基于GWO-SVM的紅外熱成像低零值絕緣子識別

張美金，屈秋帛

（遼寧工程技術(shù)大學(xué) 電氣與控制工程學(xué)院，遼寧 葫蘆島 125105）

0 引言

目前主流的低零值（根據(jù)DL/T596-1996《電力設(shè)備預(yù)防性試驗規(guī)程》中的要求，每片懸式絕緣子的絕緣電阻不應(yīng)低于300 MΩ，500 kV 懸式絕緣子不低于500 MΩ。低于上述水平的，一般就認(rèn)為是低值或零值絕緣子。）絕緣子檢測方法有：光譜法、紫外脈沖法、徑向溫度法、超聲波檢測法等。但分析文獻(xiàn)，發(fā)現(xiàn)不少方法存在危險性高、算法復(fù)雜等問題，均需進(jìn)一步深入研究。由于低零值絕緣子在線路中溫度變化明顯，目前許多電力公司逐步采用紅外成像技術(shù)對低零值絕緣子進(jìn)行檢測。然而目前

線路絕緣子主要承擔(dān)著連接導(dǎo)體和電氣絕緣的功能，是整個電力系統(tǒng)的重要的組成部分[1-3]。由于絕緣子在生產(chǎn)過程中會造成一定的缺陷，以及受到自然環(huán)境的影響，絕緣子會自然劣化，絕緣性能不斷減弱，絕緣子串的閃絡(luò)概率將增大，最終造成電網(wǎng)運行的不穩(wěn)定，而電力事故發(fā)生的概率也將增大，給生產(chǎn)生活帶來不利的影響。因此絕緣子的定期檢測與及時維修對于維護(hù)保障電網(wǎng)的安全至關(guān)重要[4-5]。圖像處理技術(shù)對電力設(shè)備進(jìn)行在線檢測的研究面臨著圖像特征提取的困難，現(xiàn)有算法無法有效解決絕緣子狀態(tài)檢測的多分類問題，且面臨處理海量數(shù)據(jù)檢測耗時，檢測正確率低的問題。因此，面向大數(shù)據(jù)的低零值絕緣子檢測方法是今后研究的重點。

隨著神經(jīng)網(wǎng)絡(luò)算法的不斷改進(jìn)，以深度學(xué)習(xí)為代表的人工智能理論與應(yīng)用研究越來越多的被應(yīng)用到故障檢測識別中。目前BP（back propagation）神經(jīng)網(wǎng)絡(luò)、遺傳算法[6]、Petri 網(wǎng)絡(luò)及決策樹等不少數(shù)據(jù)挖掘的方法被成功應(yīng)用到劣化絕緣子的診斷識別中。支持向量機(jī)同樣被應(yīng)用在電力系統(tǒng)的故障診斷領(lǐng)域，然而，直接采用支持向量機(jī)模型對絕緣子樣本進(jìn)行檢測效果不盡理想。如何優(yōu)化原有的支持向量機(jī)模型，解決大數(shù)據(jù)環(huán)境下絕緣子檢測問題，是當(dāng)下需要著重研究的方向。目前網(wǎng)格搜索法[7]、布谷鳥搜索算法[8]、粒子群算法[9]等等都成功被應(yīng)用到優(yōu)化向量機(jī)的參數(shù)尋優(yōu)中。灰狼算法與支持向量機(jī)相結(jié)合應(yīng)用在諸多領(lǐng)域中，如醫(yī)學(xué)信號識別、植物種類識別、醫(yī)學(xué)圖像識別，其實驗結(jié)果都有所改善，但很少被應(yīng)用到電氣設(shè)備故障診斷。本文提出的灰狼優(yōu)化算法與支持向量機(jī)結(jié)合針對低零值絕緣子檢測識別的應(yīng)用尚屬空白。

本文通過對絕緣子紅外圖像進(jìn)行處理，對絕緣子紅外圖像樣本進(jìn)行多層次深度特征提取用于支持向量機(jī)分類識別，并采用灰狼算法實現(xiàn)對支持向量機(jī)參數(shù)的優(yōu)化，實現(xiàn)對低零值絕緣子檢測識別。

1 絕緣子串紅外圖像預(yù)處理

1.1 信號絕緣子串紅外圖像增強(qiáng)

灰度變換增強(qiáng)可以增強(qiáng)紅外圖像中的目標(biāo)與背景的對比度，提高圖像的質(zhì)量。灰度變換作為一種應(yīng)用廣泛的圖像增強(qiáng)技術(shù)可使圖像清晰、特征明顯[10-12]。

設(shè)原圖像為f(x,y)，其灰度范圍為[a,b]；變換后的圖像g(x,y)，其灰度范圍線性的擴(kuò)展至[c,d]。

圖像中大部分灰度級分布在區(qū)間[a,b]內(nèi)，有少許部分在此區(qū)間之外，為了改善增強(qiáng)效果，可以令：

直方圖均衡化作為一種應(yīng)用廣泛的圖像增強(qiáng)方法，可使絕緣子串同背景對比度增大，方便后期提取絕緣子串。

如圖1所示，直方圖均衡化增大了絕緣子串與背景的灰度級，圖像的對比度也增強(qiáng)了，這樣有利于后期正確分割出絕緣子串和背景。

圖1 紅外圖像增強(qiáng)Fig.1 Infrared image enhancement

1.2 基于Ostu算法的圖像自適應(yīng)閾值分割

首先利用最大類間方差法（Ostu）對增強(qiáng)后的絕緣子紅外圖像進(jìn)行分割[13]，如圖2所示。該方法可自動選取閾值，分割效果好、速度快。

圖2 分割效果圖Fig.2 The result after segmentation

1.3 絕緣子分割

對Ostu 分割得到的二值圖像進(jìn)行切割，提取圖像中完整的絕緣子串，如圖3所示，為絕緣子缺陷檢測智能認(rèn)知工作做好準(zhǔn)備。

圖3 絕緣子串提取Fig.3 Insulator string extraction

1.4 基于Randon變換的圖像傾斜校正

運用Ostu算法將絕緣子串的候選區(qū)域分割提取后，用Randon變換[14]的圖像傾斜校正算法進(jìn)行絕緣子角度校正，如圖4所示。

2 灰狼算法支持向量機(jī)模型

2.1 支持向量機(jī)模型

支持向量機(jī)（support vector machine,SVM）是Bell實驗室以V.Vapnik 教授為首的研究小組針對小樣本機(jī)器學(xué)習(xí)方法提出的一種新型模式識別方法[15]。

圖4 絕緣子串傾斜矯正Fig.4 Insulator string tilt correction

對于線性不可分的特征向量，需采用核函數(shù)將向量投放到高維空間中達(dá)到可以分類的效果。高斯徑向基核函數(shù)作為應(yīng)用最廣泛的核函數(shù)，在缺乏樣本數(shù)據(jù)的先驗知識時，可通過調(diào)整參數(shù)取得較好的學(xué)習(xí)效果。本文采用高斯徑向基核函數(shù)：

式中：δ＞0為高斯核的帶寬。

設(shè)h維的空間上，針對線性可分問題，所有樣本均滿足約束件：

求解支持向量機(jī)可轉(zhuǎn)化為分類間隔問題：

在實際機(jī)器學(xué)習(xí)時，為了允許機(jī)器出現(xiàn)一些錯分的點，通常在約束條件中加入松弛變量ζ＞0，增加一個常數(shù)C作為懲罰因子：

以上問題的求解，可以得到SVM 回歸表達(dá)式：

式中：αj為拉格朗日乘積因子。

2.2 灰狼優(yōu)化算法

灰狼優(yōu)化算法（grey wolf optimizer，GWO），是一種通過模擬灰狼捕獵過程中的狩獵和搜索行為建立的全局隨機(jī)搜索算法。由澳大利亞學(xué)者 Seyedali.Mirjalili 等人在2014年提出的新型算法[16]。GWO算法與粒子群優(yōu)化算法（particle swarm optimization，PSO）類似，是一個從隨機(jī)解出最優(yōu)解的過程。該方法相較于PSO、網(wǎng)格搜索算法（GS）等算法參數(shù)少，結(jié)構(gòu)簡單，同時又有較強(qiáng)的收斂性，已成功應(yīng)用于圖像處理等領(lǐng)域中。

將最優(yōu)解設(shè)為α，第二個和第三個最佳解分別命名為β和δ，而其余的解均設(shè)為ω。狼群通過3 只個體狼α、β和δ為初始解帶領(lǐng)狼群ω在空間中向獵物（最優(yōu)解）逼近，經(jīng)過圖5所示的狼群移動方式，不斷迭代，引導(dǎo)狼群不斷靠近全局最優(yōu)解。搜索過程狼群捕食位置更新：

式中：D為當(dāng)前灰狼距獵物距離；A和C為系數(shù)向量；Xp是獵物的位置向量。

式中：a隨迭代次數(shù)從2～0 遞減；r1，r2是[0,1]內(nèi)的隨機(jī)向量。

圖5 GWO中的位置更新Fig.5 Position updating in GWO

為了模擬狩獵行為，假設(shè)α，β和δ對獵物的潛在位置有更好的了解，在每次迭代過程中，保留當(dāng)前最優(yōu)的α，β和δ解。

式中：Xα，Xβ和Xδ分別代表α狼，β狼和δ狼當(dāng)前位置；Dα，Dβ和Dδ分別代表當(dāng)前狼位置和3 只頭狼的位置間的距離；A1，A2和A3為隨機(jī)系數(shù)向量；t表示迭代次數(shù)。

2.3 GWO-SVM

采用GWO 優(yōu)化算法對絕緣子紅外圖譜識別的SVM 網(wǎng)絡(luò)核參數(shù)懲罰因子C與核寬度δ進(jìn)行參數(shù)優(yōu)化，以達(dá)到圖譜分類識別的準(zhǔn)確性和泛化能力。

①輸入絕緣子圖譜的特征量，選取部分作為SVM的訓(xùn)練集，并將剩余的特征向量集作為測試集，以驗證SVM 識別的準(zhǔn)確率。

②初始化狼群數(shù)量、迭代次數(shù)，設(shè)置懲罰因子C與核寬度δ的范圍。

③SVM 根據(jù)初始參數(shù)C與δ進(jìn)行訓(xùn)練和測試，并以錯誤率最小化為目標(biāo)。

④GWO 以C與δ為獵物進(jìn)行優(yōu)化，達(dá)到最大迭代次數(shù)時輸出GWO 全局最優(yōu)值。

⑤將處理后的絕緣子圖譜樣本分別作為SVM的訓(xùn)練集與測試集。采用最佳參數(shù)C與δ建立識別模型，并對測試樣本進(jìn)行預(yù)測、分析。

3 實驗結(jié)果與分析

3.1 數(shù)據(jù)描述

為了驗證所提出的基于GWO-SVM 劣化絕緣子狀態(tài)檢測的可行性，由于目前未建立絕緣子紅外圖像數(shù)據(jù)庫，我們選取200幅絕緣子圖像作為絕緣子樣本庫。采取隨機(jī)抽樣的方法選取兩類樣本，其中訓(xùn)練樣本120幅，測試樣本80幅。所有樣本由多位人工分揀專家投票分為完好和低零值兩類（如圖6所示）。

3.2 絕緣子檢測結(jié)果

本文利用灰狼優(yōu)化算法、粒子群優(yōu)化算法（random-search）和網(wǎng)格搜索算法（grid-search）對支持向量機(jī)參數(shù)進(jìn)行優(yōu)化。我們對比了3種算法的尋優(yōu)時間、尋參效率和訓(xùn)練準(zhǔn)確率。如表1所示，灰狼優(yōu)化算法的各項性能都要比另外兩種算法好，其準(zhǔn)確率及尋參效率都高于其余兩種優(yōu)化算法。

從3種算法優(yōu)化支持向量機(jī)的結(jié)果看，網(wǎng)格搜索耗時長且識別準(zhǔn)確率低，且尋優(yōu)時存在復(fù)雜度高，運算量大等不足。粒子群優(yōu)化算法收斂速度快，算法簡單，但也存在很明顯的缺點，它對于有多個局部極值點的函數(shù)，容易陷入到局部極值點中，得不到正確的結(jié)果，因此其優(yōu)化向量機(jī)識別的正確率不高。而灰狼優(yōu)化算法識別準(zhǔn)確率可達(dá)到95.246%，尋優(yōu)時間最少且尋參效率高。灰狼算法充分利用先驗知識，避免由于懲罰參數(shù)過大而導(dǎo)致算法陷入局部最優(yōu)的風(fēng)險。因此灰狼優(yōu)化相比于粒子群搜索算法和網(wǎng)格搜索算法能高效的對低零值絕緣子進(jìn)行識別。圖7為SVM 參數(shù)尋優(yōu)過程。

圖6 部分絕緣子紅外圖像樣本Fig.6 Partial insulator infrared image samples

表1 參數(shù)尋優(yōu)方法對比Table1 Comparison of parameter optimization methods

圖7 SVM 參數(shù)尋優(yōu)過程Fig.7 SVM parameter optimization process

本文通過網(wǎng)格優(yōu)化、粒子群優(yōu)化和灰狼優(yōu)化這3種優(yōu)化算法對支持向量機(jī)的參數(shù)C和δ進(jìn)行優(yōu)化。圖8為不同優(yōu)化算法的故障識別對比。

通過圖8不同優(yōu)化算法的識別對比，可以看出GWO-SVM 診斷方式相比于GS-SVM和PSO-SVM 識別正確率更高。對于圖8分類的結(jié)果，結(jié)合表1，GWO-SVM 錯誤識別的絕緣子僅有一個，且GWO 尋優(yōu)時間及尋參效率明顯優(yōu)于GS 與PSO，滿足預(yù)設(shè)要求。整個絕緣子串檢測系統(tǒng)可以實現(xiàn)有效地對低零值絕緣子進(jìn)行故障診斷，具有工程實際意義。

4 結(jié)束語

1）本文絕緣子紅外圖像樣本進(jìn)行了多層次深度特征提取，相比于現(xiàn)有的深度模型提取的特征具有更強(qiáng)的鑒別能力。

2）本文提出紅外圖像和灰狼算法優(yōu)化支持向量機(jī)相結(jié)合的方法實現(xiàn)對低零值絕緣子的檢測識別，能夠在大數(shù)據(jù)層面準(zhǔn)確地識別低零值絕緣子，減少人力，物力以及財力。

圖8 不同優(yōu)化算法故障識別對比Fig.8 Comparison of fault identification of different optimization algorithms

3）本文采用灰狼算法優(yōu)化支持向量機(jī)參數(shù)，并采用高斯徑向基核函數(shù)，得到的識別模型識別效果好。