吴田, 吴凤, 邱中华, 许国伟, 黎鹏, 朱姝, 颜燕红
钢芯铝绞线(ACSR)长期暴露在恶劣的环境中运行,容易发生严重腐蚀,会影响电网的安全稳定运行,亟需一种快速、无损的导线腐蚀状态检测与智能评估方法。因此,本文采用盐雾腐蚀实验模拟不同服役时长的ACSR,结合扫描电子显微镜(SEM)分析和能量色散X射线光谱技术(EDX)对新导线和腐蚀48 h、168 h、336 h、504 h、720 h、1 080 h和1 440 h的ACSR进行微观形貌观察和元素占比分析,微观分析ACSR的腐蚀过程和近红外光谱特征。并基于近红外光谱技术,采集不同盐雾腐蚀程度ACSR的720组近红外光谱(NIRS)数据,采用原始光谱、标准正态变量变换(SNV)、多元散射校正(MSC)、一阶求导(D1)和非对称最小二乘法(ALS)基线校正5种方法对获得的光谱进行预处理,分别采用最小二乘支持向量机(LSSVM)、随机森林(RF)、偏最小二乘(PLS)、K近邻(KNN)和一维卷积神经网络(1D-CNN)5种机器学习算法建立了ACSR腐蚀程度分类识别模型,调整模型的超参数对模型进行优化,对比分析不同建模方法的分类效果。实验结果表明,近红外光谱技术结合机器学习模型能够有效识别不同腐蚀状态的ACSR,为智能、无损检测和评估输电线路腐蚀程度提供了一种新的思路和技术手段。