基于图像特征和深度森林的乙丙橡胶电缆绝缘老化状态识别

王科，项恩新，曹伟东，徐肖伟，黄继盛，车雨轩

(1.云南电网有限责任公司电力科学研究院，昆明 650217； 2.西南交通大学 电气工程学院，成都 611756；3.云南电网有限责任公司临沧供电局，云南 临沧 677000)

0 引 言

乙丙橡胶(Ethylene Propylene Rubber, EPR)，作为一种高分子聚合物材料，具有良好的抗氧化、耐热、耐潮湿等特性，被广泛用做于挤压式电线电缆的绝缘材料，在海底电力传输、船舶、矿井及轨道交通等领域占有的比例逐年增加[1]。但对于工作在温差大、高海拔地区的EPR电缆而言，由于绝缘老化导致电缆事故的情况时有发生，因此如何正确的判断EPR电缆的绝缘老化状况成为了一个值得思考的问题。

针对电力系统中电气设备绝缘老化的问题，国内外学者开展了深入的研究，并且将绝缘老化的电气特征与智能算法相结合，取得了较好的判断效果。文献[2]采用模糊模式识别算法和频域介电谱技术对油纸绝缘受潮和老化程度进行了识别；文献[3]采用随机森林分类器、SVM分类器和局部放电信号对油纸绝缘气隙缺陷模型进行了老化阶段的识别；文献[4]将时频分析技术应用于局部放电信号的分析和处理，对环氧树脂的老化状态进行了判定；文献[5]通过局部放电灰度图像和双向-二维主成分分析((2D)2PCA)算法对油纸绝缘老化阶段进行了识别。目前，国内外研究团队在对绝缘介质老化状况识别的问题上进行了非常多的工作，并取得了丰硕的成果，但是由于EPR电缆应用环境特殊，针对于EPR绝缘老化状态的识别鲜有报道。随着当今电网的蓬勃发展，EPR电缆的安全、稳定运行问题变得尤为重要，亟需提出一种针对EPR电缆绝缘老化的识别方法。

文中通过加速热老化的方法制备了4种热老化状态的乙丙橡胶试样，基于局部放电谱图特征分别提取了19个特征参量，结合深度森林算法对EPR绝缘老化状态进行了识别，并与其他传统分类算法进行了对比。

1 实验设计

1.1 试样制备

试验样品采用型号为QTO-J30G的EPR电缆。试样的制备如下：首先将电缆截成150 cm长的试样段，然后分别剥去电缆端部处的外护套、屏蔽层、内外半导体层和绝缘层，露出缆芯作为高压极，再剥去剩余电缆本体的外护套、屏蔽层，露出外半导体层，在电缆本体中部裹上铜导线作为接地极，在缆芯与外导体层的连接处包裹热缩管，最后按照附件安装工艺在电缆试样两端安装终端，试样见图1。

图1 试样图

将制作完成的试样放入真空干燥箱中加速热老化，根据IEC 60216-1-2013《电气绝缘材料耐热性》标准，热老化时间选用为48 h、96 h、144 h、192 h，由于乙丙橡胶绝缘的最高长期安全使用温度约为140 ℃～150 ℃[6]，本文加速热老化温度选用为145 ℃。

考虑到数据的分散性，文中在每个老化时间下均老化5根试样，并综合分析5根试样的数据以保证数据的可靠性，老化试样编号见表1。

表1 试样编号

1.2 试验平台搭建

试验平台如图2所示，高频示波器型号为Tektronix TDS 3032B；试验变压器的容量为10 kVA，额定电压为100 kV；高压电阻阻值为400 MΩ；分压器的分压比为1 000:1。文中试验在高压屏蔽大厅进行，背景噪声小于2 pC。

图2 试验平台图

通过试验分别测得每个老化温度试样各20组数据，共计400组数据。以3:2比例划分数据，将3/5数据作为训练样本，剩余2/5数据作为测试样本，训练样本和测试样本的来源见表2。

表2 训练样本和测试样本

2 局部放电谱图特征提取

2.1 PRPD图像

局部放电相位分布(Phase Resolved Partial Discharge, PRPD)谱图是由多个工频周期内的放电量N、视在放电量Q(或放电幅值)、放电相位Φ叠加而成。通过对PRPD谱图进一步处理，可以得到柱状图、散点图、灰度图，由于PRPD方法较为成熟且应用的范围较广，对检测技术的要求较低，不易受噪声影响[7]，故文中采用PRPD谱图进行分析。

常见的PRPD谱图分析方法[8-9]为：提取PRPD谱图的偏斜度Sk、翘度Ku、峰值数Peaks、不对称度Asy、相关系数cc等参数作为网络特征输入量进行分析，该方法较好地描述了原始谱图的形状、峰值、相关度等特性，但并未充分利用PRPD谱图的图像特征。

2.2 典型PRPD图

通过图2的试验平台，当加压25 kV时，测得4种老化状态试样的PRPD谱图，并将其转化为灰度图像，如图3。图3(a)～图3(d)分别为老化时间48 h、96 h、144 h、192 h的灰度图像，其中横坐标为放电相位j，0≤j≤360°，纵坐标为放电量q，为了消除坐标轴对图像识别的影响，文中省去了坐标轴。虚线框所示为PRPD图中颜色较深部位，表示放电次数频繁区域，转化为灰度图后表示为灰度值较大的区域。

图3 典型灰度图

2.3 图像特征提取

从以下方面对图像特征进行提取[10]：颜色特征、纹理特征、形状特征。其中颜色特征较其他特征而言，具有良好的鲁棒性，且特征提取较为简单，常用的特征有颜色直方图、颜色矩、颜色聚合向量、颜色相关图等；纹理特征反映了图像中某种规律的变化，可以从统计方法、模型方法、结构法、信号处理法等方面进行分析，常用的提取方法有灰度共生矩阵、Tamura纹理特征、自回归纹理模型、小波变化等；形状特征又可分为轮廓特征和区域特征，常见的分析方法有Hough变换、傅里叶形状描述符、形状不变矩法。

2.3.1 颜色特征提取

文中采用图像三个基本颜色通道(红色通道、绿色通道、蓝色通道)中的颜色矩作为颜色特征，由于颜色信息主要集中分布在低阶矩中，故采用一阶矩、二阶矩、三阶矩来描述颜色特征，提取公式如下[11]:

(1)

(2)

(3)

式中mi、si、si分别为一阶矩、二阶矩、三阶矩；pij为像素点的颜色分量；i=1，2，3。

基于图像的颜色矩特征，文中对3个颜色通道中的低阶颜色矩进行了提取，共计提取9个特征。

2.3.2 纹理特征提取

文中采用Tamura纹理特征作为图像的纹理特征，Tamura纹理主要包含六个特征量，分别为粗糙度、对比度、方向度、线性度、规整度、粗略度，其中前3个特征量线性无关，后3个特征量与前3个特征量线性相关[12]，因此主要从粗糙度、对比度、方向度进行分析。

2.3.3 形状特征提取

文中采用Hu不变矩[13]来描述图像的形状特征。Hu不变矩具有平移、灰度、旋转和尺度不变性。假设Hu不变矩是在有限空间内的积分，对于平面图像f(x,y)的(p+q)原点矩、中心矩、归一化中心矩的计算公式分别如下：

(4)

(5)

(6)

(7)

(8)

一阶矩(p+q=1)中，归一化中心矩η10=η01=0；二阶矩(p+q=2)中，不变矩为：

(9)

三阶矩(p+q=3)中，不变矩为：

(10)

式中a=η30-3η12、b=η03-3η21、c=η30+η12、d=η03+η21、e=η20-η02。

基于图像的Hu不变矩特征，文中共计提取η1、η2、η3、η4、η5、η6、η7等7个特征。

文中基于局部放电灰度图像，根据颜色特征、纹理特征、形状特征分别从中提取了9个、3个、7个特征参数组建了特征空间。

3 基于深度森林网络的老化状态识别

3.1 深度森林网络

深度森林网络(Gcforest)是一种基于随机森林算法(Rondom Forest)的深度学习网络[14-15]，采用级联结构，每个随机森林组中由两个普通随机森林和两个完全随机森林组成，其中普通随机森林包含500棵决策树，分裂节点由随机特征子空间的gini指数决定，如图4所示，完全随机森林中包含1 000棵决策树，分裂节点在全特征空间中随机选取，如图5所示。

图4 普通随机森林简化模型

图5 完全随机森林简化模型

3.2 识别结果对比分析

文中基于Python 3.6和matlab，分别采用BP神经网络、支持向量机、随机森林[16]等算法与本文的深度森林作比较，对比结果如表3所示。从表3可以看出深度森林的识别率达到了90.625%，即只有25个样本处于误诊断状态，优于其他识别算法，能够正确的将老化状态分别。

表3 识别结果对比

为了进一步看出深度森林的分类情况，文中通过混淆矩阵展示了分类结果，如图6,图6中左上角4*4方阵表示预测值与实际值的匹配情况，对角线(即绿色框)中的数字为每一种老化状态识别正确的个数，其他区域(即白色框)中的数字为识别错误的个数；图6中第5列为从左至右依次为4种老化状态的识别率和综合识别率。

为了便于表示不同老化程度，文中将老化48 h表示为编码“1”，老化96 h表示为编码“2”，老化144 h表示为编码“3”，老化192 h表示为编码“4”。从图6中可以看出，对于编码“1”的识别中，有5个样本被误诊断为编码“2”；对于编码“2”的识别中，有4个样本被诊断为编码“1”；对于编码“3”的识别中，有2个样本被诊断为编码“1”，1个样本被诊断为编码“2”；对于编码“4”的识别中，有1个样本被诊断为编码“1”，2个样本被诊断为编码“2”。即对于编码“1”(老化48 h)和编码“2”(老化96 h)存在误诊段，原因可能为老化48h试样与老化96 h试样的局部放电图像存在一定的相似，使得提取出的图像特征也存在一定的相似，导致这二者的识别存在误诊段的情况。

图6 混淆矩阵

4 结束语

文中提出了一种基于局部放电图像特征和深度森林的电缆老化状态识别方法，该方法能较好地描述不同老化状态电缆局部放电图像的特征，基于图像特征和深度森林算法能够准确地对不同老化状态电缆进行识别。在工程实际应用中具有较好的应用前景。