王 建， 舒勝文， 金 銘， 李勇杰

(1.國網(wǎng)新疆電力有限公司電力科學研究院，烏魯木齊830011； 2.福州大學電氣工程與自動化學院，福州 350108)

0 引言

復合絕緣子由于抗污閃和重量輕等優(yōu)點在特高壓和超高壓輸電系統(tǒng)中得到了廣泛的應用，隨著特高壓直流工程的不斷發(fā)展輸電線路外絕緣復合化比例將日益提高[1-3]。在±1 000 kV輸電線路中大部分復合絕緣子的運行特性較好，但由于長期運行或生產(chǎn)工藝部分復合絕緣子中可能會存在內(nèi)部缺陷，容易導致斷裂、擊穿等事故[4]。通過對復合絕緣子缺陷特征和模式進行識別，可以避免缺陷導致的各種事故，降低復合絕緣子在輸電線路中的故障率，因此對復合絕緣子缺陷特征及模式進行識別對保障電力系統(tǒng)安全具有重大意義。

相關學者對此進行了研究，取得了一定的進展。劉立帥等人提出基于頻域熱特征成像的復合絕緣子缺陷特征識別方法，該方法將脈沖熱激勵施加到復合絕緣子上，獲復合絕緣子表面的溫度變化分布，利用離散傅里葉變化獲取復合絕緣子的頻域特征，通過相位圖序列和幅值圖序列中的異常區(qū)域，實現(xiàn)復合絕緣子缺陷特征的識別，該方法提取的特征存在誤差，存在正確識別率低的問題[5]。韓旭濤等人提出基于光電復合傳感器的GIS局放檢測方法,該方法通過光電復合傳感器測量正常絕緣子與缺陷復合絕緣子之間的表面電場分布，對正常絕緣子與缺陷絕緣子附近存在的電場差異進行對比，根據(jù)對比結(jié)果識別復合絕緣子缺陷特征，實現(xiàn)缺陷檢測，該方法識別所用的時間較長，存在識別效率低的問題[6]。

為了解決上述方法中存在的問題，提出±1 000 kV輸電線路復合絕緣子缺陷多源特征及模式識別方法。

1 輸電線路復合絕緣子缺陷特征提取

1.1 圖像預處理

1.1.1 直方圖均衡化

對輸電線路復合絕緣子圖像進行均衡化可以提高圖像的對比圖，實現(xiàn)圖像增強，提高圖像的分辨率[7]。

假設ni描述的是出現(xiàn)第i個灰度級ri的頻數(shù)；Pr(ri)代表的是灰度級像素的概率值，其計算公式如下：

(1)

式中，n代表的是像素個數(shù)。

通過下述函數(shù)實現(xiàn)圖像的直方圖均衡化：

(2)

式中，k表示的是灰度級數(shù)。

1.1.2 均值濾波

(3)

式中，n(x,y)代表的是噪聲。

1.1.3 圖像分割

設在輸電線路復合絕緣子圖像中共存在N×N個像素點，灰度的取值區(qū)間為G={1,2…L}；f(x,y)描述的是坐標為(x,y)的像素對應的灰度值。設置閾值T∈G，獲得二值函數(shù)fT(x,y)，其表達式如下：

(4)

二維閾值化方法對像素鄰域平均灰度值以及像素本身的灰度值進行考慮[8]，設g(x,y)為像素(x,y)處對應的n×n鄰域平均灰度值，其計算公式如下：

(5)

通過二維矢量(S,T)對圖像進行分割，二維閾值化函數(shù)fS,T(x,y)的表達式如下：

(6)

設rij為出現(xiàn)領域平均灰度-相應灰度對的頻數(shù)；pij代表的是概率密度，其計算公式如下：

(7)

設置閾值(S,T)使背景和目標的熵最大，實現(xiàn)圖像背景與目標的分割[9]，H0(s,t)描述的是目標對應的熵；H1(s,t)描述的是背景對應的熵，其計算公式分別如下：

(8)

(9)

閾值(S,T)通常滿足下述判別函數(shù)：

H(S,T)=max[min{H0(s,t),H1(s,t)}]

(10)

1.2 特征提取

±1 000 kV輸電線路復合絕緣子缺陷多源特征及模式識別方法通過提取直線特征、斑點特征和分塊統(tǒng)計特征構(gòu)建±1 100 kV輸電線路復合絕緣子缺陷的特征集。

1.2.1 直線特征

1)對圖像I(x,y)進行LOG邊緣檢測，并對圖像做3×3的均值濾波處理。

2)通過閾值T_a對圖像進行分割處理，獲得二值圖像Ta(x,y)，對二值圖像做Hough直線變換，獲得全部累加器Ha(ri_i,θ_i)對應的最大值Hamax。當設定的閾值HTa小于Hamax時，獲得直線[10]。

3)返回步驟1)處理后獲得的結(jié)果，通過閾值T_b分割圖像，獲得二值圖像Tb(x,y)，并對二值圖像做Hough直線變換處理，計算全部累加器Hb(ri_i,θ_i)對應的最大值Hbmax。當設定的閾值HTb小于Hbmax時，獲得直線。

4)直線特征選取(Hamax-HTa)和(Hbmax-HTb)的最大值。

1.2.2 斑點特征

斑點屬于局部特征，閾值計算結(jié)果受離算子中心很遠像素點的影響，使分割結(jié)果存在誤差[11]。邊緣的敏感程度可以通過子圖像的大小決定，當窗口過小時邊緣即為分割后的結(jié)果?！? 000 kV輸電線路復合絕緣子缺陷多源特征及模式識別方法通過21×21的滑動窗計算局部閾值，待處理的像素I(x,y)即為滑動窗對應的中心位置，±1 000 kV輸電線路復合絕緣子缺陷多源特征及模式識別方法所用的高斯加權(quán)函數(shù)如下：

(11)

式中，K(m,n)描述的是鄰域像素(m,n)對應的高斯加權(quán)值[12]。鄰域像素通過上述函數(shù)進行高斯加權(quán)和，獲得斑點特征。

1.2.3 分塊統(tǒng)計特征

灰度矩的基礎是像素值的統(tǒng)計量，可以通過矩對圖像中的灰度分布進行表示[13-14]?！? 000 kV輸電線路復合絕緣子缺陷多源特征及模式識別方法采用灰度一階矩μ和灰度二階矩σ，其計算公式分別如下：

(12)

(13)

信息熵是全部目標的平均信息量，是一個重要概念可以在信息論中對信息的不確定性進行度量[15-17]。用n維概率矢量P=(P1,P2,…,Pn)描述每個取值在集合X中出現(xiàn)的概率，且符合0≤Pi≤1，∑i=1Pi=1，因此熵函數(shù)H(P)的表達式如下：

(14)

設ki描述的是灰度值為gi的像素在圖像中的總數(shù)，信息熵可以用灰度值為gi的像素在圖像中出現(xiàn)的概率P(gi)進行表示：

(15)

在上式的基礎上對整幅圖像的灰度熵E(I)進行計算：

(16)

2 復合絕緣子缺陷多源特征及模式識別

2.1 多源特征融合

±1 000 kV輸電線路復合絕緣子缺陷多源特征及模式識別方法通過BPSO算法對特征集中存在的特征進行融合，具體過程如下：

1)將特征集中存在的特征拼在一起，獲得對應BPSO粒子的P維向量，其中P=P1+…+PS。

2)對BPSO算法中存在的參數(shù)進行設置，對粒子群進行初始化處理。

3)通過下式對粒子對應的適應度fitness進行計算：

(17)

式中，參數(shù)α決定了分類能力和特征維數(shù)的重要程度；Nall描述的是特征維數(shù)的總和；Npos=1描述的是融合特征的維數(shù)；Jall描述的是特征類別的可分性判據(jù)；Jpos=0描述的是沒有被選中的復合絕緣子缺陷特征的類別可分性依據(jù)；J描述的是Fisher類別可分性判據(jù)。

4)比較粒子經(jīng)歷過的最好適應值和粒子當前的適應值，如果當前適應值優(yōu)于經(jīng)歷過的最好適應值，則最優(yōu)值選取當前值，如果相反，最優(yōu)值保持不變[14]。

5)比較種群歷史最優(yōu)值與種群在本次循環(huán)中獲得的最好位置對應的適應值，如果本次循環(huán)過程中獲得的適應值優(yōu)于歷史最優(yōu)值，歷史最優(yōu)值被本次最優(yōu)值代替，如果相反種群最優(yōu)值保持不變[14]。

6)通過下式對粒子的速度進行更新：

vid(t+1)=w×vid(t)+c1×r1×[pid(t)-xid(t)]+
c2×r2×[pid(t)-xid(t)]

(18)

式中，w代表的是慣性權(quán)重系數(shù)；c1、c2代表的是加速度權(quán)重系數(shù)，其中c1代表的是認知加速度，可以對粒子趨向自身最優(yōu)位置的快慢產(chǎn)生影響，c2代表的是社會加速度，可以對粒子趨向全局最優(yōu)位置的快慢產(chǎn)生影響；r1、r2代表的是隨機函數(shù)，在區(qū)間(0,1)內(nèi)取值；t代表的是循環(huán)次數(shù)。

通過下式對粒子的位置進行更新：

(19)

式中，rand( )代表的是隨機函數(shù)，在區(qū)間(0,1)內(nèi)取值。

7)設置終止條件：達到一個預設最大迭代次數(shù)；適應度值已收斂；產(chǎn)生足夠好的適應值。如果滿足設置的終止條件，停止迭代，獲得種群最優(yōu)位置，位置對應的特征即為復合絕緣子缺陷的融合特征[13]。

2.2 輸電線路復合絕緣子缺陷模式識別模型

將復合絕緣子缺陷特征作為輸入變量，并對其進行模糊化處理，獲得模糊集對應的隸屬度[14]：

(20)

式中，O1i、O2i描述的是節(jié)點的輸出；μ描述的是隸屬度函數(shù)；Ai、Bi描述的是模糊語言變量，所提方法采用種型函數(shù)μbelli和高斯函數(shù)μGaussi作為隸屬度函數(shù)：

(21)

(22)

式中，ai、bi、c描述的是前提參數(shù)。

計算模糊規(guī)則激勵度wi：

wi=μAi(x)μBi(x)

(23)

(24)

通過線性函數(shù)fi獲得節(jié)點的輸出O4i[15]：

(25)

式中，pi、qi、ri為可通過ANFIS訓練學習確定的后件參數(shù)。

對全部規(guī)則的最終輸出進行計算，構(gòu)建復合絕緣子缺陷模式識別模型：

(26)

3 實驗結(jié)果與分析

為了驗證±1 000 kV輸電線路復合絕緣子缺陷多源特征及模式識別方法的整體有效，需要對±1 000 kV輸電線路復合絕緣子缺陷多源特征及模式識別方法進行測試。分別采用所提識別方法、頻域熱特征成像的識別方法、光電復合傳感器的識別方法進行測試，通過光柵掃描獲得不同方法下輸電線路復合絕緣子缺陷多源特征識別結(jié)果，見圖1。

圖1 不同方法下復合絕緣子缺陷識別效果Fig.1 Composite insulator defect identification under different methods

分析圖1可知，3種方法對同一區(qū)域的復合絕緣子缺陷多源特征識別結(jié)果不同。頻域熱特征成像的識別方法與光電復合傳感器的識別方法識別出的線路和絕緣子缺陷遠遠少于所提識別方法，這說明那兩種傳統(tǒng)方法在進行缺陷識別時存在缺陷特征丟失問題，而本研究方法通過均值濾波對復合絕緣子缺陷圖像進行了去噪，增強了圖像識別效果，能夠?qū)崿F(xiàn)復合絕緣子缺陷無損識別。

為進一步驗證上述結(jié)果，獲得將以上3種方法的正確識別率，得到結(jié)果見表1。

表1 不同方法下缺陷特征正確識別率Table 1 Correct recognition rate of defect features under different method

根據(jù)表1可知，不同方法下缺陷特征正確識別率存在一定差異。當?shù)螖?shù)為5次時，頻域熱特征成像識別方法的缺陷特征正確識別率為67%，光電復合傳感器識別方法的缺陷特征正確識別率為54%，所提方法的缺陷特征正確識別率為98%。整體來看，本方法的正確識別率遠遠高于其他兩種傳統(tǒng)方法。這是因為本方法對復合絕緣子圖像進行了均衡化處理，同時采用均值濾波實現(xiàn)了圖像去噪，有效提升了缺陷特征識別正確率。

分別采用所提方法、頻域熱特征成像識別方法以及光電復合傳感器識別方法進行測試，對比不同方法的識別效率，測試結(jié)果見圖2。

圖2 不同方法的識別時間Fig.2 Identification time of different methods

分析圖2可知，對于不同方法的缺陷特征識別時間存在差異。當?shù)螖?shù)為20次時，頻域熱特征成像識別方法的缺陷特征識別時間為7.0 s,光電復合傳感器識別方法的缺陷特征識別時間為6.5 s,所提方法的缺陷特征識別時間為0.7 s。所提方法的缺陷識別時間明顯低于其他兩種傳統(tǒng)方法。整體分析上圖可知，在實驗時間內(nèi)，頻域熱特征成像識別方法與光電復合傳感器識別方法的缺陷特征識別時間明顯高于傳統(tǒng)方法，所提方法法特征識別效率明顯較高。這是因為所提方法對復合絕緣子缺陷特征進行識別之前，對圖像進行了增強、去噪預處理，降低了識別所用的時間。

4 結(jié)論

當前復合絕緣子缺陷特征及模式識別方法存在正確識別率低和識別效率低的問題，提出一種新的復合絕緣子缺陷多源特征及模式識別方法，通過實驗可以得到以下結(jié)論：

1)本方法具有較好的復合絕緣子缺陷識別效果，能夠有效減少缺陷特征丟失問題，識別效果好。

2)本方法的缺陷特征正確識別率始終高于90%，復合絕緣子缺陷多源特征識別精準性高。

3)本方法的復合絕緣子缺陷多源特征識別時間最高不超過1 s，具有較短的識別時間，識別效率高。