Identification of XLPE cable insulation defects based on deep learning

The insulation aging of cross-linked polyethylene(XLPE)cables is the main reason for the reduction in cable life.There is currently a lack of rapid and effective methods for detecting cable insulation defects in power-related sectors.To this end,this paper presents a method for identifying insulation defects in XLPE cables based on deep learning algorithms.First,the principle of the harmonic method for detecting cable insulation defects is introduced.Second,the ANSYS software is used to simulate the cable insulation layer containing bubbles,protrusions,and water tree defects,and the effects of each type of defect on the magnetic field strength and eddy loss current of the cable insulation layer are analyzed.Then,a total of 10 characteristic quantities of the total harmonic content and 2nd to 10th harmonic currents are constructed to establish a database of cable insulation defects.Finally,the deep learning algorithm,long short-term memory(LSTM),is used to accurately identify the types of insulation defects in cables.The results indicate that the LSTM algorithm can effectively diagnose and identify insulation defects in cables with an accuracy of 95.83%.

A Simple and Effective Surface Defect Detection Method of Power Line Insulators for Difficult Small Objects

Insulator defect detection plays a vital role in maintaining the secure operation of power systems.To address the issues of the difficulty of detecting small objects and missing objects due to the small scale,variable scale,and fuzzy edge morphology of insulator defects,we construct an insulator dataset with 1600 samples containing flashovers and breakages.Then a simple and effective surface defect detection method of power line insulators for difficult small objects is proposed.Firstly,a high-resolution featuremap is introduced and a small object prediction layer is added so that the model can detect tiny objects.Secondly,a simplified adaptive spatial feature fusion(SASFF)module is introduced to perform cross-scale spatial fusion to improve adaptability to variable multi-scale features.Finally,we propose an enhanced deformable attention mechanism(EDAM)module.By integrating a gating activation function,the model is further inspired to learn a small number of critical sampling points near reference points.And the module can improve the perception of object morphology.The experimental results indicate that concerning the dataset of flashover and breakage defects,this method improves the performance of YOLOv5,YOLOv7,and YOLOv8.In practical application,it can simply and effectively improve the precision of power line insulator defect detection and reduce missing detection for difficult small objects.

Photon counting technique as a potential tool in micro-defect detection of epoxy insulation pull rod in gas-insulated switchgears

The micro-defects in epoxy-based insulation materials generate a local high electric field which results in continuous degradation,seriously endangering the insulation system of gas-insulated switchgears.A highly sensitive detection technique is reported for micro-defects of insulation pull rods based on the photon counting(PC)technique.The re-sults demonstrated that for an epoxy-based insulation pull rod,the photons released during electroluminescence and ionisation at 2 kV,which is less than the partial discharge inception voltage,can be clearly detected.The findings presented a strong correlation between photon counts and defect severity.Discourse has been conducted to elucidate the mechanism behind defect-induced PC,employing the amplification of ionising luminescence through electric field distortion induced by micro defects and the augmentation of electroluminescence through the aggregation of trap charge.In this regard,the authors verified that PC can serve as a potential tool in the detection of micro-insulation defects,which also has huge potential in online insulation condition monitoring.

Intelligent identification method of insulation pull rod defects based on intactness-aware Mosaic data augmentation and fusion of YOLOv5s

The authors introduce the intactness-aware Mosaic data augmentation strategy,designed to tackle challenges such as low accuracy in detecting defects in insulation pull rods,limited timeliness in intelligent analysis,and the absence of a comprehensive database for information on insulation pull rod defects.The proposed strategy incorporates the YOLOv5s algorithm for detecting defects in insulation pull rods.Initially,the YOLOv5s network was constructed,and a dataset containing photos of insulation pull rods with white spots,fractures,impurities,and bubble flaws was compiled to capture images of defects.The research presented a data enhancement approach to improve the images and establish a dataset for insulation pull rod defects.The YOLOv5s algorithm was applied for both training and testing purposes.A comparative analysis was conducted to assess the detection performance of YOLOv5s against a conventional target detector for identifying defects in insulation pull rods.Furthermore,the utility of Mosaic's data augmentation technique,which incorporates intactness awareness,was evaluated to enhance the accuracy of identifying insulation pull rod defects.The research findings indicate that the YOLOv5s algorithm is employed for intelligent detection and precise localisation of flaws.The intactnessaware Mosaic data augmentation strategy significantly improves the accuracy of detecting faults in insulation pull rods.The YOLOv5s model used achieves a performance index mAP@0.5:0.95 of 0.563 on the test set,distinct from the training set data.With a threshold of 0.5,the mAP@0.5 score is 0.904,indicating a substantial improvement in both detection efficiency and accuracy compared to conventional target detection methods.Innovative approaches for identifying defects in insulation pull rods are introduced.

An Experience of On-site PD Testing for Condition Monitoring of an 11 kV PILC Cable Insulation System

A cable circuit of a substation in the United Kingdom showed high level of PD activities during a survey using hand hold PD testing equipment. The authors were invited to carry out on-site PD testing experiment to further diagnose and locate the potential problem of the cable system. This paper presents the experience of the present authors carrying out the cable test. Following a brief introduction to the experiment equipments and physical connections, the paper analyses the data collected from the testing, including PD pulse shape analysis, frequency spectrum analysis and phase resolved PD pattern analysis. Associated with PD propagation direction identification, PD source diagnosis and localisation was made. Four different types of sensors, which were adapted during the testing, are shown to have different frequency bandwidths and performed differently. Aider comparing the parameters of the sensor and the PD signals detected by individual sensor, optimal PD monitoring bandwidth for cable system is suggested.

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。

基于局部特征深度信息的绝缘子小样本缺陷检测

基于深度学习的目标检测技术已广泛应用于绝缘子缺陷检测中,然而现有目标检测算法主要基于大量缺陷样本训练网络模型,无法对少样本缺陷进行准确识别。针对绝缘子缺陷检测过程中缺陷样本量不足的问题,该文提出了一种基于局部特征深度信息的绝缘子小样本缺陷检测方法。首先采用旋转目标检测网络改进Faster R-CNN(faster region-based convolutional neural network)模型提取绝缘子串区域,然后对绝缘子串特征进行划分,提取绝缘子串局部特征并基于深度推土距离(deep earth mover’s distance,Deep EMD)网络实现小样本缺陷检测。实验结果表明,在玻璃绝缘子自爆缺陷检测中,所提出方法采用2张训练样本可取得与现有目标检测方法 200张训练样本相同的效果,采用10张训练样本的绝缘子自爆检测在与真值框的交并比阈值为0.5至0.95之间的平均精度(mean average precision,mAP)达到0.65,该方法为小样本电力设备缺陷智能化检测提供了新的方法和思路。

基于深度学习的输电线路绝缘子故障检测方法

针对航拍巡检高压输电线路上绝缘子目标易受复杂背景和部分遮挡影响,造成传统算法难以准确检测的问题,建立了一种基于改进YOLOv5的输电线路绝缘子检测模型。首先,利用GA+K的检测框优化算法对选择的模型进行改进,来提高识别精度;然后,在YOLOv5算法框架中融合CBAM模块来提升图像中故障目标区域的显著度;其次,采用高斯函数改进YOLOv5中的非极大值抑制方法,提高对遮挡目标的识别准确率;最后利用辽宁某电网公司提供的无人机巡检图像制作数据集,并将所提算法与4种经典目标检测算法进行比较。试验结果表明,相比于4种对比算法,该算法能够在保证较高检测精度的同时具有较好的实时性,并且平均检测精度可以达到95.1%,每张图片的检测时间为0.04 s,兼具目标检测的准确性和实时性。

IDD-YOLOv7:一种用于输电线路绝缘子多缺陷的轻量化检测方法

YOLO目标检测算法是当前基于图像的输电线路绝缘子缺陷检测的主流方法,然而现有模型复杂度较大,亟需合理有效的参数压缩方法作为前提条件,来为解决无人机边缘设备部署的困境问题奠定基础;同时,无人机航拍的绝缘子缺陷图像背景复杂、缺陷尺寸较小,容易出现误检、漏检等问题。为此,提出了一种用于输电线路绝缘子多缺陷检测的Insulator Defect Detection-YOLOv7(IDD-YOLOv7)模型,以降低模型复杂度,提高模型鲁棒性。首先,在多尺度特征融合的过程中加入坐标注意力(Coordinate Attention)机制,抑制复杂背景的干扰,提升模型对小目标的全局感知能力;之后,设计C3GhostNetV2模块,用于捕获不同空间像素之间的远程依赖性,在增强模型表达能力的同时降低模型的参数量和浮点运算量;最后,提出Focal-CIoU损失函数,提高模型高质量anchor的贡献,加快模型的收敛速度。实验结果表明,本文方法与基线模型相比mAP^(50)提升了3.8%,查准率和召回率分别提升了1.7%和7.6%,参数量和浮点运算量分别下降了18.3%和14.0%,绝缘子自爆、破损、闪络缺陷的AP^(50)分别提升了0.8%、4.5%、6.3%。

恒压下GIS固体绝缘界面气隙缺陷放电严重程度评估

为了研究GIS绝缘子界面气隙缺陷的放电发展过程,文中设计了空洞气隙缺陷模型,搭建了一套GIS气隙缺陷放电长期测试平台。基于缺陷模型的击穿电压对带有缺陷的试品施加90%Ub、60%Ub、30%Ub的交流恒压,使用UHF检测系统采集放电数据直至试品击穿。提取放电次数、放电幅值、放电时间间隔分析放电状态特征,发现GIS气隙缺陷放电发展过程存在两个阶段,前期放电幅值缓慢增大,放电脉冲逐渐稀疏,放电发展较为平稳;后期放电幅值急剧减小,放电脉冲密集,放电发展剧烈,采用k⁃means聚类算法及BP神经网络建立了气隙缺陷局放发展阶段的划分规则。研究表明,放电次数、放电幅值、放电时间间隔3种统计参量呈现阶段式单调性的趋势,可以用3种统计参量前向差分绝对值作为特征参量来评估GIS气隙放电严重程度;对GIS恒压试验进行聚类分析将放电过程划分为平稳劣化阶段和加速劣化阶段,随着外施电压水平的降低,平稳劣化阶段被压缩,加速劣化阶段占比升高。

基于多尺度特征融合的绝缘子缺陷程度检测

针对绝缘子不同程度缺陷特征相似、像素信息少、不同程度缺陷检测效果不佳的问题,提出了一种基于多尺度特征融合的绝缘子缺陷程度检测网络(multi-scale feature fusion defect degree detection network,MFFD3Net)。该网络采用重构的ResNeSt50架构提高了对绝缘子缺陷程度数据集的特征提取能力。设计了基于反卷积的多尺度特征融合模块,丰富了不同尺寸特征图的表达能力,提高了对不同尺度目标的检测性能。同时,在输入检测模块的浅层特征图后增加多感受野的特征提取模块(receptive field block,RFB),使得更多绝缘子缺陷信息进入有效感受野,对最终特征图产生影响,提升不同程度绝缘子缺陷的检测精度。MFFD3Net在绝缘子缺陷程度数据集上的全类平均精度达到85.02%,其中绝缘子轻微破损与绝缘子轻微闪络小目标的检测精度分别为78.37%、79.98%,能够完成不同程度绝缘子缺陷的识别与定位。因此,该文提出的MFFD3Net对于完善电力系统故障预警、保障电网安全稳定运行具有重要意义。

基于多层融合振动数据分析的GIS设备机械缺陷诊断方法研究

气体绝缘金属封闭开关设备(gas insulated metal enclosed switchgear,GIS)机械缺陷是导致设备故障的重要因素,针对单测点、单证据机械缺陷诊断模型信息缺失和精度不足问题,该文提出一种多层融合振动数据分析的GIS设备机械缺陷诊断方法。首先,基于真型GIS设备振动模拟平台试验研究测点位置与缺陷类型对振动行为的影响特性;然后,联合统计分析、模态分解、尺度变换方法提出机械振动信号整体与局部信息关注的复合参数分析方法,引入主成分分析开展多测点振动信息的特征层融合降维;最后,提出改进放缩权重的Dempster-Shafer(DS)证据理论和Bagging投票机制的强/弱基学习器决策层融合机制,联合构建多层融合振动数据分析的GIS设备机械缺陷诊断模型。结果表明:不同类型机械缺陷信号的响应幅值、特征频点和畸变程度存在显著差异,复合特征参量大小及分散程度各不相同;同时,测点位置对缺陷信号的复合振动特征参量的表现形式及分布区间也具有一定影响;基于多层融合数据分析的诊断模型实现缺陷有效识别,辨识准确率为98.66%,相比单一分类器诊断效果提升5.83%。该文可为GIS设备机械缺陷诊断方法提供有价值的参考。

基于自适应阈值分割的动车组辅助供电系统单芯动力电缆故障定位方法研究

单芯动力电缆是动车组辅助供电系统能量传输通道之一,其故障后准确定位对检修具有重要意义。当前,电缆故障定位使用较为广泛的方法为时频域反射法,但在对反射信号进行时频分析过程中,产生的交叉项是制约定位准确度的重要原因。为此提出一种基于自适应阈值分割的Wigner-Ville变换方法:在70 m长的电缆样品中设置低阻、高阻、开路和短路四种缺陷故障样本,对时频域法检测到的信号使用Wigner-Ville变换进行时频分析,说明原始Wigner-Ville变换产生交叉项的原因,并据此提出基于自适应阈值分割的Wigner-Ville变换方法,解决交叉项干扰问题;将本文方法与当前交叉项抑制方法进行测试效果对比。结果表明:提出的基于自适应阈值分割的Wigner-Ville变换方法可以有效消除交叉项,且对于单个缺陷故障和多个缺陷的电缆均可适用;对于所设置的单个缺陷故障位置的定位误差均小于0.80%,对于双缺陷故障检测结果的定位误差小于0.40%,验证了本文方法的有效性。

GIS多频振动信号产生机理及实验研究

当前国内外对气体绝缘金属封闭开关设备(gas insulated metal enclosed switchgear,GIS)的异常振动,尤其是引发振动的激励源、多频振动产生机理等问题缺少实质性研究进展。首先,建立受力模型,研究引发GIS振动的激励源,得到引发分箱型GIS振动的力源值,并指出正常运行状态,三相母线间电动力是主频振动的主要激励源。触头接触不良将导致触头斥力合力增大,地脚螺栓松动将导致系统固有频率的变化,影响非线性振动响应频谱特征;然后,将GIS按照薄壁圆柱壳进行研究,计算GIS壳体多阶固有频率,建立有效的非线性振动方程,首次利用解析方法揭示非线性GIS系统多频振动信号的产生机理;最后,研制成功振动信号采集系统,在550 k VGIS产品上设置典型机械缺陷,经实验验证,系统激发出的振动响应幅值极值点及频率与理论分析结果一致。论文的研究成果可为GIS机械缺陷的检测及诊断提供一定的支持和参考。

TSV阵列在温度循环下的晶格变化对电学性能影响的研究

针对TSV(Through Silicon Via,硅通孔)热机械可靠性较差且其结构特性变化对电学性能影响情况不明的问题,基于一种TSV阵列叉指电极对样品开展了-55~125℃的温度循环试验,测试了温循后阵列电极的电学性能与边界绝缘性能变化,跟踪测试了TSV铜柱的几何尺寸变化,对比分析了试验前后TSV结构的形貌和晶格特性等衍化规律。结果表明,温度循环载荷导致了TSV-Cu晶粒向上生长、铜柱体积变大、微观结构缺陷产生以及电学性能退化;此外,还定量地构建了晶格特性变化对TSV阵列电极电学性能影响的关系架构,具有一定的工程意义。

基于改进YOLOv8的电缆复合绝缘结构内部缺陷太赫兹成像识别方法

电缆及其附件在制造和运行过程中容易产生内部缺陷,严重危害供电系统的安全。针对传统电缆复合绝缘结构内部缺陷检测方法的局限性,提出一种基于太赫兹时域光谱成像的目标识别检测方法。以交联聚乙烯电缆接头为研究对象,首先通过等效简化,制作了含分层与金属杂质缺陷的电缆接头等效试验模型;然后分别对含缺陷的人工模型进行太赫兹频域成像和吸收谱成像检测,得到了相应的成像结果;最后,基于上述成像结果,采用改进型YOLOv8模型对不同缺陷图像进行分类识别,结果显示改进后的YOLOv8对电缆接头内部缺陷的检测精确度达到99.8%,联合交叉为0.5时的平均精确度达到99.5%,结果相较于传统方法显著提升。该文所提方法有助于将太赫兹检测技术和目标检测算法推广到对电缆复合绝缘结构内部缺陷的无损可视化检测,可有效辨别电缆复合绝缘内部存在缺陷类型和位置,并可推广至其他层状复合绝缘结构的内部缺陷检测。

环氧复合绝缘内部缺陷超声自动检测系统

环氧复合绝缘子密度不均匀和内部集中缺陷严重威胁着气体绝缘金属封闭开关设备(gas insulated metal-enclosed switchgear, GIS)的安全运行,目前超声检测方法存在缺陷检测不直观、效率低等问题。针对此,基于超声反射原理研制环氧复合绝缘材料内部缺陷超声自动成像系统。首先采用小波分析对非重复性超声回波信号进行降噪;然后对回波波形的相邻波峰时间差、电压峰值和电压相邻波峰间的零信号时间进行特征融合识别,得到试样缺陷的位置-超声特征数据集;最后实现环氧复合绝缘缺陷超声自动成像。分别用本文检测系统和传统检测方式对密度不均匀和不同深度、取向裂纹的环氧复合绝缘试样进行检测和对比分析。结果表明:该系统与质量体积法测量的局部密度误差小于4.8%;内部集中性缺陷检测结果和缺陷原貌具有一致性;检测效率较传统人工超声检测提升近6倍。该系统实现了环氧复合绝缘材料的内部集中缺陷和密度不均匀检测的统一,在绝缘子出厂试验和故障分析缺陷定位方面较传统人工检测方式在检测效率和直观性上具有一定优势。

融合注意力机制的改进型YOLOv5绝缘子缺陷故障检测方法

在电力系统巡检过程中,人工巡检方式难度较高,且存在安全隐患,搭载智能算法的无人机平台代替人工进行绝缘子检测的方法前景较好。针对绝缘子缺陷目标检测过程中存在的速度较慢、准确度较低等不足,提出了融合注意力机制的改进型YOLOv5绝缘子缺陷故障检测方法,该方法在YOLOv5s网络中融入压缩与激活(squeeze-and-excitation,SE)注意力模块和卷积块的注意力模块(convolutional block attention module,CBAM),并且将SE注意力模块与网络结构当中的C3模块结合,强化了网络的特征提取能力。通过相关的图像处理方法完成了自建绝缘子数据集的构建,采用了K-means++聚类算法构建自建数据集的先验框,并引入了Mosaic-9数据增强策略,有效解决了训练数据不足难以保证训练效果的问题。实验验证表明,改进后的检测方法,在不影响检测时间的前提下,绝缘子检测的准确度提升了9.7%,对电力系统巡检方法具有一定参考意义。

基于动态蛇形卷积和非跨步卷积的绝缘子缺陷检测

针对复杂场景下绝缘子缺陷检测存在小目标识别困难的问题,提出基于动态蛇形卷积和非跨步卷积的绝缘子缺陷检测方法。首先,算法引入动态蛇形卷积,构造出符合绝缘子特点的特征提取模块,提高对绝缘子及其缺陷的特征提取能力。然后,采用“空间-深度”的非跨步卷积,减少融合过程中的特征丢失。最后,为进一步降低模型复杂度,对模型进行通道剪枝,减少冗余部分。在绝缘子缺陷数据集上进行实验对比,与基准算法相比,绝缘子的破损、污闪以及自爆缺陷的识别率分别提升了5.7%、2.4%和0.8%,改进算法在绝缘子的检测率上提升了0.5%。同时平均精度均值较改进前提升了2.3%,模型大小降低了50.07%。实验结果表明,改进算法在提高绝缘子缺陷小目标检测精度的同时,有效降低了模型大小,对绝缘子缺陷检测的研究具有一定的参考和应用价值。

基于改进YOLOv8算法的绝缘子缺陷检测模型

目前YOLO目标检测算法在绝缘子缺陷检测领域任然是最主流的方法,然而现有的YOLO模型框架参数量庞大导致户外部署难度加大,同时户外拍摄的绝缘子图像背景复杂,其缺陷更是微小导致难以被检测。针对上述问题,本文提出了一种基于YOLOv8n目标检测框架而改进得到的绝缘子缺陷检测模型YOLOv8-GCS,以降低模型的参数量并提高模型的检测精度。首先将模型中的C2f模块换成更加轻量级的Ghost卷积模块,以降低模型的计算量和参数量。然后在主干网络末尾和第二个检测头处加入CoordAtt注意力模块,抑制复杂背景对绝缘子缺陷部位的影响从而提高模型的检测精度。最后再引入一个SPD-Conv模块,让网络模型在二倍下采样的过程中无重要信息的损失同时增强网络模型对重要特征的学习率,进一步提高模型的检测性能。分析实验结果可知,本文算法与基线模型相比mAP50提高了4%,召回率和查全率分别提高了4.7%和1.3%,参数量降低了26.7%,保存结果的权重文件大小降低了1.5 MB,绝缘子破损和闪络缺陷的AP 50分别提高了4%和8.1%。