基于卷積神經(jīng)網(wǎng)絡(luò)的絕緣子異常檢測方法

摘 要：輸電網(wǎng)絡(luò)是電網(wǎng)“大動脈“，而絕緣子運(yùn)行狀態(tài)直接影響整條線路的運(yùn)行安全和可靠性。為了快速評估絕緣子運(yùn)行狀態(tài)，有效提升運(yùn)行可靠性。傳統(tǒng)的故障識別主要依賴人工經(jīng)驗，識別的準(zhǔn)確性依賴工程師經(jīng)驗。為此，該文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障識別方法，相較直接使用故障數(shù)據(jù)的傳統(tǒng)方法，先將故障波形轉(zhuǎn)換為圖片，充分發(fā)揮卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的圖片處理能力。實驗結(jié)果表明，該文所訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)具有很好的準(zhǔn)確率，正確率可達(dá)到98%。

關(guān)鍵詞：故障類型；深度學(xué)習(xí)；類型識別；圖片轉(zhuǎn)換；卷積

中圖分類號：TM216 文獻(xiàn)標(biāo)志碼：A 文章編號：2095-2945（2024）27-0037-04

Abstract： The rapid identification of power grid faults can shorten the outage time and effectively improve reliability. Traditional fault identification mainly relies on manual experience， and the accuracy of identification depends on the experience of engineers. Therefore， this article proposes a power grid fault identification method based on Convolutional Neural Network （CNN）. Compared to traditional methods that directly use fault data， this method first converts the fault waveform into images， fully leveraging the powerful image processing ability of Convolutional Neural Networks. The experimental results show that the Convolutional Neural Network trained in this paper has good accuracy， with an accuracy rate of 98%.

Keywords： fault type; deep learning; type identification; image conversion; convolution

因絕緣子機(jī)械支撐能力強(qiáng)、電氣絕緣好，在輸電線路中得到廣泛使用，絕緣子運(yùn)行狀態(tài)直接關(guān)系到線路的安全、可靠。為此，準(zhǔn)確、有效的絕緣子狀態(tài)評估對提升電網(wǎng)可靠性至關(guān)重要。傳統(tǒng)絕緣子運(yùn)行狀況評估工作主要以人工方式評估，評估準(zhǔn)確性嚴(yán)重依賴工程師經(jīng)驗，除此之外，面對萬級甚至十萬級的絕緣子數(shù)量，人工評估絕緣子工況還存在工作效率低下等問題[1]。

近年來，隨著“移大物云智鏈“等先進(jìn)信息技術(shù)的發(fā)展和成熟，同時無人機(jī)、圖像處理等技術(shù)快速發(fā)展，極大促進(jìn)了線路巡檢智能化水平的提升。當(dāng)前，通過無人機(jī)、紅外成像設(shè)備等非接觸式捕捉絕緣子信息已成為常態(tài)，所獲得的絕緣子狀態(tài)信息更為豐富和全面，據(jù)此做出的評估和判斷結(jié)果更為準(zhǔn)確、可靠。然而，面對無人機(jī)、紅外成像設(shè)備等捕捉的海量信息，如何基于人工智能、圖像識別等方法從這些圖像信息中準(zhǔn)確分辨和評估絕緣子狀態(tài)已成為當(dāng)前的研究熱點和難點。為此，文獻(xiàn)[2]提出了基于高光譜成像技術(shù)建立絕緣子污穢程度檢測評估方法，核心點在于利用主成分分析法（Primal Componet Analysis，PCA）-k means（k均值法）提取出反射率光譜曲線開展降維和聚類分析，從而實現(xiàn)絕緣子表面污穢等級的評估。

另一方面，以YOLOv（You Only Look Once）系列為代表的圖像處理算法已廣泛使用到絕緣子檢測中，傳統(tǒng)的YOLOv屬于一階圖像處理算法，它具有數(shù)據(jù)處理速度更快、計算效率高等特點，隨著技術(shù)的發(fā)展和進(jìn)步，也不斷衍生出多種版本，以文獻(xiàn)[3]為例，該文首先對數(shù)據(jù)集樣本不均衡的現(xiàn)象，采用Focal Loss函數(shù)和均衡交叉熵函數(shù)改進(jìn)YOLOv3算法的損失函數(shù)，選擇凍結(jié)層并采用多階段遷移學(xué)習(xí)策略來訓(xùn)練網(wǎng)絡(luò)，雖然文中取得較為理想的分辨效果，但由于實現(xiàn)過程較為復(fù)雜，難以大規(guī)模推廣應(yīng)用；而文獻(xiàn)[4]設(shè)計改進(jìn)編碼器進(jìn)行圖像信息捕捉，其利用4個Transformer stage捕捉圖像關(guān)系和尺寸信息，基于ResNet50中間輸出特征以補(bǔ)償Transformer輸出不足，在集成多個方法綜合使用后能有效提升目標(biāo)檢測算法的性能，該方法框架較為復(fù)雜難以推至工程應(yīng)用。除此之外，從聲音信號出發(fā)，利用聲學(xué)前沿技術(shù)，對復(fù)合絕緣子進(jìn)行超聲導(dǎo)波檢測信號分析也是目前研究的一個重要方向，以文獻(xiàn)[5]為例，該文提出了基于改進(jìn)的自適應(yīng)白噪聲完備集合經(jīng)驗?zāi)B(tài)分解和支持向量機(jī)相結(jié)合的缺陷信號識別方法，但電力絕緣子實際運(yùn)行環(huán)境較為復(fù)雜且暴露于戶外，不可避免地存在噪聲干擾影響分析準(zhǔn)確性，雖然很多降噪技術(shù)被應(yīng)用此類分析中，但由于電力系統(tǒng)干擾因素太多，以氣候為例，大風(fēng)、暴雨等惡劣天氣與晴天相比所捕捉信號差異很大，因而難以付諸于工程實際。

基于以上研究現(xiàn)狀，本文結(jié)合技術(shù)方案需具備工程易用性的要求，提出了基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）開展絕緣子狀態(tài)異常檢測方法。具體的，首先將圖片轉(zhuǎn)換為統(tǒng)一的標(biāo)準(zhǔn)圖像格式，從而標(biāo)準(zhǔn)化輸入，將其作為卷積神經(jīng)網(wǎng)絡(luò)輸入層的輸入。隨后，根據(jù)圖像特征和特點，構(gòu)建并建立多層卷積-池化層以提升檢測的準(zhǔn)確性，同時為了防止訓(xùn)練結(jié)果過擬合，還加入了丟棄層。最后，通過開源數(shù)據(jù)集實驗驗證了本文所提方法的可行性和準(zhǔn)確性。

1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是當(dāng)前最常見、最經(jīng)典的神經(jīng)網(wǎng)絡(luò)算法之一，當(dāng)前主流的數(shù)字化仿真和應(yīng)用平臺都將其作為基礎(chǔ)模塊嵌入直接使用，降低了使用門檻，提升了工程應(yīng)用的易用性。卷積神經(jīng)網(wǎng)絡(luò)已成功應(yīng)用到了計算機(jī)、體育、電力、交通等諸多領(lǐng)域。特別是近年來，我國提出了數(shù)字化戰(zhàn)略，各行各業(yè)都力求通過數(shù)字化變現(xiàn)數(shù)據(jù)價值，其推動了深度學(xué)習(xí)、機(jī)器學(xué)習(xí)理論完善、改進(jìn)和創(chuàng)新，促使卷積神經(jīng)網(wǎng)絡(luò)方法也在不斷更迭和優(yōu)化，隨著其性能的改變，應(yīng)用范疇也更為廣泛，除了用于解決圖像分類、目標(biāo)檢測、圖像分割等問題外，還應(yīng)用到了時序數(shù)據(jù)預(yù)測中（例如電力系統(tǒng)光伏出力預(yù)測、負(fù)荷曲線預(yù)測等），另外在電力系統(tǒng)故障診斷、模式識別等均有使用。

經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)如圖1所示，它包含輸入層、卷積層、池化層、輸出層等基礎(chǔ)層，除此之外還需要根據(jù)使用目的選擇分類或者時序輸出。

圖1中，輸入層是原始數(shù)據(jù)的入口，對圖像特征處理而已，輸出層數(shù)據(jù)是指原始或預(yù)處理后的像素矩陣；隨后，將數(shù)據(jù)傳遞至卷積層進(jìn)行處理，卷積層可實現(xiàn)參數(shù)共享、局部連接，利用平移不變性從全局特征圖提取局部特征；激活層是將卷積層的輸出結(jié)果進(jìn)行非線性映射；而池化層用于進(jìn)一步篩選特征，可以有效減少后續(xù)網(wǎng)絡(luò)層次所需的參數(shù)量；softmax層用于分類，若是回歸計算則需要全連接層。

就本文而言，需使用卷積神經(jīng)網(wǎng)絡(luò)提取圖片信息時，首先輸入層接收到圖像數(shù)據(jù)，通過卷積層運(yùn)算提取關(guān)鍵信息，隨后基于池化層整理卷積層的信息。為了提升模型準(zhǔn)確度，卷積神經(jīng)網(wǎng)絡(luò)由多層卷積-池化組成。

圖1 CNN基本結(jié)構(gòu)

1.1 卷積

卷積層（Convolution Layer，CL）通過卷積核矩陣對原始數(shù)據(jù)中隱含關(guān)聯(lián)性的一種抽象運(yùn)算。具體來說，卷積層依賴卷積計算實現(xiàn)，卷積是對2張像素矩陣進(jìn)行點乘求和的數(shù)學(xué)操作，將圖片轉(zhuǎn)換為矩陣，進(jìn)而與卷積核進(jìn)行卷積計算，卷積結(jié)果是對原始圖像中的特定局部特征進(jìn)行提取。眾所周知，不同的卷積核對圖像處理具有不同的效果，以一維卷積為例，對于輸入圖片x，卷積核為C，經(jīng)卷積計算后輸出為z，即式（1），通過卷積可得到圖片的關(guān)鍵信息，通過不同卷積核可以達(dá)到邊緣提取、圖像鈍化等目標(biāo)。

z=conv（x，C）。 （1）

卷積的具體計算過程如圖2所示，將原始圖像轉(zhuǎn)換為一個二維矩陣，所選卷積核為[1 0 1；0 1 0；1 0 1]，執(zhí)行卷積運(yùn)算時，按照3×3的卷積核掃描圖像數(shù)據(jù)矩陣，圖2中經(jīng)卷積計算后得到結(jié)果為8；隨后，以一定的步伐向右移動和下移動，直到完成原始數(shù)據(jù)矩陣的卷積計算。卷積中涉及的關(guān)鍵參數(shù)見表1。

1.2 池化

池化層又稱降采樣層，它是卷積后的特征二次篩選，池化后得到小區(qū)域內(nèi)最具代表性的特征，可有效降低特征維度。具體來說，為了得到包含圖像的關(guān)鍵信息，可通過計算圖像在固定區(qū)域上特征的平均值（或最大值）以表征這個區(qū)域的特征。

根據(jù)圖像信息提取的特征要求，池化層的操作通常包括最大池化、平均池化、求和池化等，最常用的方法是最大池化，最大池化返回的是核函數(shù)所覆蓋圖像部分的最大值。類似的，平均池化返回的核函數(shù)覆蓋的所有值的平均值。具體池化操作的具體選擇也需根據(jù)圖片處理目的決定。

雖然結(jié)構(gòu)上卷積層與池化層較相似，但實現(xiàn)上存在本質(zhì)區(qū)別，卷積零填充時輸出維度不變而通道數(shù)改變，而池化通常特征維度會降低但通道數(shù)不變。卷積用于提取局部圖像的關(guān)聯(lián)特征，而池化用于提出域內(nèi)提取泛化特征并降低維度，兩者組合應(yīng)用成為卷積神經(jīng)網(wǎng)絡(luò)的關(guān)鍵。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的絕緣子異常檢測方法

為了實現(xiàn)基于卷積神經(jīng)網(wǎng)絡(luò)的絕緣子狀態(tài)檢測，提取異常信息，本文以圖像信息為基礎(chǔ)設(shè)計的絕緣子狀態(tài)檢測步驟如下，具體如圖3所示。

步驟1：標(biāo)準(zhǔn)化輸入圖片尺寸，讀取絕緣子圖片后，統(tǒng)一處理為尺寸大小一致的圖片，同時圖像模糊化去噪。

步驟2：圖像以二維矩陣的形式輸入至卷積層提取局部信息，池化層實現(xiàn)特征降維，參考表1選用3×3的卷積核，以最大池化降維，此過程可存在多個卷積和池化層。

步驟3：Relu非線性化，池化和卷積計算依然屬于線性操作，通過Relu進(jìn)行非線性轉(zhuǎn)換從而實現(xiàn)映射和轉(zhuǎn)換。

步驟4：全連接層和特征分類將非線性化的結(jié)果集中轉(zhuǎn)換，輸出特征。

圖3 基于卷積神經(jīng)網(wǎng)絡(luò)的絕緣子狀態(tài)識別框架

3 算例分析

為了驗證本文方法的可行性，以國家電網(wǎng)公司發(fā)布的公開數(shù)據(jù)集CPLID（Chinese Power Line Insulator Dataset）進(jìn)行驗證，該數(shù)據(jù)集包含了600張真實、正常絕緣子圖像，248張合成且具有一定缺陷絕緣子圖像，通過隨機(jī)打亂的方式，按8∶2的比例劃分訓(xùn)練集和測試集開展試驗。

圖片輸入卷積神經(jīng)網(wǎng)絡(luò)前，統(tǒng)一轉(zhuǎn)換為[112，112， 1]尺寸，卷積層及池化層各有2個，第一個卷積層卷積核為[3，3]，卷積核為6，步長為2，隨后池化層卷積核也是[3，3]，步長為4；第二個卷積層的卷積核為[3，3]，卷積核為32，步長為2，隨后通過全連接層轉(zhuǎn)換分類，第一個全連接層為100，第二個全連接層為2，即2類輸出，具體參數(shù)見表2。

所構(gòu)建的基于卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)網(wǎng)絡(luò)由13層構(gòu)成，除了表2描述的網(wǎng)絡(luò)以外，還包括dropout層（防止輸出結(jié)果過擬合），2個Relu層，1個output層等。

本文模型訓(xùn)練的硬件環(huán)境為聯(lián)想某型號筆記本電腦，其CPU采用Intel Core-TM i5-3470@3.2 GHz，運(yùn)行內(nèi)存為16 GB。軟件為：Matlab 2022a。訓(xùn)練過程的準(zhǔn)確度和損失變化如圖4所示，訓(xùn)練時數(shù)據(jù)使用批處理，每100個樣本作為一個批次，不斷打亂樣本訓(xùn)練，隨著訓(xùn)練批次的不斷增加，準(zhǔn)確性也隨之提升，損失函數(shù)不斷降低并平穩(wěn)，圖4中經(jīng)過150次訓(xùn)練后模型準(zhǔn)確率到達(dá)98%，損失函數(shù)已非常接近0，說明所設(shè)計的模型較為合理。

統(tǒng)計了10次獨(dú)立訓(xùn)練的結(jié)果（每次獨(dú)立訓(xùn)練歷經(jīng)150輪訓(xùn)練）得到絕緣子分類準(zhǔn)確度達(dá)到了95.9%。顯然，基于本文所提的方法可實現(xiàn)較為準(zhǔn)確的絕緣子故障識別，可有效助力線路故障診斷，從而促進(jìn)電網(wǎng)運(yùn)行的可靠性。

4 結(jié)論

本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的電網(wǎng)絕緣子狀態(tài)識別及異常檢測方法，該方法最大特點在于先將圖像或視頻等數(shù)據(jù)轉(zhuǎn)換為圖片，利用多層卷積池化處理后，可極大提升絕緣子故障識別準(zhǔn)確性。實驗結(jié)果表明，本文所提方法絕緣子分類準(zhǔn)確率達(dá)到了95.9%，具有極高的絕緣子狀態(tài)識別率，完全可支撐實際生產(chǎn)應(yīng)用，有助于快速評估絕緣子狀態(tài)，針對異常絕緣子采集措施，從而提升電網(wǎng)運(yùn)行可靠性。

參考文獻(xiàn)：

[1] 楊瑞鵬.輸電線路無人機(jī)巡檢系統(tǒng)對絕緣子檢測的前沿技術(shù)[J].電器工業(yè)，2023（11）：65-67.

[2] 趙云龍，劉占雙，李巖，等.基于PCA-kmeans和圖譜特征的絕緣子表面污穢程度評估方法[J].電瓷避雷器，2023（5）：193-200.

[3] 顏宏文，陳金鑫.基于改進(jìn)YOLOv3的絕緣子串定位與狀態(tài)識別方法[J].高電壓技術(shù)，2020，46（2）：423-432.

[4] 王洪林，董春林，董俊，等.基于支持向量機(jī)增量學(xué)習(xí)算法的高壓電網(wǎng)短路故障位置自動識別[J].電氣自動化，2022，44（4）：34-36.

[5] 池小佳，肖建華，肖曉江，等.基于ICEEMDAN-SVM算法的復(fù)合絕緣子缺陷識別研究[J].電工電氣，2023（9）：1-7.