基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法与流程

1.本发明属于电网设备技术领域，具体涉及一种基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法。


背景技术：

2.绝缘子暴露在大气环境中受到不同天气、污染源的影响，常在表面沉积不同组分污秽，污秽溶于水破坏绝缘子绝缘性能进而引发污闪现象威胁电网安全，电网事故频繁发生。研究表明，污闪现象的严重程度与绝缘子表面污秽等级密切相关，因此开展对绝缘子表面污秽等级、等值盐密、灰密的检测对保护电力系统，进行污闪防治意义重大。
3.早期的绝缘子污秽检测通常使用等值盐密法、泄漏电流法等接触式检测方法，等值盐密法将绝缘子表面污秽擦拭、溶解后通过测定溶液电导率计算盐密，过滤、烘干后测定灰密。泄漏电流法则通过测定一定电压下绝缘子流过表面污层到达地的电流值间接检测绝缘子积污情况。
4.这些方法通常操作复杂、成本高且高度依赖人工经验，近些年来红外热像法、可见光图像法、高光谱图像法等非接触式的绝缘子污秽检测方法在一定程度上解决了传统污秽测定方法的弊病，但一些新兴的基于图像处理技术的非接触式检测方法通常是在实验室条件下以人工制备的污秽绝缘子为实验对象，难以满足实际绝缘子污秽程度检测的需求，对真实自然环境中的积污绝缘子表面污秽程度检测准确率低。


技术实现要素：

5.本发明的主要目的在于克服现有技术的缺点与不足，提出一种基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法，通过检测绝缘子污秽专用擦拭方巾表面污秽程度，间接地识别自然积污绝缘子表面污秽情况，实现对于自然积污绝缘子污秽程度的快速、高效、精确的检测。
6.为了达到上述目的，本发明采用以下技术方案：
7.基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法，包括以下步骤：
8.s1、制备积污绝缘子擦拭方巾，擦拭自然积污绝缘子上下表面污秽，采集擦拭方巾高光谱图像；
9.s2、建立绝缘子表面污秽高光谱谱线与其真实盐密、灰密、污秽等级表征绝缘子表面污秽程度的参数之间的关系；
10.s3、基于机器学习的积污方巾污秽度检测模型搭建。
11.进一步的，步骤s1具体为：
12.将已编号的干净绝缘子擦拭方巾擦洗自然积污绝缘子上下表面污秽，直至污秽全部附着于方巾表面，在高光谱成像系统中分别拍摄象征绝缘子上表面污秽程度的方巾正反两面与象征绝缘子下表面污秽程度的方巾正反两面的污秽图像；
13.对多个绝缘子重复以上步骤，得到积污程度不同的绝缘子擦拭方巾图片数据样
本。
14.进一步的，步骤s2具体为：
15.基于传统人工污秽度检测方法对绝缘子等值盐密、等值灰密以及污秽等级进行测定。
16.进一步的，等值盐密即溶解在给定的去离子水中时从绝缘子一个给定表面清洗下的自然沉积物有相同体积电导率的氯化钠的量除以该表面的面积；具体测定方法为：
17.用干净的绝缘子擦拭方巾擦洗积污绝缘子上下表面，直至其表面污秽均被收集至盛有固定体积蒸馏水的烧杯中；
18.均匀搅拌溶液使用电导率仪测量溶液电导，并转换到基准温度20℃，见公式：
19.σ
20
＝σ
θ
[1-b(θ-20)]
[0020]
其中，θ表示溶液温度，σ
θ
表示温度θ℃时的体积电导率，σ
20
表示温度20℃时的体积电导率，b为取决于温度θ的一个因数；
[0021]
由获得的基准电导进一步计算等值盐密，如下公式：
[0022]
sa＝(5.7σ
20
)
1.03
[0023]
esdd＝sa·
v/a
[0024]
其中，esdd表示等值盐密，v表示蒸馏水体积，a表示收集污秽的绝缘子表面的面积。
[0025]
进一步的，等值灰密即从绝缘子一个给定表面上清洗下的不溶残留物的量除以该表面的表面积；具体测定方法为：
[0026]
进行等值盐密的测量后，准备干净烘干的滤纸收集污秽中的不溶物，对烘干滤纸附着污秽后的质量与烘干滤纸未附着污秽前的质量作差，进行灰密测定，公式为：
[0027]
nsdd＝1000(w
f-wi)/a
[0028]
其中，nsdd表示附灰密度，wf表示干燥条件下含污秽滤纸的重量，wi表示滤纸的初始重量，a表示所清洗绝缘子污秽区域的面积。
[0029]
进一步的，污秽等级的测定具体为：
[0030]
以传统方法测定的污秽盐密、灰密为基准判断绝缘子污秽等级，根据绝缘子表面污秽程度的不同，将其分为a、b、c、d、e等级，其中a等级表示污秽程度最轻，e等级表示污秽程度最重；
[0031]
在envi高光谱图像预处理软件中分别提取所有方巾数据高光谱图像区域并计算全局平均谱线，平均谱线的幅值、峰值随绝缘子擦拭方巾表面附着污秽的情况而变化，得到平均谱线数据作为样本数据；
[0032]
在envi中提取不同污秽等级方巾高光谱图像平均谱线；
[0033]
依据不同污秽程度的方巾的高光谱谱线的峰值、幅值的差异，建立积污方巾表面污秽高光谱谱线数据与绝缘子污秽等级之间的对应关系；
[0034]
对采集到的所有绝缘子进行污秽等级评定。
[0035]
进一步的，步骤s3包括：
[0036]
s31、基于积污方巾的绝缘子污秽等级分类模型搭建；
[0037]
s32、基于积污方巾的绝缘子污秽度回归模型搭建。
[0038]
进一步的，步骤s31具体为：
[0039]
对采集到的所有方巾样本图像分别绘制不同污秽等级平均谱线；
[0040]
经数据增强后统计增强样本各污秽等级样本数；
[0041]
将提取到的原始污秽方巾数据样本与数据增强后方巾样本平均波谱谱线数据集进行训练集、测试集的划分，以污秽等级为标签，输入训练集样本到基于随机森林算法原理的污秽等级分类模型中训练；
[0042]
该污秽等级分类模型基于随机森林算法搭建；搭建该模型时将以随机的方式构建一个由基分类器决策树为组成单位的森林；当在此森林中输入一个样本时，每一个个体分类器均进行类别判定，对擦拭方巾所属污秽等级a、b、c、d通过投票的方式进行分类，统计被最多选择的类作为预测结果。
[0043]
进一步的，步骤s32具体为：
[0044]
使用干净方巾分别擦拭绝缘子上下表面，且分别对方巾正反面进行高光谱图像采集；
[0045]
对这些高光谱图像进行平均谱线提取，并依次对同一方巾的正反两面高光谱平均反射率谱线再进行平均计算，得到谱线样本；
[0046]
选择上表面数据和下表面数据中的部分平均反射率谱线作为训练集，上表面数据和下表面数据中剩下的平均反射率谱线作为测试集；
[0047]
输入训练集样本及由传统等值盐密测定方法得到的盐密值进行修正后作为标签共同输入到基于随机森林算法的污秽度回归模型中训练；
[0048]
输入训练集样本及由传统等值灰密测定方法得到的灰密值进行修正后作为标签共同输入到基于随机森林算法的污秽度回归模型中训练；
[0049]
基于随机森林的污秽度回归模型与污秽等级分类模型相比较，将标签由原来的等级的离散值转换为具体的等值污秽浓度连续值进行拟合回归，基于集成学习思想综合弱学习器的回归结果进行最终污秽盐密、灰密值的预测，具体为，依据自助采样的原则，在一个数量为n的污秽方巾谱线训练集样本池中随机地进行概率为1/n有放回的样本抽取，且每次抽取固定n个作为单棵决策树的样本，重复上述步骤t次；假设输入的污秽方巾谱线数据训练样本共有m个特征，随机森林附加的属性随机选择此时每棵树的节点的所有特征中的m个特征，然后再从被选择的m个特征中以基尼指数与信息增益两个指标为依据选择最优的特征属性进行单棵树的左右子树的分裂，最后基于简单平均的策略对输入训练数据进行回归；
[0050]
训练结束保存模型，输入测试集进行测试。
[0051]
进一步的，为进一步评估训练好的分类模型性能，将网络输出结果进行二次解算，将标签为污秽等级的测试集输入污秽等级分类模型中观察输出各项分类精度指标的结果并进行评价；
[0052]
将标签为等值盐密或等值灰密的测试集输入到污秽度回归模型中观察模型输出的结果，并基于回归模型评价指标评估网络泛化性能；
[0053]
最后对实验结果基于visdom工具进行结果可视化，基于实验结果数据验证该污秽度回归识别模型及污秽等级分类模型的可行性与准确性。
[0054]
本发明与现有技术相比，具有如下优点和有益效果：
[0055]
1、本发明克服了传统的接触式绝缘子污秽程度检测方法常存在成本高且高度依
赖人工经验的弊病，验证了基于绝缘子擦拭方巾进行绝缘子污秽度快识别方法的可行性，实现对于自然积污绝缘子污秽程度的快速、高效、精确的检测，提高对现实环境中的自然积污绝缘子表面污秽程度检测准确率与鲁棒性。
附图说明
[0056]
图1是本发明方法的流程图；
[0057]
图2是高光谱图像采集系统中拍摄真实绝缘子表面污秽图像；
[0058]
图3是不同污秽程度方巾高光谱图像；
[0059]
图4是污秽程度不同的绝缘子擦拭方巾的高光谱谱线；
[0060]
图5是实施例中b等级污秽原始谱线图像；
[0061]
图6是实施例中b等级污秽数据增强后谱线图像；
[0062]
图7是随机森林算法原理图；
[0063]
图8a是污秽等级为a的样本的高光谱谱线图像；
[0064]
图8b是污秽等级为b的样本的高光谱谱线图像；
[0065]
图8c是污秽等级为c的样本的高光谱谱线图像；
[0066]
图8d是污秽等级为d的样本的高光谱谱线图像。
具体实施方式
[0067]
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
[0068]
实施例
[0069]
如图1所示，本发明，基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法，包括以下步骤：
[0070]
s1、制备积污绝缘子擦拭方巾，擦拭自然积污绝缘子上下表面污秽，采集擦拭方巾高光谱图像；步骤s1具体为：
[0071]
将已编号的干净绝缘子擦拭方巾擦洗自然积污绝缘子上下表面污秽，直至污秽全部附着于方巾表面，在高光谱成像系统中分别拍摄象征绝缘子上表面污秽程度的方巾正反两面与象征绝缘子下表面污秽程度的方巾正反两面的污秽图像；如图2所示，为高光谱图像采集系统中拍摄真实绝缘子表面污秽图像。
[0072]
对多个绝缘子重复以上步骤，得到积污程度不同的绝缘子擦拭方巾图片数据样本。不同污秽程度方巾高光谱图像如图3所示。
[0073]
s2、建立绝缘子表面污秽高光谱谱线与其真实盐密、灰密、污秽等级表征绝缘子表面污秽程度的参数之间的关系；步骤s2具体为：
[0074]
基于传统人工污秽度检测方法对绝缘子等值盐密、等值灰密以及污秽程度进行测定。
[0075]
等值盐密即溶解在给定的去离子水中时从绝缘子一个给定表面清洗下的自然沉积物有相同体积电导率的氯化钠的量除以该表面的面积；具体测定方法为：
[0076]
用干净的绝缘子擦拭方巾擦洗积污绝缘子上下表面，直至其表面污秽均被收集至盛有固定体积蒸馏水的烧杯中；由于实际积污绝缘子上表面污秽程度一般较低，规定浸泡
擦拭绝缘子上表面的方巾的溶液体积为200ml，浸泡擦拭绝缘子下表面的方巾的溶液体积为300ml。
[0077]
均匀搅拌溶液使用电导率仪测量溶液电导，并转换到基准温度20℃，见公式：
[0078]
σ
20
＝σ
θ
[1-b(θ-20)]
[0079]
其中，θ表示溶液温度，σ
θ
表示温度θ℃时的体积电导率(s/m)，σ
20
表示温度20℃时的体积电导率(s/m)，b为取决于温度θ的一个因数；
[0080]
由获得的基准电导进一步计算等值盐密，如下公式：
[0081]
sa＝(5.7σ
20
)
1.03
[0082]
esdd＝sa·
v/a
[0083]
其中，esdd表示等值盐密，v表示蒸馏水体积，a表示收集污秽的绝缘子表面的面积。
[0084]
等值灰密即从绝缘子一个给定表面上清洗下的不溶残留物的量除以该表面的表面积；具体测定方法为：
[0085]
进行等值盐密的测量后，准备干净烘干的滤纸收集污秽中的不溶物，对烘干滤纸附着污秽后的质量与烘干滤纸未附着污秽前的质量作差，进行灰密测定，公式为：
[0086]
nsdd＝1000(w
f-wi)/a
[0087]
其中，nsdd表示附灰密度，wf表示干燥条件下含污秽滤纸的重量，wi表示滤纸的初始重量，a表示所清洗绝缘子污秽区域的面积。
[0088]
污秽等级的测定具体为：
[0089]
以传统方法测定的污秽盐密、灰密为基准判断绝缘子污秽等级，根据绝缘子表面污秽程度的不同，通常将其分为a、b、c、d、e几个等级，其中a等级表示污秽程度最轻，e等级表示污秽程度最重；
[0090]
在envi高光谱图像预处理软件中分别提取所有方巾数据高光谱图像区域并计算全局平均谱线，平均谱线的幅值、峰值等随绝缘子擦拭方巾表面附着污秽的情况而变化，得到平均谱线数据作为样本数据；
[0091]
在envi中提取不同污秽等级方巾高光谱图像平均谱线；如图4所示，展示了绝缘子擦拭方巾表面附着污秽程度不同时，其高光谱谱线数据在幅值上的差异性。
[0092]
方巾附着污秽较少时，其高光谱图像数据主要体现了方巾材料反射光线的结果，随着积污区域的增大，污秽程度的加深，其在高光谱成像系统中获得的谱线数据则反映了污秽物质与方巾材料共同与光作用的结果。由图4可知随着污秽程度的加深，其光谱谱线的幅值、峰值呈规律性下降。
[0093]
依据不同污秽程度的方巾的高光谱谱线的峰值、幅值的差异，建立积污方巾表面污秽高光谱谱线数据与绝缘子污秽等级之间的对应关系；
[0094]
对采集到的所有绝缘子进行污秽等级评定。由于存在样本数量分类不平衡的问题，使用随机噪音生成进行数据增强，以b等级污秽为例，如图5和图6所示，展示了b等级污秽原始谱线图像与增强后图像。
[0095]
s3、基于机器学习的积污方巾污秽度检测模型搭建。
[0096]
步骤s3包括：
[0097]
s31、基于积污方巾的绝缘子污秽等级分类模型搭建；
[0098]
s32、基于积污方巾的绝缘子污秽度回归模型搭建。
[0099]
步骤s31具体为：
[0100]
对采集到的所有方巾样本图像分别绘制不同污秽等级平均谱线；如图8a、图8b、图8c、图8d所示，分别展示了污秽等级为a、b、c、d样本的高光谱谱线图像。
[0101]
经数据增强后统计增强样本各污秽等级样本数；
[0102]
将提取到的原始污秽方巾数据样本与数据增强后方巾样本平均波谱谱线数据集进行训练集、测试集的划分，以污秽等级为标签，输入训练集样本到基于随机森林算法原理的污秽等级分类模型中训练；该污秽等级分类模型基于随机森林算法搭建；搭建该模型时将以随机的方式构建一个由基分类器决策树为组成单位的森林；当在此森林中输入一个样本时，每一个个体分类器均进行类别判定，对擦拭方巾所属污秽等级a、b、c、d通过投票的方式进行分类，统计被最多选择的类作为预测结果。
[0103]
如图7所示，为随机森林算法原理的示意图。
[0104]
步骤s32具体为：
[0105]
使用干净方巾分别擦拭绝缘子上下表面，且分别对方巾正反面进行高光谱图像采集；
[0106]
对这些高光谱图像进行平均谱线提取，并依次对同一方巾的正反两面高光谱平均反射率谱线再进行平均计算，得到谱线样本；
[0107]
选择上表面数据和下表面数据中的部分平均反射率谱线作为训练集，上表面数据和下表面数据中剩下作为测试集；
[0108]
输入训练集样本及由传统等值盐密测定方法得到的盐密值进行修正后作为标签共同输入到基于随机森林算法的污秽度回归模型中训练；
[0109]
输入训练集样本及由传统等值灰密测定方法得到的灰密值进行修正后作为标签共同输入到基于随机森林算法的污秽度回归模型中训练；
[0110]
基于随机森林的污秽度回归模型与污秽等级分类模型相比较，将标签由原来的等级的离散值转换为具体的等值污秽浓度连续值进行拟合回归，基于集成学习思想综合弱学习器的回归结果进行最终污秽盐密、灰密值的预测，具体为，依据自助采样的原则，在一个数量为n的污秽方巾谱线训练集样本池中随机地进行概率为1/n有放回的样本抽取，且每次抽取固定n个作为单棵决策树的样本，重复上述步骤t次；假设输入的污秽方巾谱线数据训练样本共有m个特征，随机森林附加的属性随机选择此时每棵树的节点的所有特征中的m个特征，然后再从被选择的m个特征中以基尼指数与信息增益两个指标为依据选择最优的特征属性进行单棵树的左右子树的分裂，最后基于简单平均的策略对输入训练数据进行回归；
[0111]
训练结束保存模型，输入测试集进行测试。
[0112]
训练结束保存模型，输入测试集进行测试。
[0113]
为进一步评估训练好的分类模型性能，将网络输出结果进行二次解算，将标签为污秽等级的测试集输入污秽等级分类模型中观察输出各项分类精度指标的结果并进行评价；
[0114]
将标签为等值盐密或等值灰密的测试集输入到污秽度回归模型中观察模型输出的结果，并基于回归模型评价指标评估网络泛化性能；
[0115]
最后对实验结果基于visdom工具进行结果可视化，基于实验结果数据验证该污秽度回归识别模型及污秽等级分类模型的可行性与准确性。
[0116]
还需要说明的是，在本说明书中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0117]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。