基于MATLAB平臺的復合絕緣子憎水性分析軟件開發

閆 康

(國網石家莊市鹿泉區供電公司，河北 石家莊 050200)

0 引言

硅橡膠復合絕緣子較瓷絕緣子與玻璃絕緣子具備抗拉強度高、防污閃性能優異、質量輕、日常運維檢修方便、不易發生斷裂、無零值等諸多優點，在我國電網建設中得到了廣泛的應用,并逐步代替了歷史上使用最多的傳統瓷絕緣子和玻璃絕緣子。截至目前，已經積累了30 余年的現場運行經驗，為電網安全可靠運行提供了有力保障[1]。相關研究文獻顯示，復合絕緣子優良的防污閃性能主要與其獨特的憎水性能和憎水遷移性能密切相關。但電網實際運行經驗和記錄數據顯示，由于受運行工作年限、外界運行環境污穢、光照紫外線以及電暈放電等諸多因素影響，復合絕緣子的硅橡膠傘裙會逐步發生老化，嚴重者甚至會出現傘裙粉化現象，進而導致其憎水性能和憎水遷移性逐步出現不同程度的下降，甚至完全喪失，致使復合絕緣子的耐污閃性能嚴重下降，給電網的安全、穩定、可靠運行帶來重大隱患和風險[2-6]。

為降低復合絕緣子憎水性能和憎水遷移性能致使電網發生污閃事故的風險，有必要對在網運行的復合絕緣子的憎水性能進行定期的檢測和評價，對于檢測不合格的復合絕緣子，根據其檢測結果應及時列入檢修計劃，加強觀察或盡快更換。常用的檢測復合絕緣子憎水性的傳統方法為表面張力法、靜態接觸角法和噴水分級法[7-9]。其中，表面張力法和靜態接觸角法對檢測時所處的外界環境因素要求很嚴格，檢測結果較容易受外界因素影響，只適用于實驗室條件下檢測，不適于在運行現場進行大規模的檢測[10-11]。噴水分級法操作簡便，檢測速度快，廣泛應用于運行現場對復合絕緣子憎水性能的檢測。該方法由于是通過現場操作人員對比測試復合絕緣子的憎水性圖像與標準圖譜的相似程度，并參考憎水性等級分級判據得出絕緣子的憎水性等級，因此其檢測結果會不可避免的因操作人員技能水平、經驗水平不同而存在一定的主觀差異性。

為了準確、客觀地檢測、評價復合絕緣子的憎水性等級，同時為實現在線檢測復合復合絕緣子憎水性能提供可靠的檢測平臺，提高檢測工作效率，文中借助MATLAB圖像處理工具和GUI圖形用戶界面功能開發了一款復合絕緣子憎水性分析軟件。該軟件可以通過對復合絕緣子憎水性圖像進行增強預處理，再利用改進的Canny算子和數學形態學對憎水性圖像進行準確分割，進而提取憎水性圖像相關特征量，最后利用改進的徑向基函數(radial basis function,RBF)神經網絡根據提取的復合絕緣子相關特征量對其憎水性能進行準確分級。該軟件有效避免了人為主觀因素的影響，提高了檢測精度和工作效率，為現場運行人員提供了可靠的數據支持和參考，并且有助于運維檢修部門建立復合絕緣子運行數據檔案庫，根據復合絕緣子的實際運行狀況合理制定檢修計劃，保障電網安全穩定運行。

1 軟件的總體設計

復合絕緣子憎水性分析軟件平臺基于MATLAB/GUI設計，主要是借助、依托MATLAB軟件平臺的圖像處理功能和科學計算功能， MATLAB為創建用戶界面提供了捷徑(GUIDE)，GUIDE可以在界面設計過程中直接自動生成M文件框架，從而大大減少了有關GUI應用程序創建工作，研發人員直接在此框架中填入自己編寫的程序代碼即可。

該軟件的界面布局沿用了成熟的自頂向下的設計理念和方法，共研發設計了3個用戶操作界面：初始界面、主界面和子界面。基于模塊化的設計思想，可將憎水性分析軟件劃分為幾個功能相對獨立的模塊，該軟件的模塊結構如圖1所示。

圖1 軟件模塊結構Fig.1 The module structure of software

2 軟件的主要功能及實現

2.1 圖像增強預處理

在網運行的復合絕緣子長期暴露于戶外，不斷遭受風霜雨雪、霧霾、光照、鳥糞等不利因素侵襲，因此，復合絕緣子傘裙的表面都覆蓋有不同成分、不同程度的污穢。此外，受水珠(或水跡)的透明性以及水珠(或水跡)對光照的反射作用等不利因素影響，拍攝的復合絕緣子憎水性圖像中水珠(或水跡)的邊界比較模糊或昏暗不明，嚴重影響了對復合絕緣子憎水性圖像中水珠(或水跡)的邊緣的識別、分割。為了有效克服上述諸多不利因素的影響，對憎水性圖像運用濾波和增強技術進行處理，凸顯復合絕緣子憎水性圖像中水珠(或水跡)的邊界信息十分必要。

文中采用基于同態濾波的自適應直方圖均衡化方法[12-13]對憎水性圖像進行預處理。首先利用同態濾波法對憎水性圖像進行增強處理，使水珠(或水跡)的邊界細節信息得到增強，水珠(或水跡)的邊界清晰可見。但處理后憎水性圖像的灰度動態范圍較處理之前變得狹窄，致使整幅憎水性圖像變得較為昏暗，為此，文中采用自適應直方圖均衡化方法對憎水性圖像進行進一步處理。該方法可以有效拓展圖像的灰度動態范圍，提高圖像的亮度，改善圖像的視覺效果，彌補了同態濾波的缺陷，二者聯合使用能夠取得較為理想的增強效果。

2.2 圖像分割

圖像分割的目標是把圖像中感興趣的部分細節信息從圖像中提取出來。而在復合絕緣子憎水性檢測工作中，準確分割憎水性圖像是一個重要環節，對后續構建的網絡模型準確識別絕緣子憎水性等級有著重要影響。

2.2.1 邊緣提取

傳統的Canny算子，圖像邊緣檢測性能優良，檢測效果較為穩定，技術成熟，因此，在數字圖像處理領域得到了廣泛的認可和使用。但是傳統的Canny算子的閾值設置需要人工選擇，即需要檢測人員通過不斷調整閾值尋找最佳的檢測結果，閾值選擇缺乏自適應選擇能力[14]。為此，文中將Ostu閾值法引入到Canny算子中，針對傳統的Canny算子進行了改進。Ostu閾值法[15]是以最小二乘法的基本原理為基礎推導出的一種自適應閾值確定方法，該方法能夠根據不同憎水性圖像的自身特點自適應的獲取最佳閾值K，進而獲得最佳的邊緣檢測效果，其表達式如下，δ2(k)表示圖像的類間距離：

K=maxδ2(k) 1≤k≤m

(1)

在傳統Canny算子中引入Ostu閾值法，克服了傳統Canny算子閾值選擇需要人工確定的缺點，改進Canny算子在閾值選取方面具備了自適應選擇能力，能夠自主尋找最佳閾值，進而改善了圖像邊緣檢測效果，大大提升了邊緣檢測效率。

2.2.2 數學形態學修正

數學形態學的基本思想為運用不同形態的結構元素去處理圖像對應的形狀以達到對圖像分析和識別的目的。其基本運算包括膨脹運算、腐蝕運算、開運算和閉運算4種。由于受表面污穢、外界光照、拍攝相機本身性能及水珠本身的透明性、反光等諸多不利因素影響，運用改進的Canny算子檢測出的絕緣子憎水性圖像邊界不可避免地會出現斷線、不連續等現象。為此，文中引入了數學形態學對存在斷線、不連續的部分憎水性圖像的邊界像進行修正，使得修正后的憎水性圖像邊界變得連續，并且與原圖像能夠保持高度相似。

2.3 特征量提取

提取了4個與絕緣子憎水性相關的特征量：最大水珠(或水跡)的形狀因子fc，水珠覆蓋率A,最大水珠(或水跡)與整幅圖像的面積比K，最大水珠的偏心率e。相關文獻證明這4個特征量能夠很好地表征不同憎水性等級的圖像特征[16-17]，其表達式如下：

(1) 形狀因子：

(2)

式中：Smax為最大水珠(或水跡)的面積；l為最大水珠(或水跡)的周長。

(2) 水珠覆蓋率：

(3)

式中：N為識別出的水珠總數量；Si為第i個水珠的面積；S表示圖像的總面積。

(3) 最大面積比：

(4)

(4) 偏心率：

(5)

式中：a為最大水珠外接矩形的長軸；b為最大水珠外接矩形的短軸。

2.4 改進的RBF神經網絡識別模型

RBF神經網絡[7,18]是運用多維空間插值的傳統技術，屬于前向神經網絡類型。該網絡具備結構相對簡單、訓練方法簡便、訓練學習收斂速度快，能夠很好擬合任意非線性函數等諸多優點，因此，適于建立非線性的復合絕緣子憎水性識別模型。

RBF神經網絡結構主要由輸入層、隱含層和輸出層組成。輸入層的作用是傳輸數據，即將圖像的4個特征量：形狀因子fc，覆蓋率A，面積比K，偏心率e，輸入并傳遞到隱含層，由于徑向基函數的形式對RBF網絡性能影響不大,因此文中選取了使用廣泛的高斯函數作為RBF神經網絡的徑向基函數，因此RBF神經網絡的激活函數可以表示為：

(6)

式中：‖xp-ci‖為歐式范數；xp為輸入的特征量；ci為高斯函數的中心；σ為高斯函數的均方差。

由RBF神經網絡的結構可知，該網絡的輸入和輸出存在如下映射關系：

(7)

式中：R(xp-ci)為激活函數；h為隱含層節點數；y為輸出向量，文中為絕緣子憎水性等級。

傳統的RBF神經網絡的訓練速度與精度與學習算法中的徑向基中心分布因子Sc的取值有關，Sc的數值會影響網絡結構，進而對訓練精度和速度產生影響。因此，采用一種將網絡訓練誤差引入Sc,使得Sc具備自適應調整能力，能夠對各種復雜的復合絕緣子憎水性圖像的特征值迅速學習并收斂，提高學習效率和精度。其選取如下：

(8)

選取350組憎水性圖像作為網絡訓練學習樣本，網絡誤差目標設定為0.000 01，得出兩種網絡訓練學習結果，如表1所示。

表1 訓練學習結果Tab.1 The training recognition

由表可知，改進后的RBF訓練精度提高了21.93%，訓練效率提升了45%，表現出更高的訓練精度和效率。

2.5 數據庫管理

數據庫被用來儲存、管理復合絕緣子的各種信息，其中包含了數據分析統計、查詢等功能，以Excel 表格的方式輸出、存儲絕緣子的各種信息，為運維檢修部門制定復合絕緣子檢修計劃提供有力的數據支持。

2.5.1 數據庫設計

數據庫設計是軟件設計的重要組成部分，本軟件采用關系型數據庫SQL Server 2005來保存絕緣子的相關信息數據。數據庫由絕緣子信息數據表組成，絕緣子信息數據表主要是用來記錄絕緣子的基本信息和憎水性檢測結果信息，該表的結構和關鍵字段有復合絕緣子型號、供應商、投運時間、運行年限、檢測日期、檢測位置、所在地區、污染情況、降雨量等級、檢測方法、憎水性等級、檢測員、檢測日期等。

2.5.2 數據庫操作

對數據庫的操作主要有與數據庫的連接、絕緣子信息的錄入、修改、歷史記錄查詢等操作。該軟件在歷史記錄查詢界面設置了4個查詢選項，分別為：檢測日期、絕緣子型號、憎水性等級、檢測員，各選項之間可以選擇“并且”或“或者”邏輯組合進行查詢。

3 軟件應用效果

選取了從現場退運的120支復合絕緣子作為試樣，這些復合絕緣子的運行年限、生產廠家、運行地點不盡相同，由專業人員對這些復合絕緣子的不同部位的傘裙按照規程進行噴水，并拍攝憎水性圖像，然后，由經驗豐富的專家對比憎水性圖像和標準圖譜的相似度，完成憎水性等級的判定。共計拍攝了1000余幅圖像,部分憎水性圖像如圖2所示。選取了其中350幅圖像作為測試樣本數據，其中每個憎水性等級樣本各有50幅，利用此軟件對樣本復合絕緣子圖像的憎水性等級進行識別，將識別結果與預先由專家判定的憎水性等級進行對比，以驗證該軟件的識別結果是否準確，識別結果如表2所示。

圖2 部分憎水性圖像Fig.2 Somehydrophobic images

憎水性等級誤判等級/誤判個數總誤判個數總樣本數正確率/%HC1HC2/225096HC2HC1/335094HC3HC2/2HC4/245092HC4HC3/1HC5/565088HC5HC4/5HC6/275086HC6HC5/225096HC7HC6/335094總識別率92

從表2可以看出，軟件識別模型對HC4和HC5兩個憎水性等級的識別準確率較低，分別是88% 和86% 。這可能是由兩個原因造成的，一是這兩個憎水性等級相鄰，其憎水性圖像相似性較高，準確區分比較困難；二是選取的訓練樣本的數量不夠多，致使構建的識別網絡模型不夠健全、穩定。其他5個憎水性等級的判斷正確率均達到或超過92%，總識別率也達到92%。

4 結語

借助于MATLAB/GUI平臺開發設計了復合絕緣子憎水性分析軟件，該軟件具有以下優點:

(1) 能夠有效識別復合絕緣子的憎水性等級，對憎水性等級為HC1、HC2、HC3、HC6和HC7的憎水性圖像識別率最高，正確率均達到92% ；對憎水性等級為HC4和HC5的平均識別率偏低，但正確率均達到86%，總的識別率達到92%；即使發生誤判，也是發生在相鄰憎水性等級之間，能夠滿足工程實際要求；克服了人為主觀因素的影響，使得檢測結果更為客觀準確。

(2) 為實現在線檢測復合絕緣子憎水性提供了檢測平臺，縮短了檢測時間，提高了工作效率，同時方便了運維檢修部門工作人員對檢測數據的管理和查詢，為后續絕緣子的檢修提供數據支持。

(3) 軟件操作界面設計合理，功能分區合理，便于操作人員操作和后期升級維護。