基于圖像特征和深度森林的乙丙橡膠電纜絕緣老化狀態識別

王科，項恩新，曹偉東，徐肖偉，黃繼盛，車雨軒

(1.云南電網有限責任公司電力科學研究院，昆明 650217； 2.西南交通大學 電氣工程學院，成都 611756；3.云南電網有限責任公司臨滄供電局，云南 臨滄 677000)

0 引 言

乙丙橡膠(Ethylene Propylene Rubber, EPR)，作為一種高分子聚合物材料，具有良好的抗氧化、耐熱、耐潮濕等特性，被廣泛用做于擠壓式電線電纜的絕緣材料，在海底電力傳輸、船舶、礦井及軌道交通等領域占有的比例逐年增加[1]。但對于工作在溫差大、高海拔地區的EPR電纜而言，由于絕緣老化導致電纜事故的情況時有發生，因此如何正確的判斷EPR電纜的絕緣老化狀況成為了一個值得思考的問題。

針對電力系統中電氣設備絕緣老化的問題，國內外學者開展了深入的研究，并且將絕緣老化的電氣特征與智能算法相結合，取得了較好的判斷效果。文獻[2]采用模糊模式識別算法和頻域介電譜技術對油紙絕緣受潮和老化程度進行了識別；文獻[3]采用隨機森林分類器、SVM分類器和局部放電信號對油紙絕緣氣隙缺陷模型進行了老化階段的識別；文獻[4]將時頻分析技術應用于局部放電信號的分析和處理，對環氧樹脂的老化狀態進行了判定；文獻[5]通過局部放電灰度圖像和雙向-二維主成分分析((2D)2PCA)算法對油紙絕緣老化階段進行了識別。目前，國內外研究團隊在對絕緣介質老化狀況識別的問題上進行了非常多的工作，并取得了豐碩的成果，但是由于EPR電纜應用環境特殊，針對于EPR絕緣老化狀態的識別鮮有報道。隨著當今電網的蓬勃發展，EPR電纜的安全、穩定運行問題變得尤為重要，亟需提出一種針對EPR電纜絕緣老化的識別方法。

文中通過加速熱老化的方法制備了4種熱老化狀態的乙丙橡膠試樣，基于局部放電譜圖特征分別提取了19個特征參量，結合深度森林算法對EPR絕緣老化狀態進行了識別，并與其他傳統分類算法進行了對比。

1 實驗設計

1.1 試樣制備

試驗樣品采用型號為QTO-J30G的EPR電纜。試樣的制備如下：首先將電纜截成150 cm長的試樣段，然后分別剝去電纜端部處的外護套、屏蔽層、內外半導體層和絕緣層，露出纜芯作為高壓極，再剝去剩余電纜本體的外護套、屏蔽層，露出外半導體層，在電纜本體中部裹上銅導線作為接地極，在纜芯與外導體層的連接處包裹熱縮管，最后按照附件安裝工藝在電纜試樣兩端安裝終端，試樣見圖1。

圖1 試樣圖

將制作完成的試樣放入真空干燥箱中加速熱老化，根據IEC 60216-1-2013《電氣絕緣材料耐熱性》標準，熱老化時間選用為48 h、96 h、144 h、192 h，由于乙丙橡膠絕緣的最高長期安全使用溫度約為140 ℃～150 ℃[6]，本文加速熱老化溫度選用為145 ℃。

考慮到數據的分散性，文中在每個老化時間下均老化5根試樣，并綜合分析5根試樣的數據以保證數據的可靠性，老化試樣編號見表1。

表1 試樣編號

1.2 試驗平臺搭建

試驗平臺如圖2所示，高頻示波器型號為Tektronix TDS 3032B；試驗變壓器的容量為10 kVA，額定電壓為100 kV；高壓電阻阻值為400 MΩ；分壓器的分壓比為1 000:1。文中試驗在高壓屏蔽大廳進行，背景噪聲小于2 pC。

圖2 試驗平臺圖

通過試驗分別測得每個老化溫度試樣各20組數據，共計400組數據。以3:2比例劃分數據，將3/5數據作為訓練樣本，剩余2/5數據作為測試樣本，訓練樣本和測試樣本的來源見表2。

表2 訓練樣本和測試樣本

2 局部放電譜圖特征提取

2.1 PRPD圖像

局部放電相位分布(Phase Resolved Partial Discharge, PRPD)譜圖是由多個工頻周期內的放電量N、視在放電量Q(或放電幅值)、放電相位Φ疊加而成。通過對PRPD譜圖進一步處理，可以得到柱狀圖、散點圖、灰度圖，由于PRPD方法較為成熟且應用的范圍較廣，對檢測技術的要求較低，不易受噪聲影響[7]，故文中采用PRPD譜圖進行分析。

常見的PRPD譜圖分析方法[8-9]為：提取PRPD譜圖的偏斜度Sk、翹度Ku、峰值數Peaks、不對稱度Asy、相關系數cc等參數作為網絡特征輸入量進行分析，該方法較好地描述了原始譜圖的形狀、峰值、相關度等特性，但并未充分利用PRPD譜圖的圖像特征。

2.2 典型PRPD圖

通過圖2的試驗平臺，當加壓25 kV時，測得4種老化狀態試樣的PRPD譜圖，并將其轉化為灰度圖像，如圖3。圖3(a)～圖3(d)分別為老化時間48 h、96 h、144 h、192 h的灰度圖像，其中橫坐標為放電相位j，0≤j≤360°，縱坐標為放電量q，為了消除坐標軸對圖像識別的影響，文中省去了坐標軸。虛線框所示為PRPD圖中顏色較深部位，表示放電次數頻繁區域，轉化為灰度圖后表示為灰度值較大的區域。

圖3 典型灰度圖

2.3 圖像特征提取

從以下方面對圖像特征進行提取[10]：顏色特征、紋理特征、形狀特征。其中顏色特征較其他特征而言，具有良好的魯棒性，且特征提取較為簡單，常用的特征有顏色直方圖、顏色矩、顏色聚合向量、顏色相關圖等；紋理特征反映了圖像中某種規律的變化，可以從統計方法、模型方法、結構法、信號處理法等方面進行分析，常用的提取方法有灰度共生矩陣、Tamura紋理特征、自回歸紋理模型、小波變化等；形狀特征又可分為輪廓特征和區域特征，常見的分析方法有Hough變換、傅里葉形狀描述符、形狀不變矩法。

2.3.1 顏色特征提取

文中采用圖像三個基本顏色通道(紅色通道、綠色通道、藍色通道)中的顏色矩作為顏色特征，由于顏色信息主要集中分布在低階矩中，故采用一階矩、二階矩、三階矩來描述顏色特征，提取公式如下[11]:

(1)

(2)

(3)

式中mi、si、si分別為一階矩、二階矩、三階矩；pij為像素點的顏色分量；i=1，2，3。

基于圖像的顏色矩特征，文中對3個顏色通道中的低階顏色矩進行了提取，共計提取9個特征。

2.3.2 紋理特征提取

文中采用Tamura紋理特征作為圖像的紋理特征，Tamura紋理主要包含六個特征量，分別為粗糙度、對比度、方向度、線性度、規整度、粗略度，其中前3個特征量線性無關，后3個特征量與前3個特征量線性相關[12]，因此主要從粗糙度、對比度、方向度進行分析。

2.3.3 形狀特征提取

文中采用Hu不變矩[13]來描述圖像的形狀特征。Hu不變矩具有平移、灰度、旋轉和尺度不變性。假設Hu不變矩是在有限空間內的積分，對于平面圖像f(x,y)的(p+q)原點矩、中心矩、歸一化中心矩的計算公式分別如下：

(4)

(5)

(6)

(7)

(8)

一階矩(p+q=1)中，歸一化中心矩η10=η01=0；二階矩(p+q=2)中，不變矩為：

(9)

三階矩(p+q=3)中，不變矩為：

(10)

式中a=η30-3η12、b=η03-3η21、c=η30+η12、d=η03+η21、e=η20-η02。

基于圖像的Hu不變矩特征，文中共計提取η1、η2、η3、η4、η5、η6、η7等7個特征。

文中基于局部放電灰度圖像，根據顏色特征、紋理特征、形狀特征分別從中提取了9個、3個、7個特征參數組建了特征空間。

3 基于深度森林網絡的老化狀態識別

3.1 深度森林網絡

深度森林網絡(Gcforest)是一種基于隨機森林算法(Rondom Forest)的深度學習網絡[14-15]，采用級聯結構，每個隨機森林組中由兩個普通隨機森林和兩個完全隨機森林組成，其中普通隨機森林包含500棵決策樹，分裂節點由隨機特征子空間的gini指數決定，如圖4所示，完全隨機森林中包含1 000棵決策樹，分裂節點在全特征空間中隨機選取，如圖5所示。

圖4 普通隨機森林簡化模型

圖5 完全隨機森林簡化模型

3.2 識別結果對比分析

文中基于Python 3.6和matlab，分別采用BP神經網絡、支持向量機、隨機森林[16]等算法與本文的深度森林作比較，對比結果如表3所示。從表3可以看出深度森林的識別率達到了90.625%，即只有25個樣本處于誤診斷狀態，優于其他識別算法，能夠正確的將老化狀態分別。

表3 識別結果對比

為了進一步看出深度森林的分類情況，文中通過混淆矩陣展示了分類結果，如圖6,圖6中左上角4*4方陣表示預測值與實際值的匹配情況，對角線(即綠色框)中的數字為每一種老化狀態識別正確的個數，其他區域(即白色框)中的數字為識別錯誤的個數；圖6中第5列為從左至右依次為4種老化狀態的識別率和綜合識別率。

為了便于表示不同老化程度，文中將老化48 h表示為編碼“1”，老化96 h表示為編碼“2”，老化144 h表示為編碼“3”，老化192 h表示為編碼“4”。從圖6中可以看出，對于編碼“1”的識別中，有5個樣本被誤診斷為編碼“2”；對于編碼“2”的識別中，有4個樣本被診斷為編碼“1”；對于編碼“3”的識別中，有2個樣本被診斷為編碼“1”，1個樣本被診斷為編碼“2”；對于編碼“4”的識別中，有1個樣本被診斷為編碼“1”，2個樣本被診斷為編碼“2”。即對于編碼“1”(老化48 h)和編碼“2”(老化96 h)存在誤診段，原因可能為老化48h試樣與老化96 h試樣的局部放電圖像存在一定的相似，使得提取出的圖像特征也存在一定的相似，導致這二者的識別存在誤診段的情況。

圖6 混淆矩陣

4 結束語

文中提出了一種基于局部放電圖像特征和深度森林的電纜老化狀態識別方法，該方法能較好地描述不同老化狀態電纜局部放電圖像的特征，基于圖像特征和深度森林算法能夠準確地對不同老化狀態電纜進行識別。在工程實際應用中具有較好的應用前景。