張美金，屈秋帛

（遼寧工程技術大學 電氣與控制工程學院，遼寧 葫蘆島 125105）

0 引言

目前主流的低零值（根據(jù)DL/T596-1996《電力設備預防性試驗規(guī)程》中的要求，每片懸式絕緣子的絕緣電阻不應低于300 MΩ，500 kV 懸式絕緣子不低于500 MΩ。低于上述水平的，一般就認為是低值或零值絕緣子。）絕緣子檢測方法有：光譜法、紫外脈沖法、徑向溫度法、超聲波檢測法等。但分析文獻，發(fā)現(xiàn)不少方法存在危險性高、算法復雜等問題，均需進一步深入研究。由于低零值絕緣子在線路中溫度變化明顯，目前許多電力公司逐步采用紅外成像技術對低零值絕緣子進行檢測。然而目前

線路絕緣子主要承擔著連接導體和電氣絕緣的功能，是整個電力系統(tǒng)的重要的組成部分[1-3]。由于絕緣子在生產(chǎn)過程中會造成一定的缺陷，以及受到自然環(huán)境的影響，絕緣子會自然劣化，絕緣性能不斷減弱，絕緣子串的閃絡概率將增大，最終造成電網(wǎng)運行的不穩(wěn)定，而電力事故發(fā)生的概率也將增大，給生產(chǎn)生活帶來不利的影響。因此絕緣子的定期檢測與及時維修對于維護保障電網(wǎng)的安全至關重要[4-5]。圖像處理技術對電力設備進行在線檢測的研究面臨著圖像特征提取的困難，現(xiàn)有算法無法有效解決絕緣子狀態(tài)檢測的多分類問題，且面臨處理海量數(shù)據(jù)檢測耗時，檢測正確率低的問題。因此，面向大數(shù)據(jù)的低零值絕緣子檢測方法是今后研究的重點。

隨著神經(jīng)網(wǎng)絡算法的不斷改進，以深度學習為代表的人工智能理論與應用研究越來越多的被應用到故障檢測識別中。目前BP（back propagation）神經(jīng)網(wǎng)絡、遺傳算法[6]、Petri 網(wǎng)絡及決策樹等不少數(shù)據(jù)挖掘的方法被成功應用到劣化絕緣子的診斷識別中。支持向量機同樣被應用在電力系統(tǒng)的故障診斷領域，然而，直接采用支持向量機模型對絕緣子樣本進行檢測效果不盡理想。如何優(yōu)化原有的支持向量機模型，解決大數(shù)據(jù)環(huán)境下絕緣子檢測問題，是當下需要著重研究的方向。目前網(wǎng)格搜索法[7]、布谷鳥搜索算法[8]、粒子群算法[9]等等都成功被應用到優(yōu)化向量機的參數(shù)尋優(yōu)中?；依撬惴ㄅc支持向量機相結合應用在諸多領域中，如醫(yī)學信號識別、植物種類識別、醫(yī)學圖像識別，其實驗結果都有所改善，但很少被應用到電氣設備故障診斷。本文提出的灰狼優(yōu)化算法與支持向量機結合針對低零值絕緣子檢測識別的應用尚屬空白。

本文通過對絕緣子紅外圖像進行處理，對絕緣子紅外圖像樣本進行多層次深度特征提取用于支持向量機分類識別，并采用灰狼算法實現(xiàn)對支持向量機參數(shù)的優(yōu)化，實現(xiàn)對低零值絕緣子檢測識別。

1 絕緣子串紅外圖像預處理

1.1 信號絕緣子串紅外圖像增強

灰度變換增強可以增強紅外圖像中的目標與背景的對比度，提高圖像的質(zhì)量。灰度變換作為一種應用廣泛的圖像增強技術可使圖像清晰、特征明顯[10-12]。

設原圖像為f(x,y)，其灰度范圍為[a,b]；變換后的圖像g(x,y)，其灰度范圍線性的擴展至[c,d]。

圖像中大部分灰度級分布在區(qū)間[a,b]內(nèi)，有少許部分在此區(qū)間之外，為了改善增強效果，可以令：

直方圖均衡化作為一種應用廣泛的圖像增強方法，可使絕緣子串同背景對比度增大，方便后期提取絕緣子串。

如圖1所示，直方圖均衡化增大了絕緣子串與背景的灰度級，圖像的對比度也增強了，這樣有利于后期正確分割出絕緣子串和背景。

圖1 紅外圖像增強Fig.1 Infrared image enhancement

1.2 基于Ostu算法的圖像自適應閾值分割

首先利用最大類間方差法（Ostu）對增強后的絕緣子紅外圖像進行分割[13]，如圖2所示。該方法可自動選取閾值，分割效果好、速度快。

圖2 分割效果圖Fig.2 The result after segmentation

1.3 絕緣子分割

對Ostu 分割得到的二值圖像進行切割，提取圖像中完整的絕緣子串，如圖3所示，為絕緣子缺陷檢測智能認知工作做好準備。

圖3 絕緣子串提取Fig.3 Insulator string extraction

1.4 基于Randon變換的圖像傾斜校正

運用Ostu算法將絕緣子串的候選區(qū)域分割提取后，用Randon變換[14]的圖像傾斜校正算法進行絕緣子角度校正，如圖4所示。

2 灰狼算法支持向量機模型

2.1 支持向量機模型

支持向量機（support vector machine,SVM）是Bell實驗室以V.Vapnik 教授為首的研究小組針對小樣本機器學習方法提出的一種新型模式識別方法[15]。

圖4 絕緣子串傾斜矯正Fig.4 Insulator string tilt correction

對于線性不可分的特征向量，需采用核函數(shù)將向量投放到高維空間中達到可以分類的效果。高斯徑向基核函數(shù)作為應用最廣泛的核函數(shù)，在缺乏樣本數(shù)據(jù)的先驗知識時，可通過調(diào)整參數(shù)取得較好的學習效果。本文采用高斯徑向基核函數(shù)：

式中：δ＞0為高斯核的帶寬。

設h維的空間上，針對線性可分問題，所有樣本均滿足約束件：

求解支持向量機可轉(zhuǎn)化為分類間隔問題：

在實際機器學習時，為了允許機器出現(xiàn)一些錯分的點，通常在約束條件中加入松弛變量ζ＞0，增加一個常數(shù)C作為懲罰因子：

以上問題的求解，可以得到SVM 回歸表達式：

式中：αj為拉格朗日乘積因子。

2.2 灰狼優(yōu)化算法

灰狼優(yōu)化算法（grey wolf optimizer，GWO），是一種通過模擬灰狼捕獵過程中的狩獵和搜索行為建立的全局隨機搜索算法。由澳大利亞學者 Seyedali.Mirjalili 等人在2014年提出的新型算法[16]。GWO算法與粒子群優(yōu)化算法（particle swarm optimization，PSO）類似，是一個從隨機解出最優(yōu)解的過程。該方法相較于PSO、網(wǎng)格搜索算法（GS）等算法參數(shù)少，結構簡單，同時又有較強的收斂性，已成功應用于圖像處理等領域中。

將最優(yōu)解設為α，第二個和第三個最佳解分別命名為β和δ，而其余的解均設為ω。狼群通過3 只個體狼α、β和δ為初始解帶領狼群ω在空間中向獵物（最優(yōu)解）逼近，經(jīng)過圖5所示的狼群移動方式，不斷迭代，引導狼群不斷靠近全局最優(yōu)解。搜索過程狼群捕食位置更新：

式中：D為當前灰狼距獵物距離；A和C為系數(shù)向量；Xp是獵物的位置向量。

式中：a隨迭代次數(shù)從2～0 遞減；r1，r2是[0,1]內(nèi)的隨機向量。

圖5 GWO中的位置更新Fig.5 Position updating in GWO

為了模擬狩獵行為，假設α，β和δ對獵物的潛在位置有更好的了解，在每次迭代過程中，保留當前最優(yōu)的α，β和δ解。

式中：Xα，Xβ和Xδ分別代表α狼，β狼和δ狼當前位置；Dα，Dβ和Dδ分別代表當前狼位置和3 只頭狼的位置間的距離；A1，A2和A3為隨機系數(shù)向量；t表示迭代次數(shù)。

2.3 GWO-SVM

采用GWO 優(yōu)化算法對絕緣子紅外圖譜識別的SVM 網(wǎng)絡核參數(shù)懲罰因子C與核寬度δ進行參數(shù)優(yōu)化，以達到圖譜分類識別的準確性和泛化能力。

①輸入絕緣子圖譜的特征量，選取部分作為SVM的訓練集，并將剩余的特征向量集作為測試集，以驗證SVM 識別的準確率。

②初始化狼群數(shù)量、迭代次數(shù)，設置懲罰因子C與核寬度δ的范圍。

③SVM 根據(jù)初始參數(shù)C與δ進行訓練和測試，并以錯誤率最小化為目標。

④GWO 以C與δ為獵物進行優(yōu)化，達到最大迭代次數(shù)時輸出GWO 全局最優(yōu)值。

⑤將處理后的絕緣子圖譜樣本分別作為SVM的訓練集與測試集。采用最佳參數(shù)C與δ建立識別模型，并對測試樣本進行預測、分析。

3 實驗結果與分析

3.1 數(shù)據(jù)描述

為了驗證所提出的基于GWO-SVM 劣化絕緣子狀態(tài)檢測的可行性，由于目前未建立絕緣子紅外圖像數(shù)據(jù)庫，我們選取200幅絕緣子圖像作為絕緣子樣本庫。采取隨機抽樣的方法選取兩類樣本，其中訓練樣本120幅，測試樣本80幅。所有樣本由多位人工分揀專家投票分為完好和低零值兩類（如圖6所示）。

3.2 絕緣子檢測結果

本文利用灰狼優(yōu)化算法、粒子群優(yōu)化算法（random-search）和網(wǎng)格搜索算法（grid-search）對支持向量機參數(shù)進行優(yōu)化。我們對比了3種算法的尋優(yōu)時間、尋參效率和訓練準確率。如表1所示，灰狼優(yōu)化算法的各項性能都要比另外兩種算法好，其準確率及尋參效率都高于其余兩種優(yōu)化算法。

從3種算法優(yōu)化支持向量機的結果看，網(wǎng)格搜索耗時長且識別準確率低，且尋優(yōu)時存在復雜度高，運算量大等不足。粒子群優(yōu)化算法收斂速度快，算法簡單，但也存在很明顯的缺點，它對于有多個局部極值點的函數(shù)，容易陷入到局部極值點中，得不到正確的結果，因此其優(yōu)化向量機識別的正確率不高。而灰狼優(yōu)化算法識別準確率可達到95.246%，尋優(yōu)時間最少且尋參效率高?；依撬惴ǔ浞掷孟闰炛R，避免由于懲罰參數(shù)過大而導致算法陷入局部最優(yōu)的風險。因此灰狼優(yōu)化相比于粒子群搜索算法和網(wǎng)格搜索算法能高效的對低零值絕緣子進行識別。圖7為SVM 參數(shù)尋優(yōu)過程。

圖6 部分絕緣子紅外圖像樣本Fig.6 Partial insulator infrared image samples

表1 參數(shù)尋優(yōu)方法對比Table1 Comparison of parameter optimization methods

圖7 SVM 參數(shù)尋優(yōu)過程Fig.7 SVM parameter optimization process

本文通過網(wǎng)格優(yōu)化、粒子群優(yōu)化和灰狼優(yōu)化這3種優(yōu)化算法對支持向量機的參數(shù)C和δ進行優(yōu)化。圖8為不同優(yōu)化算法的故障識別對比。

通過圖8不同優(yōu)化算法的識別對比，可以看出GWO-SVM 診斷方式相比于GS-SVM和PSO-SVM 識別正確率更高。對于圖8分類的結果，結合表1，GWO-SVM 錯誤識別的絕緣子僅有一個，且GWO 尋優(yōu)時間及尋參效率明顯優(yōu)于GS 與PSO，滿足預設要求。整個絕緣子串檢測系統(tǒng)可以實現(xiàn)有效地對低零值絕緣子進行故障診斷，具有工程實際意義。

4 結束語

1）本文絕緣子紅外圖像樣本進行了多層次深度特征提取，相比于現(xiàn)有的深度模型提取的特征具有更強的鑒別能力。

2）本文提出紅外圖像和灰狼算法優(yōu)化支持向量機相結合的方法實現(xiàn)對低零值絕緣子的檢測識別，能夠在大數(shù)據(jù)層面準確地識別低零值絕緣子，減少人力，物力以及財力。

圖8 不同優(yōu)化算法故障識別對比Fig.8 Comparison of fault identification of different optimization algorithms

3）本文采用灰狼算法優(yōu)化支持向量機參數(shù)，并采用高斯徑向基核函數(shù)，得到的識別模型識別效果好。