絕緣子污穢等級的高光譜特征優化識別技術研究

沈龍， 錢國超， 彭兆裕， 李謙慧,， 楊坤， 馬御棠

(1. 云南電網有限責任公司電力科學研究院，云南 昆明 650217；2. 西南交通大學電氣工程學院，四川 成都 611756)

0 引言

目前，大多數國家采用等值鹽密(equivalent salt deposit density,ESDD)法表征絕緣串的污穢度，但離線取樣的測量方法操作冗雜、耗時長，且無法實現絕緣串表面污穢特性的動態監測[7—10]。絕緣子污閃的防治可通過紅外熱像法和紫外成像法監測絕緣子的發熱情況和放電特征，但2種方法皆難以直觀反映絕緣子表面的污穢度[11—15]，無法給予早期清掃建議。高光譜技術發展迅速，具有高分辨率、寬波段、圖譜融合的特點，能非接觸獲取物質反射光的差異信息，這為需要較高精細度的絕緣子污穢情況檢測提供了新思路[16—17]。文獻[18]利用高光譜技術對不同污穢度的單一人工污穢進行識別，采用全波段光譜數據實現了準確率高于90%的污穢等級劃分；文獻[19]通過高光譜所包含的豐富的細節信息，提取不同灰密度的污穢光譜曲線差異，建立回歸模型對灰密度進行檢測。盡管高光譜技術在絕緣子污穢度檢測方面表現出巨大潛力，但仍存在局限性，污穢等級劃分的精準度仍有提升空間。為進一步推進高光譜技術，需要對數據進行更精細化的處理。光譜信息不僅反映了檢測對象信息，同時包含了基材、環境、顏色等干擾量信息。全波段光譜曲線數據盡管包含足夠多研究信息，但也包含大量無關信息，易陷入Hughes現象[20—22]，進而對樣本污穢檢測的準確度產生影響。同時，全波段光譜信息冗余大、耗時長，不適合大規模數據測試以及現場應用推廣。采用合理有效的方法對光譜曲線數據進行預處理和特征提取，對削弱冗余與噪聲數據的影響、挖掘光譜曲線中關鍵有效的信息、提升高光譜技術的檢測識別效果十分重要[23]。

因此，文中引入小波能量譜特征提取方法，對高光譜原始光譜曲線進行多尺度分解，在多個尺度下提取更加細致的表征不同污穢等級差異性的特征信息。通過特征提取，提高信噪比，增強類間差異，實現更為高效、準確的絕緣子污穢等級識別。

1 實驗樣本制作

污穢底層基材反射信息會對整體光譜曲線產生一定影響，為模擬實際積污情況，樣品選取的涂污基材為復合絕緣子傘群材料制作的平整絕緣片。實驗的研究重點是實現對不同污穢度的識別，為便于涂污、采集樣本，控制無關因素，文中采用5 cm×5 cm的絕緣片進行等效簡化。

以標準GB/T 5582—1993中的ESDD對不同的污穢等級進行表征。NaCl在外絕緣污穢成分中占比10%～30%，被視為主要成分。選用NaCl作為鹽成分，與高嶺土進行混合，制備不同污穢度的樣本。根據標準GB/T 26218.1—2010以及GB/T 22707—2003進行樣本制作，按照4個污穢等級(Ⅰ—Ⅳ)對樣品進行均勻覆污,制作樣品，如圖1所示。其中，灰密度恒定為1 mg/cm2；建模樣品T1、T2、T3、T4的ESDD分別為0.04 mg/cm2，0.08 mg/cm2，0.15 mg/cm2，0.30 mg/cm2；測試樣本R1、R2、R3、R4對應的ESDD分別為0.05 mg/cm2，0.07 mg/cm2，0.19 mg/cm2，0.32 mg/cm2。

圖1 人工污穢樣品

2 高光譜測試方法

2.1 基于高光譜技術的檢測原理污穢等級識別流程

2.1.1 檢測原理

一個詞的意義發生演變，與整個社會的發展分不開。由于詞匯是語言三要素中與客觀世界聯系最為緊密的部分，因此客觀世界的發展變化會影響詞匯產生發展變化。在這一變化過程中，詞義的演變是必然的。

不同物質因在微觀結構、化學組成、物理性質等方面不同，對光輻射的吸收、反射皆具有本征特性[24]，因此利用物質的光譜特征可對其進行識別與研究。文中實驗使用GaiaField-F-V10便攜式成像儀對高光譜圖像進行采集。高光譜儀通過透鏡、分光組件和光電轉換器將收集的目標電磁波能量轉換為數字圖像和多波段的光譜信息[25]，具有較高的光譜分辨率，因此能獲得物質更豐富的光譜特性，也更容易探尋到物質細微的光譜信息差異，使光譜信息具有特定性和代表性。

2.1.2 污穢等級識別流程

針對研究對象，首先進行高光譜圖像采集,并通過黑、白幀對光強差異進行修正；其次對感興趣區域高光譜全波段數據進行預處理，利用濾波及對數變換減弱因暗電流、光散射等引起的無關噪聲；再次采用光譜數據的污穢關聯特征方法，優化光譜信息；最后以7∶3的比例建立和測試模型,以識別污穢等級，該流程見圖2。

圖2 污穢等級識別流程

2.2 污穢樣本光譜曲線數據采集

通過連續采樣提高光譜數據的準確性，并使用專業高光譜圖像處理軟件ENVI 5.1對采集后的圖像進行背景分離，避免背景數據的干擾。提取均勻附著污穢區域內所有像素點對應的光譜曲線數據，如圖3(a)所示，并進行均值處理。其中，x,y,λ分別為長、寬、波長。由于分類模型需要大量數據進行訓練，采用ENVI軟件對8個人工污穢樣本進行感興趣區域劃分，每個人工污穢樣本劃分為16個感興趣區域，共得到128個光譜樣本。高光譜成像儀采集的高光譜數據共包含256個波段,去除信噪比過低波段，僅研究446.9～862.9 nm波長范圍內的數據，樣本光譜曲線見圖3(b)。

圖3 光譜三維矩陣及曲線示意

2.3 污穢樣本光譜曲線數據預處理

采用黑幀和標準白板對原始光譜曲線進行光源校正，將高光譜圖像像元亮度值標準化為0～1間的反射率。處理后的128條樣本光譜曲線見圖4(a)。對數變換會增大可見光波段光譜差異[18—19]，有利于不同污穢等級的識別，但也會放大采集數據中的大量高頻噪聲，對后續處理的準確度產生影響。因此，先對黑白校正后的光譜曲線進行Savitzky-Golay (SG)平滑處理，濾除無關噪聲，再采用對數變換增強不同污穢等級的光譜曲線差異，如圖4(b)、圖4(c)所示。

圖4 預處理結果

由圖4可知，通過對數變換處理后，數據的平滑性和差異性均得到了有效提升，一定程度上提高了不同污穢等級間的分散性，有利于后期分類建模。

3 基于小波包能量譜的污穢等級特征提取

3.1 小波包能量譜特征提取原理

由于小波變換對數據信號具有精細的分解能力，目前已廣泛運用到提取各種故障診斷的復雜特征中[18—19]。而小波包則為小波空間的進一步變換，將數據映射為能量形式，通過“二分”的方式不斷細化，能較好地利用高頻部分信息。小波包的分解示意見圖5，S為原始信號，經過3層小波包分解得到8個頻帶信號，即AAA3,DAA3,ADA3,DDA3,AAD3,DAD3,ADD3,DDD3。提取光譜數據特征的具體流程見圖6。

圖5 小波包分解示意

圖6 小波包能量譜特征提取流程

通過能量parseval公式[22]對原始數據f(x)每層頻帶能量Ei,j(t)的重構函數fi,j(t)對應的節點幅值d(j,k)進行計算：

(1)

式中：i為小波包的分解層數；j為小波包進行i層分解后的頻帶序號，即每層對應節點數；m為采樣點總數；k為采樣點序號；t為原始信號分解后的分量編號。

3.2 特征提取

對去噪后的光譜數據進行小波包能量譜特征提取，可以增強對于不同污穢等級的特征表達能力。小波包變換既對低頻部分，同時也對高頻部分進行分解。

光譜信號的分解過程中,分解層數有一個時效和信號清晰度的最佳值。圖7為一條光譜曲線小波包分解結果，選擇3階Daubchies小波(Db3)為母小波,進行3層小波包分解污穢光譜信息。選取分解層數為3層,則第3層共有8個小波包系數，即可獲得8個小波包重構信號，得到8個節點的頻譜,如圖7所示。根據目標信號的特征參數自適應選擇最佳分辨率，多次劃分頻帶，提高對信號的分析能力。

圖7 3層小波包分解系數

經小波包分解后各個頻帶代表的頻率范圍如表1所示，單個小波包系數所覆蓋的頻帶寬度為 32 Hz，信號能量絕大部分都集中在低頻段。8個頻帶都保留了對污穢等級分類的重要特征信息。

表1 小波包分解后各節點頻率范圍

根據分解結果生成小波包頻帶能量譜，將保留了污穢等級信息的8個(d30—d37)小波分解系數作為污穢分級特征，分別得到光譜信號能量分布，根據不同污穢等級的能量分布變化區分污穢等級，見圖8。絕緣子4種不同污穢等級的能量譜主要集中在前4個分量處，隨著污穢等級的提高，能量譜幅值逐漸降低，分布存在一定規則性，因此可將其用于表征不同的污穢等級。從圖8的整體趨勢來看，利用小波包能量譜對其進行特征提取，基本可以去掉冗余信息，保留不同污穢等級的光譜特征信息。

圖8 4種污穢等級下的小波包能量譜特征

3.3 基于小波包能量譜特征的污穢等級識別模型

針對污穢樣本小、光譜數據維數高、關聯非線性的特征，利用支持向量機(support vector machine，SVM)方法對絕緣子污穢等級識別進行研究。

SVM作為一種常用的廣義線性分類器，訓練時間短、復雜度低，主要用于數據的分類或回歸問題。因此，文中選用SVM建立污穢等級分類模型。污穢等級分類為多值分類問題，文中污穢等級分為4個等級，即Ⅰ、Ⅱ、Ⅲ、Ⅳ。圖9為建立的4個等級的樣本分類結構，對輸入數據進行投票，得票多的等級作為樣本等級輸出。

圖9 SVM分類結構

基于小波包能量譜特征的絕緣子污穢等級級識別的整體流程見圖10，具體流程如下。

圖10 污穢等級預測模型的建立流程

步驟1：數據預處理。采集不同污穢等級下絕緣片樣本的高光譜圖像，并對各樣本進行平滑去噪預處理，構建原始樣本集X。

步驟2：將預處理后的數據按照7∶3的比例分為訓練集{(Xi,Yi)}與測試集{(Xi,Yi)}。然后通過小波包能量譜方法提取各樣本的能量譜數據，分別獲得用于SVM訓練與測試的特征數據樣本集{(Xbi,Yi)}和{(Xbi,Yi)}。Xi為預處理后的高光譜數據；Yi為高光譜數據對應的腐蝕等級標簽；Xbi為特征波段數據。

步驟3：將步驟2中的訓練集{(Xbi,Yi)}輸入進SVM進行訓練，并保存訓練好的模型參數。

步驟4：將測試集{(Xbi,Yi)}輸入至訓練好的SVM，得到各測試樣本的分類結果，并將其與真實標簽對比，計算最終識別的準確率。

4 模型有效性驗證與分析

4.1 小波包能量譜特征提取效果驗證

原始光譜曲線經小波包能量譜特征提取之后能在一定程度上提高數據對不同污穢等級的表征程度。為對小波包能量譜特征提取效果進行觀察,現將常用的主成分分析(principal component analysis，PCA)特征提取進行三維特征可視化分析，可視化結果見圖11。

圖11 特征提取可視化結果

從圖11分析可知，PCA特征使得污穢等級Ⅰ與污穢等級Ⅱ存在較大的交叉，交叉率為30%；污穢等級Ⅲ與污穢等級Ⅳ依舊存在部分樣本交叉，交叉率為20%，這必將影響最終的識別準確率。而小波包能量譜數據中4種污穢等級之間的交叉程度明顯低于PCA數據，污穢等級Ⅰ與污穢等級Ⅱ交叉率為0；污穢等級Ⅲ與污穢等級Ⅳ交叉率為5%，這說明該方法更加合理。基于小波包能量譜的特征提取能極大增強對于不同污穢等級的表征程度，實現對識別模型的優化。

4.2 污穢等級識別模型效果驗證

分類算法采用SVM作為最終污穢等級識別分類器，其識別結果見圖12，此次測試集識別準確率為100%。

圖12 模型識別結果

為驗證采用SVM方法的有效性，將其與常用的前饋(back propagation，BP)神經網絡算法、極限學習機(extreme learning machine，ELM)分類器進行對比，各方法參數根據算法常用參數進行多次調整試驗得到最優設置：SVM選用高斯核，懲罰參數為1，核參數為0.5；BP神經網絡隱層神經元為100，激活函數采用sigmoid；ELM隱層神經元為100，激活函數采用sigmoid。各方法均運行10次，每次隨機劃分訓練集與測試集，取10次診斷準確率的平均值，如表2所示。

分析表2可以發現，不同特征與不同的分類器均會對結果產生影響。在相同分類器的前提下，相較于原始數據，以PCA、小波包能量譜為特征輸入

表2 各方法下的平均診斷準確率

的識別效果要更好，這主要是因為特征提取能提高數據對不同污穢等級的表征程度；在相同特征輸入的前提下，SVM的分類效果優于BP神經網絡、ELM分類器，這主要是因為BP神經網絡會陷入局部最優解，而ELM每次均采用隨機權重，泛化能力較差。小波包能量譜結合SVM的準確率最高，因此體現了基于小波包能量譜特征提取對于識別模型的優化作用。此項結果驗證了文中方法在絕緣子污穢等級識別上的有效性。而對于自然污穢情況，文中方法同樣適用，采用自然污穢數據重新訓練，所得模型即可運用于自然污穢情況。

5 結論

輸電線路絕緣子污閃一直是電網安全穩定運行亟待解決的關鍵問題。基于高光譜技術，采用小波包能量譜結合SVM實現污穢等級識別，能夠為絕緣子污穢等級檢測提供新思路，并得出以下結論：

(1) 用小波包能量譜特征分析實現了光譜數據的降維并提取出小波包能量譜特征量，從能量譜分布圖可以看出，不同污穢等級的光譜能量分布發生改變。

(2) 合理的特征提取能有效增強數據對不同污穢等級的表征程度。相對于原始數據與PCA特征數據，小波包能量譜特征數據不同污穢等級樣本間的交叉程度最小。

(3) 選取SVM作為模型分類器，基于小波包能量譜特征優化的污穢等級高光譜識別模型能夠有效實現對絕緣子污穢等級的準確識別，其準確率可達99.8%。