基于Tamura-HOG 紋理特征與矩特征融合的配網電纜終端故障診斷方法

魏亞軍，李開燦，董 振

（國網山東省電力公司濟寧供電公司，濟寧 272000）

配網10 kV 交聯聚乙烯XLPE（crosslinked polyethylene）電纜是城市電網電纜輸送的主導設備，其穩定可靠運行對城市電網起到至關重要的作用[1]。由于本身制作工藝不規范或在惡劣環境下長期運行，易引起電纜絕緣缺陷、絕緣劣化，進而引發故障。電纜終端作為最薄弱環節，當存在典型缺陷時，局部放電更易發展導致絕緣嚴重劣化，進而造成故障。因此結合典型缺陷放電特征開展配網電纜終端故障診斷研究，可為其風險程度評估提供有意義的參考。

目前國內外學者就電力設備絕緣缺陷及故障診斷問題已開展了大量研究。文獻[2-4]詳細地分析了XLPE電纜的放電量、放電重復率、放電相位及放電譜圖的峰度、偏斜度等統計特征，初步實現了放電類型的分類。文獻[5-7]對局部放電Q-φ-N譜圖進行灰度化處理后提取灰度共生矩陣特征，結合深度森林算法，得到了識別車載乙丙橡膠電纜缺陷類型的方法，取得了較好的工程應用前景，但獲取的特征量存在局限性。文獻[8-10]提出了采用小波變換提取局部放電信號特征量，方法結合神經網絡算法，達到了有效地識別缺陷類型，但經過小波變換的局部放電信號特征不夠完整，且弱化了方向信息的表達[11]。文獻[12-14]基于卷積神經網絡、自編碼網絡、深度殘差網絡等深度學習算法進行特征提取，并得到了高準確率的故障類型識別結果，但存在特征量缺乏物理意義的弊端。

局部放電相位分布PRPD（phase resolved partial discharge）譜圖反映了電纜放電脈沖序列在放電相位下分布的放電信息，PRPD譜圖的矩特征（即偏斜度(Sk)和峭度(Ku)）能夠表征譜圖形狀特征；Tamura 紋理特征包括PRPD 譜圖的粗糙度、對比度、方向性、線相似度4個常用的紋理特征量；方向梯度直方圖HOG（histogram of oriented gradient）紋理特征計算了PRPD譜圖局部不同方向上梯度特征向量。

因此，結合現有的配網電纜故障診斷方法尚存不足的問題，本文提出了一種融合PRPD 譜圖的矩特征、Tamura-HOG紋理特征的特征提取方法，該方法從形狀特征、全局和局部方向紋理特征3方面更加全面地表達PRPD譜圖特征。首先對PRPD譜圖的矩特征、Tamura-HOG紋理特征進行提取與融合；然后結合自適應提升AdaBoost（adaptive boosting）算法進行缺陷類型分類；最后，與后饋神經網絡BPNN（back propagation neural network）、支持向量機SVM（support vector machine）及卷積神經網絡CNN（convolutional neural networks）、棧式自編碼器SAE（stacked autoencoder）深度學習算法進行對比，并設計了實驗驗證。結果表明，本文所提出的故障診斷方法識別準確率最高、耗時最短且具有良好的穩定性和通用性，為配網電纜故障診斷的模式識別提供了良好應用的前景。

1 圖像處理及特征提取方法

1.1 圖像矩特征提取

PRPD譜圖反映了放電量與放電相位之間的分布關系，已有研究表明，矩特征對表征圖像的形狀特征具有重要意義[15]。圖像的一階矩為均值，二階矩為方差，三階矩為偏斜度（Sk），四階矩為峭度（Ku）。偏斜度（Sk）和峭度（Ku）的計算公式分別為

式中：qi為第i個相位窗下放電量的平均值；n為第n個相位窗；f(qi)為第i個相位窗下放電量qi出現的概率；q為均值；σ為方差。

1.2 Tamura 紋理特征提取

Tamura 紋理特征在表征圖像全局信息方面得到廣泛的應用，Tamura 紋理特征包含粗糙度、對比度、方向性、線相似度、規則度和粗略度6 個特征量，通常前4 種特征量更為常用，其基本表達式見文獻[16]，因此本文也對這4種特征量進行提取。

1.3 HOG 特征提取

HOG 是目前常用的描述圖像局部紋理特征的方法，首先計算圖片某一區域中不同方向上的梯度值，進行累積并形成直方圖，然后形成方向特征向量。HOG特征提取步驟如下。

步驟1對PRPD譜圖進行灰度化處理。

步驟2為了降低噪音的干擾，通過Gamma 校正算法對灰度圖像梯度H（x，y）進行歸一化處理，計算公式為

式中，(x,y)Gamma表示對x和y位置的像素點進行Gamma校正。

步驟3計算灰度圖像的梯度。

水平方向的梯度計算公式為

垂直方向的梯度計算公式為

在像素點（x，y）處的梯度幅值為

步驟4將圖像分為若干個block，利用雙線性內插法將各方向梯度幅值累加到直方圖中，并進行歸一化處理。

步驟5將提取出的每個“小”HOG 特征首尾相連，組合成一個“大”的一維向量，便完成HOG特征向量的提取。

2 Tamura-HOG 紋理特征與矩特征融合

2.1 總體流程

實現PRPD 譜圖的Tamura-HOG 紋理特征與矩特征融合流程如圖1 所示。首先，選取配網10 kV的XLPE電纜，按照規范制作電纜終端，同時根據電纜終端的故障類型及放電特性，設計制作了常見的含有氣隙缺陷、主絕緣劃傷缺陷、半導電雜質缺陷的3種典型缺陷放電模型，并進行局部放電檢測實驗。為了能夠以較少的實驗在短期內獲取局部放電數據，因此采用快速升壓法和恒壓法相結合施加電壓，本文先以1.5 kV 的梯度升壓并保持5 min，在15 kV 下恒定施壓，采集PRPD 譜圖。PRPD 譜圖能夠全面地反映局部放電信息。然后，對獲取的PRPD 譜圖統一圖像尺寸并進行灰度化預處理，再分別提取圖像的矩特征、Tamura 紋理特征和HOG紋理特征，得到全部特征的向量空間，為了提升識別速度，需進行降維處理。最后，結合分類器進行模式識別，完成故障診斷。

圖1 Tamura-HOG 紋理特征與矩特征融合Fig.1 Fusion of Tamura-HOG texture and moment features

2.2 局部放電檢測系統

局部放電檢測系統架構如圖2 所示，檢測系統包括高壓電源、保護電阻、耦合電容、檢測阻抗、互感線圈、MPD800 局部放電檢測系統和服務器。由MPD800局部放電檢測系統檢測局部放電信號并傳輸給服務器處理。實驗前通過完好電纜檢驗設備無誤差。

圖2 局部放電檢測系統Fig.2 Partial discharge detection system

2.3 采集PRPD 譜圖

典型缺陷的PRPD譜圖如圖3所示。在放電平穩情況下，3 種典型缺陷的PRPD 譜圖在電壓相位的前后半周均不對稱且差異明顯。氣隙缺陷在前半周譜圖存在明顯斷層，且放電量大于后半周；主絕緣劃傷缺陷譜圖的散點分布較均勻，但后半周右偏更明顯；半導電雜質缺陷的大幅值放電在后半周頻次更多且更集中。由此可見，PRPD 譜圖可直觀地反映不同典型缺陷的放電特征，但譜圖本身只是一種初步定性的判斷。通過Tamura-HOG紋理特征與矩特征融合，建立定量的映射關系，可以實現電纜終端的故障診斷。

圖3 典型缺陷的PRPD 譜圖Fig.3 PRPD spectrum of typical defects

3 故障診斷方法研究

3.1 建立PRPD 譜圖數據庫

為建立數據量充足的數據庫，本文每種缺陷制作30組試樣，每組試樣在恒壓下各采集20張PRPD譜圖，數據庫分配如表1 所示，其中各缺陷試樣的400張譜圖為訓練集，200張為測試集。

表1 數據庫分配Tab.1 Database allocation

3.2 AdaBoost 分類算法

AdaBoost算法的構架如圖4所示。AdaBoost分類算法為一種由多個弱分類器組合成的強分類器。首先，初始化樣本的權重，若樣本數量為m個，則每個樣本被賦予權重D（1）為1/m。然后，訓練弱分類器，當該樣本被準確分類時，其權重在構建下一個訓練樣本集時降低；當某個樣本被錯誤分類時，其權重將被提高，成為弱分類器的被重視者，基于調整后的權重D（2）的訓練集來訓練弱學習器2，依此類推。最后，組成強分類器，即在達到規定的迭代次數或者預期的誤差率時，誤差率低的弱分類器在最終分類器中起著決定性作用，以提高分類準確率。

圖4 AdaBoost 算法的構架Fig.4 Architecture of AdaBoost algorithm

3.3 故障診斷結果與分析

AdaBoost 算法具備不需要進行特征篩選、不會產生過度擬合現象、識別精度高等優勢。取訓練集1 200 張PRPD 譜圖作為訓練樣本，loss 函數分布如圖5 所示，在迭代200 步以后，loss 值趨于平穩且接近0，由此可見，訓練模型具有很好的預測性能。

圖5 Loss 函數分布Fig.5 Function of loss distribution

AdaBoost 算法識別結果如表2 所示。3 種典型缺陷的識別結果均達到了90%以上的高準確率，半導電雜質缺陷達到了95.0%，氣隙缺陷和主絕緣劃傷缺陷略低，分別為92.5%和91.0%。主要原因是二者的缺陷特征和放電性質上存在相似之處，即在氣隙處或劃傷縫隙內均會有空氣電離放電情況，在某一個或某些時間節點下獲取的PRPD譜圖特征較為相似，從而引起誤診斷。因此結合實際情況，增加足夠的樣本容量便可以解決該問題。

表2 AdaBoost 算法識別結果Tab.2 Recognition results of AdaBoost algorithm

本文選擇了BP 神經網絡、SVM 算法、CNN 和SAE深度學習算法的識別結果加以對比，結果如表3 所示。以上算法均有較高的識別準確率，但均低于AdaBoost 算法；對比識別時間可知，AdaBoost 算法的耗時最短，而CNN和SAE深度學習算法的耗時約為AdaBoost 的2.5～3.0 倍。由此可見，本文的故障診斷方法更優。

表3 與其他算法對比Tab.3 Comparison with other algorithms

為了驗證本文所提方法的正確性和通用性，本文還設計了金屬微粒缺陷、潮氣滲入缺陷和應力錐錯位缺陷，進行相同實驗、數據采集和樣本分配，識別結果如表4 所示，識別結果均在90%以上。由此可見，本文的故障診斷方法具有高準確率和通用性的特點。

表4 驗證實驗識別結果Tab.4 Recognition results of verification experiment

另外，以上5 種算法在識別不同故障類型時識別結果的F1-score 值如圖6 所示，5 種算法的F1-score 值均大于85%，而AdaBoost 算法的F1-score 值均大于90%且高于其他算法，因此其預測性能相對更穩定。

圖6 5 種算法的F1-score 值Fig.6 F1-score values of five algorithms

4 結論

針對配網電纜局部放電故障診斷問題，本文提出了一種融合PRPD 譜圖的矩特征、Tamura 紋理特征和HOG特征的提取方法，通過實驗驗證和多種分類器識別，得到以下結論。

（1）不同類型缺陷的PRPD 譜圖體現了不同放電特征，為提出融合PRPD 譜圖的矩特征、Tamura紋理特征和HOG特征的提取提供了依據。

（2）利用PRPD 譜圖的矩特征、Tamura 紋理特征和HOG 特征相融合的特征量進行故障識別，在多種分類器下均得到識別準確率較高的結果。

（3）與BP、SVM 算法及CNN、SAE 深度學習算法相比，本文方法識別結果準確率最高、耗時最短，且具有良好的穩定性和通用性。