基于深度迁移学习的配电线路绝缘子状态监测方法*

doi:10.11985/2022.04.029

基于深度迁移学习的配电线路绝缘子状态监测方法^*

宰红斌^,¹, 刘建国^,¹, 张文岗^,¹, 封士永^,², 祖国强^,³

1.国网晋城供电公司晋城 048000

2.南瑞集团(国网电力科学研究院)有限公司南京 211106

3.国网天津市电力公司电力科学研究院天津 300384

Insulator Condition Monitoring Method of Distribution Line Based on Deep Transfer Learning

ZAI Hongbin^,¹, LIU Jianguo^,¹, ZHANG Wengang^,¹, FENG Shiyong^,², ZU Guoqiang^,³

1. State Grid Jincheng Power Supply Company, Jincheng 048000

2. NARI Group (State Grid Electric Power Research Institute) Co., Ltd., Nanjing 211106

3. State Grid Tianjin Electric Power Research Institute, Tianjin 300384

收稿日期: 2021-03-29 修回日期: 2021-10-14

基金资助:

*国家重点研发计划. 2017YFB0902800
国网天津市电力公司科技. KJ20-1-27

Received: 2021-03-29 Revised: 2021-10-14

作者简介 About authors

宰红斌，男，1971年生，高级工程师。主要研究方向为输电线路防灾减灾，运行维护与带电作业等。E-mail：qazw3182@163.com

刘建国，男，1969年生，高级工程师。主要研究方向为电气工程及其自动化。E-mail：ljg8837490@126.com

张文岗，男，1979年生，高级工程师。主要研究方向为电力系统自动化。E-mail：zhangwengang0517@126.com

封士永，男，1988年生，硕士，高级工程师。主要研究方向为电力物联网。E-mail：s398493858009@gmail.com

祖国强，男，1989年生，博士，工程师。主要研究方向为配电网规划运行。E-mail：guoqiangzu1@tj.sgcc.com.cn

摘要

针对传统人工巡线的方法不适用于近距离监测配电线路绝缘子状态以及现有方法精度低等问题，提出一种基于深度迁移学习的配电线路绝缘子状态监测方法。首先，智能配电终端汇集配电线路上的摄像机获取的绝缘子图像，利用尺度不变特征变换(Oriented FAST and rotated BRIEF，ORB)算法提取图像特征，采用灰度质心法以保证图像特征点发生旋转后性质不改变。然后，根据获取的图像特征，将深度学习与迁移学习算法结合，对图像特征进行训练，实现绝缘子状态的分类。最后，基于Matlab仿真平台将所提方法与其他组合方法在常见场景中进行试验分析。试验结果表明，相比于其他组合方法，所提方法能够在不同环境中准确监测绝缘子状态，并且分类准确度更高。

关键词： 绝缘子状态监测 ; ORB算法 ; 特征分析 ; 深度迁移学习 ; 状态分类

Abstract

In view of the fact that the traditional manual line inspection method is not suitable for short-range monitoring of insulator status of distribution lines, and the existing methods have the problems of low accuracy, a new method based on deep transfer learning for insulator status monitoring of distribution lines is proposed. Firstly, the intelligent distribution terminal collects the insulator images obtained by the camera on the distribution line, extracts the image features by oriented FAST and rotated BRIEF(ORB) algorithm, and adopts gray centroid method to ensure that the properties of the image feature points do not change after rotation. Then, according to the acquired image features, the depth learning and transfer learning algorithm are combined to train the image features and realize the insulator state classification. Finally, based on Matlab simulation platform, the proposed method and other combination methods are tested and analyzed in common scenes. Experimental results show that compared with other combination methods, the proposed method can accurately monitor insulator status in different environments, and the classification accuracy is higher.

Keywords： Insulator state monitoring ; ORB algorithm ; feature analysis ; deep transfer learning ; state classification

PDF (5345KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

宰红斌, 刘建国, 张文岗, 封士永, 祖国强. 基于深度迁移学习的配电线路绝缘子状态监测方法^*. 电气工程学报[J], 2022, 17(4): 275-281 doi:10.11985/2022.04.029

ZAI Hongbin, LIU Jianguo, ZHANG Wengang, FENG Shiyong, ZU Guoqiang. Insulator Condition Monitoring Method of Distribution Line Based on Deep Transfer Learning. Chinese Journal of Electrical Engineering[J], 2022, 17(4): 275-281 doi:10.11985/2022.04.029

1 引言

随着人民生活水平的日益提高，可靠稳定的电力供应已经成为人民生活不可或缺的一部分。而配电线路作为保障供电的关键，其运行更多地取决于绝缘子在不同大气条件下的可靠性和稳定性^[1-2]。污染物在绝缘子表面的沉积会造成绝缘失效，导致闪络甚至绝缘子断裂，引发重大事故^[3]。因此如何准确有效地监测配电线路绝缘子，及时发现绝缘子状态异常，以便提前采取措施运维，防止重大事故发生，具有重大的工程意义^[4]。

目前对于绝缘子状态的检测研究已取得了一定的成果。传统的绝缘子状态检测方法通过人工登杆实现，检测准确性高，但劳动强度大，对检修人员体力要求较高，且检测效率低。还有研究采用直升机搭载的摄像机进行检查，但该方法存在一定的风险性，精度也有待提高^[5-6]。目前，航测法是较为新颖的一种绝缘子状态检测方法，但其中涉及的图像处理算法需要具备更强的通用性和鲁棒性，并且需要能够识别和分类多种故障。文献[7]利用携带轻型摄像机的无人机实现线路监视，但变化的背景会降低其识别到的绝缘子图像清晰度^[8]。文献[9]利用计算机视觉技术从图像/视频中自动提取绝缘子，并识别绝缘子的缺陷，通过将摄像机从包含电杆和绝缘子的配电线路拍摄的图像发送到配电自动化主站进行处理分析^[10]。但该方法对绝缘子特征识别不够精确，提取方案状态不能准确区分对象所处状态。

针对上述问题，提出了一种基于深度迁移学习的配电线路绝缘子状态监测方法，主要工作如下所述。

(1) 针对现有特征提取算法存在误匹配率较高的问题，所提方法采用ORB (Oriented FAST and rotated BRIEF)算法对绝缘子状态进行特征提取和图像分析，利用灰度质心法实现特征点的旋转不变性，确保特征的准确性。

(2) 为了提高绝缘子状态的分类精度，所提方法将迁移学习融入深度学习中，将现有数据集上学习到的知识迁移到绝缘子的状态分类中，以更准确地区分绝缘子状态。

2 配电线路绝缘子状态监测方法

配电线路的绝缘子一般由玻璃、聚合物或陶瓷制成，存在多种类型和形状，包括单个或串盘、长棒或线柱^[11]。随着配电线路环境的变化以及使用时间的推移，绝缘子的状态由健康状态变为临界状态，如果一段时间内不采取必要措施，绝缘子的临界状态将进入风险状态，引发击穿和事故。同时，由于雷击和放电的发生，绝缘子有可能会完全损坏，健康状态可能直接转变为风险状态^[12]。因此，针对配电线路绝缘子状态提出的监测系统如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 绝缘子状态监测系统架构

所提监测系统首先通过安装在杆塔的摄像机对配电线路的绝缘子进行图像采集，摄像机可以旋转，通过空间布置，由多台摄像机对绝缘子进行全方位监测。然后摄像机将此杆塔采集的绝缘子图像通过微功率无线通信传输至该杆塔安装的智能配电终端，由智能配电终端进行图像特征提取^[13]。接着智能配电终端将提取的特征图像通过4G/5G通信网络，远程传输至配电自动化主站，并采用学习算法进行特征训练和状态分类。其中对配电线路绝缘子图像处理流程如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 绝缘子图像处理流程

在整个绝缘子状态分析流程中，首先基于ORB算法对绝缘子状态进行特征提取，并根据特征利用深度迁移学习算法对绝缘子状态进行分类，其中深度迁移学习模型中包含全局平均池化层、全连接层和Softmax分类器，以确定绝缘子状态(健康、临界或是风险)，进一步判定是否需要进行检修。

2.1 基于ORB算法提取图像特征

摄像机获取的连续帧图像需要通过降噪等措施进行图像预处理，同时从完成预处理的图像中选取两帧不间断的图像${{I}_{1}}$与${{I}_{2}}$，采用ORB算法计算描述子提取图像特征，如果一个像素四周存在N个不间断点，其亮度大于或者小于正常值，则此像素可视为特征点。ORB算法大致包括关键点与描述子两个部分，其中关键点使用Oriented FAST，具有迅速检测局部像素灰度发生改变的特质。

假如图像中某一像素点和四周邻近像素存在比较大的差别，太亮或者是太暗，则该像素点有很大概率是一个角点。由于FAST特征点数量庞大但不稳定^[14]，因此，ORB对其检测算法进行改进。首先统计原先FAST角点的响应值，将前N个响应值最大的角点保存下来，构成最终的点集；然后ORB算法基于FAST角点采用灰度质心法保证特征点发生旋转后性质不改变，以提高图像特征提取的抗扰能力。图像块${{e}_{pq}}$定义为

(1)${{e}_{pq}}=\sum\limits_{x,y\in \Omega }{{{x}^{p}}{{y}^{q}}I\left( x,y \right)}\text{ }p,q=\left\{ 0,1 \right\}$

式中，$I\left( x,y \right)$为图像灰度，${{x}^{p}}$、${{x}^{q}}$分别为图像的坐标值，$\Omega $表示图像的点集。当${{e}_{pq}}$中$p$、$q$分别取0、1，得${{e}_{10}}$、${{e}_{01}}$、${{e}_{00}}$、${{e}_{00}}$，则图像块的质心$C$为

(2)$C=\left( \frac{{{e}_{10}}}{{{e}_{00}}},\frac{{{e}_{01}}}{{{e}_{00}}} \right)$

通过连接特征点O与质心点C得到方向向量OC，其方向$\theta $为

(3)$\theta =\arctan \left( \frac{{{e}_{01}}}{{{e}_{10}}} \right)$

提取Oriented FAST特征点后，ORB算法使用改进的BRIEF特征描述—rBRIEF描述子对其每个特征点进行计算。对领域内N组点对$({{x}_{i}},{{y}_{i}}),\ \ 1\le i\le N$的每个点对进行二进制定义，并生成二进制字符串，即BRIEF描述子${{f}_{N}}\left( p \right)$

(4)$\left\{\begin{array}{l} \sigma(p ; x, y)=\left\{\begin{array}{ll} 1 & p(x)<p(y) \\ 0 & \text { 其他 } \end{array}\right. \\ f_{N}(p)=\sum_{1 \leqslant i \leqslant N} 2^{i-1} \sigma\left(p ; x_{i}, y_{i}\right) \end{array}\right.$

式中，$p(x) $、$p(y) $为像素灰度，$\sigma $为对特征点的测试函数。

为使BRIEF描述子具有旋转不变性，ORB算法定义矩阵$S$选取初始点集对，并利用灰度质心法监测主方向$\theta $明确仿射变换矩阵${{R}_{\theta }}$，则矩阵$S$也变换成${{S}_{\theta }}$矩阵

(5)$\boldsymbol{S}_{\theta}=\boldsymbol{R}_{\theta} \boldsymbol{S}=\left[\begin{array}{l} \cos \theta, \sin \theta \\ -\sin \theta, \cos \theta \end{array}\right]\left[\begin{array}{l} x_{1}, x_{2}, \cdots, x_{N} \\ y_{1}, y_{2}, \cdots, y_{N} \end{array}\right]$

则具有旋转不变性的rBRIEF描述子${{r}_{N}}\left( p,\theta \right)$为

(6)${{r}_{N}}\left( p,\theta \right)={{f}_{N}}(p)\left| ({{x}_{i}},{{y}_{i}}) \right.\in {{S}_{\theta }}$

2.2 基于深度迁移学习的绝缘子状态分类

特征提取后，所提方法采用深度迁移学习算法对配电线路的绝缘子状态进行训练和分类，通过迁移学习与深度学习融合，将现有在数据集上学习到的知识迁移到绝缘子的分类中，明确图像的类别：健康、临界或风险状态^[15]。

深度迁移学习算法利用前馈卷积神经网络(Convolutional neural network，CNN)对一部分特征图生成尺寸一定的默认框，并将其映射到图像临近区域，以生成尺寸一定的边界框集合以及边界框内对象类型的分值，在此基础上，采用非极大抑制算法生成最终的检测边界框和相应的分值。另外利用特征图层次较高的网络去检测尺寸较大的图像，其默认框的规格要最小化；相反，利用特征图层次较低的网络去检测尺寸较小的图像，其默认框的规格要最大化。选择默认框规格与数目的数学表达如下

(7)${{s}_{j}}={{s}_{\min }}+\frac{{{s}_{\max }}-{{s}_{\min }}}{m-1}\left( j-1 \right)\text{ }\ \ j\in \left[ 1,m \right]$

式中，$m$为特征图的层数，$j$为不同的特征层，${{s}_{\max }}$、${{s}_{\min }}$分别为最高、最低层边界框的比例，${{s}_{j}}$为不同特征层边界框的比例。

迁移学习具备很好的自适应性，能够利用已有的关联任务区域内携带记号的数据信息处理分析剩下的冗杂数据，试着在源域内学习源任务，将其获得的知识应用于解决目标域的任务。即给定一个有标记的源域${{D}_{s}}=\left\{ {{x}_{i}},{{y}_{i}} \right\}_{i=1}^{n}$和一个无标记的目标域${{D}_{t}}=\left\{ {{x}_{j}} \right\}_{j=n+1}^{n+m}$，其中x为影像，y为影像标签，i为具体源域影像，j为目标域影像，凭借${{D}_{s}}$的内容学习目标域${{D}_{t}}$的内容。

本文方法提出的深度学习迁移模型如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 深度迁移学习算法分类模型

基于深度学习的迁移分类模型包含如下步骤：① 把预先训练好的模型删掉全连接层(Fully connected layer，FC)与分类层，同时利用训练的网络参数将其权重进行初始化，并且由CNN的卷积层与池化层共同组成特征训练器，以学习图像的特征；② 将预先训练模型所获取的绝缘子状态特征与类型标签输入分类模型，通过一个全局平均池化层、一个FC和一个Softmax分类器，将绝缘子状态分为健康、临界或风险状态^[16]。

其中全局平均池化层把特征训练器获得的绝缘子状态所有特征图的值进行融合，组成一个特征值，如此特征的维数便与特征训练器最后卷积层的特征图数目相同，可以缩减FC的参数量。经过全局池化操作后，特征值${{F}^{(k)}}$^[17]为

(8)${{F}^{(k)}}=\sum\limits_{m=0}{\sum\limits_{j=0}{x_{mj}^{(k)}}}$

FC的作用在于把全局平局池化后的全部特征值和任一节点相连。而Softmax分类器将根据最后一层的特征将绝缘子状态进行分类，分成健康、临界或风险三种状态。

3 试验结果与分析

从10 kV、35 kV配电线路绝缘子的采样点图像中提取出数据集，基于Matlab搭建仿真环境进行分析处理^[18]。其中绝缘子的三种可能状态为健康、临界和风险，严重的积污情况视为“风险”状态，具体的绝缘子状态类型划分根据实际应用予以调整。

3.1 抗干扰能力分析

图像获取及处理过程中很容易受到噪声、视线遮挡等因素的干扰，在常见干扰因素中，选取其中的5个样本为例，所提方法的监测准确率如表1所示。

表1 存在干扰因素的监测结果

绝缘子样本编号	监测准确率(%)
绝缘子样本编号	噪声	视线遮挡	光线
1	90.13	88.59	92.08
2	92.81	89.78	90.45
3	90.64	87.26	90.31
4	90.77	88.85	89.09
5	92.23	89.52	90.86

新窗口打开| 下载CSV

从表1可以看出，对比噪声、视线遮挡和光线这三种因素，视线遮挡造成的干扰更大，以样本3为例，监测准确率仅为87.26%。由于所提方法采用了降噪措施，并且利用ORB算法计算描述子提取图像特征，因此能够较好地抵抗噪声和光线的干扰。在噪声影响下，所提方法的监测准确率不低于90%，并且存在光线干扰时，其监测准确率不低于89%。由此可以论证，所提方法能够较好地抵抗各种影响因素，保证绝缘子的监测准确性。

3.2 不同复杂环境中方法性能的分析

考虑到不同环境中绝缘子状态监测方法的有效性，在Matlab平台上对具有：① 平原天空；② 山丘；③ 树木；④ 建筑物；⑤ 复杂动态背景(如鸟儿)的五种场景进行试验分析。

根据上述试验环境，通过摄像机获得与研究场景相对应的图像80幅，其中50幅用于训练，30幅用于测试。基于ORB算法提取图像特征，并利用深度迁移学习算法对绝缘子图像进行分类。在不同场景中绝缘子状态分析时，处于健康、临界或风险状态的绝缘子用不同的标记标识，绝缘子状态在所有测试集中的变化情况如图4和表2所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 不同状态的绝缘子图像及状态特性变化

表2 不同环境中绝缘子状态特征统计

状态	健康	临界	风险
场景1	80	76	96
场景2	7	4	3
场景3	22	16	20
场景4	190	172	164
场景5	133	117	138

新窗口打开| 下载CSV

从图4和表2中可看出，所提方法能够清晰地区分五种试验场景中的绝缘子状态。由于场景1、场景4和场景5较为复杂，因此绝缘子状态特征量较多，以便更好地辨识绝缘子状态。而场景2和场景3中涉及的山丘和树木较容易区分，对特征值的要求不高。由此可见，所提方法适用于不同的复杂环境，且能够准确辨识绝缘子状态。

3.3 不同方法的对比分析

为了论证所提方法的监测精度，将其与三种组合方法在五种试验环境中进行对比试验，结果如图5所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 不同场景下各组合方法的分类精度

从图5可以看出，环境不同，方法的分类精度也不同。天空、树木和山丘较为简单，因此在场景1~3中各种分类方法的精度相差不大。但在建筑物和复杂动态背景的场景下，精度相差较大，所提方法的监测精度最高。因此，相较于其他方法，所提方法更适用于复杂的环境。

此外，当使用小波变换特征和支持向量机分类器对绝缘子状态进行分类时，平均交叉验证精度大约可达89.27%。将小波变换与深度迁移学习算法结合用于绝缘子状态分类，平均交叉验证精度达到86.69%左右。使用ORB算法和支持向量机分类器的平均分类准确率为85.33%，而所提方法的平均分类准确率为91.95%。由于所提方法结合了ORB算法中BRIEF描述子的旋转不变性和基于深度迁移学习算法的多分辨率特征，因此与其他分类方法相比，该方法具有更好的平均交叉验证分类精度，可有效应用于配电线路绝缘子状态的监测。

4 结论

为了提高配电线路绝缘子状态监测的准确度，提出了一种基于深度迁移学习的监测方法。采用ORB算法提取绝缘子状态特征并进行分析。同时，将迁移学习融入深度学习中，以完成绝缘子的状态分类。此外，基于Matlab平台对所提方法在5种复杂环境中的性能进行了试验论证，结果表明相比于其他方法，其绝缘子状态监测精度最高，5种场景下的平均分类精度为91.95%。并且交叉验证过程用于确定分类精度，可以保证将评估中的随机影响降至最低。

但是所提方法在更为复杂动态环境中的分类精度不高，这是今后工作需要重点研究的地方。同时，配电线路上的绝缘子数量庞大，如何将其与地理信息系统的实时集成有待进一步研究，并且庞大的数据如何高效地处理也是后期需要优化的部分。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

高立艾, 霍利民, 黄丽华, 等.

基于贝叶斯网络时序模拟的含微网配电系统可靠性评估

[J]. 中国电机工程学报, 2019, 39(7):2033-2041.