王勝輝， 董興浩， 王璽銘， 金潮偉， 孫凱旋， 律方成

(1.河北省輸變電設備安全防御重點實驗室(華北電力大學)，河北 保定 071003；2.國網揚州儀征供電公司，江蘇 225000)

0 引 言

懸式絕緣子是輸電線路中的重要元器件,其在長期的電、熱、機械因力和環(huán)境因素作用下,會出現(xiàn)性能劣化甚至產生缺陷。在一定條件下可形成表面放電并伴隨有紫外光信號輻射[1],其放電嚴重程度直接與設備的絕緣性能相關,日盲型紫外成像法具有探測距離遠、非接觸、放電位置定位準確等優(yōu)點,能夠較好的評估絕緣子的運行狀態(tài)[2,3],在電氣設備的放電檢測中得到了較廣泛的應用[4-6]。

隨著人工智能的發(fā)展,深度學習算法逐步應用于絕緣子運行狀態(tài)的智能評估。文獻[7]采用基于協(xié)同深度學習的二階段絕緣子故障檢測方法,在絕緣子故障檢測中平均準確率較高,但僅能檢測圖像中絕緣子的可見故障與缺陷;文獻[8]基于深度學習單階圖像識別框架的絕緣子在線識別模型可快速有效地完成絕緣子識別定位;文獻[9]構建了基于深度學習的目標控制模型,對拍攝圖像進行分析和識別,整體識別準確率較高但小目標會出現(xiàn)檢測精度低的問題;文獻[10]采用有錨框網絡YOLOV3進行絕緣子檢測和缺陷識別,精度較高。紫外成像法可直觀輸出放電的圖像或視頻,文獻[11]搭建了基于紫外成像的絕緣子污穢放電診斷軟件和硬件平臺,采用損失函數改進的YOLO算法進行了放電嚴重程度評估。將紫外成像儀搭載在無人機人上可提高現(xiàn)場檢測效率[12],降低工人勞動強度,但傳統(tǒng)巡檢需通過4G或5G網絡傳輸數據到后臺診斷中心,或者在巡檢完畢后將數據導入到診斷中心進行評估和識別,實時性較差。現(xiàn)場檢測時,若將邊緣計算平臺部署于無人機上則可以快速完成絕緣子放電嚴重程度評估,減少前后端冗余數據傳輸[13]。文獻[14]提出了利用FPN構建Faster R-CNN檢測模型的MGFF-KCD來處理多個粒度的特征信息,提高了算法的準確率;文獻[15]提出了一種融合多維度特征的絕緣子狀態(tài)邊緣識別方法,提升了絕緣子的識別準確率。文獻[16]和文獻[17]所設計的模型性能較好,但是模型大,將其部署于嵌入式邊緣計算設備會增加功耗,降低識別速度,因此將邊緣計算部署于無人機上需要考慮功耗和模型小型化問題。

SSD(Single Shot Multibox Detector)深度學習算法兼具較快的目標檢測速度和檢測精度,但該模型較大。為將其部署于邊緣計算設備,本文提出了一種改進的SSD卷積神經網絡結構,以多個低維度Core卷積核組替代了原有的高維度特征提取骨干網絡,并使用輔助特征子網絡進行目標預測。搭建了瓷懸式絕緣子試驗平臺,獲取了不同放電階段的泄漏電流和放電紫外圖像及視頻。設計了自主學習率更新機制,提升了模型的訓練性能,將訓練好的模型下載至Jetson nano邊緣計算平臺,實現(xiàn)放電嚴重程度的智能評估,可為后續(xù)將該邊緣模塊部署于無人機平臺奠定基礎。

1 試驗原理及研究方法

1.1 試驗原理

為模擬絕緣子表面不同嚴重程度的放電,采用人工染污在人工霧室中進行相關試驗,試驗接線如圖1所示。試驗變壓器的型號為TDTW-1 200/300,人工霧室的尺寸為1.5×1.5×2.7 m,超聲波冷霧加濕器型號為SJC-3000,冷霧經由霧室頂部設置的多個通風口均勻出氣,實測其最大相對濕度可達95%～97%。在人工霧室的側面加裝了一片透紫外玻璃,尺寸為1.2×0.6 m,該玻璃在240 nm～280 nm波段紫外光的透光率可達95%。

圖1 試驗原理圖

試品為XWP2-70型瓷懸式絕緣子,本文主要測量7片絕緣子的紫外放電現(xiàn)象,通過CoroCAM504紫外成像儀拍攝放電圖形并傳至視頻采集卡進行存儲,同時利用G15數碼相機拍攝可見光圖像和視頻。泄漏電流采用10Ω的無感精密電阻進行取樣,通過HS5數據采集卡進行數據采集。

1.2 試驗方案

試驗使用的絕緣子型號為XWP2-70,其結構高度為146 mm,公稱盤徑為255 mm,爬電距離為400 mm,表面積為2 023 cm2,采用人工涂污方法模擬絕緣子積污。涂污前,用純凈水對絕緣子的表面進行清洗,晾曬約12 h后,使用相應量氯化鈉和高嶺土配置好污液后對絕緣子的表面進行涂覆,控制等值鹽附密度為0.4 mg/cm2,灰密為2 mg/cm2。

試驗采用恒壓加濕法進行試驗,對7片絕緣子串施加電壓為70 kV,打開超聲波加濕器對人工霧室進行增濕。紫外成像儀的增益設定為60%,觀測距離為14米,試驗中利用數據采集系統(tǒng)和紫外成像儀采集相應的泄漏電流和放電紫外視頻信號。

1.3 相對光斑面積

隨著觀測距離的增加,放電光斑面積會近似按照平方反比規(guī)律而下降,直接采用光斑大小來衡量放電難以得到統(tǒng)一的判據。在此本文提出了相對光斑面積參數Sre,具體如式(1)所示。

(1)

式中:Sins為拍攝的圖像中絕緣子的外部輪廓所對應的長方形區(qū)域面積,也即該區(qū)域所包含的像素點,單位為像素(pixel),如圖2所示。S代表放電的光斑面積,其計算方法如式(2)。

圖2 絕緣子面積Sins示意圖

(2)

式中:M和N代表二維像素矩陣行與列的數值,H(x,y)為采用文獻[3]方法對圖像進行閾值分割、形態(tài)學濾波、小區(qū)域面積算法處理后的二值圖像,可有效提取放電的光斑區(qū)域。光斑面積是放電光斑區(qū)域像素點的個數,本文定義其單位為像素(pixel)。

1.4 放電嚴重程度劃分

基于上述試驗可獲得不同濕度下放電的典型紫外圖像如圖3所示。

圖3 不同濕度下紫外通道放電圖像

結合放電時觀測到表面的電暈、火花和電弧放電的形態(tài),根據不同濕度下放電的相對光斑面積,對瓷懸式絕緣子的運行狀態(tài)進行分析,本文將其運行狀態(tài)分為以下四種:

(a)當相對濕度達到約70%左右,絕緣子鐵帽周圍開始出現(xiàn)微弱的電暈放電,紫外圖像上出現(xiàn)分散的光斑點,分析可知此時0≤Sre<0.50,將該狀態(tài)標記為“slight”,其泄漏電流波形如圖4所示,此時,其泄漏電流幅值一般為幾毫安左右。

圖4 “slight”狀態(tài)下的泄漏電流波形

(b)隨著濕度繼續(xù)增加,可出現(xiàn)藍紫色的刷狀小火花放電且伴隨有明顯的“呲呲聲”,光斑區(qū)域呈現(xiàn)不規(guī)則狀態(tài),時大時小。分析可知此時0.50≤Sre<1.0時,將該狀態(tài)標記為“moderate”。其泄漏電流波形如圖5所示,此時,其泄漏電流在每個工頻周期內的幅值可達幾十毫安。

圖5 “moderate”狀態(tài)下的泄漏電流波形

(c)當相對濕度達到約90%左右時,在鐵帽周圍的干區(qū)開始出現(xiàn)了橘黃色的小電弧放電,長度不超過2 cm,在紫外圖像中可以看到較大的光斑,放電紫外圖像區(qū)域可完全遮蓋絕緣子本體,分析可知此時1.0≤Sre<2.0時,本文將該狀態(tài)標記為“heavy”。該狀態(tài)下的泄漏電流波形如圖6所示,其泄漏電流幅值可達100 mA以上。

圖6 “heavy”狀態(tài)下的泄漏電流波形

(d)隨著濕度進一步增加,絕緣子本體上下表面會偶爾出現(xiàn)明亮的電弧,最大電弧可接近瓷件邊緣,此時伴隨著紫外圖像明顯增加,將該狀態(tài)標記為“worse”,分析可知此時Sre≥2.0,該狀態(tài)下的泄漏電流波形如圖7所示,其泄漏電流幅值可接近200 mA。

圖7 “worse”狀態(tài)下的泄漏電流波形

2 瓷絕緣子放電嚴重程度狀態(tài)評估

2.1 邊緣平臺搭建

由上述試驗可知,紫外圖像可有效反映絕緣子表面的放電,可采用圖像和視頻分析的方法進行識別和評估。在此本文搭建了基于NVIDIA Jetson nano邊緣計算識別平臺,該計算平臺配備了Ubuntu18.04操作系統(tǒng),參數如表1所示。

表1 平臺參數

2.2 紫外放電數據庫的建立及數據標注

本文通過試驗共獲取紫外通道放電圖像8 000張,“slight”、“moderate”、“heavy”、“worse”四個狀態(tài)下的放電圖像各占四分之一,部分照片如圖8所示。

圖8 放電嚴重程度樣本數據庫中典型紫外圖像

完成數據庫的搭建后,采用labelImg圖像標注軟件對樣本數據庫內的紫外放電圖像進行標注,并將整個樣本數據集按照3∶1的比例劃分為訓練集和測試集,即將6 000張圖片用于網絡的訓練,2 000張圖片用于模型性能的評估。本文模型訓練的初參數如表2所示。

表2 模型參數初始值

2.3 SSD模型的改進

將放電嚴重程度樣本數據輸入神經網絡模型進行訓練,為降低模型大小,本文提出的改進檢測網絡模型如圖9所示。其由兩部分組成:高度優(yōu)化的Core卷積核子網絡和基于SSD的輔助特征提取子網絡。經Core卷積核初步提取后生成多個特征圖,經過選取特定特征圖傳入輔助特征提取子網絡用于預測,在保證目標檢測精度的同時最小化模型。

圖9 改進的檢測網絡模型

2.3.1 Core卷積組子網絡

傳統(tǒng)目標檢測算法大都將VGG16等模型用于底層特征提取,此類模型多采用3×3卷積核作為特征圖的濾波器,具有兩方面弊端:一方面卷積的深度不足;另一方面若卷積核的數量過多,導致輸出特征圖的通道數過多,產生大量的參數,對硬件的算力和內存要求高。本文設計了更小的Core卷積組,并利用該網絡結構體系實現(xiàn)更為高效的特征提取,Core卷積組的設計原則如下:盡可能的減少3×3卷積核的數量,減少3×3卷積核輸入特征圖的通道數。

本文所設計的Core卷積組共由10個Core卷積核組成,分別為Core1～Core10。每個Core卷積核包含兩個卷積層:壓縮卷積層S和擴張卷積層E。壓縮卷積層中均為1×1卷積核,擴張卷積層為1×1卷積和3×3卷積的混合,具體如圖10所示。每個Core體系卷積層中1×1卷積核和3×3卷積核的數量將影響目標檢測的精度和模型大小。受文獻[18]的啟發(fā)并經過多次試驗,在保證模型精度的前提下,盡可能減少了S層和E層中卷積核的數量,并在多次Core卷積后增加Pool下采樣層以降低特征圖的通道數,Core卷積組子網絡的具體架構如表3所示。表中s1x1、e1x1、e3x3分別代表S層中1×1卷積核的數量、E層中1×1卷積核的數量和E層中3×3卷積核的數量。

表3 Core卷積組架構

圖10 單個Core卷積示意圖

Core卷積組均由低維度卷積核組成,極大的壓縮了神經網絡計算參數量。假設卷積核的輸入通道數為M,輸出通道數為N,使用標準卷積對其進行特征提取所產生的參數量為

K×K×M×N=K2MN

(3)

若使用本文的優(yōu)化卷積,參數量為

M×s1×1+M×e1×1+9×M×e3×3=

(4)

由式(3)、式(4)對比可知,本文設計的優(yōu)化卷積的計算參數量比傳統(tǒng)卷積降低了一個數量級,并且輸出通道數N越大,模型縮減效果越好。

2.3.2 輔助特征提取子網絡

SSD算法是近年來應用較為廣泛的目標檢測網絡[19],其通過一組維度逐漸縮小的非均勻卷積特征層對場景中不同尺寸的物體進行檢測,然后利用這些卷積特征層來獲取待檢測目標的位置及類別。此方法可同時對多對象進行檢測。本文在Core卷積核子網絡中選取Core4、Core8、Core9、Core10、Conv11-2、Conv12-2卷積層組成輔助特征提取子網絡,總體架構和每層參數如表4所示,在完成相應卷積層特征初步提取后,再使用一組卷積來預測該特征層上每個預測框的位置(loc)以及預測框內目標對應的種類(conf)。

表4 特征提取網絡架構

3 訓練模型策略優(yōu)化

卷積神經網絡的訓練對硬件以及運算速度要求較高,故采用NVIDIA深度學習服務器對該模型進行訓練,服務器搭載英特爾Xeon Silver 4200系列中央處理器以及英偉達P6000系列顯卡,可完成復雜的神經網絡訓練過程。

3.1 自主更新學習率機制

學習率是深度學習中重要的超參數之一,手動調整學習率需要 經過不斷的嘗試以獲得最佳模型,每次訓練的權重均擁有獨立的損失曲線,易出 現(xiàn)模型難以收斂或收斂效果不佳等情況,本文采取動態(tài)調整學習率的方案,迭代次數越多,所提取的特征圖越細致,學習率越低,特征提取越全面,因此根 據迭代次數設置優(yōu)化器 α來執(zhí)行學習率的更新,具體如圖11所示。

圖11 自主更新學習率機制

設定初始學習率lr為0.000 1,并按照該學習率對模型進行訓練。step為訓練的迭代次數,初始值為0,當迭代次數為 4 000、8 000、12 000時,將學習率載入優(yōu)化器 α對其進行下降,優(yōu)化器中 gamma為學習率衰減因子,此處取值為0.8,將該值進行step次方運算并與上一結點學習率相乘得到后4 000次迭代運算所需學習率。當迭代次數并非上述三個值時,按照初始學習率或更新后的學習率進 行訓練,即迭代次數小于4 000時,學習率等于初始學習率;迭代次數大于 4 000小于8 000時,學習率等于迭代次數為4 000時所更新的學習率;迭代次數大于8 000小于12 000時,學習率等于迭代次數為 8 000時所更新的學習率;迭代次數大于12 000小于20 000時,學習率等于迭代次數為12 000時所更新的學習率。

圖12對比了本文設計的學習率自主更新機制與手動設定學習率為1e-4,1e-5,1e-6時的訓練效果。由圖12可看出,四條曲線均為波動下降最終收斂至一個值且剛迭代時收斂速度較快,隨著迭代次數的增加,由于樣本數據集深層特征的 復雜性,其收斂速度趨于平緩。從學習率為1e-4、1e-5、1e-6三條曲線可看出,學習率的大小與收斂效果并非為正相關,即學習率過大或過小都不利于損失函數 的收斂。學習率為1e-6時,在迭代至5 000次時已陷入局部最優(yōu)解;學習率為1e-4時,且收斂速度和收斂效果略優(yōu),最終損失函數收斂值為1.2左右;1e-5學習率作為上述兩學習率的中間值,收斂速度以及收斂效果遠優(yōu)于上述兩種學習率。而本文設計的自主更新學習率機制訓練效果顯而易見,前10 000次收斂速度快且 收斂至0.7附近,后續(xù)迭代計算速度較為平緩,整體趨勢與學習率為1e-5時相近,但是整個曲線的波動值(曲線的波動由訓練時陷入局部最優(yōu)解引起)較小,不如學習率為1e-5時的波動幅度大,最終損失值收斂至0.3附近,整個訓練過程 收斂速度快,曲線較為平滑且收斂值較優(yōu)。總體上,訓練效果與傳統(tǒng)固定學習率 學習率相比較顯著。

圖12 不同學習率損失函數曲線

3.2 紫外放電圖像視頻流檢測

本文將服務器端訓練完的模型下行至邊緣端,實現(xiàn)放電圖像的實時視頻流識別。視頻的本質為多幀圖片的融合,視頻流檢測即按照時間序列對幀圖片進行檢測。本文采用OpenCV中的VideoCapture類讀取視覺傳感器所獲取的絕緣子視頻圖像信息,并在嵌入式邊緣計算平臺上調用PyQT5的計時器應用程序接口,每隔一段時間對其進行抽幀。

經測試,在未載入算法前嵌入式平臺通過視覺傳感器捕獲的紫外通道下的瓷絕緣子放電圖像,圖像幀率為28.2 FPS,分辨率為1 280×720,調用OpenCV的VideoCapture類對視頻流信息進行提取,利用計時器每間隔1 ms從視頻流中讀取一幀圖像并將其輸入預訓練完成的改進SSD檢測模型進行預測并輸出檢測結果,最后通過VideoCapture將每一幀識別結果進行融合,生成帶有 檢測結果的視頻圖像。

瓷懸式絕緣子放電的每一幀視頻圖像的識別通過初步提取檢測模型中待檢測圖像6個特征圖的參數,再進行深度的特征提取,具體如圖13所示。經過兩次卷積不斷調整預測框相對于先驗框的位置以及每個預測框所對應的預測類別,6個特征圖生成6個檢測結果,最后通過非極大值抑制在6個檢測結果中找出最大置信度所對應的邊界框的位置和類別,即為輸入圖像的最終預測 值。將預測值通OpenCV的VideoWriter類寫入新視頻圖像。間隔1 ms后重復上述流程提取視頻流下一幀圖像,將帶有檢測結果的圖像按堆疊即完成對瓷懸式絕緣子紫外放電圖像的識別。

圖13 視頻圖像檢測過程

4 模型性能測試及分析

在本文搭建的邊緣計算平臺下,將驗證圖片分別載入本文模型、原SSD模型和文獻[20]模型,借助文獻[21]提出的參數計算模型進行運算參數分析,其計算方法如式(5)所示。

(5)

式中:ci為每個卷積層的參數量,N為模型訓練產生的總參數量,αi為主內存對圖形處理器緩存的訪問次數。訓練1 000次并分析訓練過程中所產生中間參數量的關系,具體如圖14所示。

圖14 模型參數量對比

原SSD模型訓練產生的參數量約為91 MB,文獻[20]采用MobileNet代替底層特征提取網絡,對模型進行精簡后產生的參數量約為25 MB;本文模型采用了多個低緯度卷積,所產生中間參數量僅為原SSD網絡的1/20,極大縮減模型,模型預測準確率及大小如表5所示,模型文件僅為4.5 MB,相比于輕量化模型 MobileNet+SSD,本文進一步精簡了網絡結構,實現(xiàn)了模型的微型化。

表5 模型對比

5 檢測結果

本文將實驗中所拍攝放電視頻載入測試識別準確率為83.53%的模型觀測識別效果,具體如圖15所示。

由圖中可以看出,對于大部分放電均可實現(xiàn)準確的識別。0≤Sre<0.50時,偶爾出現(xiàn)漏識別的情況;0.50≤Sre<1.0和1.0≤Sre<2.0時,易出現(xiàn)重復交替識別,需結合現(xiàn)場的其他信息使得評估更準確;Sre≥2.0時,瓷懸式絕緣子處于閃絡的邊緣,有較為連貫的電弧,放電光斑的本體面積較大,本文算法可對其進行精準識別。

本文還將改進SSD模型識別的懸式絕緣子放電結果與YOLOv3模型識別結果進行了對比分析,如圖16所示。

分析圖16可知,兩種模型均能對懸式絕緣子不同放電程度進行準確識別,統(tǒng)計分析表明雖然YOLOv3模型的識別準確率略高于改進SSD模型,但改進SSD模型大小遠小于YOLOv3模型,更適合于部署于無人機巡檢上的邊緣計算平臺,方便現(xiàn)場應用。

6 結 論

(1)搭建了污穢絕緣子試驗平臺,提出相對光斑面積的概念,并利用其對絕緣子的放電嚴重程度進行相應分類,便于后續(xù)神經網絡的訓練。

(2)改進了SSD模型的底層結構,在保證識別準確率的前提下,模型文件大小僅為4.5 MB,具有良好的嵌入式檢測性能。

(3)優(yōu)化了模型的訓練策略,設計了自主更新學習率機制,使得模型收斂速度提升約3.5倍,收斂值降低1/2,訓練曲線平滑且收斂值較優(yōu)。

(4)將實驗中所拍攝放電視頻載入測試識別準確率為83.53%的模型中,對于大部分放電均可實現(xiàn)準確的識別。

目前相關研究主要是在實驗室進行,后續(xù)可將該邊緣計算模塊與掛載在無人機上的紫外成像儀進行一體化設計,開展現(xiàn)場應用測試。