基于深度学习的配电线路瓷绝缘子缺陷识别

严宇平, 吴广财, 王泽涌

(1.广东电网有限公司，广东 广州 510699； 2.广东电力信息科技有限公司，广东 广州 510630)

在配电线路中，绝缘子是一个非常重要的部件，其制作材料都是一些如陶瓷、橡胶等高强度绝缘材料，可以很好地支撑电网的运行，并起到绝缘的作用[1]。智能电网的建设成效逐渐加强，增加了陶瓷绝缘子的使用数量，绝缘子带来的配电线路故障也越来越多。每年由绝缘子引发的电力事故占50%以上，绝缘子缺陷主要受到配电线路的工作环境、气候环境等因素影响，导致绝缘子的机械结构被破坏[2]。如果绝缘子出现缺陷，就会提高配电线路发生故障的风险，严重威胁着电网的安全运行，保证绝缘子的工作状态对电网的运行具有重要作用[3]。

目前相关领域针对绝缘子缺陷检测进行了研究，并取得了一定的研究成果。文献[4]提出了基于无人机电力巡检技术的绝缘子缺陷检测方法，先处理巡检得到的缺陷图像，通过转换缺陷图像的颜色空间，避免光照强度对绝缘子缺陷图像产生影响，根据最大类间方差原理，对绝缘子缺陷图像阈值进行分割，通过判断缺陷图像的像素个数，准确定位绝缘子缺陷位置处的坐标，经过测试发现，该方法可以准确检测到绝缘子缺陷，但识别精度较低。文献[5]提出了基于航拍影像的输电线路绝缘子缺陷识别，通过无人机搭载高分相机采集输电线路信息，对采集到的影像进行检测，减少了高压线路检查作业时存在危险，仿真结果发现该方法在绝缘子缺陷识别中具有较高的精准度，提高了输电线路的巡检水平，但该方法的识别精度还需要改进。

在计算机视觉与电子信号处理领域中，深度学习得到了广泛的应用，与其他学习方法相比，深度学习包含多层神经网络，通过在不同层级提取出抽象特征，提高其学习能力，采用深度学习处理绝缘子缺陷图像，可以有效提升电力系统巡检的智能化程度。基于以上研究，本文将深度学习应用到了配电线路绝缘子缺陷识别中，从而提高配电线路的巡检水平。

1 配电线路瓷绝缘子缺陷识别方法设计

1.1 检测配电线电子信号的路瓷绝缘子缺陷

在配电线路中，通常采用电流-电压法测试瓷绝缘子的可靠性，测试原理如图1所示。

图1 瓷绝缘子可靠性测试原理

图1中，Ri为电源等效电阻，R+jX为等效绝缘体阻抗，En为测试电源电压为，R0为采样电阻。被检测的配电线路瓷绝缘子连接在E和L中间，G在测试中的作用是屏蔽外界干扰信号。

利用兆欧表测试配电线路电源电压[6]，实际上就是E和G之间的电压值UEG，配电线路的电压误差就是UEG与En之间的差值，可以利用式(1)计算得到：

(1)

配电线路在运行时，电压误差通常控制在±5%～10%[7]，配电线路的电源负载特性参照式(1)的计算，得到误差范围为

(2)

式中：ΔUEG为配电线路电源的负载电压。

在测量配电线路瓷绝缘子的极化系数时，对电源10 min以内的稳定性提出以下约束：

(3)

引入测试电压波纹系数[8]，衡量配电线路的测试电源，那么电源电压中的波纹含量计算公式为

(4)

式中：ΔUr为配电线路在电压波动分量上的峰值。根据式(4)的计算，配电线路测试电压的波纹会影响电流的稳定性和瓷绝缘子的正常极化，严重时还会对采样电阻R0的电压测量准确性造成影响[9]，如果想要增加配电线路电源电压的测量误差，配电线路的测试电压波纹系数需要满足以下条件：

(5)

在测试配电线路瓷绝缘子的可靠性时，将电源充电的等效电阻设为Rs，那么配电线路的电容充电时间常数可以表示为

γ=Rs·C

(6)

式中：C为配电线路中分布电容的大小。

配电线路瓷绝缘子缺陷在检测时，配电线路E和L之间短路的电流可以表示为

(7)

式中：Id的值越大，说明检测结果越好。根据以上计算过程，检测出配电线路的瓷绝缘子缺陷。

1.2 基于深度学习定位检索瓷绝缘子缺陷图像特征

采用深度学习定位检索配电线路瓷绝缘子的缺陷特征，根据配电线路瓷绝缘子表面的缺陷区域分布规律，确定检索区域的数量。

将配电线路瓷绝缘子缺陷的初始化分类数量定义为c=2，计算了瓷绝缘子缺陷图像的深度学习中心和隶属度函数，公式为

(8)

式中：vi为瓷绝缘子缺陷图像中第i类缺陷特征的学习中心；xk为瓷绝缘子缺陷样本数量；m为深度学习因子；k为瓷绝缘子缺陷图像的像素；uik为瓷绝缘子缺陷图像的像素隶属度，计算公式为

(9)

判断第二次计算得到的隶属度函数是否接近第一次迭代的数值，如果不接近，就需要利用公式(8)和公式(9)再计算一次深度学习中心和隶属度函数[11]。

根据以上计算结果，确定了深度学习特征的最佳数量，表达式为

(10)

式中：vj为瓷绝缘子缺陷图像中第i类特征的学习中心；c′为瓷绝缘子缺陷分类的有效函数值。

利用深度学习网络学习瓷绝缘子缺陷的隶属度函数值[12]，将瓷绝缘子缺陷图像的像素k归为i‴类，那么配电线路瓷绝缘子缺陷特征的定位检索结果为

i‴=argmax(uik),i‴∈[1,c]

(11)

根据式(11)的计算结果，对配电线路瓷绝缘子缺陷特征进行了定位检索。

1.3 识别配电线路瓷绝缘子缺陷

根据配电线路瓷绝缘子缺陷的定位检索结果，先对瓷绝缘子缺陷图像进行二值化处理，识别出瓷绝缘子缺陷。

假设配电线路瓷绝缘子缺陷图像为I，表示为

I=D+B+N

(12)

式中：D为瓷绝缘子缺陷目标；B为瓷绝缘子缺陷图像的背景；N为图像噪声。

对于瓷绝缘子缺陷目标D而言，如果存在一个完备的瓷绝缘子缺陷字典库ΦD∈Rl×lD，求解得到瓷绝缘子缺陷图像的二值解[13]，表示为

(13)

式中：α为瓷绝缘子缺陷图像的稀疏性。

按照以上处理过程，通过变换瓷绝缘子缺陷图像，得到瓷绝缘子缺陷图像的二值化处理结果，即

(14)

式中：λ为权重变量；αD为缺陷图像的合成系数；αb为分解系数。

对于深度学习网络的卷积层，对瓷绝缘子缺陷图像的二值化处理结果进行卷积运算，利用激励函数获取瓷绝缘子缺陷的特征图，推算过程描述为

y=f(wx+b)

(15)

式中：w为深度学习网络的权重；b为偏置值；f为学习系数。

由于配电线路缺陷图像的样本个数比较少，缺陷图像的维度也比较低[14]，为了防止深度学习网络在训练时出现过拟合的现象，定义了如公式(16)所示的激励函数，即

f(x)=max(0,x)

(16)

激励函数在训练深度学习网络时，不仅可以简化计算过程，还可以加快网络的收敛速度。

在深度学习网络的全连接层，可以将卷积层输出的瓷绝缘子缺陷图像转换成一维矢量，识别出配电线路的缺陷。

深度学习网络需要定义一个代价函数，用来度量网络输出的期望值和真实值的误差，把代价函数定义为

(17)

式中：C为深度学习网络的代价函数；x为网络的输入值；y为网络的输出值；a为期望值；n为瓷绝缘子缺陷图像的样本数量。

为了计算出深度学习网络中代价函数的最小值，需要计算w和b的梯度值，计算公式为

(18)

(19)

通过式(18)和式(19)的计算，w和b的梯度值与偏置差之间存在一定联系[15]，训练深度学习网络就是为了求解得到符合最小C对应的w和b，从而识别出配电线路瓷绝缘子缺陷。

2 实验分析

为了验证基于深度学习的配电线路瓷绝缘子缺陷识别方法的有效性，在输入图像之前，需要先对绝缘子图像进行预处理，从而适应深度学习网络的输入。将原始绝缘子图像的高度和宽度限制在224以内，高度和宽度的比例不变，得到224×224的绝缘子输入图像，绝缘子图像的预处理变化如图2所示。

图2 绝缘子图像的预处理变化

在配电线路瓷绝缘子图像中，有2 500张正常图像和400张缺陷图像，随机挑选出500张正常图像和80张缺陷图像作为测试集，其余绝缘子图像作为训练集。

2.1 设置实验参数

基于图像预处理结果，设置实验参数如表1所示。

表1 实验参数

2.2 结果与分析

利用预处理之后的500张正常图像和80张缺陷图像，在表1实验参数的支撑下，引入文献[4]方法和文献[5]方法进行对比，分别对瓷绝缘子脱落、灼蚀和破损等缺陷进行识别，测试了三种方法的Fβ指标，用于衡量瓷绝缘子的识别精度，Fβ的计算公式如下：

(20)

式中：β为调节参数；P为识别到的缺陷样本数量；R为总样本数量。

三种方法识别瓷绝缘子脱落缺陷的Fβ指标测试结果如图3所示。

图3 瓷绝缘子脱落缺陷的Fβ指标测试结果

从图3的结果可以看出，采用文献[4]方法时，由于无人机巡检的瓷绝缘子缺陷图像不够清晰，导致缺陷识别的Fβ指标偏低；采用文献[5]方法时，得到缺陷识别的Fβ指标初始值只有5，但是随着实验的进行，文献[5]方法训练效果越来越好，当样本数量达到80个时，缺陷识别的Fβ指标达到最大值，为6.95；采用所提识别方法时，得到缺陷识别的Fβ指标明显高于其他两种识别方法，而且随着样本数量的增加，缺陷识别的Fβ指标越来越大，当样本数量达到80个时，缺陷识别的Fβ指标达到了9，因此，说明所提识别方法对瓷绝缘子脱落缺陷的识别精度更高。

三种方法识别瓷绝缘子灼蚀缺陷的Fβ指标测试结果如图4所示。

图4 瓷绝缘子灼蚀缺陷的Fβ指标测试结果

从图4的结果可以看出，三种识别方法对瓷绝缘子灼蚀缺陷识别的Fβ指标比瓷绝缘子脱落缺陷低，采用所提识别方法识别30个灼蚀缺陷样本时，得到缺陷识别的Fβ指标仍然可以达到9，随着样本数量的增加，灼蚀缺陷识别的Fβ指标开始逐渐下降，但是依旧可以将灼蚀缺陷识别的Fβ指标控制在8以上，因此，说明所提识别方法的精度更高。

三种方法识别瓷绝缘子破损缺陷的Fβ指标测试结果如图5所示。

图5 瓷绝缘子破损缺陷的Fβ指标测试结果

从图5的结果可以看出，所提识别方法对瓷绝缘子破损缺陷识别的Fβ指标是最高的，采用所提识别方法时，瓷绝缘子破损缺陷的Fβ指标始终高于8，当样本数量超过40个时，瓷绝缘子破损缺陷的Fβ指标值处于稳定变化的阶段，说明所提识别方法在识别瓷绝缘子破损缺陷时，具有更高的精度。

3 结 语

针对绝缘子出现缺陷，引发配电线路发生故障的风险，提出了基于深度学习的配电线路瓷绝缘子缺陷识别方法研究，通过深度学习定位检索瓷绝缘子缺陷图像特征，实现配电线路瓷绝缘子缺陷识别，通过实验测试可知，该方法在识别瓷绝缘子脱落、灼蚀和破损等缺陷时，缺陷识别指标均可达到9以上，具有更高识别精度。但是该研究还存在很多需要改进的地方，在今后的研究中，希望可以应用极限学习机改进深度学习网络，进一步提高瓷绝缘子缺陷识别精度。