絕緣子劣化狀態(tài)檢測技術(shù)研究＊

白 衛(wèi)，黎業(yè)欣，甘 徐，盧勝標，李 毅

（廣西電網(wǎng)有限責任公司玉林供電局，廣西 玉林537000）

1 引言

絕緣子是電力設備上的重要部件，起著連接導線和電塔的重要作用。電力系統(tǒng)要穩(wěn)定運行，需確保絕緣子性能良好。絕緣子長期暴露在各種復雜自然環(huán)境中，其性能不僅受到外界環(huán)境的影響，同時電磁場和應力也會導致絕緣子的絕緣性能失效、劣化，最終成為零值絕緣子[1]。零值絕緣子在惡劣環(huán)境下會發(fā)生斷串、掉線等事故，甚至會導致嚴重的區(qū)域性停電[2]。零值絕緣子已經(jīng)嚴重危害到國民經(jīng)濟的發(fā)展和人民日常生活。因此，及時排除電網(wǎng)設備中的劣化、零值絕緣子，確保電網(wǎng)的穩(wěn)定安全成為現(xiàn)在的一個重要課題。

隨著電網(wǎng)規(guī)模的擴大，人工巡檢的方法越來越難以實施。零值絕緣子的智能化檢測手段較高的準確率能有效減少電網(wǎng)因絕緣子劣化引發(fā)的停電事故，從而確保電網(wǎng)的安全穩(wěn)定運行。

2 原理介紹

用深度學習的方法定位出絕緣串在紅外影像中的位置，通過分析紅外影像中絕緣子串的熱特性判別絕緣子是否是零值絕緣子。流程如圖1 所示，下面主要介紹零值絕緣子的發(fā)熱原理、熱紅外影像的成像原理和基于深度學習的目標檢測技術(shù)的相關研究成果。

2.1 零值絕緣子熱特性

掛網(wǎng)絕緣子的熱量來源有三種：絕緣子在大氣環(huán)境中表面沾染污穢，泄漏電流通過污穢傳導產(chǎn)生的熱量[3]；由于絕緣子制造工藝的限制，導致絕緣子內(nèi)部各部件粘接不緊密，穿過絕緣子內(nèi)部電流引起發(fā)熱；絕緣介質(zhì)在工頻電壓作用下的極化效應引起介質(zhì)損耗發(fā)熱。

圖1 算法流程圖

隨著絕緣子運行時間的增加，受風吹日曬等自然環(huán)境的影響，絕緣子絕緣性能不斷降低，導致出現(xiàn)劣化。在劣化過程中，絕緣阻值變小，從而導致發(fā)熱增加，溫度升高。實驗表明，當絕緣子阻值減小到某一特定值時，發(fā)熱功率達到最大值，這是通過熱紅外影像判別絕緣子劣化的重要依據(jù)。

2.2 紅外影像

紅外熱像儀通過探頭上的光敏傳感器感應環(huán)境中的紅外輻射能量，將其轉(zhuǎn)化為電流強度信號，并將其量化為紅外熱像圖[4]。所以，和光學相機類似，熱紅外圖片上每一處的灰度值反映了物體對應處的實時溫度。該目標點的熱量越大，圖片的灰度值越高，紅外圖像上反映出來的點就越亮[5]。當絕緣子串通電時，絕緣子會發(fā)熱而與周圍環(huán)境區(qū)分開來。當線路中出現(xiàn)劣化零值絕緣子時，其阻值為0，表現(xiàn)為不發(fā)熱，所以此區(qū)域的熱量同環(huán)境溫度基本一致，而低于正常絕緣子的溫度。最終通過明暗的形式反映到紅外圖片上，結(jié)果如圖2 所示。

圖2 正常絕緣子和零值絕緣子

2.3 深度學習

深度學習是近年來的一個熱門研究方向，其基本思路是模擬人腦神經(jīng)元之間的連接來處理一些復雜的感知問題，由于其在語音識別、計算機視覺等應用中取得突破性的進展，深度學習技術(shù)被廣泛應用于工業(yè)生產(chǎn)各個領域。其中，卷積神經(jīng)網(wǎng)絡（CNN）能極大程度地提高圖像識別的泛化能力的識別效果。CNN 網(wǎng)絡以輸入圖像處理對象，輸出為目標檢測結(jié)果及其概率，并且由于權(quán)值共享機制的影響，CNN 網(wǎng)絡對于圖片數(shù)據(jù)的位移、翻轉(zhuǎn)、縮放有著很好的適應效果。和傳統(tǒng)基于人工特征的圖像算法相比，完全摒棄了特征設計和提取的繁雜過程。本文設計了基于卷積神經(jīng)網(wǎng)絡的零值絕緣子識別模型。

3 絕緣子發(fā)熱實驗

為了解絕緣子串，特別是零值絕緣子的發(fā)熱特向。首先在實驗室環(huán)境下模擬絕緣子串在不同位置、不同濕度和不同污穢度條件下的發(fā)熱實驗，獲得零值絕緣子的發(fā)熱影像數(shù)據(jù)，構(gòu)建熱紅外影像數(shù)據(jù)庫。

3.1 實驗設備

按照GB/T 4585—2004/IEC60507：1991《交流系統(tǒng)用高壓絕緣子的人工污穢試驗》標準進行試驗，試驗方案如圖3所示。移圈調(diào)壓器輸入電壓220 V，輸出電壓0～250 V，調(diào)壓器實物如圖4 所示。用以限流的保護電阻為12 kΩ，由工頻交流變壓器給予電源，高壓端銅芯電線經(jīng)絕緣保護管接入環(huán)境模擬室。將絕緣子串懸掛到2 000 mm×1 300 mm×1 300 mm 的環(huán)境模擬室中，開啟加濕器，增加環(huán)境相對濕度，同時使用電子濕度計時監(jiān)控模擬室內(nèi)的環(huán)境濕度。將絕緣子串按照圖3 所示方式進行布置，在絕緣子串兩端施加電壓。加壓時采用均勻升壓的方式快速升壓至試驗電壓，再采用恒壓方式持續(xù)加壓1 h，使用分壓比為1 000∶1 的電容分壓器監(jiān)測電壓，同時用紅外熱像儀拍攝絕緣子串溫度分布圖，紅外熱像儀為FLIR T440，測量范圍為-20～1 200 ℃，熱靈敏度小于0.045 ℃，像素為320×240，空間分辨率為1.36 mrad，測量精度為±2 ℃或讀數(shù)的±2%，并具有連續(xù)變焦功能。

圖3 試驗原理圖

圖4 調(diào)壓器

3.2 實驗步驟

實驗步驟如下：①在確保未通電的情況下，將涂污陰干后的絕緣子連接成串懸掛于人工霧室內(nèi)，低壓端絕緣子鋼帽與接地線連接使其可靠接地，高壓端絕緣子鐵腳連接高壓進線，接線完成后封閉人工霧室；②接通電源進行升壓，升壓時采用平均快速升壓的方法升壓至實驗電壓，然后利用恒壓的方式繼續(xù)加壓，使用電容分壓器監(jiān)測電壓；③打開加濕系統(tǒng)使人工霧室內(nèi)的空氣濕度逐漸增加，直至試驗所需目標濕度值，使用溫濕度傳感器對人工霧室內(nèi)的溫濕度進行監(jiān)測；④持續(xù)加壓半小時后關閉電源，記錄環(huán)境溫濕度并使用高精度紅外熱像儀采集絕緣子串紅外熱像圖，然后將絕緣子串靜置并使用紅外熱像儀進行檢測，直至絕緣子余熱消除，避免影響后續(xù)試驗；⑤將絕緣子按高壓端、中間位置、低壓端進行編號，分別編號為1 號位、2 號位和3 號位，改變零值絕緣子方位（1 號位、2 號位、3 號位）后，重復步驟①～④；⑥改變目標濕度（60%、70%、80%）后，重復上述步驟①～⑤；⑦更換不同污穢度（0.03 mg/cm2、0.04 mg/cm2、0.2 mg/cm2）絕緣子后，重復上述步驟①～⑥。

3.3 實驗結(jié)果

3.3.1 不同位置零值絕緣子發(fā)熱特性

為了解污穢絕緣子串中出現(xiàn)劣化情況時，零值絕緣子所在地方對于整串絕緣子發(fā)熱的影響，進行了相關試驗。將污穢絕緣子串進行編號，由高壓端至低壓接地端依次編為1～3 號位置，試驗時選擇零值絕緣子置于高壓位置、中間位置和低壓接地位置，分別進行絕緣子串紅外檢測。不同位置絕緣子串紅外圖如圖5 所示。

圖5 不同位置絕緣子串紅外圖

結(jié)合圖5 可以看出，零值絕緣子位于高壓端即1 號、中間位置即2 號和低壓接地端即3 號時，零值絕緣子均表現(xiàn)出較一致的熱特征，即零值絕緣子溫度較低，這主要是因為在電流相同的情況下，零值絕緣子的電阻幾乎為0，其兩端的電壓幾乎為0，發(fā)熱不明顯，而正常絕緣子電阻很大，正常絕緣子承受的電壓較大，圖像發(fā)熱較零值絕緣子要明亮。

3.3.2 不同濕度零值絕緣子發(fā)熱特性

為了分析環(huán)境相對濕度對于污穢含零值絕緣子串溫度分布的影響，進行了相關試驗。不同濕度下絕緣子串紅外圖如圖6 所示。

圖6 不同濕度下絕緣子串紅外圖

在相對濕度較小時，絕緣子表面污穢干燥，由于附著污穢物影響，電阻值較大，雖然通過其的電流會增加，熱效應也增強，但正常絕緣子溫升仍然較小，與零值表面溫度接近，仍然不利于紅外檢測零值絕緣子。

3.3.3 不同污穢度零值絕緣子發(fā)熱特性

為了分析絕緣子表面污穢度對于污穢含零值絕緣子串溫度分布的影響，進行了相關試驗。相同環(huán)境相對濕度條件（80%）含零值絕緣子時，污穢度不同時絕緣子串上表面溫度分布試驗結(jié)果如圖7 所示。

圖7 不同污穢度下絕緣子串紅外圖

4 熱紅外影像處理

在實驗室環(huán)境和真實環(huán)境中拍攝大量絕緣子串的紅外影像圖片，首先對紅外影像進行去噪處理，然后分割提取盤面得到符合要求的圖像。

4.1 圖像去噪

采集到的原始紅外圖片，首先需要進行去噪處理，即濾除圖像中的高斯噪聲、散粒噪聲等干擾噪聲。

與高清照片相比，紅外圖片受限于紅外熱像儀分辨率（普遍為640×480）的影響，表現(xiàn)出低對比度的特征，即難以準確地區(qū)分出環(huán)境與目標物[6]。自適應濾波器能分析輸入輸出消息的時變效應，智能匹配濾波器參數(shù)，有較好的濾波性能，本文采用自適應中值濾波器作為圖像去噪的工具，能較好濾除紅外圖片數(shù)據(jù)中的雜質(zhì)噪聲，保障目標的特征能被有效識別出來。

4.2 紅外圖像分割

圖像分割是目標物特征提取的關鍵。紅外圖片進行去噪處理后，絕緣子與周圍環(huán)境的差異變大，通過使用優(yōu)化的Otsu 算法對紅外圖片實現(xiàn)分割處理，然后使用Sobel 算法得到絕緣子串邊界圖像，最后運用Hough 算法測算出絕緣子串的邊界線和傾角，從而完成對其的校正。

4.3 建立樣本數(shù)據(jù)庫

對熱紅外影像預處理之后，需要建立自己的樣本數(shù)據(jù)庫。因為網(wǎng)絡模型的效果好壞直接取決于樣本數(shù)據(jù)庫的豐富程度。只有樣本數(shù)據(jù)庫真實有效，類型豐富，網(wǎng)絡模型精準識別劣化絕緣子的能力才更突出。

5 深度學習目標檢測

Faster RCNN 是目標檢測領域經(jīng)典的的目標檢測算法[7]。Faster RCNN 包含2 個cnn 網(wǎng)絡：特征提取網(wǎng)絡RPN和Fast RCNN 檢測網(wǎng)絡[8]。RPN 通過在feature map 上滑動窗口，建一個神經(jīng)網(wǎng)絡用于物體分類+框位置的回歸。Faster RCNN 的流程如圖8 所示。

圖8 Faster RCNN 流程圖

為了保證樣本的豐富性，采用實驗室數(shù)據(jù)+現(xiàn)場巡檢數(shù)據(jù)的模式對深度學習網(wǎng)絡模型進行訓練。首先是紅外視頻樣本采集，使用opencv 開源圖像處理庫對視頻進行轉(zhuǎn)換操作，共截取了3 344 張絕緣子紅外圖像；然后通過以上零值絕緣子發(fā)熱實驗，獲得不同位置、不同濕度、不同污穢下的絕緣子紅外數(shù)據(jù)5 000 張。獲得充足的樣本數(shù)據(jù)后，利用常見的標注工具LabelMe 對3 344 張現(xiàn)場絕緣子照片和5 000張實驗絕緣子照片進行標注，標注出絕緣子位置信息，如圖9 所示。

圖9 紅外數(shù)據(jù)標注

將標注好的數(shù)據(jù)導入深度學習模型進行訓練，經(jīng)過不斷映射和反復修改模型參數(shù)，最后得到目標檢測模型，檢測示例如圖10 所示。

圖10 目標檢測結(jié)果