閆 康

(國網(wǎng)石家莊市鹿泉區(qū)供電公司，河北 石家莊 050200)

0 引言

硅橡膠復(fù)合絕緣子較瓷絕緣子與玻璃絕緣子具備抗拉強度高、防污閃性能優(yōu)異、質(zhì)量輕、日常運維檢修方便、不易發(fā)生斷裂、無零值等諸多優(yōu)點，在我國電網(wǎng)建設(shè)中得到了廣泛的應(yīng)用,并逐步代替了歷史上使用最多的傳統(tǒng)瓷絕緣子和玻璃絕緣子。截至目前，已經(jīng)積累了30 余年的現(xiàn)場運行經(jīng)驗，為電網(wǎng)安全可靠運行提供了有力保障[1]。相關(guān)研究文獻顯示，復(fù)合絕緣子優(yōu)良的防污閃性能主要與其獨特的憎水性能和憎水遷移性能密切相關(guān)。但電網(wǎng)實際運行經(jīng)驗和記錄數(shù)據(jù)顯示，由于受運行工作年限、外界運行環(huán)境污穢、光照紫外線以及電暈放電等諸多因素影響，復(fù)合絕緣子的硅橡膠傘裙會逐步發(fā)生老化，嚴重者甚至會出現(xiàn)傘裙粉化現(xiàn)象，進而導致其憎水性能和憎水遷移性逐步出現(xiàn)不同程度的下降，甚至完全喪失，致使復(fù)合絕緣子的耐污閃性能嚴重下降，給電網(wǎng)的安全、穩(wěn)定、可靠運行帶來重大隱患和風險[2-6]。

為降低復(fù)合絕緣子憎水性能和憎水遷移性能致使電網(wǎng)發(fā)生污閃事故的風險，有必要對在網(wǎng)運行的復(fù)合絕緣子的憎水性能進行定期的檢測和評價，對于檢測不合格的復(fù)合絕緣子，根據(jù)其檢測結(jié)果應(yīng)及時列入檢修計劃，加強觀察或盡快更換。常用的檢測復(fù)合絕緣子憎水性的傳統(tǒng)方法為表面張力法、靜態(tài)接觸角法和噴水分級法[7-9]。其中，表面張力法和靜態(tài)接觸角法對檢測時所處的外界環(huán)境因素要求很嚴格，檢測結(jié)果較容易受外界因素影響，只適用于實驗室條件下檢測，不適于在運行現(xiàn)場進行大規(guī)模的檢測[10-11]。噴水分級法操作簡便，檢測速度快，廣泛應(yīng)用于運行現(xiàn)場對復(fù)合絕緣子憎水性能的檢測。該方法由于是通過現(xiàn)場操作人員對比測試復(fù)合絕緣子的憎水性圖像與標準圖譜的相似程度，并參考憎水性等級分級判據(jù)得出絕緣子的憎水性等級，因此其檢測結(jié)果會不可避免的因操作人員技能水平、經(jīng)驗水平不同而存在一定的主觀差異性。

為了準確、客觀地檢測、評價復(fù)合絕緣子的憎水性等級，同時為實現(xiàn)在線檢測復(fù)合復(fù)合絕緣子憎水性能提供可靠的檢測平臺，提高檢測工作效率，文中借助MATLAB圖像處理工具和GUI圖形用戶界面功能開發(fā)了一款復(fù)合絕緣子憎水性分析軟件。該軟件可以通過對復(fù)合絕緣子憎水性圖像進行增強預(yù)處理，再利用改進的Canny算子和數(shù)學形態(tài)學對憎水性圖像進行準確分割，進而提取憎水性圖像相關(guān)特征量，最后利用改進的徑向基函數(shù)(radial basis function,RBF)神經(jīng)網(wǎng)絡(luò)根據(jù)提取的復(fù)合絕緣子相關(guān)特征量對其憎水性能進行準確分級。該軟件有效避免了人為主觀因素的影響，提高了檢測精度和工作效率，為現(xiàn)場運行人員提供了可靠的數(shù)據(jù)支持和參考，并且有助于運維檢修部門建立復(fù)合絕緣子運行數(shù)據(jù)檔案庫，根據(jù)復(fù)合絕緣子的實際運行狀況合理制定檢修計劃，保障電網(wǎng)安全穩(wěn)定運行。

1 軟件的總體設(shè)計

復(fù)合絕緣子憎水性分析軟件平臺基于MATLAB/GUI設(shè)計，主要是借助、依托MATLAB軟件平臺的圖像處理功能和科學計算功能， MATLAB為創(chuàng)建用戶界面提供了捷徑(GUIDE)，GUIDE可以在界面設(shè)計過程中直接自動生成M文件框架，從而大大減少了有關(guān)GUI應(yīng)用程序創(chuàng)建工作，研發(fā)人員直接在此框架中填入自己編寫的程序代碼即可。

該軟件的界面布局沿用了成熟的自頂向下的設(shè)計理念和方法，共研發(fā)設(shè)計了3個用戶操作界面：初始界面、主界面和子界面。基于模塊化的設(shè)計思想，可將憎水性分析軟件劃分為幾個功能相對獨立的模塊，該軟件的模塊結(jié)構(gòu)如圖1所示。

圖1 軟件模塊結(jié)構(gòu)Fig.1 The module structure of software

2 軟件的主要功能及實現(xiàn)

2.1 圖像增強預(yù)處理

在網(wǎng)運行的復(fù)合絕緣子長期暴露于戶外，不斷遭受風霜雨雪、霧霾、光照、鳥糞等不利因素侵襲，因此，復(fù)合絕緣子傘裙的表面都覆蓋有不同成分、不同程度的污穢。此外，受水珠(或水跡)的透明性以及水珠(或水跡)對光照的反射作用等不利因素影響，拍攝的復(fù)合絕緣子憎水性圖像中水珠(或水跡)的邊界比較模糊或昏暗不明，嚴重影響了對復(fù)合絕緣子憎水性圖像中水珠(或水跡)的邊緣的識別、分割。為了有效克服上述諸多不利因素的影響，對憎水性圖像運用濾波和增強技術(shù)進行處理，凸顯復(fù)合絕緣子憎水性圖像中水珠(或水跡)的邊界信息十分必要。

文中采用基于同態(tài)濾波的自適應(yīng)直方圖均衡化方法[12-13]對憎水性圖像進行預(yù)處理。首先利用同態(tài)濾波法對憎水性圖像進行增強處理，使水珠(或水跡)的邊界細節(jié)信息得到增強，水珠(或水跡)的邊界清晰可見。但處理后憎水性圖像的灰度動態(tài)范圍較處理之前變得狹窄，致使整幅憎水性圖像變得較為昏暗，為此，文中采用自適應(yīng)直方圖均衡化方法對憎水性圖像進行進一步處理。該方法可以有效拓展圖像的灰度動態(tài)范圍，提高圖像的亮度，改善圖像的視覺效果，彌補了同態(tài)濾波的缺陷，二者聯(lián)合使用能夠取得較為理想的增強效果。

2.2 圖像分割

圖像分割的目標是把圖像中感興趣的部分細節(jié)信息從圖像中提取出來。而在復(fù)合絕緣子憎水性檢測工作中，準確分割憎水性圖像是一個重要環(huán)節(jié)，對后續(xù)構(gòu)建的網(wǎng)絡(luò)模型準確識別絕緣子憎水性等級有著重要影響。

2.2.1 邊緣提取

傳統(tǒng)的Canny算子，圖像邊緣檢測性能優(yōu)良，檢測效果較為穩(wěn)定，技術(shù)成熟，因此，在數(shù)字圖像處理領(lǐng)域得到了廣泛的認可和使用。但是傳統(tǒng)的Canny算子的閾值設(shè)置需要人工選擇，即需要檢測人員通過不斷調(diào)整閾值尋找最佳的檢測結(jié)果，閾值選擇缺乏自適應(yīng)選擇能力[14]。為此，文中將Ostu閾值法引入到Canny算子中，針對傳統(tǒng)的Canny算子進行了改進。Ostu閾值法[15]是以最小二乘法的基本原理為基礎(chǔ)推導出的一種自適應(yīng)閾值確定方法，該方法能夠根據(jù)不同憎水性圖像的自身特點自適應(yīng)的獲取最佳閾值K，進而獲得最佳的邊緣檢測效果，其表達式如下，δ2(k)表示圖像的類間距離：

K=maxδ2(k) 1≤k≤m

(1)

在傳統(tǒng)Canny算子中引入Ostu閾值法，克服了傳統(tǒng)Canny算子閾值選擇需要人工確定的缺點，改進Canny算子在閾值選取方面具備了自適應(yīng)選擇能力，能夠自主尋找最佳閾值，進而改善了圖像邊緣檢測效果，大大提升了邊緣檢測效率。

2.2.2 數(shù)學形態(tài)學修正

數(shù)學形態(tài)學的基本思想為運用不同形態(tài)的結(jié)構(gòu)元素去處理圖像對應(yīng)的形狀以達到對圖像分析和識別的目的。其基本運算包括膨脹運算、腐蝕運算、開運算和閉運算4種。由于受表面污穢、外界光照、拍攝相機本身性能及水珠本身的透明性、反光等諸多不利因素影響，運用改進的Canny算子檢測出的絕緣子憎水性圖像邊界不可避免地會出現(xiàn)斷線、不連續(xù)等現(xiàn)象。為此，文中引入了數(shù)學形態(tài)學對存在斷線、不連續(xù)的部分憎水性圖像的邊界像進行修正，使得修正后的憎水性圖像邊界變得連續(xù)，并且與原圖像能夠保持高度相似。

2.3 特征量提取

提取了4個與絕緣子憎水性相關(guān)的特征量：最大水珠(或水跡)的形狀因子fc，水珠覆蓋率A,最大水珠(或水跡)與整幅圖像的面積比K，最大水珠的偏心率e。相關(guān)文獻證明這4個特征量能夠很好地表征不同憎水性等級的圖像特征[16-17]，其表達式如下：

(1) 形狀因子：

(2)

式中：Smax為最大水珠(或水跡)的面積；l為最大水珠(或水跡)的周長。

(2) 水珠覆蓋率：

(3)

式中：N為識別出的水珠總數(shù)量；Si為第i個水珠的面積；S表示圖像的總面積。

(3) 最大面積比：

(4)

(4) 偏心率：

(5)

式中：a為最大水珠外接矩形的長軸；b為最大水珠外接矩形的短軸。

2.4 改進的RBF神經(jīng)網(wǎng)絡(luò)識別模型

RBF神經(jīng)網(wǎng)絡(luò)[7,18]是運用多維空間插值的傳統(tǒng)技術(shù)，屬于前向神經(jīng)網(wǎng)絡(luò)類型。該網(wǎng)絡(luò)具備結(jié)構(gòu)相對簡單、訓練方法簡便、訓練學習收斂速度快，能夠很好擬合任意非線性函數(shù)等諸多優(yōu)點，因此，適于建立非線性的復(fù)合絕緣子憎水性識別模型。

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要由輸入層、隱含層和輸出層組成。輸入層的作用是傳輸數(shù)據(jù)，即將圖像的4個特征量：形狀因子fc，覆蓋率A，面積比K，偏心率e，輸入并傳遞到隱含層，由于徑向基函數(shù)的形式對RBF網(wǎng)絡(luò)性能影響不大,因此文中選取了使用廣泛的高斯函數(shù)作為RBF神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)，因此RBF神經(jīng)網(wǎng)絡(luò)的激活函數(shù)可以表示為：

(6)

式中：‖xp-ci‖為歐式范數(shù)；xp為輸入的特征量；ci為高斯函數(shù)的中心；σ為高斯函數(shù)的均方差。

由RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可知，該網(wǎng)絡(luò)的輸入和輸出存在如下映射關(guān)系：

(7)

式中：R(xp-ci)為激活函數(shù)；h為隱含層節(jié)點數(shù)；y為輸出向量，文中為絕緣子憎水性等級。

傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)的訓練速度與精度與學習算法中的徑向基中心分布因子Sc的取值有關(guān)，Sc的數(shù)值會影響網(wǎng)絡(luò)結(jié)構(gòu)，進而對訓練精度和速度產(chǎn)生影響。因此，采用一種將網(wǎng)絡(luò)訓練誤差引入Sc,使得Sc具備自適應(yīng)調(diào)整能力，能夠?qū)Ω鞣N復(fù)雜的復(fù)合絕緣子憎水性圖像的特征值迅速學習并收斂，提高學習效率和精度。其選取如下：

(8)

選取350組憎水性圖像作為網(wǎng)絡(luò)訓練學習樣本，網(wǎng)絡(luò)誤差目標設(shè)定為0.000 01，得出兩種網(wǎng)絡(luò)訓練學習結(jié)果，如表1所示。

表1 訓練學習結(jié)果Tab.1 The training recognition

由表可知，改進后的RBF訓練精度提高了21.93%，訓練效率提升了45%，表現(xiàn)出更高的訓練精度和效率。

2.5 數(shù)據(jù)庫管理

數(shù)據(jù)庫被用來儲存、管理復(fù)合絕緣子的各種信息，其中包含了數(shù)據(jù)分析統(tǒng)計、查詢等功能，以Excel 表格的方式輸出、存儲絕緣子的各種信息，為運維檢修部門制定復(fù)合絕緣子檢修計劃提供有力的數(shù)據(jù)支持。

2.5.1 數(shù)據(jù)庫設(shè)計

數(shù)據(jù)庫設(shè)計是軟件設(shè)計的重要組成部分，本軟件采用關(guān)系型數(shù)據(jù)庫SQL Server 2005來保存絕緣子的相關(guān)信息數(shù)據(jù)。數(shù)據(jù)庫由絕緣子信息數(shù)據(jù)表組成，絕緣子信息數(shù)據(jù)表主要是用來記錄絕緣子的基本信息和憎水性檢測結(jié)果信息，該表的結(jié)構(gòu)和關(guān)鍵字段有復(fù)合絕緣子型號、供應(yīng)商、投運時間、運行年限、檢測日期、檢測位置、所在地區(qū)、污染情況、降雨量等級、檢測方法、憎水性等級、檢測員、檢測日期等。

2.5.2 數(shù)據(jù)庫操作

對數(shù)據(jù)庫的操作主要有與數(shù)據(jù)庫的連接、絕緣子信息的錄入、修改、歷史記錄查詢等操作。該軟件在歷史記錄查詢界面設(shè)置了4個查詢選項，分別為：檢測日期、絕緣子型號、憎水性等級、檢測員，各選項之間可以選擇“并且”或“或者”邏輯組合進行查詢。

3 軟件應(yīng)用效果

選取了從現(xiàn)場退運的120支復(fù)合絕緣子作為試樣，這些復(fù)合絕緣子的運行年限、生產(chǎn)廠家、運行地點不盡相同，由專業(yè)人員對這些復(fù)合絕緣子的不同部位的傘裙按照規(guī)程進行噴水，并拍攝憎水性圖像，然后，由經(jīng)驗豐富的專家對比憎水性圖像和標準圖譜的相似度，完成憎水性等級的判定。共計拍攝了1000余幅圖像,部分憎水性圖像如圖2所示。選取了其中350幅圖像作為測試樣本數(shù)據(jù)，其中每個憎水性等級樣本各有50幅，利用此軟件對樣本復(fù)合絕緣子圖像的憎水性等級進行識別，將識別結(jié)果與預(yù)先由專家判定的憎水性等級進行對比，以驗證該軟件的識別結(jié)果是否準確，識別結(jié)果如表2所示。

圖2 部分憎水性圖像Fig.2 Somehydrophobic images

憎水性等級誤判等級/誤判個數(shù)總誤判個數(shù)總樣本數(shù)正確率/%HC1HC2/225096HC2HC1/335094HC3HC2/2HC4/245092HC4HC3/1HC5/565088HC5HC4/5HC6/275086HC6HC5/225096HC7HC6/335094總識別率92

從表2可以看出，軟件識別模型對HC4和HC5兩個憎水性等級的識別準確率較低，分別是88% 和86% 。這可能是由兩個原因造成的，一是這兩個憎水性等級相鄰，其憎水性圖像相似性較高，準確區(qū)分比較困難；二是選取的訓練樣本的數(shù)量不夠多，致使構(gòu)建的識別網(wǎng)絡(luò)模型不夠健全、穩(wěn)定。其他5個憎水性等級的判斷正確率均達到或超過92%，總識別率也達到92%。

4 結(jié)語

借助于MATLAB/GUI平臺開發(fā)設(shè)計了復(fù)合絕緣子憎水性分析軟件，該軟件具有以下優(yōu)點:

(1) 能夠有效識別復(fù)合絕緣子的憎水性等級，對憎水性等級為HC1、HC2、HC3、HC6和HC7的憎水性圖像識別率最高，正確率均達到92% ；對憎水性等級為HC4和HC5的平均識別率偏低，但正確率均達到86%，總的識別率達到92%；即使發(fā)生誤判，也是發(fā)生在相鄰憎水性等級之間，能夠滿足工程實際要求；克服了人為主觀因素的影響，使得檢測結(jié)果更為客觀準確。

(2) 為實現(xiàn)在線檢測復(fù)合絕緣子憎水性提供了檢測平臺，縮短了檢測時間，提高了工作效率，同時方便了運維檢修部門工作人員對檢測數(shù)據(jù)的管理和查詢，為后續(xù)絕緣子的檢修提供數(shù)據(jù)支持。

(3) 軟件操作界面設(shè)計合理，功能分區(qū)合理，便于操作人員操作和后期升級維護。