魏亞軍，李開燦，董 振

（國網(wǎng)山東省電力公司濟(jì)寧供電公司，濟(jì)寧 272000）

配網(wǎng)10 kV 交聯(lián)聚乙烯XLPE（crosslinked polyethylene）電纜是城市電網(wǎng)電纜輸送的主導(dǎo)設(shè)備，其穩(wěn)定可靠運行對城市電網(wǎng)起到至關(guān)重要的作用[1]。由于本身制作工藝不規(guī)范或在惡劣環(huán)境下長期運行，易引起電纜絕緣缺陷、絕緣劣化，進(jìn)而引發(fā)故障。電纜終端作為最薄弱環(huán)節(jié)，當(dāng)存在典型缺陷時，局部放電更易發(fā)展導(dǎo)致絕緣嚴(yán)重劣化，進(jìn)而造成故障。因此結(jié)合典型缺陷放電特征開展配網(wǎng)電纜終端故障診斷研究，可為其風(fēng)險程度評估提供有意義的參考。

目前國內(nèi)外學(xué)者就電力設(shè)備絕緣缺陷及故障診斷問題已開展了大量研究。文獻(xiàn)[2-4]詳細(xì)地分析了XLPE電纜的放電量、放電重復(fù)率、放電相位及放電譜圖的峰度、偏斜度等統(tǒng)計特征，初步實現(xiàn)了放電類型的分類。文獻(xiàn)[5-7]對局部放電Q-φ-N譜圖進(jìn)行灰度化處理后提取灰度共生矩陣特征，結(jié)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(yīng)用前景，但獲取的特征量存在局限性。文獻(xiàn)[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(jié)合神經(jīng)網(wǎng)絡(luò)算法，達(dá)到了有效地識別缺陷類型，但經(jīng)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(dá)[11]。文獻(xiàn)[12-14]基于卷積神經(jīng)網(wǎng)絡(luò)、自編碼網(wǎng)絡(luò)、深度殘差網(wǎng)絡(luò)等深度學(xué)習(xí)算法進(jìn)行特征提取，并得到了高準(zhǔn)確率的故障類型識別結(jié)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(jié)合現(xiàn)有的配網(wǎng)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(dá)PRPD譜圖特征。首先對PRPD譜圖的矩特征、Tamura-HOG紋理特征進(jìn)行提取與融合；然后結(jié)合自適應(yīng)提升AdaBoost（adaptive boosting）算法進(jìn)行缺陷類型分類；最后，與后饋神經(jīng)網(wǎng)絡(luò)BPNN（back propagation neural network）、支持向量機(jī)SVM（support vector machine）及卷積神經(jīng)網(wǎng)絡(luò)CNN（convolutional neural networks）、棧式自編碼器SAE（stacked autoencoder）深度學(xué)習(xí)算法進(jìn)行對比，并設(shè)計了實驗驗證。結(jié)果表明，本文所提出的故障診斷方法識別準(zhǔn)確率最高、耗時最短且具有良好的穩(wěn)定性和通用性，為配網(wǎng)電纜故障診斷的模式識別提供了良好應(yīng)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(guān)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(xiàn)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(yīng)用，Tamura 紋理特征包含粗糙度、對比度、方向性、線相似度、規(guī)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(dá)式見文獻(xiàn)[16]，因此本文也對這4種特征量進(jìn)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(qū)域中不同方向上的梯度值，進(jìn)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(jìn)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(jìn)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(jìn)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(nèi)插法將各方向梯度幅值累加到直方圖中，并進(jìn)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(xiàn)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(wǎng)10 kV的XLPE電纜，按照規(guī)范制作電纜終端，同時根據(jù)電纜終端的故障類型及放電特性，設(shè)計制作了常見的含有氣隙缺陷、主絕緣劃傷缺陷、半導(dǎo)電雜質(zhì)缺陷的3種典型缺陷放電模型，并進(jìn)行局部放電檢測實驗。為了能夠以較少的實驗在短期內(nèi)獲取局部放電數(shù)據(jù)，因此采用快速升壓法和恒壓法相結(jié)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(tǒng)一圖像尺寸并進(jìn)行灰度化預(yù)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(jìn)行降維處理。最后，結(jié)合分類器進(jìn)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(tǒng)

局部放電檢測系統(tǒng)架構(gòu)如圖2 所示，檢測系統(tǒng)包括高壓電源、保護(hù)電阻、耦合電容、檢測阻抗、互感線圈、MPD800 局部放電檢測系統(tǒng)和服務(wù)器。由MPD800局部放電檢測系統(tǒng)檢測局部放電信號并傳輸給服務(wù)器處理。實驗前通過完好電纜檢驗設(shè)備無誤差。

圖2 局部放電檢測系統(tǒng)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(wěn)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(dǎo)電雜質(zhì)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(guān)系，可以實現(xiàn)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(shù)據(jù)庫

為建立數(shù)據(jù)量充足的數(shù)據(jù)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(shù)據(jù)庫分配如表1 所示，其中各缺陷試樣的400張譜圖為訓(xùn)練集，200張為測試集。

表1 數(shù)據(jù)庫分配Tab.1 Database allocation

3.2 AdaBoost 分類算法

AdaBoost算法的構(gòu)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(quán)重，若樣本數(shù)量為m個，則每個樣本被賦予權(quán)重D（1）為1/m。然后，訓(xùn)練弱分類器，當(dāng)該樣本被準(zhǔn)確分類時，其權(quán)重在構(gòu)建下一個訓(xùn)練樣本集時降低；當(dāng)某個樣本被錯誤分類時，其權(quán)重將被提高，成為弱分類器的被重視者，基于調(diào)整后的權(quán)重D（2）的訓(xùn)練集來訓(xùn)練弱學(xué)習(xí)器2，依此類推。最后，組成強分類器，即在達(dá)到規(guī)定的迭代次數(shù)或者預(yù)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(zhǔn)確率。

圖4 AdaBoost 算法的構(gòu)架Fig.4 Architecture of AdaBoost algorithm

3.3 故障診斷結(jié)果與分析

AdaBoost 算法具備不需要進(jìn)行特征篩選、不會產(chǎn)生過度擬合現(xiàn)象、識別精度高等優(yōu)勢。取訓(xùn)練集1 200 張PRPD 譜圖作為訓(xùn)練樣本，loss 函數(shù)分布如圖5 所示，在迭代200 步以后，loss 值趨于平穩(wěn)且接近0，由此可見，訓(xùn)練模型具有很好的預(yù)測性能。

圖5 Loss 函數(shù)分布Fig.5 Function of loss distribution

AdaBoost 算法識別結(jié)果如表2 所示。3 種典型缺陷的識別結(jié)果均達(dá)到了90%以上的高準(zhǔn)確率，半導(dǎo)電雜質(zhì)缺陷達(dá)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(zhì)上存在相似之處，即在氣隙處或劃傷縫隙內(nèi)均會有空氣電離放電情況，在某一個或某些時間節(jié)點下獲取的PRPD譜圖特征較為相似，從而引起誤診斷。因此結(jié)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(jié)果Tab.2 Recognition results of AdaBoost algorithm

本文選擇了BP 神經(jīng)網(wǎng)絡(luò)、SVM 算法、CNN 和SAE深度學(xué)習(xí)算法的識別結(jié)果加以對比，結(jié)果如表3 所示。以上算法均有較高的識別準(zhǔn)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(xué)習(xí)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(yōu)。

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(shè)計了金屬微粒缺陷、潮氣滲入缺陷和應(yīng)力錐錯位缺陷，進(jìn)行相同實驗、數(shù)據(jù)采集和樣本分配，識別結(jié)果如表4 所示，識別結(jié)果均在90%以上。由此可見，本文的故障診斷方法具有高準(zhǔn)確率和通用性的特點。

表4 驗證實驗識別結(jié)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(jié)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(yù)測性能相對更穩(wěn)定。

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

4 結(jié)論

針對配網(wǎng)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(jié)論。

（1）不同類型缺陷的PRPD 譜圖體現(xiàn)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(jù)。

（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(jìn)行故障識別，在多種分類器下均得到識別準(zhǔn)確率較高的結(jié)果。

（3）與BP、SVM 算法及CNN、SAE 深度學(xué)習(xí)算法相比，本文方法識別結(jié)果準(zhǔn)確率最高、耗時最短，且具有良好的穩(wěn)定性和通用性。