基于频谱图-深度卷积神经网络(Deep Convolutional Neural Network, CNN)的玻璃、瓷及硅橡胶绝缘子覆冰条件下泄漏电流(Leakage Current, LC)分析

《Sensors》：Leakage Current Analysis of Glass, Porcelain, and Silicone Insulators Under Icing Conditions Using Spectrogram-Based Deep Convolutional Neural Networks

　　

绝缘子对高压输电线路安全稳定运行至关重要，但其长期暴露于户外环境中，易受覆冰(Icing)影响。绝缘子表面覆冰会劣化绝缘性能并使表面泄漏电流(Leakage Current, LC)升高，进而引发停电事故。本研究提出一种基于频谱图(Spectrogram)的卷积神经网络(CNN)模型，用于识别玻璃、瓷及硅橡胶(硅胶,Silicone)绝缘子表面的覆冰状况。研究在实验室条件下将绝缘子标记为三类：无冰(Ice-free)、轻微覆冰(t < 12 mm)及覆冰(t > 20 mm)。依据各绝缘子覆冰条件施加10~50 kV三种不同等级的高电压并记录泄漏电流信号。研究人员首先对泄漏电流信号施加巴特沃斯(Butterworth)滤波器与平滑(Smoothing)滤波器进行降噪，随后通过傅里叶变换将其转换为频谱图图像并作为自建CNN架构的输入。此外，研究人员也将频谱图图像输入AlexNet、GoogLeNet及ResNet-50架构进行对比。所提CNN架构对玻璃与硅橡胶绝缘子在所有运行工况下的分类准确率达97.78%~100%，对瓷绝缘子分类成功率为82.22%~100%。实验表明，文献中常用模型(AlexNet、GoogLeNet和ResNet-50)的准确率最低降至73%(尤见于瓷绝缘子数据)，由此验证了所开发模型在覆冰检测过程中具有更优的类间区分能力及对多变工况的适应性。

论文解读——《基于频谱图-深度卷积神经网络(CNN)的玻璃、瓷及硅橡胶绝缘子覆冰条件下泄漏电流(LC)分析》

该论文发表于MDPI期刊《Sensors》，针对高压输电线路绝缘子因户外覆冰导致绝缘能力下降、泄漏电流(Leakage Current, LC)增大甚至引发闪络(Flashover)跳闸的问题展开研究。现有覆冰检测方法多依赖气象参数或传统图像处理，受环境局限较大；基于泄漏电流的方法虽有研究，但直接处理时域信号难以捕捉覆冰引起的频域特征变化，且通用深度卷积神经网络(Convolutional Neural Network, CNN)在瓷绝缘子复杂频谱图上泛化能力不足。为此，研究人员采集玻璃、瓷(Porcelain)及硅橡胶(Silicone, 复合)绝缘子在三种覆冰状态(无冰、轻微覆冰t < 12 mm、覆冰t > 20 mm)及对应电压(10~50 kV)下的LC信号，经两级滤波后通过短时傅里叶变换(Short-Time Fourier Transform, STFT)转为频谱图(Spectrogram)，构建含残余-入口(Residual-Inception)块的专用CNN进行分类，并与AlexNet、GoogLeNet、ResNet-50对比验证性能。研究表明，所提模型对玻璃与硅橡胶绝缘子覆冰三分类准确率达97.78%~100%，对瓷绝缘子达82.22%~100%(最低工况为50 kV–3单元)，显著优于经典预训练模型，证明了将LC信号时频分析结合定制多尺度残差CNN用于绝缘子覆冰状态判别的有效性及工程潜力。

主要关键技术方法：

研究人员在人工气候室模拟无冰、轻微覆冰(t < 12 mm)及覆冰(t > 20 mm)条件，对单/双/三单元玻璃与瓷绝缘子(泄漏距离280 mm/单元)及单单元硅橡胶绝缘子(泄漏距离900 mm)分别施加10–50 kV对应电压，用NI USB-6009数据采集卡以约666.7 Hz采样率(间隔1.5 ms)采集每段10万点LC信号。原始信号先经二阶巴特沃斯低通滤波器(Butterworth Low-Pass Filter, BLPF, 截止频率300 Hz)滤除传感器高频噪声，再经6点滑动平均(Moving Average, MA)平滑消除小幅波动；将每段按2 s窗长(1332点)不重叠分帧，对每帧做STFT生成频谱图；构建含非对称卷积干路(Stem Block)及三级带扩张卷积(Dilated Convolution)与1×1卷积跳接的Residual-Inception块的CNN，末端接全局平均池化(Global Average Pooling)、Dropout(30%)及Softmax三分类层；数据集按8:2划分训练/测试，采用Adam优化器(学习率0.0003, 60 Epochs)训练，同时用Levene检验、ANOVA及Kruskal–Wallis H检验分析LC统计显著性，并将同批频谱图输入AlexNet、GoogLeNet、ResNet-50作对照。

研究结果：

2. Analysis of Leakage Current Under Varied Thermal Conditions（变温条件下泄漏电流分析）

研究人员基于Obenaus/Rizk模型阐述了覆冰绝缘子表面等效电导率σ(T)随水温膜厚度及焦耳热(Joule Heating)变化的数学关系，指出冰层融化形成导电水膜使表面电阻降低、LC幅值剧增并可能诱发局部电弧(Partial Arcing)与闪络。实验对比?4.1 ℃(高阻、LC呈稳定正弦波)与0.1 ℃(表面融化、LC出现约18.5 mA尖峰脉冲及不规则放电)的LC波形，证实温度升高致冰融—电导增大—焦耳热增强的正反馈过程使LC时频特征发生明显改变，为覆冰状态辨识提供物理依据。

3. Materials and Methods（材料与方法）

3.1 Experimental Setup（实验装置）：研究人员使用喷淋冻雨法(喷水水电导率130–220 μS/cm符合IEEE Std 1783-2009)在人工冰室制作三种覆冰状态，对玻璃/瓷用1U/2U/3U串(配10/20/30 kV至30/40/50 kV)，对硅橡胶用1U(配30/40/50 kV)；共获玻璃27组、瓷27组、硅橡胶9组数据集，每组采10万点LC存于计算机。

3.2 Signal Preprocessing（信号预处理）：研究人员按Nyquist定理确定fs≈666.7 Hz可覆盖基波及3次(150 Hz)、5次(250 Hz)谐波；将10万点信号切分为75个不重叠2 s窗口(1332点/窗)，先BLPF(二阶, fc=300 Hz)去高频噪，再6点MA平滑，最后逐窗做STFT得频谱图，每配置每覆冰类产225幅图供训练。

3.3 Statistical Analysis（统计分析）：研究人员依Levene检验(p>0.05用单因素方差分析One-way ANOVA；p<0.05用Kruskal–Wallis H非参检验)判断不同覆冰态下LC均值/中位数差异显著性。

4. Spectrogram-Based Deep Convolutional Neural Network Approach…（基于频谱图的深度卷积神经网络覆冰LC检测方法）

4.1 Spectrogram-Based Feature Extraction（基于频谱图的特征提取）：研究人员阐述STFT及频谱图定义|S(t,f)|2，经滤波后的频谱图较原始图背景噪声更低，低频能量带与放电谐波分布更清晰，可反映覆冰程度引起的频域畸变。

4.2 Deep Convolutional Neural Network Architecture and Classification（深度CNN架构与分类）：研究人员设计的CNN含Stem Block(7×1与1×3非对称卷积+2×1最大池化)、Stage A/B/C(通道数64/96/128，扩张率2/4/8，主支空洞卷积+侧支1×1卷积残差连接)、全局平均池化+30% Dropout+全连接Softmax三分类；该结构兼顾局部细节与上下文感受野，参数量适中。

4.3 Performance Evaluation Metrics（性能评价指标）：采用准确率(Accuracy)、灵敏度(Sensitivity/Recall)、特异度(Specificity)、精确率(Precision)及F1分数(F1-score)评估。

5. Discussion（讨论）

5.1 Data Validation and Statistical Characterization（数据验证与统计表征）：Levene检验显示多数电压下LC方差不齐，故联用ANOVA与Kruskal–Wallis检验；结果显示所有绝缘子类型在不同电压下三组覆冰态LC差异具统计显著性(p<0.05或p<0.001，硅橡胶最显著)，证实覆冰程度对LC特征影响明确，支撑后续以LC频域特征分类的合理性。

5.2 Performance Evaluation and Comparative Analysis of CNN Architectures（CNN架构性能评价与比较）：所提CNN对玻璃与硅橡胶各工况准确率97.78%~100%；瓷绝缘子除50 kV–3U降至82.22%外均>90%——该严苛工况下载流大、重度覆冰使微覆冰与覆冰频谱图类间可分性下降。对比实验中AlexNet/GoogLeNet/ResNet-50在瓷绝缘子最差仅73.33%~77.78%，所提模型在相同条件下达82.22%，综合泛化性更优。训练/验证曲线显示模型收敛稳定。

结论(Conclusions)部分总结翻译：

本研究基于玻璃、瓷及硅橡胶绝缘子覆冰表面泄漏电流数据建立数据集，提出用于三类覆冰状态(无冰、轻微覆冰、覆冰)分类的含Residual-Inception块的CNN架构。通过改变绝缘子材质、单元数与施加电压获取多样LC信号以增强模型鲁棒性。统计结果表明LC特性受电压、绝缘子类型及单元数共同影响，需多元分析方法。对LC信号先施加Butterworth低通与滑动平均两级滤波，再通过STFT转换为频谱图输入CNN。结果显示，相比AlexNet、GoogLeNet和ResNet-50，所提架构对瓷、玻璃及硅橡胶绝缘子分类准确率分别最高提升约13.34%、15.56%和13.33%。研究证明基于泄漏电流频谱图与深度学习方法可有效、可靠地检测绝缘子覆冰状况，为今后脱离实验室环境开发覆冰早期预警系统奠定基础。