复合绝缘子憎水性检测技术研究现状

时间：2024-07-28

孙国华孔德瀚杨景超曹京亚喻晓昭

0 引言

绝缘子是电力系统中的关键组件之一，具有重要的电气绝缘和机械支撑作用［1］。其中复合绝缘子具有出色的耐污闪性能，且电气绝缘性能优良，得以在输电线路中广泛应用［2］。

复合绝缘子的以上优点主要与其伞裙表面具有良好的憎水性相关，在憎水性的作用下，绝缘子表面在湿润条件下不易形成连续的水迹，从而有效防止了表面放电现象的产生。但随着运行时间的增长，受电晕放电、紫外线、极端温度等因素影响，伞裙表面逐渐发生老化，憎水性能也随之下降，进而影响正常使用［3-4］，甚至导致安全事故。因此定时对复合绝缘子的憎水性进行检测，对确保供电线路安全具有重要意义。

目前，国内外对复合绝缘子的憎水性评估方法主要包括静态接触角法、表面张力法、喷水分级法、基于图像处理的憎水性等级判别方法、基于卷积神经网络的憎水性等级判别方法等。

1 静态接触角法

静态接触角法于1999 年由Hillborg［5］等提出，该方法通过测量样品的静态接触角大小来衡量其憎水性强弱。接触角示意图如图1 所示。

静态接触角的定义：水珠与伞裙的交界处切线与伞裙表面所构成的夹角，记为。平稳状态下，当接触角的度数大于90 度时，判定为憎水；相反当接触角度数小于90 度时，判定为亲水。对于实验中出现的倾斜面，通过测量其前进角a和后退角r来评估憎水性，其中后角是观察表面憎水性的重要指标，r=0 时，应当判定为亲水。

文献［6］中使用接触角测量仪来测量绝缘子伞裙表面的静态接触角大小，以评定绝缘子的憎水性等级。文献［7］指出，在度量憎水性能较差的绝缘子时，由于绝缘子表面被大片水迹附着，开展静态角的测量工作较为困难，且测得的数据对绝缘子憎水性的区分度不高。

静态接触角法在实际使用中具有较为理想的判别效果，但是对试验环境要求较为严格，因此该方法常见于实验室条件下的绝缘材料憎水性检测。

2 表面张力法

表面张力法［8］是一种用于测量液体混合物表面张力的方法。该方法使用三组具有不同张力范围的液体混合物，将它们分别喷洒在待测样品的伞裙上，并记录液体分裂所需的时间。选择混合物中分裂时间接近2 秒的，计算其表面张力和水的表面张力之间的差值，可以评估测试样品的憎水性。

表面张力法由于其使用的液体混合物中存在对人体有害的成分（甲酰胺、乙二醇单乙醚等），因此仅适合在实验室条件下使用。

3 喷水分级法

喷水分级法（Hydrophobicity Classification，简称HC 法）是由瑞典输配电研究所（Swedish Trans-mission Research Institute，简称STRI）［9］提出的，通过对绝缘子伞裙表面喷洒不同浓度的蒸馏水-异丙醇混合液体来模拟不同憎水性下绝缘子表面的水珠/水迹分布状况。在HC 法中，使用HC1-HC7 总共7 个等级来代表绝缘子的憎水性，憎水性最好的用HC1 级来表示，憎水性最差的用HC7 级表示。

为便于判断，STRI 提供了如图2 所示的憎水性等级对照图。

图2 STRI 提供的HC 法对照图

HC 法获取相应憎水性状况及使用混合液体的浓度对照关系如表1 所示。

表1 喷水分级法憎水性与混合溶液浓度对照表

HC 法检测憎水性的操作步骤简单高效，得以广泛应用于实际工况下。

4 基于图像处理的憎水性等级评判

在完成憎水性判别任务时，如遇大批绝缘子待测样本，仅仅依靠传统判别方法，会带来极大的不便，且判断结果易受人为主观判定的影响，会产生错判误判的现象。为此，很多学者在HC法的基础上结合图像处理方法进行研究。该方法的基本构筑如图3 所示：

图3 基于图像处理的绝缘子憎水性等级评判流程

4.1 图像处理方法

由于拍摄到的绝缘子图像受复杂工作环境、水珠自身反光等因素影响，并不适合直接进行分割操作。可通过采取图像增强措施，以增强图像的对比度，该步骤对水珠/水迹分割及提取特征参数都具有重要的铺垫作用。

在憎水性图像处理过程中，边缘检测/图像分割操作是提取出符合原水迹分布图像的关键步骤，直接决定了特征参数的有效性。图4 所示的分割图像是使用图像分割算法后得到的。

图4 复合绝缘子水珠/水迹图像分割效果示例

图像分割作为基于图像处理方法的憎水性等级评判的关键步骤，近年来有许多学者对其进行了研究。文献［10］中于小彬等人指出，单一的图像处理方式无法完全适用于所有憎水性等级下的水珠/水迹图像，于是提出将图像的一致性测度值作为阈值进行预分类，然后对预分类后的图像使用相应的图像分割方法，进而提高了特征参数的质量；文献［11］中提取一种基于Ostu 的自适应阈值分割方法，通过计算图像的类间方差，自适应确定分割目标与前景的阈值，进而获得较好的图像分割效果；文献［12］对Canny 算子引入Ostu 阈值法进行优化改进，并对分割后的图像予以数学形态学修正，文献［13］提出一种基于一致性测度值的分割算法预筛选步骤，对基于此值划定的3 种不同等级的憎水性图像分别对其采用Canny 边缘检测、自适应阈值分割以及最大类间方差法来得到较好的二值图像。

4.2 常用的特征参数

常见的特征参数均由相关学者在HC 法的基础上进一步提出，例如形状因子法［14］，以及最大面积法［15］等。据此对不同的HC 等级进行表述，为后续使用智能算法进行憎水性等级判定奠定了理论基础。其中，部分特征参数公式如（1）—（4）所示。

4.2.1 水珠/水迹个数

不同憎水性等级的绝缘子图像在进行图像分割时所获得的水珠个数不同，规定水珠/水迹个数用字母N 来进行表示。

4.2.2 水珠/水迹覆盖率

（1）式中，N 代表的水珠/水迹个数，Si代表第i 个水珠的面积，S 表示所取图像的面积。

4.2.3 水珠/水迹形状因子

（2）式中：Smax代表最大水珠/水迹的面积，l 则代表最大水珠/水迹的周长。

4.2.4 最大面积比

（3）式中：Smax为最大水珠/水迹的面积，S 为所取图像的面积。

4.2.5 偏心率

（4）式中：a 为最大水珠的外接矩形的长轴，b 为最大水珠的外接矩形的短轴。

4.3 分类算法

憎水性等级判定分类算法的主要流程为：输入特征参数矩阵，经过相应分类算法处理后输出既定的HC 等级。

将图像分割算法提取到的特征参数划分为训练集与测试集，分别输入分类算法，依次迭代，更新算法参数。每次迭代完成后于验证集上进行验证，测试当前算法的分类性能，最终获得较高的分类准确率。

较为常见的分类算法有：

（1）BP 神经网络（Back Propagation Neural Network）

BP 神经网络主要由输入层、隐藏层、输出层三层元素组成，其具体结构如图5 所示。每个层中的节点（神经元）都具有可调参数（权重、偏执）。网络依靠几个层之间的前向传递获得预测结果后主要通过使用梯度下降算法来最小化预测误差，以反向传播的形式来改变网络参数从而提高网络的准确性。

图5 BP 神经网络结构图

（2）支持向量机

支持向量机的核心思想是在提供的样本中找到最理想的超平面以完成分类。

假设给定一个数据集由N 个数据点组成，其中这些数据点分为A 类与B 类，将这些数据点分别给予y=1 与y=-1 的标签。现在通过一条实线将这些数据点进行完全分割。其分类示意图如图6 所示。

图6 支持向量机示意图

A 与B 类的数据点x 落在虚线上，该虚线使得A 类数据和B 类数据距离实线之间距离最大，而此实线也被称为最优超平面，而在虚线上的A与B 类的数据点也被称为支持向量。

上述部分的情形只能用来解决线性可分的问题，而不能解决实际问题中大量样本数据集中存在的线性不可分情况。支持向量机通过引入核函数来解决这一问题。

在构建复合绝缘子增水性等级判定的分类算法方面，国内外很多学者都进行了相关尝试。文献［16-17］依次将获得的特征参数送入支持向量机以及贝叶斯分类器构建了分类模型，实现了憎水性等级的智能分类；2014 年，张重远［18］等人使用拟牛顿法对BP 神经网络参数进行优化，使得网络获得了平均90%的识别准确率；2020 年柯良斌［19］等人提出采用谱聚类算法对绝缘子喷水图像进行分割，并提取相关特征进行批量检测。

5 基于卷积神经网络的憎水性等级评判

卷积神经网络（Convolutional Neural Network，简称CNN）是深度学习领域解决分类、目标检测等问题的可靠工具。在对高维数据处理的过程中，传统神经网络往往运算效率较低，且运算精度受数据维度影响较大。卷积神经网络与之相比，有较为强大的学习能力，学习过程中，对专家经验以及复杂的信号处理方式要求较低。

卷积神经网络主要由卷积层、池化层和全连接层构成。其分别对输入数据起到特征提取、特征降维以及将数据映射到标签空间的作用，经由此套流程完成整个分类任务。用于完成绝缘子憎水性等级分类任务的卷积神经网络结构如图7 所示。

图7 卷积神经网络结构图

结合使用场景，由于卷积神经网络能够自动获取影响憎水性分级结果的水珠/水迹特征，避免了人工提取特征过程中拍摄环境、水迹反光等因素对图像分割步骤的干扰，保证了获取到的特征的质量。因此卷积神经网络是解决憎水性分类问题更便捷、智能、高效的选择。

近几年，卷积神经网络已被部分学者在复合绝缘子憎水性检测问题上进行应用。2018 年，颜伟韬［20］使用概率神经网络对分割后的憎水性图像进行等级识别；2019 年，张德钦［21］等人使用目标检测网络Faster R-CNN 对复杂背景下的绝缘子进行分离，再将水迹的明显区域送入卷积神经网络中进行分类识别，所构建模型具有较高的准确率；2020 年，KOKALIS［22］等人使用不同HC等级的绝缘子喷水图像对VGGNet、GoogleNet、ResNet 等网络进行训练，验证准确率达97%；2021 年于小彬［10］等人使用AlexNet、DenseNet等网络并引入迁移学习技术构建绝缘子憎水性识别网络，于较小的样本集上完成模型训练，在提高识别准确率的同时，降低了模型计算量及训练时间。表2 为几种常见的卷积神经网络的层结构数目及在训练集和测试集分别为350 张和140 张图像的条件下得到的平均识别准确率。

表2 各类卷积神经网络结构参数及算法在Photo-dataset①https://data.mendeley.com/datasets/56ws3b6379/draft?a=35225fb7-29c3-4cf6-a9e5-8bb60e6b75a7.数据集上的效果