一種脆弱線路缺陷的圖像智能檢測(cè)算法設(shè)計(jì)

張曉峰，趙益山，黃楚偉

(1.貴州電網(wǎng)有限責(zé)任公司遵義供電局，貴州 遵義 563000；2.中南民族大學(xué)，武漢 430000；3.南方電網(wǎng)深圳數(shù)字電網(wǎng)研究院有限公司，廣東 深圳 518000)

0 引言

大規(guī)模互聯(lián)電網(wǎng)提高了電力系統(tǒng)的可靠性和經(jīng)濟(jì)性，同時(shí)增加了系統(tǒng)動(dòng)態(tài)行為的復(fù)雜性[1]。作為電網(wǎng)關(guān)鍵節(jié)點(diǎn)的配電網(wǎng)，其發(fā)生連鎖故障停電的概率也在直線上升。對(duì)于配電網(wǎng)連鎖故障停電事件來(lái)說(shuō)，主要因素就是線路脆弱。脆弱線路輸電線存在問(wèn)題則會(huì)引起大規(guī)模的潮流轉(zhuǎn)移，進(jìn)而導(dǎo)致電力系統(tǒng)的連鎖失效和斷電。因此檢測(cè)配電網(wǎng)脆弱線路缺陷具有重要意義，可以預(yù)防電網(wǎng)發(fā)生連鎖事故，避免昂貴的電纜安裝和相關(guān)關(guān)鍵基礎(chǔ)設(shè)施發(fā)生故障。

LAI等人[2]提出不同類(lèi)型可再生能源并網(wǎng)的故障方向識(shí)別方法，通過(guò)比較順序電流之間的振幅和順序電壓與順序電流之間相角完成故障識(shí)別。但是，該方法在計(jì)算相角過(guò)程中需要耗費(fèi)計(jì)算算力，在故障辨識(shí)耗時(shí)方面有待進(jìn)一步提高。魏明奎等人[3]引入PageRank算法構(gòu)建脆弱線路辨識(shí)模型，根據(jù)輸電線路對(duì)負(fù)荷波動(dòng)的抗擾能力分析輸電線路脆弱性。但是，該方法應(yīng)用范圍有限，復(fù)雜環(huán)境下的連鎖故障脆弱線路辨識(shí)有待驗(yàn)證?，F(xiàn)有脆弱線路缺陷識(shí)別算法由于應(yīng)用技術(shù)的自身缺陷，存在著識(shí)別效率低下的問(wèn)題，無(wú)法滿足現(xiàn)今社會(huì)用電安全的需求。

考慮到脆弱線路缺陷容易導(dǎo)致輸電線路過(guò)載引發(fā)連鎖故障，因此需要提高脆弱線路缺陷自動(dòng)檢測(cè)效果?；诖?，本文研究了面向配電網(wǎng)連鎖故障停電的脆弱線路缺陷自動(dòng)檢測(cè)。通過(guò)構(gòu)建脆弱線路數(shù)據(jù)集，根據(jù)輸電線路開(kāi)斷相對(duì)概率和影響計(jì)算輸電線路脆弱性綜合指標(biāo)數(shù)值，根據(jù)數(shù)值結(jié)果辨識(shí)配電網(wǎng)脆弱線路。以脆弱線路缺陷特征為依據(jù)，對(duì)數(shù)據(jù)集中的脆弱線路進(jìn)行特征分類(lèi)，通圖像增強(qiáng)技術(shù)對(duì)分類(lèi)后的脆弱線路缺陷圖像進(jìn)行成效效果增強(qiáng)。運(yùn)用對(duì)比度受限自適應(yīng)直方圖均衡方法對(duì)效果增強(qiáng)后的脆弱線路缺陷圖像進(jìn)行色彩和反差的均衡化處理，結(jié)合小波變換完成脆弱線路缺陷圖像降噪。采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)降噪后的脆弱線路缺陷圖像進(jìn)行卷積處理，將圖像輸入至卷積層獲取脆弱線路缺陷圖像特征圖，通過(guò)Relu激活函數(shù)分段獲取高維特征向量，增強(qiáng)卷積層運(yùn)算算力，在隱藏層中輸入缺陷圖像特征完成脆弱線路缺陷自動(dòng)檢測(cè)。

1 脆弱線路缺陷自動(dòng)檢測(cè)方法

1.1 辨識(shí)配電網(wǎng)脆弱線路

常規(guī)情況下，配電網(wǎng)大面積停電事件是由脆弱線路缺陷引發(fā)大范圍潮流轉(zhuǎn)移，致使輸電線路過(guò)載退運(yùn)，從而引起連鎖故障的出現(xiàn)。因此準(zhǔn)確辨識(shí)配電網(wǎng)脆弱線路是檢測(cè)其缺陷的前提與基礎(chǔ)[4]。在配電網(wǎng)脆弱線路辨識(shí)過(guò)程中，需要首先構(gòu)建脆弱線路數(shù)據(jù)集，主要考慮兩個(gè)因素，一是輸電線路開(kāi)斷相對(duì)概率，二是輸電線路開(kāi)斷對(duì)于電網(wǎng)脆弱性的影響。需要注意的是，輸電線路開(kāi)斷相對(duì)概率與其對(duì)電網(wǎng)脆弱性的影響之間無(wú)明顯關(guān)系，這也為脆弱線路檢測(cè)帶來(lái)了一定的困難[5]。本文所構(gòu)建的配電網(wǎng)脆弱線路數(shù)據(jù)集為：ξ={ξl}，l=1，2， ，n，配電網(wǎng)脆弱線路辨識(shí)指標(biāo)表達(dá)式為：

ξl=ξl1×ξl2

(1)

式(1)中，ξl1表示的是輸電線路端點(diǎn)分量；ξl2表示的是配電網(wǎng)數(shù)據(jù)種群初始值[6]。在數(shù)據(jù)集ξ中，完成配電網(wǎng)脆弱線路辨識(shí)。具體步驟如下。

步驟一：以實(shí)際配電網(wǎng)工作過(guò)程中產(chǎn)生的負(fù)荷為計(jì)算依據(jù)，獲取初始單元熵，計(jì)算公式為：

(2)

式(2)中，LSR表示的是初始單位熵綜合負(fù)載率；LR表示的是配電網(wǎng)綜合負(fù)載率；Us表示的是潮流熵；μl表示的是輸電線路l對(duì)應(yīng)的負(fù)載率；L表示的是配電網(wǎng)中輸電線路的總數(shù)量；ηl表示的是輸電線路l負(fù)載率在配電網(wǎng)總負(fù)載率中的占比。

步驟二：為了方便研究的進(jìn)行，將配電網(wǎng)轉(zhuǎn)換為有向有權(quán)圖，并對(duì)配電網(wǎng)脆弱線路各個(gè)節(jié)點(diǎn)重要度進(jìn)行計(jì)算，記為R；

步驟三：依據(jù)步驟一與步驟二計(jì)算結(jié)果，結(jié)合輸電線路故障率、負(fù)載率、負(fù)荷分布情況，對(duì)輸電線路端點(diǎn)分量進(jìn)行計(jì)算，計(jì)算公式為：

(3)

式(3)中，P表示的是和事件的概率；λl表示的是輸電線路l自身的故障率；αl表示的是負(fù)荷的有功功率；δl表示的是輸電線路l的電力潮流節(jié)點(diǎn)配置權(quán)值；fl表示的是輸電線路產(chǎn)生的功率變化量[7]。

步驟四：在輸電線路開(kāi)斷后，對(duì)開(kāi)斷前后負(fù)載率變化量進(jìn)行計(jì)算，并結(jié)合輸電線路節(jié)點(diǎn)初始單元熵，計(jì)算配電網(wǎng)數(shù)據(jù)種群初始值指標(biāo)，計(jì)算公式為：

(4)

式(4)中，Rm與Rn表示的是輸電線路l兩端傳輸幅值。

步驟五：依據(jù)步驟三與步驟四計(jì)算得到的ξl1與ξl2，依據(jù)公式(1)衡量輸電線路的脆弱性綜合指標(biāo)ξl，然后將其歸一化[8-9]，按遞減順序排列，辨識(shí)數(shù)據(jù)集ξ中的脆弱線路，將其作為此次研究對(duì)象。

1.2 脆弱線路無(wú)人機(jī)采集圖像的預(yù)處理

增強(qiáng)處理脆弱線路缺陷圖像可以有效凸顯出脆弱線路的細(xì)微缺陷部分，為準(zhǔn)確地自動(dòng)檢測(cè)提供基礎(chǔ)保障。脆弱線路缺陷分類(lèi)有助于提高增強(qiáng)處理脆弱線路缺陷圖像效率，因此借鑒已有文獻(xiàn)研究成果[10-11]，在上文脆弱線路辨識(shí)的基礎(chǔ)上，將數(shù)據(jù)集ξ中的脆弱線路按照缺陷特征進(jìn)行分類(lèi)。脆弱線路缺陷分類(lèi)為四類(lèi)，具體類(lèi)別內(nèi)容如表1所示。

表1 脆弱線路缺陷分類(lèi)表

在配電網(wǎng)脆弱線路缺陷特征分類(lèi)過(guò)程中，采用無(wú)人機(jī)飛行技術(shù)獲取脆弱線路缺陷圖像，根據(jù)缺陷類(lèi)別完成脆弱線路缺陷劃分。由于拍攝角度、光照強(qiáng)度、背景環(huán)境等多種因素的影響[12-14]，在脆弱線路缺陷成像過(guò)程中，物體從背景中到攝像機(jī)的照射量較少，從而容易降低輸電線路缺陷的真實(shí)度[15-16]。同時(shí)，導(dǎo)致了脆弱線路缺陷圖像質(zhì)量與格式差距較大，無(wú)法對(duì)其進(jìn)行精確的標(biāo)注，也會(huì)影響脆弱線路缺陷自動(dòng)檢測(cè)的精度[17-18]。因此，需要應(yīng)用圖像增強(qiáng)技術(shù)，通過(guò)平移、旋轉(zhuǎn)、縮放、翻轉(zhuǎn)等方法對(duì)無(wú)人機(jī)采集到的圖像進(jìn)行擴(kuò)展，為后續(xù)脆弱線路缺陷自動(dòng)檢測(cè)提供依據(jù)[19-20]。以脆弱線路桿塔鳥(niǎo)巢缺陷為例，采用圖像增強(qiáng)技術(shù)后的脆弱線路桿塔鳥(niǎo)巢缺陷圖像如圖1所示。

圖1 脆弱線路桿塔鳥(niǎo)巢缺陷圖像增強(qiáng)技術(shù)應(yīng)用示例圖

通過(guò)圖像增強(qiáng)技術(shù)增強(qiáng)了脆弱線路缺陷圖像成像效果，將其轉(zhuǎn)換為JPG格式，為后續(xù)計(jì)算提供數(shù)據(jù)。

1.3 基于卷積神經(jīng)網(wǎng)絡(luò)的脆弱線路缺陷自動(dòng)檢測(cè)

在脆弱線路缺陷圖像降噪處理的基礎(chǔ)上，將脆弱線路圖像分布至多維度空間。通過(guò)隨機(jī)的方式形成卷積核，將降噪后的脆弱線路圖像輸入至卷積神經(jīng)網(wǎng)絡(luò)。該過(guò)程中的卷積運(yùn)算公式為：

(5)

(6)

模型在學(xué)習(xí)和訓(xùn)練過(guò)程中，經(jīng)過(guò)幾個(gè)卷積層運(yùn)算后，均會(huì)采取一次卷積運(yùn)算。通過(guò)隱藏層中的下采樣操作，篩選各個(gè)卷積核輸出的脆弱線路圖像特征，下采樣的計(jì)算公式為：

(7)

(8)

式(8)中，Sj表示的是隱藏層第j個(gè)卷積核的鄰域像素；W與G表示的是輸出圖像的寬度與高度，以此完成脆弱線路缺陷自動(dòng)檢測(cè)。具體步驟如下。

步驟一：輸入連鎖故障停電配電網(wǎng)中的脆弱線路缺陷數(shù)據(jù)集到卷積神經(jīng)網(wǎng)絡(luò)中，通過(guò)卷積層運(yùn)算，獲取脆弱線路缺陷圖像特征圖；

步驟二：以步驟一得到的缺陷圖像特征圖為基礎(chǔ)，任意提取故障配電網(wǎng)脆弱線路的多個(gè)候選區(qū)域，通過(guò)處理將得分較高區(qū)域框進(jìn)行保存；

步驟三：以步驟二得到的候選區(qū)域?yàn)橐罁?jù)，提取候選區(qū)域特征，對(duì)其向量化處理，獲得造成連鎖故障的脆弱線路高維特征向量；

步驟四：將步驟三獲得的高維特征向量輸入線性分類(lèi)器中，計(jì)算特征屬于缺陷類(lèi)別的概率，以此作為脆弱線路缺陷分類(lèi)依據(jù)；

步驟五：回歸處理符合缺陷類(lèi)別特征的候選區(qū)域，以此來(lái)預(yù)測(cè)連鎖故障停電配電網(wǎng)中脆弱線路缺陷目標(biāo)外圍框架位置信息。

綜上所述，依據(jù)卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了脆弱線路缺陷的自動(dòng)檢測(cè)，為配電網(wǎng)穩(wěn)定運(yùn)行提供更加有效的幫助。

1.4 基于小波變換的脆弱線路缺陷圖像降噪處理

選擇對(duì)比度受限自適應(yīng)直方圖均衡算法和直方圖拉伸技術(shù)，對(duì)檢測(cè)到的脆弱線路缺陷圖像對(duì)比度的增強(qiáng)和色彩修正[21-22]。(1)圖像和對(duì)比度增強(qiáng)：在HSV(hue，saturation，value)的色彩空間里，將單一值組成的直方圖擴(kuò)展至整個(gè)區(qū)域，改善圖像色彩飽和度。將圖像飽和性與色調(diào)相結(jié)合提升圖像亮度，從而將圖像轉(zhuǎn)換回RGB顏色空間[23-24]。(2)圖像色彩修正：在RGB色彩空間中，將直方圖將延伸至全區(qū)域(0至255)，有效提高色彩修正效果。將脆弱線路缺陷圖象進(jìn)行二次拷貝，兩種不同的版本同時(shí)進(jìn)行圖像增強(qiáng)，提高圖像的反差和色彩分配。在此基礎(chǔ)上，采用對(duì)比度受限自適應(yīng)直方圖均衡方法預(yù)處理色彩和反差較大的脆弱線路缺陷圖像[25]。通過(guò)定義對(duì)比度極限劃分直方圖有效區(qū)域范圍。限幅由直方圖的歸一化結(jié)果和各個(gè)相鄰區(qū)域之間的像素大小決定。通過(guò)直方圖倉(cāng)平均分布的方式，均衡色彩和反差較大的脆弱線路缺陷圖像，提升后續(xù)計(jì)算算力，如圖2所示。

圖2 直方圖重新分布結(jié)果

根據(jù)圖2可知，剪切區(qū)域上的倉(cāng)將再次剪輯，依據(jù)上述步驟即可完成缺陷圖像均衡化處理。被重新分布后的缺陷圖像雖然均衡化程度達(dá)到了要求，但是缺陷圖像中存在噪聲，需要對(duì)均衡化脆弱線路圖像進(jìn)行去噪。

這種附加噪聲的消除允許這樣的假設(shè)，即適當(dāng)?shù)姆纸饣A(chǔ)允許從噪聲中區(qū)分有用信號(hào)(圖像)。小波變換去除任何存在的噪聲，并保留任何存在的信號(hào)，而不管信號(hào)的頻率內(nèi)容如何。在小波域中，自然信號(hào)的能量集中在少量系數(shù)中；然而，噪聲在整個(gè)域上傳播?；拘〔ㄊ湛s去噪過(guò)程如下。

基于小波收縮收縮構(gòu)建，定義圖像的的高頻子帶能量函數(shù)為：

(9)

式(9)中，λ表示的是均衡度，屬于常數(shù)，且>0；Ll(φ)表示的是圖像光照強(qiáng)度；v表示的是回波參數(shù)；Al(φ)表示的是聯(lián)合統(tǒng)計(jì)特征量。定義脆弱線路缺陷圖像成像面積變權(quán)系數(shù)表達(dá)式為：

Tσ=c·sgn(Gσ×I(x，y))

(10)

式(10)中，c表示的是脆弱線路缺陷圖像的像素總數(shù)；sgn(·)表示的是符號(hào)函數(shù)；Gσ表示的是標(biāo)準(zhǔn)差為σ的幾何活動(dòng)輪廓區(qū)域函數(shù)；I(x，y)表示的是圖像。

根據(jù)高頻子帶的先驗(yàn)知識(shí)，高頻子帶結(jié)構(gòu)為圓環(huán)狀，因此采用小波變換多尺度特征分割方法對(duì)圖像融合的圓形約束模型進(jìn)行去噪，完成脆弱線路缺陷圖像降噪處理，計(jì)算公式為：

(11)

式(11)中，J表示的是小波系數(shù)，N表示的是采集的離散數(shù)據(jù)，R表示的是空間尺度系數(shù)值，H，G表示的是低通和高通濾波器，Yi表示的是期望圖像，F(xiàn)表示的是像素值。

通過(guò)上述方法完成脆弱線路缺陷圖像降噪處理，清晰化缺陷目標(biāo)。

2 實(shí)驗(yàn)與結(jié)果分析

上述過(guò)程提出了新的脆弱線路缺陷自動(dòng)檢測(cè)算法，為了驗(yàn)證提出算法與文獻(xiàn)[2]方法(A New Method of Fault Direction Identification for Different Types of Renewable Energy Source Integrations)、文獻(xiàn)[3]方法(基于PageRank算法的輸電網(wǎng)連鎖故障脆弱線路辨識(shí))的應(yīng)用性能差異。實(shí)驗(yàn)仿真平臺(tái)為MATLAB仿真，結(jié)果與分析過(guò)程如下。

2.1 實(shí)驗(yàn)環(huán)境搭建

在脆弱線路缺陷自動(dòng)識(shí)別過(guò)程中，對(duì)計(jì)算機(jī)系統(tǒng)CPU提出了較高的要求，并且卷積神經(jīng)網(wǎng)絡(luò)也以CPU作為自身的處理平臺(tái)。為了滿足實(shí)驗(yàn)的需求與深度學(xué)習(xí)網(wǎng)絡(luò)的應(yīng)用，合理設(shè)置實(shí)驗(yàn)設(shè)備參數(shù)，具體如表2所示。

表2 實(shí)驗(yàn)設(shè)備參數(shù)設(shè)置表

依據(jù)方法部分的脆弱線路圖像缺陷標(biāo)注結(jié)果，引入卷積神經(jīng)網(wǎng)絡(luò)，對(duì)其參數(shù)合理設(shè)置，并對(duì)其訓(xùn)練。將測(cè)試脆弱線路圖像輸入至訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，隨機(jī)選擇10組測(cè)試樣本作為實(shí)驗(yàn)對(duì)象，完成脆弱線路缺陷的自動(dòng)檢測(cè)。卷積層是卷積神經(jīng)學(xué)習(xí)結(jié)構(gòu)的核心，數(shù)值參數(shù)設(shè)置如表3所示。

表3 卷積層參數(shù)設(shè)置表

整體模型訓(xùn)練選擇Actor-Critic，通過(guò)Actor選擇動(dòng)作，通過(guò)Critic驗(yàn)證動(dòng)作是否合適。在Actor中輸入一個(gè)狀態(tài)，一個(gè)動(dòng)作和一個(gè)獎(jiǎng)勵(lì)，在Critic中將訓(xùn)練得到時(shí)間差分值返回給Actor，完成整體模型單步訓(xùn)練和更新。卷積神經(jīng)網(wǎng)絡(luò)設(shè)定3層隱藏層，提升脆弱效率缺陷自動(dòng)檢測(cè)效率，卷積神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元數(shù)量設(shè)定如表4所示。

表4 卷積神經(jīng)網(wǎng)絡(luò)神經(jīng)元參數(shù)設(shè)置表

2.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)選取

此研究選取召回率、精確率與錯(cuò)檢率作為脆弱線路缺陷自動(dòng)檢測(cè)效率的評(píng)價(jià)指標(biāo)。

召回率是指在實(shí)際為正的線路脆弱故障樣本中被檢測(cè)為正樣本的概率。召回率越高，說(shuō)明方法檢測(cè)脆弱線路缺陷越全面。其計(jì)算公式為：

(11)

精確率是指檢測(cè)為正的樣本中有被檢測(cè)為真正的正樣本的概率。檢測(cè)的精確率越高，說(shuō)明方法檢測(cè)脆弱線路缺陷越準(zhǔn)確。其計(jì)算公式為：

(12)

錯(cuò)檢率是錯(cuò)誤檢出非相關(guān)脆弱線路缺陷的程度指標(biāo)。錯(cuò)檢率越低，說(shuō)明方法檢測(cè)線路缺陷性能越好。其計(jì)算公式為：

(13)

式(11)～(13)中，TP、FN、FP、N分別表示的是正例、假反例、假正例與樣例總數(shù)量。

2.3 實(shí)驗(yàn)測(cè)試與分析

在配電網(wǎng)連鎖故障停電環(huán)境下，進(jìn)行脆弱線路缺陷自動(dòng)檢測(cè)實(shí)驗(yàn)，具體實(shí)驗(yàn)結(jié)果分析過(guò)程如下。

通過(guò)實(shí)驗(yàn)獲得實(shí)驗(yàn)評(píng)價(jià)指標(biāo)數(shù)據(jù)如表5～7所示。

表5 召回率數(shù)據(jù)

表6 精確率數(shù)據(jù)

表7 錯(cuò)檢率數(shù)據(jù)

如表5～7數(shù)據(jù)顯示，文獻(xiàn)[2]方法的召回率數(shù)據(jù)范圍為；49.03%～63.84%，精確率數(shù)據(jù)范圍為68.63%～74.02%，錯(cuò)檢率數(shù)據(jù)范圍為5.87%～10.25%；文獻(xiàn)[3]方法召回率數(shù)據(jù)范圍為49.25%～65.12%，精確率數(shù)據(jù)范圍為70.00%～76.31%，錯(cuò)檢率數(shù)據(jù)范圍為4.32%～11.20%；提出方法召回率數(shù)據(jù)范圍為78.50%～89.32%，精確率數(shù)據(jù)范圍為84.79%～98.20%，錯(cuò)檢率數(shù)據(jù)范圍為0.98%～3.00%。

通過(guò)上述實(shí)驗(yàn)數(shù)據(jù)對(duì)比發(fā)現(xiàn)，與文獻(xiàn)[3]方法相比較，提出方法的召回率、精確率數(shù)據(jù)更高，錯(cuò)檢率數(shù)據(jù)更低，可以較好地完善目前方法存在的問(wèn)題，充分證實(shí)了提出方法具備更好的應(yīng)用性能。

在獲取上述實(shí)驗(yàn)結(jié)果的基礎(chǔ)上，為了進(jìn)一步驗(yàn)證提出方法的實(shí)際有效性，在10組測(cè)試樣本中隨機(jī)選擇線路桿塔鳥(niǎo)巢缺陷、導(dǎo)線斷股缺陷、導(dǎo)線散股缺陷、玻璃絕緣子“自爆”缺陷圖像作為測(cè)試對(duì)象，獲取提出方法的脆弱線路圖像缺陷檢測(cè)圖像結(jié)果，實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 提出方法的脆弱線路圖像缺陷檢測(cè)結(jié)果

根據(jù)圖3可知，提出方法能夠有效檢測(cè)脆弱線路缺陷圖像，并完成對(duì)脆弱線路圖像的缺陷標(biāo)注，記錄缺陷坐標(biāo)信息。由此證明，提出方法在實(shí)際配電網(wǎng)運(yùn)行過(guò)程中具有較好的應(yīng)用效果，可以有效避免連鎖故障停電事故發(fā)生。

3 結(jié)束語(yǔ)

在配電網(wǎng)連鎖故障停電環(huán)境下，此次研究的脆弱線路缺陷自動(dòng)檢測(cè)方法極大地提升了配電網(wǎng)連鎖故障停電中脆弱線路缺陷識(shí)別的召回率與精確率，降低了錯(cuò)檢率，能夠?yàn)槿毕葑R(shí)別提供更有效的算法支撐。也能夠?yàn)榫€路缺陷識(shí)別研究提供一定的借鑒與參考，可以在一定程度上對(duì)配電網(wǎng)連鎖故障停電進(jìn)行有效防控。