武汉大学学报(工学版)   2016, Vol. 49 Issue (2): 309-314

文章信息

蔡日, 张笑迪, 揭毅, 王庆斌, 赖文贤, 刘锦明, 杨昀, 黄嘉文, 陈国辉, 张才斌, 孙云莲
CAI Ri, ZHANG Xiaodi, JIE Yi, WANG Qingbin, LAI Wenxian, LIU Jinming, YANG Yun, HUANG Jiawen, CHEN Guohui, ZHANG Caibin, SUN Yunlian
基于PNN的变压器复合绝缘子套管憎水性检测
Detection of hydrophobicity of transformer composite insulator bushing based on PNN
武汉大学学报(工学版), 2016, 49(2): 309-314
Engineering Journal of Wuhan University, 2016, 49(2): 309-314
http://dx.doi.org/10.14188/j.1671-8844.2016-02-026

文章历史

收稿日期: 2015-06-23
 Abstract              PDF               Figures               Tables
引用本文 0
蔡日, 张笑迪, 揭毅, 王庆斌, 赖文贤, 刘锦明, 杨昀, 黄嘉文, 陈国辉, 张才斌, 孙云莲. 基于PNN的变压器复合绝缘子套管憎水性检测[J]. 武汉大学学报(工学版), 2016, 49(2): 309-314.
CAI Ri, ZHANG Xiaodi, JIE Yi, WANG Qingbin, LAI Wenxian, LIU Jinming, YANG Yun, HUANG Jiawen, CHEN Guohui, ZHANG Caibin, SUN Yunlian. Detection of hydrophobicity of transformer composite insulator bushing based on PNN[J]. Engineering Journal of Wuhan University, 2016, 49(2): 309-314.
基于PNN的变压器复合绝缘子套管憎水性检测
蔡日1, 张笑迪2, 揭毅1, 王庆斌1, 赖文贤1, 刘锦明1, 杨昀1, 黄嘉文1, 陈国辉1, 张才斌2, 孙云莲2     
1. 广东电网有限责任公司云浮供电局,广东 云浮 527300;
 2. 武汉大学电气工程学院，湖北 武汉 430072
收稿日期: 2015-06-23
作者简介: 蔡日(1974-)，男，高级工程师，研究方向为电力系统及其自动化，E-mail:wqbity@163.com.
通讯作者: 孙云莲(1962-)，女，教授，研究方向为智能电网及电力系统信息化相关新技术、现代信号处理技术在电力系统中的应用等，E-mail:ylsun@whu.edu.cn.
摘要: 采用计算机图像的方式对绝缘子表面进行实时监测，通过图像处理方法对复合绝缘子表面图像进行识别，然后通过智能算法对其憎水性等级进行划分来达到辅助运维的目的.在对复合绝缘子憎水图像进行预处理和识别的基础上，采用概率神经网络(Probabilistic Neural Network，PNN)对其憎水性等级进行判断，实验中经过210个样本训练后的PNN模型可以对140个预测样本准确判别变压器复合绝缘子套管的憎水等级，对后续高效可靠的在线监测变压器套管具有重要意义.
关键词： 变压器     套管     绝缘子     憎水性     PNN    
Detection of hydrophobicity of transformer composite insulator bushing based on PNN
CAI Ri1, ZHANG Xiaodi2, JIE Yi1, WANG Qingbin1, LAI Wenxian1, LIU Jinming1, YANG Yun1, HUANG Jiawen1, CHEN Guohui1, ZHANG Caibin2, SUN Yunlian2     
1. Yunfu Power Supply Company, Guangdong Power Grid Corporation, Yunfu 527300 China;
 2. School of Electrical Engineering, Wuhan University, Wuhan 430072, China
Abstract: Using computer vision monitoring the insulator surface, through the theoretical analysis algorithm to guide composite insulator hydrophobic hierarchies and auxiliary operations are the research direction. Based on the pretreatment and recognition of hydrophobic image of the composite insulator, this paper uses the probabilistic neural network (PNN) to judge hydrophobic grade of composite insulator; after 210 samples training of PNN model in the experiment can accurately judge 140 samples of the level of transformer hydrophobic composite insulator bushing, which has important significance for subsequent high efficient and reliable monitoring composite insulator.
Key words: transformer     bushing     insulator     hydrophobicity     PNN    

根据现有的统计数据，我国挂网运行的复合绝缘子的数量截至2011年已经超过1 000万支.复合绝缘子之所以能广泛应用于电力系统中[1-3]，主要是因其较强的憎水性及憎水迁移性，能提高绝缘子的污闪电压并有效防止电力系统发生污秽闪络.但是，随着运行年限的增长以及环境的影响，复合绝缘子的憎水性会下降，容易发生污闪事故，从而影响线路的安全运行[4].因此，对复合绝缘子憎水性的检测对电力系统的安全运行具有很重要的意义.

目前检测复合绝缘子憎水性的方法主要有3种：接触角法、表面张力法和表面喷水法[5].为了克服传统喷水分级法的主观性，并能客观、快速地对绝缘子实行在线监测，目前在图像处理技术和模式识别方面做了大量的研究[6-7]，主要有：SVM决策树，K-邻近法，结果表明虽然他们在一定程度上能够克服传统喷水分级法的主观性，但是都有些不足，SVM决策树很难实现大量样本的训练，K-邻近法受K值的影响很大[8].因此本文采用数字图像处理技术和训练速度快、参数设置少的概率神经网络(PNN)对复合绝缘子进行憎水等级判定，即：首先对采集到的喷水后的绝缘子照片进行图像处理，然后对处理后的照片进行特征值的提取，最后将提取到的特征值输入到概率神经网络(PNN)中进行等级的判定，并对其判定结果与其他两种识别方法进行了对比.经过实验验证，概率神经网络能够可靠有效地进行憎水等级的判定.

1 图像预处理

首先将采集到的憎水性图像通过灰度变换为数字图像，然后对图像进行增强或滤波的预处理以提高图像的清晰度，接着对预处理后的图像进行分割以隔离出感兴趣的部分，即提取出目标水珠的边缘轮廓，最后对特征码展开提取和选择并完成憎水性的分级识别.基本流程如图 1所示.

图 1 基于图像处理的憎水性等级判定方法的基本流程 Figure 1 The basic flow of the hydrophobic level decision method based on image processing
图选项

同态增晰使得图像的边缘与细节更加明显并增强了图像的对比度，同时对噪声也有一定的抑制，但是由于压缩了灰度动态范围使得图像灰度级范围变窄，图像亮度因此受到一定的影响.相比传统的均衡化方法，局部直方图均衡化对图像处理的效果更佳，但是如果直接对复杂的憎水性图像进行处理，会使噪声放大，不利于后面的图像分割.所以考虑到两种方法的优缺点，采用基于同态增晰的局部直方图均衡化方法对图像进行增强处理，图像的边缘和细节更加清晰，对比度得到了明显的增强，图像的灰度动态范围也得到了比较均匀的调整.图 2为处理后的效果图.

图 2 基于同态增晰的局部直方图均衡化处理效果图 Figure 2 The local histogram equalization processing effect based homomorphic
图选项
2 图像分割 2.1 基于改进的Canny算子的边缘检测

在计算梯度幅值与方向时，传统的Canny算子使用的是2×2邻域一阶偏导的有限差分.因为采用的点较少，虽然能够比较准确地定位边缘，但是对噪声十分敏感，所以可能丢掉一些真实边缘却带来虚假的边缘[9].本文使用3×3邻域来计算梯度，不仅计算水平(x)和垂直(y)方向的梯度幅值，还计算45°和135°方向的梯度幅值，即考虑到像素的对角线方向，因而有效地降低了噪声带来的影响.

2.2 数学形态学处理

改进的Canny算子虽然能够大致提取出憎水性图像的边缘轮廓，但是由于憎水性图像的复杂性，边缘线存在断裂的问题.而且，图像分割的最终目的是要计算出憎水性图像的特征码，所以还要填充边缘轮廓使得图像尽可能忠实原图像并消除掉小而无意义的水滴.本文采用数学形态学的方法对边缘检测后的图像进行膨胀、区域填充、腐蚀等修正.

对于Canny算子边缘检测后的图像，首先对其用扁平的直线型结构元素进行膨胀运算，使整个图像的边缘变得连续；随后紧接着对图像执行区域填充处理，以图像边界为起点，向内部填补孔洞；最后，利用菱形结构元素对区域填充后的图形进行腐蚀运算，消除边缘附近的毛刺，使得图像边缘变得光滑，同时去掉小而无意义的水滴.分割效果见图 3.

图 3 改进Canny算子的憎水性图像分割效果 Figure 3 The hydrophobic image segmentation effect of the improved Canny operator
图选项
3 基于PNN的复合绝缘子憎水性等级识别研究 3.1 特征值的提取

为了准确地识别复合绝缘子的憎水性等级，找到能够表征憎水性的特征码并将其提取出来是非常必要的.对于分割后所得到的憎水性图像，提取如下4个与憎水性有关的量作为特征码：最大水珠(或水迹)面积比K，水珠(或水迹)覆盖率C，最大水珠(或水迹)偏心率e，最大水珠(或水迹)形状因子fc[10].经查阅有关文献知，这4个特征码的值仅受到绝缘子憎水性等级的影响，而与绝缘子的形状、光照条件、污秽分布、拍摄距离和拍摄角度等因素无关.

1) 最大水珠(或水迹)面积比K

$K=S/(XY)$    (1)

式中：S表示最大水珠(或水迹)的面积；XY为整幅图像的面积.

2) 水珠(或水迹)覆盖率C

$C=\sum\limits_{i=1}^{n}{{{S}_{i}}/(XY)}$    (2)

式中：n表示识别出的水珠(或水迹)个数；Si为第i个水珠(或水迹)的面积.

3) 最大水珠(或水迹)偏心率e

$e=a/b$    (3)

式中：a表示长轴，即最大水珠(或水迹)边界上相距最远的两像素点之间的线段长度；b表示短轴，即与长轴垂直且与之构成的外接矩形恰好能包围最大水珠(或水迹)边界的线段长度.

4) 最大水珠(或水迹)形状因子fc

${{f}_{c}}=4\pi S/{{l}^{2}}$    (4)

式中：l表示最大水珠(或水迹)的周长；S与式(1)中含义相同.

3.2 概率神经网络

概率神经网络(Probabilistic Neural Networks,PNN)的主要思想是用贝叶斯决策规则(即错误分类的期望风险最小)，在多维输入空间内分离决策空间.它是基于统计原理的一种前馈网络模型，并且以Parzen窗口函数为激活函数.PNN的结构模型如图 4所示，共分4层：输入层、样本层(又称模式层)、求和层和决策层(又称竞争层输出层)，其基本结构如图 4所示.

图 4 PNN模型结构图 Figure 4 The PNN model structure
图选项

PNN概率神经网络的基本原理：首先假定有两种模式类别θA和θB，对于要判断的样本输入向量X=(x1,x2,…,xn)，根据Bayes最小风险准则有[7]：

$\left\{ \begin{align} & {{h}_{\text{A}}}{{l}_{\text{A}}}{{f}_{\text{A}}}\left( X \right){{h}_{\text{B}}}{{l}_{\text{B}}}{{f}_{\text{B}}}\left( X \right),X\in {{\theta }_{\text{A}}} \\ & {{h}_{\text{A}}}{{l}_{\text{A}}}{{f}_{\text{A}}}\left( X \right){{h}_{\text{B}}}{{l}_{\text{B}}}{{f}_{\text{B}}}\left( X \right),X\in {{\theta }_{\text{B}}} \\ & {{h}_{\text{A}}}={{n}_{\text{A}}}/n,{{h}_{\text{B}}}={{n}_{\text{B}}}/n \\ \end{align} \right.$    (5)

式中：hA、hB分别表示模式类别θA和θB的先验概率(Prior Probability)；nA、nB分别表示模式类别θA和θB的训练样本数；n表示训练样本总数；lA表示把属于模式类别θA的X归类到模式类别θB需付出的风险因子，lB同理；fA(X)、fB(X)分别表示X属于模式类别θA和θB的概率密度函数(Probability Density Function,PDF).

一般情况下，PDF很难准确获取，常常依据目前已有的输入样本向量来求它的统计值.PNN是根据已知随机样本来估计PDF的方法，其主要思想是在大量样本的情况下，能够连续平滑地逼近原概率密度函数[12].对于模式类别θA可得其PDF的估计式：

$\begin{align} & {{f}_{\text{A}}}(X)=\frac{1}{{{\left( 2\pi \right)}^{p/2}}}1~{{n}_{A}}\cdot \\ & \sum\limits_{i=1}^{{{n}_{A}}}{\exp }\left[ \frac{-{{(X-{{X}_{\text{A}}}i)}^{\text{T}}}(X-{{X}_{\text{A}}}i)~}{2\sigma } \right]~ \\ \end{align}$    (6)

式中：p代表输入样本向量的维数；XAi为模式类别θA中的第σ个训练样本；σ表示平滑因子.

3.3 憎水性等级识别的PNN模型

根据网络的输入和输出特点来确定PNN模型的结构，以提取的憎水性图像的特征码作为输入，而期望的憎水性等级作为输出.流程见图 5所示.因为表征憎水性的特征码有4个，所以模型的输入节点为4个，输出为7个憎水性等级，故输出层和求和层的节点均为7个，输出值与憎水性等级的对应关系如表 1所示.另外，模式层的节点数目则取决于实际的训练样本个数，由于本文选取了210个训练样本，所以PNN神经网络的模式层节点数为210个.

图 5 基于PNN模型的憎水等级识别的程序流程图 Figure 5 The program flow chart of hydrophobic grades recognition based on PNN model
图选项
表 1 PNN模型输出值和憎水性等级的对应关系 Table 1 The corresponding relation of the PNN model output values and hydrophobic level
憎水等级HC1HC2HC3HC4HC5HC6HC7
输出值1234567
表选项

在试验中，经过选择不同的σ值，发现当σ取值为0.01时分类效果最理想.网络的测试模块则是在已经完成网络训练的基础上，将待测试的样本输入到网络中进行憎水性等级的识别.

在拍摄的憎水性图像样本库中随机地选取210幅图像当作训练样本，每个憎水性等级包含30个样本，同时将这些样本图像的特征码提取出来.将210个训练样本数据输送到PNN网络中进行训练.利用训练好的PNN网络，选取140个图片样本进行测试，观察网络的分类识别效果，如表 2所示.

表 2 网络预测效果 Table 2 The effect of network prediction
憎水等级测试样本个数预测准确个数正确率/%
HC12020100
HC2201995
HC3201995
HC42020100
HC5201995
HC62020100
HC72020100
表选项
3.4 与其他识别方法效果比较

用上述140个图片(每个憎水等级的样本各为20个)作为测试样本，分别用SVM决策树、形状因子法进行测试，其测试效果如表 3所示[13-15].

表 3 不同方法的识别效果 Table 3 The identification results of different algorithm
憎水等级SVM决策树形状因子法PNN
识判个数样本数正确率/% 识判个数样本数正确率/% 识判个数样本数正确率/%
HC12209022090020100
HC2220903208512095
HC3320854208012095
HC44208042080020100
HC5320853208512095
HC63208532085020100
HC74208032085020100
表选项

根据表 3各识别方法对憎水等级识别的效果，本文的识别方法对各憎水性等级的识别的正确率是最高的，明显优于其他两种算法.

4 结论

本文对绝缘子的数字图像进行预处理，然后进行图像分割，再对分割后的图像进行特征值的提取，最后将提取到的特征值输入到PNN神经网络中进行憎水等级的判断，并将PNN神经网络与其他识别方法进行了比较，通过不同识别方法效果的对比，表明PNN的实验效果优于其他两种方法，并且憎水等级的判定能够满足实际需要，对指导现场检测具有重要作用.

参考文献
[1] 贺含峰, 陈洪波, 白欢, 等. 复合绝缘子憎水性检测技术研究进展[J]. 四川电力技术, 2013, 36(2): 63–68.
He Hanfeng, Chen Hongbo, Bai Huan, et al. The research progress of hydrophobic composite insulator detecting technology[J]. Journal of Sichuan Electricity, 2013, 36(2): 63–68.
[2] 胡毅. 送电线路绝缘子运行性能及分析[J]. 高电压技术, 2001, 27(2): 33–35.
Hu Yi. The running performance and analysis of transmission line insulator[J]. High Voltage Engineering, 2001, 27(2): 33–35.
[3] 刘泽洪. 复合绝缘子使用现状及其在特高压输电线路中的应用前景[J]. 电网技术, 2006, 30(12): 1–7.
Liu Zehong. Present situation and prospects of applying composite insulators[J]. Power System Technology, 2006, 30(12): 1–7.
[4] 申文伟, 宋伟, 王国利, 等. 复合绝缘子 HTV 硅橡胶材料老化特性的研究[J]. 高压电器, 2013, 49(2): 1–3.
Shen Wenwei, Song Wei, Wang Guoli, et al. Influence of corona discharge on aging characteristics of HTV silicone rubber material[J]. High Voltage Apparatus, 2013, 49(2): 1–3.
[5] IEC 62073 TS Ed.1.0. Guide to the Measurement of Wettability of Insulator Surfaces[S].
[6] 唐良瑞, 赵春辉, 祁兵. 基于蚁群算法的绝缘子憎水性等级判别方法[J]. 高电压技术, 2009, 35(6): 1323–1324.
Tang Liangrui, Zhao Chunhui, Qi Bing. Hydrophobic detection based on ant colony algorithm[J]. High Voltage Engineering, 2009, 35(6): 1323–1324.
[7] Barsch R, Jahn H, Lambrecht J. Test methods for polymeric insulating materials for outdoor HV insulation[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 1999, 6(5): 668–675. DOI:10.1109/94.798123
[8] 宋伟, 赵林杰, 李成榕, 等. 复合绝缘子在线检测技术的发展[J]. 高电压技术, 2005, 3(5): 28–30.
Song Wei, Zhao Linjie, Li Chengrong, et al. On- line detection methods of composite insulator[J]. High Voltage Engineering, 2005, 3(5): 28–30.
[9] 闫康, 汪佛池, 张重远. 基于Canny算子的复合绝缘子憎水性图像边缘检测[J]. 电力科学与技术学报, 2013, 38(3): 45–56.
Yan Kang, Wang Fochi, Zhang Zhongyuan. Hydrophobic image edge detection for composite insulator based on Canny operator[J]. Journal of Electric Power Science and Technology, 2013, 38(3): 45–56.
[10] 张重远, 闫康, 汪佛池, 杨升杰, 李宁彩. 基于图像特征提取与BP神经网络的绝缘子憎水性识别方法[J]. 高电压技术, 2014, 40(5): 1446–1452.
Zhang Zhongyuan, Yan Kang, Wang Fochi, et al. Insulator hydrophobic identification based on image feature extraction and BP neural network[J]. High Voltage Engineering, 2014, 40(5): 1446–1452.
[11] Jaouher BenAli, Lotfi Saidi, AymenMouelhi, Brigitte Chebel-Morello, FarhatFnaiech. Linear feature selection and classification using PNN and SFAM neural networks for an early online diagnosis of bearing naturally progressing degradations[J]. Engineering Applications of Artificial Intelligence, 2015, 42: 67–81. DOI:10.1016/j.engappai.2015.03.013
[12] 李震球.基于概率神经网络的小电流接地系统模式识别故障选线方法及应用[D].南昌:南昌大学,2014.
Li Zhenqiu. The pattern recognition method and application for grounding fault line selection in non-effectively grounded system based on probabilistic neural network[D]. NanChang:Nanchang University, 2014.
[13] 毛颖科, 关志成, 王黎明, 等. 基于 BP 人工神经网络的绝缘子泄漏电流预测[J]. 中国电机工程学报, 2007, 27(27): 8–10.
Mao Yingke, Guan Zhicheng, Wang Liming, et al. Prediction of leakage current of outdoor insulators based on BP artificial neural network[J]. Proceedings of the CSEE, 2007, 27(27): 8–10.
[14] 汪佛池, 闫康, 张重远, 等. 采用图像分析与神经网络识别绝缘子憎水性[J]. 电 机 与 控 制 学 报, 2014, 18(11): 78–83.
Wang Fochi, Yan Kang, Zhang Zhongyuan, et al. Identifying insulator hydrophobicity by image analysis and neural network[J]. Electric Machines and Control, 2014, 18(11): 78–83.
[15] 白欢, 胡建林, 李剑, 等. 应用动态接触角评判复合绝缘子憎水性等级的研究[J]. 高电压技术, 2010, 36(12): 3021–3023.
Bai Huan, Hu Jianlin, Li Jian, et al. Hydrophobicity evaluation of composite insulators using the dynamic contact angle[J]. High Voltage Engineering, 2010, 36(12): 3021–3023.