0.   前言

经济的发展离不开电力的供应，作为电力系统线路上的重要一环，变电站是线路中重要的设备之一，主要用于对电力系统中的电流电压等进行转换，完成电力的输送工作^[1]。变电站接地网主要是将电力系统与大地连通，从而在电力系统故障或者雷电的情况下，对于电流的泄放提供通道，起到稳定电路电位的作用，是电力设备和人员安全的重要保障^[2]。接电网的大部分结构都埋没于地下，其主要的材料一般为镀锌钢，这种材料在长时间的使用过程中，会受到土地的侵蚀和环境的破坏^[3]。土壤对于接地网的腐蚀强度，跟土壤的酸碱度有关，一般情况下，土壤对于接地导体腐蚀率约为2~8 mm。同时，由于操作不当等引起的线路虚焊、电流断路的作用等都会对接电网造成破坏。这些消耗会使得接地网在遇到电力故障时，不能有效进行电流泄放，容易出现事故^[4]。

城市融合型变电站一般与其他建筑临近或者作为其他工商业建筑的一部分，其接地网的安全可靠运行对变电站内部以及周边区域都至关重要，但是城市融合型变电站的接地网一般位于地下20 m以下，并与周边建筑地网相连，不具备开挖检测或者修复的条件，因此展开接地网检测技术对城市融合型变电站地网安全可靠运行具有至关重要的意义。

目前，在变电站接地网络的故障问题方面的研究处于发展阶段，有文献针对变电站接地网络的风险进行分析，利用模糊综合评价法实现对变电站接地网络的风险评价，将评判的分数利用模糊集得到综合性的评价结果，但是此方法只是实现了对变电站的风险等级判断，提出的措施针对性不强，无法从根本上解决接地网络的故障问题^[5]。还有文献针对变电站接地网中土壤的腐蚀强度和酸碱度进行了分析，确定土壤不同的酸碱程度对网络的腐蚀程度，利用BP神经网络算法建立预测模型，根据预测的结果确定阈值及时进行风险防控，但是该方法利用神经网路预测的结果准确性需要不断地验证，若准确率较低的话，直接影响风险防控的效果^[6]。还有研究文献针对变电站接地网络的故障的风险类型进行了分析，明确了网络破损风险是接地网络中普遍存在的形式，对网络故障的发生进行了案例统计，利用物元可拓方法建立了评价模型，得到风险评价等级，但是此方法仅局限在风险的判定阶段，并没有对发生的故障提出有效的防控对策^[7]。

同时，对于变电站接地网络故障的监测也有部分研究成果，有研究文献利用物联网监测手段，融入边缘计算方法对影响变电站接地网络故障的因素进行实时监测，通过预警系统及时对风险进行处理，防止损失的扩大化，但是此研究对于故障的处理更多的是属于事后防控，并没有在故障发生前进行风险的有效预测^[8]。还有研究文献将机器学习方法和物联网技术相互结合，利用决策树方法中的C4.5算法将故障进行分类，针对不同类别的变电站接地网络故障问题，提出不同的应对策略，但是此方法的主观性较强，而且缺乏统一的故障处理标准^[9]。

综合现阶段的研究成果可知，传统的变电站接地网络故障分析方法是通过挖开地面，对于故障进行检测，部分研究将机器学习算法和物联网技术应用在故障分析中，但是目前的方法存在针对性不足、成本高、效率低等问题，迫切需要一种不破坏接地网结构的高效检测方式。因此，本研究针对变电站接地网故障的诊断问题，提出了基于改进生成对抗网络的太赫兹层析成像方法。在不破坏原有建筑结构的基础上，利用对抗网络对于接地网的图像进行扩充和重建，利用超分辨率算法对图像进行处理，提高图像的清晰度和对比度，使其故障检测效果大幅提高。

1.   太赫兹层析图像

1.1   太赫兹层析成像原理

太赫兹层析成像技术是利用太赫兹射线对待测物体进行扫描，通过截面的扫描数据获得该物体的一维投影数据，利用数字重建技术，构建出该物体的二维图像^[10]。

层析成像的基本流程为：首先针对不同的投影方向进行分析，获得物体的一维截面投影数据；其次，对投影数据进行傅里叶变换，获得二维图像的傅里叶变换切片；最后对切片进行汇集整理，通过反变换求解该二维傅里叶数据，即可得到重建后的层析图像^[11]。

1.2   太赫兹波动方程

当太赫兹频率的射线穿过一个物体时，该射线的幅度和相位均会随着目标物体的不同而发生调制变化^[12]。

这种物体对于射线的调制，是由于物体的折射率，尤其是复折射率的虚部造成和决定的^[13]。太赫兹射线与目标物体之间的关系符合一定的规则，其分布函数与物体的折射率的关系可以通过Maxwell方程来描述^[14]，用公式可表示为：

式中：E代表模型的期望；r表示空间中目标物体的位置点；c为真空光速；ε(r)和μ(r)分别表示目标材料的复介电常数和磁导率函数。

1.3   扫描成像系统

太赫兹成像系统，由飞秒脉冲激光发出太赫兹射线，射线被分成两个部分，一部分经过太赫兹发射端传递给目标物体，并被接收端所接收，另一部分经过一定的延迟，直接传输至接收端，用于两束射线的对比^[15]。

扫描成像系统主要是利用原子显微镜的原理进行设计分析的，通过对探针与光学检测系统、控制系统等的分析，固定于一根极细的自由端针尖，将激光反射到四象限光电传感器（Four-quadrant photodetector）上，并利用原子间作用力随原子的变化，还原出样品的表面特征和样貌。成像系统将太赫兹波束进行汇集，在成像时表现为1个像素，随着扫描位置的不断变化，可以有效测量目标物体的整体情况，并整合成一幅完整的扫描图像^[16]。太赫兹射线具有穿透能力强的特点，在应用的过程中能够不受遮挡物的限制，因此可以应用于地下网络的故障检测，具有很强的指导意义。

2.   基于改进生成对抗网络的太赫兹层析图像检测技术

2.1   生成对抗网络

生成对抗网络是图像领域的一个重要的里程碑，通过网络的对抗，实现模型参数的快速优化，最终得到可以与真实数据分布相拟合的模型参数，极大促进了图像合成领域的进步^[17]。生成对抗网络（generative adversarial network，GAN）模型主要包括两个部分，分别为生成器和判别器，分别有G和D来表示^[18]。生成器G的作用在于生成数据样本，使其数据分布情况尽量与真实样本接近，从而干扰判别器的判定，使其无法进行真假区分^[19]。而判别器D的工作则是对于这些数据进行努力区分，辨别其是否为真实数据。

对抗网络的核心思想来自于博弈论，生成器G和判别器D两者优化竞争，不断迭代更新，提高自身的能力，直至达到纳什均衡。

生成对抗网络的框架图如图 1所示。

图  1  生成对抗网络框架结构

Figure  1.  Framework structure of generative adversarial networks

下载: 全尺寸图片 幻灯片

根据图 1生成对抗网络的框架结构图可知，在随机噪声向量输入后，通过生成器生成干扰样本，输送到判别器。同时，真实数据也通过判别器提高网络的辨识能力。整体可以看作：生成器G在不断与判别器D的对抗之中，不断优化自身的模型参数，以使得生成的噪声数据分布符合真实数据的分布规则。判别器D中则是通过不断地自身学习，努力判断出生成器G生成的噪声数据，对其加以区分^[20]。判别器D只存在真实数据1和生成数据0两个输出结果，数据在生成的过程中不断提高与真实数据的接近程度，而判别器D则在对抗中，不断提高自身的辨别能力。两者不断地提高和进化，直到判别器D的判断成功率为50%的时候，此时无法完成对于数据的区分时，两者均达到了最佳的状态，模型的优化完成。

对抗生成网络的损失函数可以用公式表示为：

式中：P_data(x)为真实数据的分布情况，x为用于对抗的真实数据；D(x)为真实数据被判断为真的概率；z为数据噪声；P_z(z)为先验分布情况；G(z)为有噪声生成的数据样本；D(G(z))为生成数据样本被判断为真的概率。

2.2   改进生成对抗网络

传统的对抗网络对抗效果并不稳定，训练样本的效率偏低，因此在实际应用的过程中，需要对传统的对抗网络进行改进，形成改进型的生成对抗网络。典型的改进对抗生成网络包括：DCGAN、WGAN、PGGAN等。

对于本文适用的变电站接地网故障检测问题，其实际应用的数据存在一定的不均衡，使得在收集到的数据中，大部分的数据是正常数据，对于异常数据的显示并不明显，从而对于故障检测来说，数据样本过大容易造成资源浪费。

通过对抗性训练实现图像的重建，可以有效提高故障检测的效率。而GANomaly模型是在深度卷积生成对抗网络DCGAN模型的基础上，对其进行了改进。模型主要包括三个部分，主要为生成网络、编码器网络和判别器网络。因此，本文采用的改进生成对抗网络GANomaly模型提高故障检测效果，该模型可以有效利用输入数据图像与生成数据图像间的差异，作为异常的判断依据，并结合编解码的潜在空间差距来完成异常检测。同时，本研究利用跳层连接提升模型检测效率。

生成网络由编码器模块和解码器模块共同组成。两个模块的组合形成一个整体，用于对图像数据进行生成，输入图像数据x通过编码器编码，生成瓶颈特征向量z，有解码器将该瓶颈特征向量重构生成新的图像x′。新的图像x′在第二部分的编码器网络中被再一次编码，得到其图像特征潜在向量z′。z′与z具有相同的维度，从而可以进行一致性比较。通过瓶颈特征能够有效实现对于向量距离的最小化，并可以使用该数据进行异常检测。

判别器网络与原始GAN的判别器类似，通过判断原始图像x和生成图像x′，输出判断结果。算法执行的过程中，不断对于网络模型进行优化，提高重构模型与原始图像的接近程度，理想的结果是重构图像与原始图像没有差别。对于图像的异常数据，使用图像特征潜在向量z′与瓶颈向量z进行判断，通过二者之间的差距，判断数据是否为异常。

差距可以用公式表示为：

同时，通过设置模型的阈值，可以对模型的图像数据是否异常加以判断。

2.3   跳层连接

跳层连接是提高目标异常检测的有效方法，通过连接网络的低层特征与高层特征，提供了目标检测过程中的上下文语义环境。这些信息的获得能够有效提高对于图像特征的获取能力，通过跳层连接的方向传播，可以有效减少图像处理过程中的梯度消失、网络退化等问题，提高数据训练的稳定性程度。

GANomaly网络是以DCGAN对抗网络模型为基础架构，随着网络层数的增加，使得该模型对于图像的细节信息损失增大，会使得生成器重构的图像与原始图像的差距逐渐加大。在解码器中加入跳层处理，实现层之间的直接细心交换，可以有效提高生成图像的精确程度。

在跳层连接的过程中，可以通过提高层次之间的信息连接实现图像生成网络的效果，将重构图像的清晰度和效果与原始图像接近一致。

2.4   损失函数

损失函数的建立可以有效优化对于图像异常数据的判断效率，同时也能够实现网络模型的优化，为了提高对抗训练网络的稳定性，对模型使用特征匹配。定义特征匹配函数f，选定部分原始图像数据，将其输出给判别器D的中间层，利用特征匹配计算该图像数据与生成数据之间的L₂距离，实现对于图像特征的优化。对抗损失可以用公式表示为：

式中：p_x为图像输入数据的分布情况。

对抗损失L_a可以有效提高生成器生成图像的效果，但是对于整个网络学习中的上下文信息帮助不大。因此可以通过增加其他损失函数来处理该方面的问题，通过对于生成图像数据与输入图像数据之间的距离进行评价，能够实现对于生成网络的约束，进而有效改善模型重构问题。重构误差损失可用公式表示为：

上述两个损失函数，可以保证生成网络生成的图像数据，既真实又包含上下文信息。对于编码器网络来说，其对于编码图像进行重构，得到潜在向量z′，对于正常的样本，期望z与z′之间的距离非常的小。而对于异常的数据情况，希望其距离值越大越好。为了使理想状态下两者的距离能够实现最小，引入新的编码器损失，用来使得两者的距离最小化，该损失的表示式为：

模型的总损失函数可以表示为：

式中：γ代表不同损失函数的权重系数。

3.   实验过程及结果分析

3.1   数据集准备

基于对抗生成网络的变电站接地网故障太赫兹层析成像，用于受到设备条件和成像质量的影响，需要根据现场的情况来制作训练图像集。利用图像处理技术对获得图像进行处理，使其符合太赫兹图像的特点，分辨率不高、对比度低，通过角度旋转等操作，完成标签图像的制作。对标签图像进行处理制作训练集的过程包括：

Step 1：对标签图像进行对数变换，降低图像亮度和对比度，使其更接近太赫兹图像；

Step 2：提取太赫兹图像上的高频噪声，通过高通滤波将噪声信号提取出来，用于添加到标签图像上，使处理过的标签图像更接近太赫兹图像；

Step 3：对处理过的标签图像添加运动模糊以及高斯模糊，使处理后的标签图像具备太赫兹图像抖动不稳定的特征。

通过以上流程生成的训练图像与太赫兹图像的特征相符，具备对比度低、分辨率低的特点。利用搭建好的网络模型对这些图像数据进行学习训练，掌握图像之间的映射关系。数据图像的学习率设置为0.001，迭代次数设置为30000次，以提高数据训练的效果。由于太赫兹图像的成像系统的图像各异，依次对于图像的评估只能是定性的评估，不能准确衡量相互之间的相似度。

为了验证本研究改进生成对抗网络在太赫兹图像识别中的效果，对其进行仿真验证，选择Google Colab云平台，在Windows 10 64位操作系统上，利用Python语言和Tensor flow深度学习框架完成对于该网络模型的运算和验证。

3.2   实验结果及数据对比

在实验过程中，选择时间较长的数据训练集来验证图像训练的效果，并实时监测该图像的损失函数情况，损失函数与训练次数的关系如图 2所示。

图  2  损失函数与训练次数的关系

Figure  2.  Loss function versus training times

下载: 全尺寸图片 幻灯片

从图 2中可以发现，训练次数与损失值函数成反比，训练次数的增长能够有效降低图像的损失函数。损失函数逐步递减，说明该网络能够有效收敛，生成对抗网络的图像质量也逐渐提高，训练效果显著。

为了说明本文图像处理方法的效果，将前文训练好的网络模型应用于实际的太赫兹图像中，通过与其他处理算法对比，证明本文算法的有效性。数据集尺寸为256×256的图像，原始图像如图 3(a)所示，由于受到激光器功率波动的影响，图 3(a)中的原始图像存在数字噪声，并造成图像模糊，图像对比度较低。传统算法对于图像的处理如图 3(b)和图 3(c)所示，可以滤除图像的噪声部分，但是对于图像的模糊处理方式较差，图像的效果并没有得到有效加强。而本文算法处理后的图像，对比度明显加强，图像的清晰度也相比其他算法显著提高，计算结果如图 3所示。

图  3  不同处理算法的图像对比

Figure  3.  Comparison of images with different processing algorithms

下载: 全尺寸图片 幻灯片

针对本文实验中的太赫兹反射成像的金属导体，根据图 3实验结果可知，本文提出的算法在太赫兹图像处理方面更加有效。

选择其他4组太赫兹图像，对比不同算法的效果情况。实验结果与图 3效果类似，双边滤波算法可以有效提高图像的平滑效果，但是图像的对比度较差，图像细节不够明显。非局部均值滤波在图像处理方面，效果更自然，但是细节处理方面依然存在大量不足，图像质量还有待提高，而本文算法能够有效提高图像的对比度，展现的图像清晰度更高，效果更明显。

为了能够直观评价本文算法的优势，利用原始图作为参考，比较不同算法情况下的图像对比度，其对比结果如表 1所示。

表  1  不同算法情况下的图像对比度

Table  1.  Image contrast in the case of different algorithms

Images	1	2	3	4
Bilateral filtering algorithm	176.26	126.14	48.43	34.25
Non-local means filtering algorithm	174.32	134.86	34.91	38.12
Algorithm in this paper	352.17	267.94	141.21	165.09

下载: 导出CSV 

| 显示表格

表 1中可以看到，本文算法能够有效提高图像的对比度，对比度数值超过双边滤波算法和非局部均值滤波算法的两倍以上，从而有效提高图像的显示效果。

实验结果表明，本研究提出的算法能够有效提高太赫兹图像的质量，可以用于检测变电站接地网的故障问题。

4.   结论

针对变电站地网的故障检测问题，本文研究了应用改进生成对抗网络的太赫兹图像检测方式。得到的主要结论如下：

在生成对抗网络的基础上，利用GANomaly网络有效提高模型适用性，利用跳层连接提高网络模型对与上下文信息的参考能力，极大地提高了本文算法的太赫兹图像处理能力。

将本研究提出的方法与其他传统处理方法相比可知，本文算法处理的图像效果更好，对比度更高，更适合用于变电站接地网的故障检测。