巡檢機器人對輸電線斷股實時在線檢測與診斷的一種方法

周風余 李貽斌 馮國瑞

（1. 山東大學控制科學與工程學院 濟南 250061 2. 山東政法學院信息科學技術系 濟南 250014）

1 引言

高壓架空輸電線一般采用鋼芯鋁絞線。在使用過程中，受風力作用產生微風振動和舞動，加上環境因素（如覆冰、溫度變化）的影響，會產生局部疲勞損傷，久而久之就會引起局部斷股。如不及時維修更換，就會增加輸電線路的功率損耗，造成電力浪費，甚至造成導線斷裂，從而嚴重地威脅著導線本身及其送變電設備和人身的生命安全。因此，開展輸電線路的自動巡檢與故障診斷方法的研究具有十分重要的現實意義。對輸電線斷股的檢測方法目前主要有三種[1-2]：視覺檢查、紅外探測和電渦流方法。其中視覺檢查主要是利用計算機圖像處理和人工復查相結合的方法判斷線路故障，難以做到實時在線檢測；電渦流方法對傳感器的安裝要求高，設備的振動對檢測結果的影響嚴重，并由于鋼絞線經磁化后在斷股處的磁場梯度變化明顯，故該方法常用來檢測鋼芯的斷裂情況。由于輸電導線的結構和電流的集膚效應，當鋁絞線有斷股時，鋁絞線在其斷股處的輻射場會發生突變，而磁場變化卻很小，故一般采用紅外方法檢測鋁導線的斷股情況。作者在國家“863”計劃項目資助下，已成功研制出110kV輸電線路自動巡檢機器人樣機[3-4]。本文主要討論巡檢機器人對輸電導線斷股的一種在線檢測與診斷新方法。

當鋼芯鋁絞線有斷股時，斷股處的溫度會發生突變，采用遠紅外傳感器能有效檢測這種變化。但由于檢測到的信號中，既有斷股處的突變信號，又有股波信號和隨機干擾信號，而當導線破損程度較輕，如斷一股和斷二股時，產生的時域信號波形幅值和脈沖寬度等參數較小，噪聲污染嚴重。采用時域分析方法，經常出現將股波和噪聲信號錯判為斷一股或斷二股故障。本質原因是由于斷股信號的非平穩性，使得傳統FFT等方法無法對其進行有效分析。由于小波變換具有同時在時域和頻域表征信號局部特征的能力，它對信號奇異性敏感的特性和較強的去噪效果特別適合對斷股這類非平穩信號的分析。但與FFT只有一種基函數或變換核不同，小波變換理論上有無限多種小波基，可以滿足各種問題的需要。但是必須根據具體問題選擇合適的小波基，否則就難以達到滿意的效果。同時由于小波變換結果中包含了太多的小波分解信息和數據，在目前的一些檢測方法中[2]，部分特征提取需要人工干預；而在分類方法中，由于小波分解信息繁多，使神經網絡、模糊判別等智能判別系統變得較為龐大。熵理論的發展及其在電力系統中應用研究所取得的成果[5]，為電力輸電線斷股信號小波分析后的數據挖掘開辟了新思路。本文首先根據輸電線斷股處輻射場的變化情況和機器人運行環境狀況，對選擇的熱釋電遠紅外傳感器的信號調理及采集電路進行了設計；然后將小波分析理論和信息熵原理結合起來，充分利用各自優點，尋找到了描述輸電線斷股故障的定量特征量，并把它應用到輸電線斷股故障的檢測中，最后的在線檢測實驗表明這種新的方法較好地實現了對輸電線斷股損傷情況的在線準確判斷。

2 輸電線斷股信號檢測

高壓架空輸電線以鋼芯鋁絞線為主，在鋼芯的周圍捻合著鋁股線。由于電流的集膚效應，電流傳輸主要由鋁線承載，抗拉力則主要由鋼絞線負擔。當輸電導線發生斷股損傷時，其截流面積將發生變化，導致導線局部的電阻發生變化。在一定電流條件下，由于散熱介質及導線材料是均勻的，由熱學理論可知，斷股處的溫度會發生變化，從而導致輻射場的改變。在斷股處，溫度升高，輻射能量增大[6]。因此，對輸電導線斷股故障的檢測可以采用對輻射能量變化敏感的紅外傳感器。然而，根據機器人運行環境狀況，在高壓輸電導線近距離檢測中，傳感器的選擇還必須要考慮以下四個方面的因素：

（1）導線在273～373K溫度范圍內時，其對應的峰值波長為6～15μm[7]，處在遠紅外區，故應選擇遠紅外探測器。

（2）由于導線故障點的輻射增量曲線可抽象為紅外探測器的脈沖輸入[6]，由于熱釋電探測器具有對脈沖激勵響應好的特性，故選用熱釋電型探測器作為傳感器較為合適[8]。

（3）為了提高檢測的靈敏度，雙靈敏元的熱釋電傳感器為首選。

（4）熱噪聲和電流噪聲是紅外探測器的兩大噪聲源，為了有效地抑制噪聲，要充分考慮敏感元件材料的類型、電極結構及內部放大電路的輸入阻抗等。

綜合以上四個因素，經反復對比、篩選，最終選擇利用鋯鈦酸鉛熱釋電陶瓷材料的雙靈敏元熱釋電紅外傳感器PM622，輸出信號大于1.9V。由于采用雙元結構，可有效地補償環境溫度的變化及振動的影響，因此，輸出噪聲小，靈敏度高。

3 基于小波能量熵及BP網絡的斷股信號分析與診斷

110kV實驗線路導線規格為LGJ—185，調節線路電流為290A，測得導線溫度66℃、環境溫度23℃，在輸電線斷1股、2股和3股時，機器人采集到的數據（采樣頻率為 1kHz）分別如圖 1a，1b，1c所示。

圖1 傳感器輸出信號波形Fig.1 Output signal waveforms of sensor

通過對圖1實驗信號的觀察不難發現：若導線破損程度嚴重（如斷3股）時，則時域信號波形表現出明顯的雙向脈沖信號特征，其幅值和脈沖寬度等參數基本上可以作為識別斷3股故障的依據；而當導線破損程度較輕，如斷1股甚至斷2股時，產生的突變信號幅值較小，而且信號突變持續時間很短，表現出非平穩的性質。使用單純的時域分析法和頻域分析法時，經常出現誤判。要么偵查不到故障點和故障特征，要么將股波和噪聲信號錯判為斷1股或斷 2股故障。由于小波分析具有很強的去噪和特征提取能力，克服了傳統分析方法的局限，因此采用小波變換方法對非平穩的斷股信號進行分析就成為了一個必然的選擇。

3.1 斷股信號的小波分析

設ψ(t)∈L2(R)為滿足“容許性”條件的函數，則ψ(t)稱為一個小波，小波基函數就是由ψ(t)平移和伸縮后而生成的一族函數 {}

式中 a—— 尺度因子；

b—— 時移因子。

由式（1）可知，小波分析理論上具有無窮多個小波基，這種不唯一性一方面滿足了實際問題的需要，另一方面又因為不同的小波基具有不同的時頻特征，對同一信號采用不同的小波基進行分析時往往表現出不同的結果，缺乏可比性和規范性，因此小波基的選取是小波分析應用到實際中的一個難點，也很重要。在選擇小波基時，主要滿足定區間的緊支撐和足夠的消失矩階數，這樣能有效地消除噪聲，發現奇異點[6]。綜合考慮小波的時頻特性和輸電導線斷股信號的特征，并經大量實驗的對比分析，采用 Daubechies 四階（db4）小波作為斷股信號小波分析的小波基時，分析結果最清晰，也最符合原始信號的變化規律，因此在巡檢機器人在線檢測系統中選擇db4小波為小波基。采用Mallat二進小波快速分解算法，對圖 1a、圖 1b的斷股信號進行了6層小波分解，對應的分解圖分別如圖2和圖3所示。

圖2 斷1股信號的分解結果Fig.2 Decomposition result with one strand broken

圖3 斷2股信號的分解結果Fig.3 Decomposition result with two strand broken

3.2 斷股信號的小波熵

Shannon信息熵理論指出[9]，對于一個不確定性系統，若用一個取有限個值的隨機變量X表示其狀態特征，取值為xi的概率為

當X的所有結果都具有等概率時，某一結果出現的不確定性最大，熵也最大，即當各事件的不確定性均相等時熵最大；當pi=0時，piln(pi)=0，因此信息熵可作為不確定性的度量。

小波變換雖然具有良好的時頻局部化能力，并有相應的實用快速算法，但由于小波變換結果中包含有太多的小波分解信息和數據，有必要對這些大量信息研究更好的數據挖掘方法，為檢測和分類提供預處理，給故障判斷提供有效的依據。

當輸電線路發生斷股時，斷股信號發生相應變化。應用Shannon信息熵的概念，結合小波分析技術，定義適當的小波熵測度[10]，用以衡量信號的不確定性（即復雜度），可有效進行故障的特征提取和分類。下面介紹在二維小波相空間上定義的一種小波熵——信號的小波能量熵。

設斷股信號 x(n)經多分辨率快速小波變換后，在第j分解尺度下k時刻的高頻分量系數為cDj(k)，低頻分量系數為 cAj(k)，進行單支重構后得到的信號分量為Dj(k)，Aj(k)。則原始信號序列x(n)則可表示為各分量的和，即

由帕斯瓦爾方程可知，正交小波基的小波變換具有能量守恒的性質，根據式（4），基于時間序列的能量可以在尺度域上進行分解，即多分辨率分析的能量可分解為

則基于時間序列的方差為[11]

由于 Am是的逼近，由式（6）定義尺度 j上的平均小波能量或小波方差為

把能量序列{Ej}構成的向量歸一化

由正交小波變換的特性可知，在某一時間窗（窗寬為w∈Ν）內信號總能量E等于各尺度能量Ej之和，即：

歸一化后的能量序列{pj(E)}稱為能量序列的經驗分布，為各尺度的小波能量與總能量的比值。結合信息熵的定義，采用小波各尺度的能量序列的分布 P=(p1(E),p2(E),…, pm(E))取代信號的概率分布，這種基于能量分布得到的熵稱為小波能量熵，用WEE表示，定義為

隨著窗的滑動，可以得到小波能量熵隨時間的變化規律。在式（9）的定義中，尺度空間與頻率空間具有一定的對應關系，對于輸電線路故障檢測系統采集到的電壓非平穩信號，式（9）定義的小波能量熵能反映電壓頻率空間的能量分布信息。因為小波函數在頻域與時域上均不具有脈沖選擇性質，而是具有一定的支撐區間，因此在尺度空間上對電壓能量的劃分，同時反映了電壓在時域與頻域上的能量分布特征。

3.3 基于小波能量熵的斷股信號特征提取

小波熵對動態系統參數微小的變化或者輸出信號頻率分布的改變都具有獨特的敏感性。輸電線發生斷股故障后，斷股處的電阻將發生微變，引起溫度場的改變，從而使得傳感器的輸出電壓（幅值和頻率）在短時間內出現暫態變化，并逐漸過渡到平穩狀態；同時輸出信號的股波信號隨機干擾噪聲也比較大。基于以上的分析，小波熵對輸電線斷股故障將具有良好的檢測能力。仍以圖1a所示的輸電線斷一股時的信號分析為例加以說明。圖 1a信號的db4小波分解結果如圖2所示。

選取窗參數w=100，δ =1(即逐點滑動窗)，按式（9）計算系統的WEE，計算結果如圖4所示。

圖4 導線斷1股時的WEE波形Fig.4 Waveform of WEE with one strand broken

從圖4不難發現，故障時刻WEE在0～1間顯著增大，具有較好的定位能力，因此WEE可以作為一個判斷是否發生斷股故障的特征量，記為e1。因小波熵特征量另一顯著特點是不受被分析電壓幅值的影響，因此在斷股數目診斷中，還需提取與幅值有關的特征量。

由圖 2、圖 3的小波分析結果知道，噪聲干擾主要體現在細節層d1、d2、d3層上，而在層次較高的d4、d5、d6層上則較好地體現出了導線信號的特征。因此，可忽略d1、d2、d3層的細節特征，達到降噪的目的。而從d4、d5、d6層上尋求故障信號的特征。

于是定義了3個作為判斷斷股數目的特征值，即將故障信號經小波分解后的 d4、d5、d6層的峰-峰值，分別記為e2、e3、e4。

3.4 基于BP網絡的斷股數目診斷

根據輸電線斷股故障的特征，在斷股數目診斷中，采用了如圖5所示的3層BP神經網絡結構進行故障狀態的模式識別。為滿足網絡 0/1的輸出要求，隱含層神經元的傳遞函數采用了S型正切函數，輸出層神經元傳遞函數采用了S型對數函數[12]。

圖5 BP神經網絡結構Fig.5 Structure of BP neural network

輸入層：輸入特征矢量E為(e1,e2,e3,e4)T。

中間層：在訓練誤差相同的情況下，對比中間層節點分別為6、8、10的訓練速度。結果證明，在中間層節點為8時收斂速度最快，整批樣本經過38次迭代便使輸出誤差達到10-4。

輸出層：神經網絡期望輸出O為(O1,O2,O3)T，見表1。

表1 BP網絡期望的輸出Tab.1 Anticipant output of BP neural network

4 巡檢機器人在線斷股檢測實驗

圖6是輸電線路自動巡檢機器人實驗樣機巡檢時的情形，實驗線路導線規格為LGJ—185，電壓等級 110kV。紅外傳感器安裝在中間手臂末端，可隨中間手臂做上下伸縮運動和左右開合運動，從而能保證與機械手一起實現越障。

將線路電流調整至 320A，測得的環境溫度為23℃，無故障導線溫度為68℃。啟動巡檢機器人，分別使之運行在無斷股導線、導線斷1股、斷2股和斷3股三種情況下的一段輸電線路上，各采集35次信號，共采集了140個信號。計算機按第3節介紹的分析方法對其進行分析處理，共得到140組定量特征值。表2為四種狀態下分別隨機抽取的5組特征值。

表2 檢測信號的特征值Tab.2 Eigenvalue of detected signal

用四種情況下各35組數據中的前30組數據作為圖5模型的訓練樣本，后5組數據作為模型的檢驗樣本。網絡訓練過程是一個不斷修正權值和閾值的過程，通過調整，使網絡的輸出誤差達到最小。訓練函數利用 Levenberg-Marquardt算法對網絡進行訓練，誤差指標設定為10-4，當訓練迭代次數為38次時，網絡輸出的誤差已滿足要求。BP模型的檢驗結果見表 3。由表 3可以看出，對于校驗樣本的30組信號，神經網絡都實現了準確的故障診斷。

利用訓練好的模型首先對后5組樣本數據進行檢驗，診斷結果與實際情況完全符合。然后讓機器人自動運行在新的一段實驗線路上，在這段線路上，人為地在任意位置使導線斷1股、2股和3股，機器人在斷股位置產生報警指示，并給出了準確的診斷結果，表明所采用的斷股檢測和診斷方法的正確性。

表3 檢驗樣本的輸出結果與實際結果對比Tab.3 Contrast between results of the test samples andthe actual results

文獻[2]采用的輸電線斷股檢測方法，信號特征量數目多達8個，由于計算公式復雜，計算量大，只能進行離線檢測。本文采用的這種新方法，特征量僅4個，使得檢測診斷系統規模較小。由于計算簡單，工作量較小，各特征值完全可由計算機自動提取，容易實現在線檢測。

5 結論

針對高壓輸電線斷股信號的非平穩性質和單純采用小波變換帶來的諸如分解信息量大，描述故障情形的特征值數目多、提取困難、只能離線檢測等問題，提出了一種可實現實時在線檢測的新方法。在小波分析的基礎上，通過引入小波熵的概念，使用4個定量特征值就完成了對輸電線斷股故障的清晰描述，采用較小規模的BP神經網絡診斷模型，實現了對鋁絞導線斷股損傷情況準確判斷。論文最后進行的在線斷股檢測實驗，表明了該方法的可行性。也為電力系統類似的故障在線檢測提供了一定的參考。

[1]張運楚, 梁自澤, 譚民. 架空電力線路巡線機器人的研究綜述[J], 機器人, 2004, 26(5)： 467-473.Zhang Yunchu, Liang Zize, Tan Min. Mobile robot for overhead power line inspection-a review[J]. Robotics,2004, 26(5)： 467-473.

[2]吳功平, 肖曉暉, 申瑞剛. 高壓輸電導線的損傷檢測與故障診斷[J]. 儀器儀表學報, 2006, 27(10)：1204-1208.Wu Gongping, Xiao Xiaohui, Shen Ruigang. Damaged detection and fault diagnosis for high-voltage transmission line[J]. Chinese Journal of Scientific Instrument, 2006, 27(10)： 1204-1208.

[3]Zhou F Y, Wang J D, et al. Control of an inspection robot for 110kV power transmission lines based on expert system design methods[C]. Proceedings of the 2005 IEEE Conference on Control Applications Toronto, Canada, August 28-31, 2005： 1563-1568.

[4]周風余, 李貽斌, 吳愛國, 等. 高壓巡線機器人的設計與實現[J]. 機械科學與技術, 2006, 25(5)：623-626.Zhou Fengyu, Li Yibin, Wu Aiguo, et al. Design and implement of the inspection robot for high voltage power transmission line[J]. Mechanical Science and Technology, 2006, 25(5)： 623-626.

[5]何正友, 劉志剛, 錢清泉. 小波熵理論及其在電力系統中應用的可行性探討[J]. 電網技術, 2004,28(21)： 17-21.He Zhengyou, Liu Zhigang, Qian Qingquan. Study on wavelet entropy and adaptability of its application in power system [J]. Power System Technology, 2004,28(21)： 17-21.

[6]周風余. 110kV輸電線路自動巡檢機器人系統的研究[D]. 天津： 天津大學, 2008.

[7]陳永甫. 紅外輻射紅外器件與典型應用[M]. 北京：電子工業出版社, 2004.

[8]陳繼述, 胡燮榮, 徐平茂. 紅外探測器[M]. 北京：國防工業出版社, 1986.

[9]Rezek I A, Roberts S J. Stochastic complexity measures for physiological signal analysis[J]. IEEE Trans. Biomed Engin., 1998, 45(9)： 1186-1191.

[10]Blanco S, Figliosa A，Quian Q R，et al.Time-frequency analysis of electroencephalogram series(III)： information transfer function and wavelets packets[J]. Physical Review E, 1998, 57(1)： 932-940.

[11]李建勛, 柯熙政, 丁德強. 一種基于小波熵的時間尺度算法[J]. 天文學報, 2007, 48(1)： 84-92.Li Jianxun, Ke Xizheng, Ding Deqiang. A timescale algorithm based on wavelet entropy[J]. Acta Astronomica Sinica, 2007, 48(1)： 84-92.

[12]李祥光, 裴旭東, 編著. 人工神經網絡技術及其應用[M]. 北京： 中國電力出版社, 2003.