高壓輸電線路巡檢與故障診斷技術(shù)研究及其應(yīng)用

馬永剛

（國網(wǎng)江蘇省電力有限公司徐州市銅山區(qū)供電分公司， 江蘇 徐州 221000）

0 引言

絕緣子是高壓輸電線路中最重要的組成部分，而絕緣子長期暴露在室外很容易發(fā)生破損或掉串等故障問題，通過智能巡檢機(jī)器人進(jìn)行故障檢測可以減少人工巡檢的成本，提升巡檢工作安全性。但是傳統(tǒng)Faster-RCNN 算法支持下的絕緣子檢測方法網(wǎng)絡(luò)模型收斂速度較慢，導(dǎo)致絕緣子故障定位的精度和識別準(zhǔn)確率不高，并且機(jī)器人在高壓輸電線路環(huán)境下工作會受復(fù)雜的電磁環(huán)境干擾，甚至導(dǎo)致巡檢機(jī)器人等電力設(shè)備損壞。針對以上兩種巡檢機(jī)器人常見的問題，提出了改進(jìn)的Faster-RCNN 算法結(jié)合優(yōu)化后的灰狼算法構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)故障診斷模型，在提升巡檢機(jī)器人故障檢測精確性和穩(wěn)定性的同時(shí)，保障巡檢機(jī)器人的電磁兼容故障診斷有效進(jìn)行，保障電力系統(tǒng)高壓輸電線路巡檢工作的穩(wěn)定性和精確性。

1 基于改進(jìn)Faster-RCNN 算法的絕緣子檢測工作原理

改進(jìn)的Faster-RCNN 算法對高壓輸電線路絕緣子巡檢可實(shí)現(xiàn)良好的檢測效果，其工作原理是在傳統(tǒng)Faster-RCNN 算法（如圖1 所示）卷積層特征提取的方法上進(jìn)行優(yōu)化改進(jìn)，以此來增強(qiáng)巡檢機(jī)器人的魯棒性，提升檢測精度?；趥鹘y(tǒng)Faster-RCNN 算法，結(jié)合SKNet 殘差神經(jīng)網(wǎng)絡(luò)算法作為故障特征提取網(wǎng)絡(luò)，有效提升模型的收斂速度，提升巡檢機(jī)器人故障診斷回歸參數(shù)的準(zhǔn)確率和效率[1]。

圖1 傳統(tǒng)Faster-RCNN 算法結(jié)構(gòu)

1.1 基于SKNet 殘差神經(jīng)網(wǎng)絡(luò)特征提取

為了盡可能緩解隨著網(wǎng)絡(luò)層數(shù)增加而造成的梯度消失、爆炸及網(wǎng)絡(luò)退化等問題，在殘差神經(jīng)網(wǎng)絡(luò)模型在堆疊卷積層中增加了SKNet 殘差神經(jīng)網(wǎng)絡(luò)模塊（如圖2 所示），以此來提取巡檢過程中更多的網(wǎng)絡(luò)特征[2]。

圖2 SKNet 殘差神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)

基于SKNet 殘差神經(jīng)網(wǎng)絡(luò)算法，為了更加高效、快速地提取絕緣子故障圖像特征信息，在殘差神經(jīng)網(wǎng)絡(luò)算法增加5 層卷積層數(shù)，將優(yōu)化后模型殘差神經(jīng)結(jié)構(gòu)根據(jù)圖2 進(jìn)行卷積層優(yōu)化之后，可以得到具有通道注意力機(jī)制的ResNet 算法作為特征提取網(wǎng)絡(luò)。

1.2 候選區(qū)域特征提取網(wǎng)絡(luò)

基于Faster-RCNN 算法候選區(qū)域特征提取網(wǎng)絡(luò)結(jié)構(gòu)主要包含了分類層和回歸層，執(zhí)行兩個(gè)動作[3]。分類層主要判斷候選區(qū)域內(nèi)是否存在絕緣子特征提取，輸出節(jié)點(diǎn)分別表示的是特征提取的前后景概率，在回歸層主要負(fù)責(zé)借助特征探測器預(yù)測候選區(qū)域中故障特征提取目標(biāo)區(qū)域的中心點(diǎn)、長和寬等4 個(gè)參數(shù)[4]。

2 基于優(yōu)化后的灰狼算法-BP 神經(jīng)網(wǎng)絡(luò)電磁兼容故障檢測

2.1 工作原理

基于優(yōu)化后的灰狼算法-BP 神經(jīng)網(wǎng)絡(luò)電磁兼容故障檢測主要是通過建立故障樹智能分析巡檢機(jī)器人在高壓輸電線路環(huán)境下工作，找出電磁兼容故障的原因，從故障原因的最小特征點(diǎn)中提取故障原因向量。隨后將巡檢機(jī)器人在巡檢過程中采集到的故障保證數(shù)據(jù)進(jìn)行歸一化處理后得到故障的征兆向量。將故障征兆向量作為系統(tǒng)分析故障原因和構(gòu)成向量測試樣本訓(xùn)練的神經(jīng)卷積網(wǎng)絡(luò)。將測試樣用于測試訓(xùn)練后對神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率診斷的訓(xùn)練，若是準(zhǔn)確率低于設(shè)定的85%，則需要重新設(shè)定神經(jīng)網(wǎng)絡(luò)的參數(shù)之后再重新進(jìn)行訓(xùn)練，指導(dǎo)準(zhǔn)確率高于設(shè)定的準(zhǔn)確率85%之后，則認(rèn)為該診斷模型可以有效檢測出巡檢機(jī)器人的電磁兼容故障診斷工作[5]。具體的工作原理流程如圖3 所示。

圖3 故障診斷流程

2.2 基于優(yōu)化后灰狼算法BP 神經(jīng)網(wǎng)絡(luò)

2.2.1 優(yōu)化后灰狼算法

灰狼算法是一種新的元啟發(fā)算法，優(yōu)化后的灰狼算法主要改進(jìn)了傳統(tǒng)回廊算法中的收斂因子和位置更新公式，更進(jìn)一步優(yōu)化和提升了BP 神經(jīng)網(wǎng)絡(luò)的診斷權(quán)值和閾值。灰狼算法是以狼群特征為基礎(chǔ)提出的，按照灰狼個(gè)體在狼群中的等級關(guān)系劃分為四個(gè)等級：α、β、γ、δ，其中每只灰狼個(gè)體代表的是狼群中的一個(gè)候選解，排列靠前的三組是適應(yīng)度最好的灰狼個(gè)體?；依撬惴M狼群捕獵活動可以分為包圍行為和捕獵行為[6]。

1）包圍行為。假設(shè)d為灰狼個(gè)體和獵物之間的距離，則灰狼包圍獵物的行為可以通過公式（1）表示：

式中：Xp（t）為獵物位置向量；X（t）為灰狼個(gè)體位置的向量；t為包圍行為迭代次數(shù)；A和C分別為系統(tǒng)向量，將其定義為：

式中：r1和r2分別為在區(qū)間[0，1]之間的隨機(jī)向量；a為收斂因子，通過函數(shù)表達(dá)為：

式中：amax為收斂因子的最大值；tmax為包圍行為迭代次數(shù)的最大值。

2）捕獵行為?；依遣东C行為由狼群中的頭狼α 及捕獵能力強(qiáng)的灰狼個(gè)體β 及γ 帶領(lǐng)，逐漸接近獵物，利用慣性權(quán)重，將其位置表示為：

式中：δ 為狼群捕獵行為的慣性權(quán)重，可以通過公式（7）進(jìn)行計(jì)算：

式中：狼群捕獵的慣性權(quán)重最大值δmax一般設(shè)為0.95；而最小值δmin一般設(shè)為0.42，那么在本次灰狼捕獵行為的迭代周期中，灰狼的最終位置可以表示為：

灰狼捕獵行為通過公式（5）～公式（8）進(jìn)行捕獵位置、方向和獵物距離之間迭代后，將頭狼α 所在位置作為故障檢測適應(yīng)度的最優(yōu)解。通過優(yōu)化后的灰狼算法可以有效提升算法的收斂速度，以此提升傳統(tǒng)GWO 算法的選優(yōu)能力。

2.2.2 基于優(yōu)化后灰狼算法的BP 神經(jīng)網(wǎng)絡(luò)模型

假設(shè)BP 神經(jīng)網(wǎng)絡(luò)隱藏層到輸出層的權(quán)值矩陣H作為灰狼捕獵行為發(fā)生的位置向量：

在定義的區(qū)間內(nèi)隨機(jī)產(chǎn)生灰狼個(gè)體位置，將其適應(yīng)度通過BP 人工神經(jīng)網(wǎng)絡(luò)的均方誤差通過公式（10）進(jìn)行計(jì)算之后，通過優(yōu)化后的灰狼算法迭代出最優(yōu)權(quán)值和閾值[7]。

式中：m為輸出的數(shù)量；為第n個(gè)訓(xùn)練樣本中第i個(gè)期望輸出值；為第n個(gè)樣本中第i個(gè)實(shí)際輸出的結(jié)果。

3 仿真試驗(yàn)和結(jié)果分析

3.1 試驗(yàn)準(zhǔn)備及過程

為了檢驗(yàn)文章提出的改進(jìn)后的Faster-RCNN 算法對高壓輸電線路絕緣子故障檢測的精準(zhǔn)率以及基于優(yōu)化后的灰狼算法-BP 神經(jīng)網(wǎng)絡(luò)支持下機(jī)器人電磁性能故障檢測穩(wěn)定性。選用基于Pytorch1.5 的深度學(xué)習(xí)框架搭建模型檢測巡檢機(jī)器人對絕緣子故障檢測的精準(zhǔn)性。首先選用CPLID 提供的圖像數(shù)據(jù)作為樣本訓(xùn)練集，訓(xùn)練集中的數(shù)據(jù)樣本進(jìn)行平移、旋轉(zhuǎn)、飽和度調(diào)整、亮度及剪切操作之后可以得到符合試驗(yàn)操作的圖像訓(xùn)練集。以傳統(tǒng)的Faster-RCNN 算法與改進(jìn)后的算法對比絕緣子故障檢測的精準(zhǔn)性，并且利用YOLO-V2 算法結(jié)合比較該算法的穩(wěn)定性。

同時(shí)選用了該平臺試驗(yàn)過程中的巡檢機(jī)器人模擬工作時(shí)的電磁兼容故障樣本，以此作為建立故障特征矩陣及故障原因矩陣。共選用其中30 個(gè)樣本訓(xùn)練網(wǎng)絡(luò)，其余15 個(gè)樣本作為測試樣本。以此來檢測文章設(shè)計(jì)的灰狼算法-BP 神經(jīng)網(wǎng)絡(luò)模型對巡檢機(jī)器人電磁兼容故障診斷的有效性。

3.2 結(jié)果分析

通過與傳統(tǒng)Faster-RCNN 算法檢測絕緣子故障性能做比較，如表1 所示。

表1 絕緣子故障檢測結(jié)果對比

從表1 可以看出，文章設(shè)計(jì)的改進(jìn)后的Faster-RCNN 算法對于檢測相同絕緣子數(shù)量下，對絕緣子故障檢測正確率高于傳統(tǒng)Faster-RCNN 算法，而遺漏率和錯(cuò)誤率均低于傳統(tǒng)算法，在一定程度明顯提升了絕緣子故障檢測的準(zhǔn)確率。此外，結(jié)合YOLO-V2 算法進(jìn)行實(shí)驗(yàn)對比的結(jié)果如表2 所示。

表2 不同算法穩(wěn)定性試驗(yàn)對比

從表2 中可以看出改進(jìn)后的Faster-RCNN 算法得出的AP 值和AR 值都高于其他傳統(tǒng)算法，從結(jié)果就可以看出文章的算法具有較高的穩(wěn)定性。

此外，利用該平臺試驗(yàn)過程中的巡檢機(jī)器人模擬工作時(shí)的電磁兼容故障樣本，將傳統(tǒng)灰狼算法-BP模型與優(yōu)化后灰狼算法-BP 模型的學(xué)習(xí)情況進(jìn)行仿真對比，其結(jié)果對比如圖4 所示。

圖4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖

從圖4 中可以看出，BP 神經(jīng)網(wǎng)絡(luò)診斷結(jié)果和傳統(tǒng)灰狼算法-BP 神經(jīng)網(wǎng)絡(luò)算法均出現(xiàn)了3 個(gè)及以上誤差，而文章設(shè)計(jì)的優(yōu)化后灰狼算法-BP 神經(jīng)網(wǎng)絡(luò)模型診斷誤差僅出現(xiàn)一個(gè)，診斷的準(zhǔn)確率達(dá)到了95.86%。

4 結(jié)語

針對目前電力系統(tǒng)高壓輸電線路絕緣子故障巡檢難度大、成本高，采用智能巡檢機(jī)器人作為替代人工巡檢的重要工具，從而提出了提升巡檢機(jī)器人對高壓輸電線路絕緣子故障檢測精確性和穩(wěn)定性的改進(jìn)后Faster-RCNN 算法，在此基礎(chǔ)上結(jié)合優(yōu)化后的灰狼算法-BP 神經(jīng)網(wǎng)絡(luò)模型提升該巡檢機(jī)器人在高壓輸電線路電磁環(huán)境復(fù)雜的背景下對電磁兼容故障檢測的穩(wěn)定性。通過改進(jìn)后的Faster-RCNN 算法增加特征提取網(wǎng)絡(luò)的視野表達(dá)力，并且在候選區(qū)域提取層使用更加精確的表達(dá)絕緣子故障目標(biāo)位置的精度，并且對巡檢機(jī)器人電磁兼容故障診斷領(lǐng)域引入優(yōu)化后灰狼算法-BP 神經(jīng)網(wǎng)絡(luò)模型診斷智能巡檢機(jī)器人的電磁兼容性。經(jīng)試驗(yàn)驗(yàn)證，文章提出的算法有效提升了智能巡檢機(jī)器人對高壓輸電線路絕緣子故障檢測的精確性，提升了智能巡檢機(jī)器人在高壓線路電磁環(huán)境復(fù)雜背景下，實(shí)現(xiàn)更快的網(wǎng)絡(luò)收斂速度，有更高的泛化能力，有效提升智能巡檢機(jī)器人故障檢測的準(zhǔn)確率和穩(wěn)定性。