续主要研究方向。

3)现场校准问题。现场应用中,光照条件是影响检测结果最主要的因素,因此需要考虑现场环境下的黑白校准问题。校准时可以将标准聚四氟乙烯反射率校正白板(反射率大于99%)放置在水平地面采集全白色定标图像,盖上镜头盖采集全黑色定标图像。若图像采集时间间隔较短日光变化较小时,可以在连续获得多张高光谱图像后再进行校准。但如果图像采集间隔时间较长,则需要在每次图像采集前进行一次黑白校准。在后续的应用中,可根据现场试验结果制定标准化工作流程,以此建立具有推广意义的高光谱技术现场应用方法。

5 结语

本研究提出了一种基于高光谱成像技术的非接触式绝缘子污秽状态评估方法。首先通过人工污秽试验制备了5种污秽等级下的玻璃绝缘子、瓷绝缘子以及复合绝缘子样品,然后以高光谱成像技术为基础分别分析了5个污秽等级下各绝缘子染污后的反射率光谱特征,最后结合PCA-kmeans实现了绝缘子污秽等级的准确评估和可视化显示,结果显示本研究所提出的污秽状态评估方法准确度均在93%以上,其中对于复合绝缘子的识别准确率最高到96.5%,根据第1主成分分析结果图结合伪彩处理可以直观地表征绝缘子表面污秽的分布状态。本研究结果可以为绝缘子污秽状态的在线监测提供一种新的技术手段,并且为高光谱成像技术在现场应用提供了研究基础,后续的研究中将进一步考虑现场环境因素对高光谱图像数据采集及分析的影响。