引用本文
管子然, 胡聪, 石俏, 吴慧峰, 何文峰. 激光诱导击穿光谱技术的绝缘子污秽等级远程分析方法研究[J]. 光谱学与光谱分析, 2025,45(9): 2563-2568.
GUAN Zi-ran, HU Cong, SHI Qiao, WU Hui-feng, HE Wen-feng. Study on Remote Analysis Method of Insulator Contamination Grades Based on Laser-Induced Breakdown Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2025,45(9): 2563-2568.
Doi:10.3964/j.issn.1000-0593(2025)09-2563-06  
Permissions
Copyright©2025, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
激光诱导击穿光谱技术的绝缘子污秽等级远程分析方法研究
管子然, 胡聪, 石俏*, 吴慧峰, 何文峰
广东电网有限责任公司佛山供电局, 广东 佛山 528000
*通讯作者 e-mail: 825237400@qq.com

作者简介: 管子然, 1989年生,广东电网有限责任公司佛山供电局工程师 e-mail: 1006882983@qq.com

收稿日期: 2025-01-13 修回日期: 2025-05-27 接受日期: 2025-05-27
基金: 创新科技资金项目(GDKJXM20230903)资助
摘要

绝缘子是输电线路中的重要部件, 尤其是在特高压线路中发挥支撑和绝缘的重要作用。 然而, 随着各种工业粉尘、 烟尘等污秽在绝缘子表面附着堆积, 引起绝缘子的绝缘性能下降, 易诱发输电线路污秽闪络, 造成重大损失, 因此, 对输电线路绝缘子污秽等级的判别是输电系统安全可靠运行的一项重要任务。 激光诱导击穿光谱技术(LIBS)是一种元素原位快速分析技术, 具备无需取样、 现场分析及远程遥测等特点。 以人工污秽为分析对象, 开展了玻璃绝缘子表面污秽样品等级的LIBS原位远程遥测判别方法研究。 基于远程LIBS新装置, 在测试距离2 m, 激光器输出能量 50 mJ, 激光器频率 20 Hz, 光谱仪积分时间2.0 s, 延时时间2.0 μs的工作条件下, 实现了对人工污秽中Mg, Si, Al, Ca, Na等元素的定性分析, 污秽中Na元素谱线强度与污秽等值盐密之间呈现良好的线性关系。 基于所获得LIBS光谱中Mg、 Na、 Al等代表性盐类的特征谱线, 以主成分分析(PCA)和K-近邻算法(KNN)算法分别完成了对人工污秽等级的聚类判别, 其中KNN分类模型准确度为94.4%, 精确率为93.7%, 模型召回率为96.4%。 该研究表明, LIBS技术可实现绝缘子表面污秽多元素成分的远程遥测原位分析, 进一步结合机器学习算法可实现对污秽等级的直接判别。 本工作可为后续深入研究LIBS技术服务电力行业的原位分析应用, 开发针对性的配套分析仪器设备提供方法学支撑。

关键词: 激光诱导击穿光谱; 远程遥测; 污秽等级; 绝缘子; 元素分析
中图分类号:O657.38 文献标志码:A
Study on Remote Analysis Method of Insulator Contamination Grades Based on Laser-Induced Breakdown Spectroscopy
GUAN Zi-ran, HU Cong, SHI Qiao*, WU Hui-feng, HE Wen-feng
Foshan Power Supply Bureau of Guangdong Power Grid Co., Ltd., Foshan 528000, China
*Corresponding author
Abstract

Insulators are critical components in transmission lines, playing a vital role in supporting and insulating, especially in ultra-high-voltage (UHV) transmission lines. However, the accumulation of industrial dust and other pollutants on the surface of insulators leads to a decline in insulating performance, which can trigger contamination flashover and cause significant damage to the transmission system. Therefore, monitoring the contamination level of transmission line insulators is a key factor in ensuring the safe and reliable operation of the power grid. Laser-induced breakdown spectroscopy (LIBS) is an in situ, rapid elemental analysis technique that offers the advantage of on-site, non-destructive analysis without requiring sample preparation. The remote sensing capability is one of the distinctive strengths of LIBS. In this study, artificial contamination was used as the target for analysis. A novel remote LIBS analyzer was used to conduct remote analysis of the elemental composition and contamination levels of glass insulator surfaces. A novel in-situ, rapid analytical method for determining the contamination level of insulators using remote LIBS was established. In the experimental process, under working conditions of a 2-meter testing distance, a laser energy output of 50 mJ, a laser frequency of 20 Hz, an integration time of 2.0 seconds, and a delay time of 2.0 μs, effective qualitative determination of elements such as Mg, Si, Al, Ca, and Na in artificial contamination was achieved. The quantitative analysis revealed a good linear relationship between the Na intensity in the contamination and the equivalent salt density. This indicates that the remote LIBS analyzer has a strong spectral response to Na in the contamination. Using the characteristic spectral lines of soluble salts, such as Mg and Na, obtained from the LIBS spectra, principal component analysis (PCA) and K-nearest neighbors (KNN) algorithms were employed to cluster and distinguish contamination levels effectively. The KNN classification model achieved an accuracy of 94.4%, a precision of 93.7%, and a recall of 96.4%, demonstrating its high effectiveness in identifying contamination levels. This study demonstrates that remote LIBS can achieve in-situ multi-element analysis of contamination on insulator surfaces. Combined with machine learning, it enables direct recognition of contamination levels. This provides methodological support for the further development of LIBS technology in power industry applications and the development of targeted analysis equipment for future in-situ applications.

Keyword: Laser-induced breakdown spectroscopy; Remote analysis; Insulator; Contamination grades; Elemental analysis
引言

作为架空输电线路的重要组成部分, 绝缘子在不同电位导体与大地间构筑绝缘体, 起到稳固支撑和良好绝缘的重要作用。 然而, 随工业粉尘、 烟尘、 大气颗粒物等污秽的日积月累, 绝缘子表面极易形成导电水膜, 绝缘性能下降, 导致污秽闪络安全事故发生[1]。 此类绝缘子污秽闪络对电力系统的安全运行危害巨大, 对电力系统的安全稳定运行造成严重威胁, 阻碍着电网行业的跨越发展[2]。 因此, 开展绝缘子表面污秽的监测是保障输电线路安全可靠运行的一个重要任务。

当前, 行业内采用盐密/灰密测试法进行绝缘子污秽度等级的表征, 该方法需检修人员登塔擦取绝缘子污秽, 将其溶解后进行电导率及不溶物称重检测, 通过计算盐密与灰密值确定污秽等级[3]。 该传统方法耗时长且操作误差大[4]。 我国特高压输电线路往往涉及跨省、 跨地区的电力输送, 人工登塔擦取绝缘子串表面污秽作业难度大, 风险性高[5]。 因此, 研究可快速、 准确检测绝缘子表面污秽的新方法、 新装备, 开展可用于现场分析的绝缘子污秽等级的原位判别方法十分必要, 对提高我国电力系统安全以及智慧电网水平也有重要意义。

因具备无需复杂的样品前处理、 可对固体样品直接分析的突出特点, 激光诱导击穿光谱(laser-induced breakdown spectroscopy, LIBS)已在原位元素分析领域展示出卓越的优势[6, 7]。 当前, 针对电力绝缘子的LIBS快速分析方法也有一些文献报道[8, 9], 如LIBS技术结合CARS-PLSR算法已被应用在绝缘子污秽的快速定量检测中[10], 初步证明了LIBS技术对绝缘子污秽成分分析的可行性。 基于类似的实验平台, 芦山等进一步开展了元素定量研究, 发现经过自吸收校正后的LIBS光谱, 对污秽中多种元素定量标曲的线性相关系数均有所提高[11]。 而利用远程LIBS对污秽进行遥测分析更符合未来实际应用需求, 国际上Pabbati等基于远程LIBS实验平台, 研究了不同分析距离及不同时间段下污秽光谱强度的变化[12]。 Fujii等尝试利用远程LIBS实验装置对绝缘子污秽进行分析, 使用内标法补偿测量条件的变化, 进一步得到了用于测量ESDD的标准曲线[13]。 然而, 当前LIBS技术的绝缘子污秽分析仍然以元素成分分析为主, 而对基于远程遥测LIBS系统的污秽等级直接原位判别方法仍值得深入研究。 鉴于此, 本研究聚焦绝缘子表面污秽成分的远程遥测分析, 重点尝试建立远程遥测LIBS直接判别绝缘子人工污秽等级的新方法。

1 实验部分
1.1 绝缘子污秽样品制备

根据国家标准GB/T 4585— 2004《交流系统用高压绝缘子的人工污秽试验》制备人工污秽实验样品。 在进行污秽配置时, 将32.0 g高岭土、 100 mL去离子水与不同含量的氯化钠(NaCl)充分混合并搅拌均匀, 该过程中使用NaCl模拟实际污秽中的可溶性盐, 高岭土模拟实际污秽中的不可溶物。 通过改变NaCl含量调整污秽混合浊液的电导率, 以污秽浊液电导率查表得出污秽的等值盐密, 以不溶物高岭土的质量确定等值灰密, 与盐密数值结合确定所配置人工污秽样本的污秽等级。 配得系列具有不同电导率的污液后, 采用浇注法将污秽液覆盖在绝缘子表面, 待其晾干收集, 从而得到污秽不同等级下的S1— S9九种样本以进行后续分析。 选取2.0 g污秽, 在压片机压力为 1 t 的条件下, 压制成直径为20 mm 的柱状体备用。 每种样本设置三组平行实验组进行统计学分析。 人工污秽样本具体参数如表1所示。

表1 试验样品参数表 Table 1 Parameter list of test specimen
1.2 远程LIBS分析装置

远程LIBS系统光路原理示意如图1(a)所示, 类似的装置在前期研究中已有所报道[14]。 该远程LIBS系统主要包括固体脉冲激光器、 反射式望远镜系统、 光电管、 光谱仪、 延时控制器以及控制系统。 激光器采用Nd:YAG脉冲激光器, 工作波长为基频1 064 nm, 单脉冲能量50 mJ, 脉冲宽度10 ns, 工作频率1~20 Hz可调。 望远物镜口径130 mm, 焦距650 mm, 放大倍率50倍。 实验过程中通过调整镜头焦距实现对不同距离下样品的光谱激发。 采用平面光栅多通道光谱仪收集等离子体发射光谱, 覆盖光谱范围200~850 nm, 光谱仪最大分辨率为0.15 nm。 远程LIBS系统工作时, 激光器发射的脉冲激光, 通过扩束镜、 镀膜反射镜和聚焦镜头将激光聚焦至样品表面, 完成对样品的烧蚀及等离子体激发, 等离子体光沿聚焦光路同轴返回, 通过主反射镜接收, 反射会聚至光纤探头, 进而通过石英光纤耦合进入光谱仪。

图1 远程遥测LIBS实验装置图(a)及绝缘子表面污秽(b)、 压片样本(c)Fig.1 Remote LIBS experimental device (a) and insulator surface contamination (b, c)

实验过程中将待测样品被放置在夹具上, 执行远程LIBS分析。 优化分析条件为: 单脉冲激光能量50 mJ, 激光器频率20 Hz, 光谱仪积分时间2.0 s。 优化系统延时时间后, 选择2.0 μ s作为最佳延时时间开展后续相关实验。 每个绝缘子污秽样品上选取5个不同的点位, 每个点位激发完成后移动至新的点位, 每个样品采集25个光谱数据, 取元素特征峰强度的平均值进行统计分析, 得到的LIBS光谱经过基线扣除, 峰面积拟合及全谱归一化预处理。

1.3 数据处理与判别模型

通过主成分分析(PCA)进行光谱数据降维及无监督聚类, 使用k近邻(k-Nearest Neighbor, KNN)学习对不同等级污秽样品进行有监督聚类。 KNN算法广泛应用于分类与回归问题, 通过选择合适的K值和权重可以提高模型性能。 使用网格搜索进行超参数优化, 通过定义K值的范围和距离度量方法的选择范围, 对超参数空间进行穷举搜索, 进而获得最优的超参数组合。 使用准确度(Accuracy)、 精确率(Precision)、 召回率(Recall)及F1值四个指标, 对运算模型的分类结果进行评估, 计算公式如式(1)— 式(4)所示

Acc=TPTP+FP+TN+FN(1)

Precision=TPTP+FP(2)

Recall=TPTP+FN(3)

F1=2TP2TP+FP+FN(4)

其中TP为真正例, FP为假正例, FN假反例, TN真反例。 Accuracy为所有预测正确的样本占总样本的比例, Precision为预测为真的正例样本与全部预测为正例的样本的比值, Recall为正例样本中预测正确的比值, F1值是精确率和召回率的调和平均值。

2 结果与讨论

对不同污染等级的人工污秽样品进行LIBS分析, 获得污秽中元素光谱如图2所示。 结果显示, 远程LIBS系统对人工污秽样品中的Mg, Si, Al, Ca及Na等元素的发射谱线可以有效激发, 在2 m的工作距离下收集到了信噪比良好的发射谱线[图2(a)]。 调节远程装置焦距, 获得3、 4及5 m不同距离下的Na元素光谱强度变化曲线[图2(b)], 可以看出随着遥测距离的增大, 光谱强度呈现逐渐减弱的趋势, 但5 m 遥测距离下依然可以获得良好的光谱强度。 表2列出了绝缘子人工污秽中所检出的11条代表性特征谱线, 显示了远程LIBS装置对污秽成分的远程遥测定性分析能力。 为考察外部环境对远程遥测过程中光谱的影响, 开展了不同外部光照[图2(c)]及不同环境温度对光谱强度的影响[图2(d)], 初步验证了远程LIBS在复杂环境下的适用能力。

图2 四种等级人工污秽样品(S1, S4, S6, S9)全谱图(a, 遥测距离2 m)、 不同距离下人工污秽中Na的谱线强度变化(b)、 不同外部光照对光谱的影响(c, 遥测距离2 m)、 不同环境温度对Al光谱强度的影响(d, 遥测距离2 m)、 不同人工污秽等级盐密与Na谱线强度定标曲线(e, 遥测距离2 m)及与Al谱线强度(f, 遥测距离2 m)的定标曲线Fig.2 Spectra of pollution samples at four levels (S1, S4, S6, S9) (a, distance: 2 m); LIBS spectral intensities of Na at different distances (b); Influences of different ambient lights (c, distance: 2 m); Effect of different ambient temperatures (d, distance: 2 m); ESDD value vs. Na spectral intensity (e, distance: 2 m) and ESDD value vs. Al spectral intensity (f, distance: 2 m)

表2 人工污秽典型元素特征谱线 Table 2 Characteristic spectral lines of insulator pollution components

进一步地, 提取四种不同污染等级人工污秽样品在585~593 nm波段的光谱图, 随着污秽等级的增加Na元素对应特征谱线588.99和589.59 nm的强度值呈现逐渐增加趋势[图2(e)], 而这种强度增长的趋势, 同污秽污染等级的盐密数值呈现良好对应增长关系, 表明远程LIBS装置对污秽中Na元素含量变化有灵敏的光谱响应。

进一步地对Na元素及Al元素谱线强度与污秽等值盐密的关联关系进行曲线拟合[图2(e)和图2(f)]。 结果显示污秽中Na元素谱线强度与等值盐密之间呈现良好的线性关系(R2优于0.98), 说明远程LIBS装置可以直观的反映所配置人工污秽中盐密与Na元素的关联性, Al元素作为高岭土中的主要元素, 在人工污秽等值盐密模拟的过程中其强度并未表现出递增的趋势, 与ESDD之间的最大线性拟合系数R2为0.826 0, 这表明高岭土中的Al元素并不主要影响人工污秽ESDD值的变化, 然而基于Al元素所形成的化合物又是污秽中不溶物的主要成分, 对污秽的灰密值有贡献, 因此, 在对实际污秽进行等级分类时, Al元素的光谱强度值仍需进行综合考虑。

在利用LIBS光谱数据进行污秽等级识别前, 使用PCA对全谱数据进行降维, 仅保留信息密度高的关键特征, 有利于更准确地识别不同等级的污秽样本。 表3给出了所提取的前十个主成分, 其中前四个主成分的累计贡献率已达到98.02%。 在完成对光谱数据的降维之后, 以前四个主成分开展无监督聚类训练。

表3 主成分分析贡献率和累计贡献率 Table 3 Contribution rate and cumulative contribution rate of PCA

图3(a)为采用PC2, PC3及PC4三个得分的散点聚类图, 结果表明无监督聚类对d等级污秽有较好区分效果, 而a类, b类及c类等级污秽未明显聚集在不同区域。 结合PCA载荷图[图3(b)], 不同元素对污秽等级分类呈现不同贡献, 人工污秽样品中的主成分变化主要由元素Mg、 Al、 Si、 Ca及Na决定, 而PC1主成分的贡献度高达93.59%, 但仅有Al, Ca两种元素谱线体现贡献权重, 这与人工污秽中的这两个元素多以高岭土不溶性化合物存在, 对等值盐密的贡献较低有关。 随光谱中Mg、 Na等可溶性盐类发射谱线的出现, 采用PC2之后的三个主成分提升了对不同污秽等级样本的无监督聚类效果。

在完成对污秽的无监督聚类之后, 以光谱中Al元素的4种谱线和Na元素的2种谱线作为数据集, 进一步开展污秽样品的有监督聚类。 其中以Al元素谱线反映污秽灰密, Na元素反映污秽盐密。 从S1— S9九种样本中各选10组数据组成数据集, 使用留出法对数据集进行划分, 其中训练集样本72个, 预测集样本18个。 在训练集及测试集光谱中, a类, b类, c类及d类四个等级的样品比例控制为2:2:3:2。 使用网格搜索进行KNN分类模型的超参数优化, 选择的超参数为最邻近数据点数量(n_neighbors)和样本的近邻样本权重(weights), 将不同超参数组合输入模型, 模型超参数优化过程如图3(c)所示。 选取准确率最高超参数组合的n_neighbors值为6, weights为距离加权。 引入模型混淆矩阵对模型性能及分类准确性进行分析, 结果如图3(d)所示。 结果显示, 模型评估指标分类准确度为94.4%, 精确率为93.7%, 模型召回率为96.4%, 模型F1值为94.5%, 显示了KNN模型在进行LIBS绝缘子污秽等级分类时的有效性。 对污秽的有监督聚类显示, 该KNN模型对a类, c类及d类等级的绝缘子污秽识别能力较好, 但对b等级人工污秽样本的识别能力仍需提高。

图3 污秽等级聚类PCA 主成分得分散点图(a)、 载荷图(b)、 模型超参数优化过程(c)及KNN模型混淆矩阵(d)Fig.3 PC scores scatter plots (a), loading plots (b), model optimization process (c) and KNN model confusion matrix(d)

3 结论

LIBS技术具备服务电力行业中各类原位分析场景的潜力, 贴合电力行业野外现场的快速高效分析应用需求。 本研究采用远程LIBS装置, 实现了5米距离下的绝缘子表面污秽多元素原位分析, 快速获取了人工污秽中的元素组成信息, 以所获得的丰富元素光谱信息, 通过结合简易的机器学习算法即实现了对人工污秽等级的直接聚类识别。 研究结果显示了远程LIBS对人工污秽等级直接判别的卓越潜力。 然而, 相对于人工污秽而言, 实际绝缘子污秽组成成分及所在环境更加复杂, 更有效的聚类识别及人工污秽配置的配备方法仍需进一步研究。

参考文献
[1] LIU Bo-jiang, YUAN Wei-liang(刘波江, 袁伟亮). Guangdong Electric Power(广东电力), 2023, 36(6): 102. [本文引用:1]
[2] WANG Xiao-xi(王晓希). Power System Technology(电网技术), 2007, 31(22): 7. [本文引用:1]
[3] Sanjana K, Babu M S, Sarathi R. IEEE Access, 2023, 11: 1752. [本文引用:1]
[4] JIN Tao, LU Shan, LIU Xing-ting, et al(晋涛, 芦山, 刘星廷, 等). Electric Power Engineering Technology(电力工程技术), 2022, 41(3): 163. [本文引用:1]
[5] YANG Xin, HU Cong, HE Wen-feng, et al(杨鑫, 胡聪, 何文峰, 等). Instrumentation and Equipments(仪器与设备), 2024, 12(2): 182. [本文引用:1]
[6] LIN Qing-yu, DUAN Yu-xiang(林庆宇, 段忆翔). Chinese Journal of Analytical Chemistry(分析化学), 2017, 45(9): 1405. [本文引用:1]
[7] NIU Guang-hui, ZHANG Ye-jian, LIN Qing-yu(牛广辉, 张业建, 林庆宇). Chinese Journal of Inorganic Analytical Chemistry(中国无机分析化学), 2024, 14(2): 168. [本文引用:1]
[8] CHEN Ping, WANG Xi-lin, HONG Xiao, et al(陈凭, 王希林, 洪骁, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2019, 39(6): 1929. [本文引用:1]
[9] Zhang F, Chen S, Wang T, et al. The Journal of Engineering, 2021, 2021: 408. [本文引用:1]
[10] WANG Nai-xiao, WANG Xi-lin, QIN Xin-ran, et al(王乃啸, 王希林, 覃歆然, 等). Proceedings of the CSEE(中国电机工程学报), 2020, 40(4): 1378. [本文引用:1]
[11] LU Shan, WANG Xi-lin, LIU Xing-ting, et al(芦山, 王希林, 刘星廷, 等). Smart Power(智慧电力), 2021, 49(10): 90. [本文引用:1]
[12] Vinod P, Babu M S, Sarathi R, et al. IEEE Transactions on Industry Applications, 2022, 58(3): 3285. [本文引用:1]
[13] Fujii T, Ono M, Kumada A. IET Conference Proceedings, 2024, 2023(46): doi.org/10.1049/icp.2024.0451. [本文引用:1]
[14] CHENG Jun-jie, CAO Zhi, YANG Can-ran, et al(程军杰, 曹智, 杨灿然, 等). Chinese Journal of Applied Chemistry(应用化学), 2022, 39(9): 1447. [本文引用:1]