基于深度學習的配電線路瓷絕緣子缺陷識別

嚴宇平, 吳廣財, 王澤涌

(1.廣東電網有限公司，廣東 廣州 510699； 2.廣東電力信息科技有限公司，廣東 廣州 510630)

在配電線路中，絕緣子是一個非常重要的部件，其制作材料都是一些如陶瓷、橡膠等高強度絕緣材料，可以很好地支撐電網的運行，并起到絕緣的作用[1]。智能電網的建設成效逐漸加強，增加了陶瓷絕緣子的使用數量，絕緣子帶來的配電線路故障也越來越多。每年由絕緣子引發的電力事故占50%以上，絕緣子缺陷主要受到配電線路的工作環境、氣候環境等因素影響，導致絕緣子的機械結構被破壞[2]。如果絕緣子出現缺陷，就會提高配電線路發生故障的風險，嚴重威脅著電網的安全運行，保證絕緣子的工作狀態對電網的運行具有重要作用[3]。

目前相關領域針對絕緣子缺陷檢測進行了研究，并取得了一定的研究成果。文獻[4]提出了基于無人機電力巡檢技術的絕緣子缺陷檢測方法，先處理巡檢得到的缺陷圖像，通過轉換缺陷圖像的顏色空間，避免光照強度對絕緣子缺陷圖像產生影響，根據最大類間方差原理，對絕緣子缺陷圖像閾值進行分割，通過判斷缺陷圖像的像素個數，準確定位絕緣子缺陷位置處的坐標，經過測試發現，該方法可以準確檢測到絕緣子缺陷，但識別精度較低。文獻[5]提出了基于航拍影像的輸電線路絕緣子缺陷識別，通過無人機搭載高分相機采集輸電線路信息，對采集到的影像進行檢測，減少了高壓線路檢查作業時存在危險，仿真結果發現該方法在絕緣子缺陷識別中具有較高的精準度，提高了輸電線路的巡檢水平，但該方法的識別精度還需要改進。

在計算機視覺與電子信號處理領域中，深度學習得到了廣泛的應用，與其他學習方法相比，深度學習包含多層神經網絡，通過在不同層級提取出抽象特征，提高其學習能力，采用深度學習處理絕緣子缺陷圖像，可以有效提升電力系統巡檢的智能化程度。基于以上研究，本文將深度學習應用到了配電線路絕緣子缺陷識別中，從而提高配電線路的巡檢水平。

1 配電線路瓷絕緣子缺陷識別方法設計

1.1 檢測配電線電子信號的路瓷絕緣子缺陷

在配電線路中，通常采用電流-電壓法測試瓷絕緣子的可靠性，測試原理如圖1所示。

圖1 瓷絕緣子可靠性測試原理

圖1中，Ri為電源等效電阻，R+jX為等效絕緣體阻抗，En為測試電源電壓為，R0為采樣電阻。被檢測的配電線路瓷絕緣子連接在E和L中間，G在測試中的作用是屏蔽外界干擾信號。

利用兆歐表測試配電線路電源電壓[6]，實際上就是E和G之間的電壓值UEG，配電線路的電壓誤差就是UEG與En之間的差值，可以利用式(1)計算得到：

(1)

配電線路在運行時，電壓誤差通?？刂圃凇?%～10%[7]，配電線路的電源負載特性參照式(1)的計算，得到誤差范圍為

(2)

式中：ΔUEG為配電線路電源的負載電壓。

在測量配電線路瓷絕緣子的極化系數時，對電源10 min以內的穩定性提出以下約束：

(3)

引入測試電壓波紋系數[8]，衡量配電線路的測試電源，那么電源電壓中的波紋含量計算公式為

(4)

式中：ΔUr為配電線路在電壓波動分量上的峰值。根據式(4)的計算，配電線路測試電壓的波紋會影響電流的穩定性和瓷絕緣子的正常極化，嚴重時還會對采樣電阻R0的電壓測量準確性造成影響[9]，如果想要增加配電線路電源電壓的測量誤差，配電線路的測試電壓波紋系數需要滿足以下條件：

(5)

在測試配電線路瓷絕緣子的可靠性時，將電源充電的等效電阻設為Rs，那么配電線路的電容充電時間常數可以表示為

γ=Rs·C

(6)

式中：C為配電線路中分布電容的大小。

配電線路瓷絕緣子缺陷在檢測時，配電線路E和L之間短路的電流可以表示為

(7)

式中：Id的值越大，說明檢測結果越好。根據以上計算過程，檢測出配電線路的瓷絕緣子缺陷。

1.2 基于深度學習定位檢索瓷絕緣子缺陷圖像特征

采用深度學習定位檢索配電線路瓷絕緣子的缺陷特征，根據配電線路瓷絕緣子表面的缺陷區域分布規律，確定檢索區域的數量。

將配電線路瓷絕緣子缺陷的初始化分類數量定義為c=2，計算了瓷絕緣子缺陷圖像的深度學習中心和隸屬度函數，公式為

(8)

式中：vi為瓷絕緣子缺陷圖像中第i類缺陷特征的學習中心；xk為瓷絕緣子缺陷樣本數量；m為深度學習因子；k為瓷絕緣子缺陷圖像的像素；uik為瓷絕緣子缺陷圖像的像素隸屬度，計算公式為

(9)

判斷第二次計算得到的隸屬度函數是否接近第一次迭代的數值，如果不接近，就需要利用公式(8)和公式(9)再計算一次深度學習中心和隸屬度函數[11]。

根據以上計算結果，確定了深度學習特征的最佳數量，表達式為

(10)

式中：vj為瓷絕緣子缺陷圖像中第i類特征的學習中心；c′為瓷絕緣子缺陷分類的有效函數值。

利用深度學習網絡學習瓷絕緣子缺陷的隸屬度函數值[12]，將瓷絕緣子缺陷圖像的像素k歸為i?類，那么配電線路瓷絕緣子缺陷特征的定位檢索結果為

i?=argmax(uik),i?∈[1,c]

(11)

根據式(11)的計算結果，對配電線路瓷絕緣子缺陷特征進行了定位檢索。

1.3 識別配電線路瓷絕緣子缺陷

根據配電線路瓷絕緣子缺陷的定位檢索結果，先對瓷絕緣子缺陷圖像進行二值化處理，識別出瓷絕緣子缺陷。

假設配電線路瓷絕緣子缺陷圖像為I，表示為

I=D+B+N

(12)

式中：D為瓷絕緣子缺陷目標；B為瓷絕緣子缺陷圖像的背景；N為圖像噪聲。

對于瓷絕緣子缺陷目標D而言，如果存在一個完備的瓷絕緣子缺陷字典庫ΦD∈Rl×lD，求解得到瓷絕緣子缺陷圖像的二值解[13]，表示為

(13)

式中：α為瓷絕緣子缺陷圖像的稀疏性。

按照以上處理過程，通過變換瓷絕緣子缺陷圖像，得到瓷絕緣子缺陷圖像的二值化處理結果，即

(14)

式中：λ為權重變量；αD為缺陷圖像的合成系數；αb為分解系數。

對于深度學習網絡的卷積層，對瓷絕緣子缺陷圖像的二值化處理結果進行卷積運算，利用激勵函數獲取瓷絕緣子缺陷的特征圖，推算過程描述為

y=f(wx+b)

(15)

式中：w為深度學習網絡的權重；b為偏置值；f為學習系數。

由于配電線路缺陷圖像的樣本個數比較少，缺陷圖像的維度也比較低[14]，為了防止深度學習網絡在訓練時出現過擬合的現象，定義了如公式(16)所示的激勵函數，即

f(x)=max(0,x)

(16)

激勵函數在訓練深度學習網絡時，不僅可以簡化計算過程，還可以加快網絡的收斂速度。

在深度學習網絡的全連接層，可以將卷積層輸出的瓷絕緣子缺陷圖像轉換成一維矢量，識別出配電線路的缺陷。

深度學習網絡需要定義一個代價函數，用來度量網絡輸出的期望值和真實值的誤差，把代價函數定義為

(17)

式中：C為深度學習網絡的代價函數；x為網絡的輸入值；y為網絡的輸出值；a為期望值；n為瓷絕緣子缺陷圖像的樣本數量。

為了計算出深度學習網絡中代價函數的最小值，需要計算w和b的梯度值，計算公式為

(18)

(19)

通過式(18)和式(19)的計算，w和b的梯度值與偏置差之間存在一定聯系[15]，訓練深度學習網絡就是為了求解得到符合最小C對應的w和b，從而識別出配電線路瓷絕緣子缺陷。

2 實驗分析

為了驗證基于深度學習的配電線路瓷絕緣子缺陷識別方法的有效性，在輸入圖像之前，需要先對絕緣子圖像進行預處理，從而適應深度學習網絡的輸入。將原始絕緣子圖像的高度和寬度限制在224以內，高度和寬度的比例不變，得到224×224的絕緣子輸入圖像，絕緣子圖像的預處理變化如圖2所示。

圖2 絕緣子圖像的預處理變化

在配電線路瓷絕緣子圖像中，有2 500張正常圖像和400張缺陷圖像，隨機挑選出500張正常圖像和80張缺陷圖像作為測試集，其余絕緣子圖像作為訓練集。

2.1 設置實驗參數

基于圖像預處理結果，設置實驗參數如表1所示。

表1 實驗參數

2.2 結果與分析

利用預處理之后的500張正常圖像和80張缺陷圖像，在表1實驗參數的支撐下，引入文獻[4]方法和文獻[5]方法進行對比，分別對瓷絕緣子脫落、灼蝕和破損等缺陷進行識別，測試了三種方法的Fβ指標，用于衡量瓷絕緣子的識別精度，Fβ的計算公式如下：

(20)

式中：β為調節參數；P為識別到的缺陷樣本數量；R為總樣本數量。

三種方法識別瓷絕緣子脫落缺陷的Fβ指標測試結果如圖3所示。

圖3 瓷絕緣子脫落缺陷的Fβ指標測試結果

從圖3的結果可以看出，采用文獻[4]方法時，由于無人機巡檢的瓷絕緣子缺陷圖像不夠清晰，導致缺陷識別的Fβ指標偏低；采用文獻[5]方法時，得到缺陷識別的Fβ指標初始值只有5，但是隨著實驗的進行，文獻[5]方法訓練效果越來越好，當樣本數量達到80個時，缺陷識別的Fβ指標達到最大值，為6.95；采用所提識別方法時，得到缺陷識別的Fβ指標明顯高于其他兩種識別方法，而且隨著樣本數量的增加，缺陷識別的Fβ指標越來越大，當樣本數量達到80個時，缺陷識別的Fβ指標達到了9，因此，說明所提識別方法對瓷絕緣子脫落缺陷的識別精度更高。

三種方法識別瓷絕緣子灼蝕缺陷的Fβ指標測試結果如圖4所示。

圖4 瓷絕緣子灼蝕缺陷的Fβ指標測試結果

從圖4的結果可以看出，三種識別方法對瓷絕緣子灼蝕缺陷識別的Fβ指標比瓷絕緣子脫落缺陷低，采用所提識別方法識別30個灼蝕缺陷樣本時，得到缺陷識別的Fβ指標仍然可以達到9，隨著樣本數量的增加，灼蝕缺陷識別的Fβ指標開始逐漸下降，但是依舊可以將灼蝕缺陷識別的Fβ指標控制在8以上，因此，說明所提識別方法的精度更高。

三種方法識別瓷絕緣子破損缺陷的Fβ指標測試結果如圖5所示。

圖5 瓷絕緣子破損缺陷的Fβ指標測試結果

從圖5的結果可以看出，所提識別方法對瓷絕緣子破損缺陷識別的Fβ指標是最高的，采用所提識別方法時，瓷絕緣子破損缺陷的Fβ指標始終高于8，當樣本數量超過40個時，瓷絕緣子破損缺陷的Fβ指標值處于穩定變化的階段，說明所提識別方法在識別瓷絕緣子破損缺陷時，具有更高的精度。

3 結 語

針對絕緣子出現缺陷，引發配電線路發生故障的風險，提出了基于深度學習的配電線路瓷絕緣子缺陷識別方法研究，通過深度學習定位檢索瓷絕緣子缺陷圖像特征，實現配電線路瓷絕緣子缺陷識別，通過實驗測試可知，該方法在識別瓷絕緣子脫落、灼蝕和破損等缺陷時，缺陷識別指標均可達到9以上，具有更高識別精度。但是該研究還存在很多需要改進的地方，在今后的研究中，希望可以應用極限學習機改進深度學習網絡，進一步提高瓷絕緣子缺陷識別精度。