基于混合IPSO优化机器学习的聚合物绝缘子在干态和湿态条件下的老化分类

《Swarm and Evolutionary Computation》:Hybrid IPSO-Optimized Machine Learning for Aging Classification of Polymeric Insulators under Dry and Wet Conditions

【字体: 大 中 小 】 时间:2026年09月24日 来源:Swarm and Evolutionary Computation 9.6

编辑推荐:

   • 针对干燥和潮湿条件下的聚合物绝缘子表面老化问题。 • 提出了一种经改进粒子群优化算法(IPSO)优化的XGBoost-MLP混合模型。 • 利用UMAP和置换重要性方法选取10个关键漏电流特征。 • SHAP和LIME分析表明,PSD均值和能量在老化预测中占主导地位。

  

• 针对干燥和潮湿条件下的聚合物绝缘子表面老化问题。
• 提出了一种经改进粒子群优化算法(IPSO)优化的XGBoost-MLP混合模型。
• 利用UMAP和置换重要性方法选取10个关键漏电流特征。
• SHAP和LIME分析表明,PSD均值和能量在老化预测中占主导地位。

## 引言

复合绝缘子是户外输电线路的重要组成部分。与非复合绝缘子相比,它们具有诸多优势,如机械强度提高、耐污性能更强、重量更轻,以及在潮湿环境下表面具有疏水性[1]。然而,当机械、电气和环境载荷耦合作用时,其聚合物基体的疏水性会受到损害,导致表面侵蚀、电蚀痕和闪络[2,3]。当前的状态评估技术主要依赖于视觉评估[4]、红外热成像[5]以及漏电流(LC)阈值报警监测[6]。虽然这些技术能够识别潜在危险,但无法量化不同污染水平下的生存概率,无法估计失效时间(即故障预测),也无法根据动态风险评级来优先安排维护工作。

绝缘子状态监测已成为电力系统中减少停电事故、提高整体可靠性的一个重要方法。文献中广泛讨论了用于评估绝缘子健康状况的多个关键指标,包括闪络电压和漏电流(LC)特征[2,[6],[7],[8]]、漏电流中谐波分量的比值[8,9]以及漏电流的幅值[8]。此外,还采用了不同的技术和诊断工具来评估绝缘子状态。例如,文献[10]采用基于光学的方法来监测绝缘子的电场。文献[11]的作者利用超声波技术在标准运行电压(60和70 kV)下监测绝缘子串,文献[12]采用声学故障检测技术,文献[13]采用无人机成像技术。已有部分研究探讨了环境对漏电流行为的影响。实验研究已经揭示了污染严重度和相对湿度对漏电流波形和相位角的重要性[9],因此,可通过相位角分析来估计瓷质和聚合物绝缘子表面的湿润程度[14]。在洁净雾室中进行的实验也得出了类似结果,表明在均匀和非均匀污染条件下,硅橡胶(SiR)绝缘子的漏电流幅值均随盐密(SDD)的降低而减小。然而,进一步研究表明,相位角指数是评估均匀污染条件下未经老化瓷质和玻璃绝缘子状态的有用方法[15]。研究发现漏电流与施加电压之间的相位差与表面状态具有很强的相关性[13]。此外,建议将谐波比与相位角测量相结合作为状态监测的良好方法,该方法可能提供更多的诊断能力[16]。污染层的影响也已被研究,绝缘子不同裙段的厚度差异、分布差异以及电导率差异在很大程度上都会影响漏电流特性[17]。

从漏电流(LC)信号中提取了时域和频域的各种指标来评估绝缘子的物理状态。这些指标按照对应不同绝缘子状态的区间进行了分组[18,19]。所提出指标的有效性表明,这些指标在检测绝缘子表面污染程度方面均具有重要作用。先前研究[20]和[21]还研究了清洗过程对漏电流行为和绝缘子表面状态的影响。其他研究则考察了使用传感器和先进检测方法监测漏电流的可行性。这些研究的目标是提供一种可靠准则,以辅助制定高效的绝缘子维护策略[[22],[23],[24],[25]]。

研究人员提出了多种基于人工智能(AI)的方法,利用漏电流来识别绝缘子状态并分类不同的运行工况[[26],[27],[28],[29],[30],[31],[32]]。已采用混合方案来获得更准确的数据采集,例如[25,31]。同时,已有报道使用人工神经网络(ANN)来预测不同扇形污染分布下的漏电流特性[17]。部分研究还致力于利用长期环境数据记录来实时预测正常运行期间的漏电流[33]。此外,先进的深度学习方法已被应用于外部绝缘表面的远程精确污染测量。在一项研究中,以11 kV瓷盘绝缘子为目标对象,创建了热成像数据集来识别不同类型的绝缘子表面状态[34]。最近,Barbosa等人[28]利用漏电流特征将机器学习模型应用于通过等效盐密(ESDD)预测污染严重度,取得了高精度。同样,决策树聚类(DTC)也被证明可结合基于红外图像的特征来给出污染等级,准确率高达91.64%[35]。

其他研究人员利用机器学习和深度学习算法,基于漏电流及其特征来评估聚合物绝缘子的状态,包括污染严重度、疏水性和老化程度。这些方法表明机器学习在评估老化和重度污染的样品方面具有广阔前景[36]。在另一项研究中,作者利用漏电流对污染严重度进行分类,在估计污染程度方面取得了较高的准确率[27]。早期尝试估计漏电流时依赖于线性和非线性回归技术。然而,这些方法在适用性方面存在局限,因为它们在短期内表现可靠,但对回归系数的变化很敏感。相比之下,基于机器学习的回归方法已被证明更为稳健,因为它们能有效建模输入变量与输出之间的复杂关系,特别是在涉及大型数据集时[37]。

尽管对老化聚合物绝缘子的特性进行了大量研究,但针对不同类型老化和污染条件下绝缘子状态分类的研究相对较少。例如,Fan Yihan和Guo Yujun利用分段主成分分析和随机森林(SPCA-RF)[38]、IPCA-SVM [39]以及IDBO-BiGRU [40]模型,基于高光谱成像(HSI)技术对SiR聚合物绝缘子进行了分类。然而,这些研究使用了酸性溶液加速老化的方法,即硝酸(HNO3)和硫酸(H2SO4),以及湿热方法来模拟环境效应,而非使用自然老化样品。傅里叶变换红外光谱(FTIR)特征也被用于在[41,42]中对聚合物绝缘子的老化等级进行分类,报道称FTIR数据集成功地对聚合物绝缘子的老化状态进行了分类,准确率超过0.95。然而,FTIR分析也存在局限性,例如其对表面变化较为敏感、可能受到污染物干扰以及需要专家解读,这可能限制其在全面评估聚合物绝缘子整体老化状态方面的有效性。此外,Khodsuz和Masume在不同应力条件下对完全老化和非对称老化的聚合物绝缘子进行了分类[36]。然而,绝缘子是经过紫外和电应力加速老化的。虽然一些研究人员过去曾分析过自然老化绝缘子,但基于机器学习方法的评估仍然有限,需要进一步研究。表1列出了代表性的基于漏电流的聚合物绝缘子老化评估研究对比,因为这些研究与本工作最为相关。表1还扩展包括了采用替代传感模态的最新研究,包括上述的高光谱成像、多光谱成像和FTIR光谱,以提供更广泛的研究背景概览。这一进展凸显了,尽管已有重大进展,但在多种环境条件下利用漏电流测量对自然老化聚合物绝缘子进行智能分类方面仍存在差距。

为弥补这一差距,本文专注于研究并分类干燥和潮湿条件下高压聚合物绝缘子的老化状态,采用一种可解释的优化混合建模方法(XGBoost-MLP),利用所测绝缘子的漏电流特征。进行了多项实验以采集绝缘子数据集。采用基于IPSO的优化算法来调整模型的超参数。使用UMAP技术将高维数据转换为低维空间,同时保留数据的基本结构和关系,从而改进所提出的模型。将所提出的模型与另外四种模型进行比较,以展示所提出模型的分类准确率性能。此外,为证明IPSO在超参数调整中的有效性,还将IPSO与PSO、GWO、IGWO和GA等四种算法进行了比较。所提出的IPSO-XGBoost-MLP模型以高精度有效地分类了聚合物绝缘子的状态。它为评估输电线上绝缘子的性能提供了稳定高效的框架,特别是在沿海环境中。该模型通过分析漏电流(LC)波形和频率特征,能够准确预测复合绝缘子的老化情况。本工作的主要贡献总结如下:

1. 从干燥和潮湿环境条件下自然老化的高压聚合物绝缘子构建了全面的实验漏电流数据集,为老化评估提供了可靠基础。
2. 开发了一种经过优化且可解释的XGBoost-MLP混合框架,整合了基于IPSO的超参数优化、基于UMAP的特征变换以及SHAP/LIME可解释性方法,以实现精确的老化分类。
3. 采用四折留一绝缘子每类交叉验证(LOIPCO)评估方案,提供了与绝缘子独立的模型评估,并评估了所提出框架在未见绝缘子上的泛化性能。
4. 通过将所提出框架与多种机器学习模型和优化算法进行基准测试,并分析干燥和潮湿运行条件对绝缘子老化评估的影响,进行了全面的对比评估。

所提出的评估框架揭示了老化机制从早期疏水性丧失到通过增加漏电流加速表面退化的转变。本研究能够解释硅橡胶的各种电气退化现象,并通过捕获环境应力下表面的变化,成为实时评估运行老化状态的有力、无损依据。

## 章节摘要

### 所提框架概述

本研究提出了一种混合框架,集成统一流形近似与投影(UMAP)、XGBoost-MLP集成学习以及改进粒子群优化(IPSO)算法,用于对复合绝缘子的老化等级进行分类。所提模型的整体框架如图1所示。该方法进行了五个主要阶段以实现所提框架,如图1所示。

### 统一流形近似与投影(UMAP)

为直观地对比展示老化样本……

### 样品制备

为利用漏电流和闪络电压等电气特性评估污染条件下老化聚合物绝缘子的状态,共测试了28个11 kV SiR绝缘子样品,具有7个老化等级和14个状态-老化类别(在干燥和潮湿条件组合的情况下),如表2所示。绝缘子的几何参数和尺寸如图3所示。在此上下文中,Db和Ds分别表示大裙和小裙的直径,

### 数据可视化

获得实验结果后,数据按照上述部分所述进行了排列,并采用上述系统方法提取和选择特征。所提出的模型利用IPSO-XGBoost-MLP进行训练,以三种情况下绝缘子等级分类:干燥、潮湿及两者兼有。UMAP被用于将三种情况下的高维漏电流特征参数映射到低维空间。该方法滤除了不相关或干扰……

## 结论

本文成功开发并验证了一种高效的数据驱动框架,用于在干燥和潮湿老化条件下对电力系统中聚合物绝缘子的表面老化进行分类。为提供更稳健的评估并避免来自同一绝缘子的样品之间的信息泄露,所提出的框架采用四折留一绝缘子每类交叉验证(LOIPCO)方案进行评估,所报告的性能为四折的平均结果。

## CRediT作者贡献声明

Ali Ahmed Salem:写作—审阅与编辑,写作—原稿撰写,可视化,验证,监督,软件,项目管理,方法论,调查,形式分析,概念构思。Waleed M. Hamanah:写作—审阅与编辑,监督,项目管理,资助获取,形式分析。Salem Mgammal Al-Ameri:写作—审阅与编辑,验证,方法论,调查。

Ali Ahmed Salem | Waleed M. Hamanah | Salem Mgammal Al-Ameri
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号