淺談配電線路運行故障檢測技術

李忠徽

摘要：輸電線路網絡部件的種類繁多，例如絕緣子、均壓環、防振錘、桿塔和輸電線等。各個部件由于常年暴露在自然環境中，很容易受到天氣、鳥類等因素的影響。最常見的天氣因素包括雷擊、暴雨和高溫。這種劇烈的環境條件，很大程度上會導致線路部件產生一定程度的形變，甚至出現自爆現象。而鳥害則是直接對部件進行破壞，從而損害部件性能以至于無法工作。因此，對輸電線路部件進行故障分析和檢測顯得尤為重要。

關鍵詞：配電線路;運行故障;檢測技術

1 輸電線路部件故障類型

1.1 絕緣子故障

絕緣子在輸電線路中是用量最多的部件，主要有兩個作用：電氣絕緣和機械支撐。在長時間的運行過程中，由于絕緣子的制作材質所限制，極易發生材料老化、破損、掉片等故障。這些不僅會導致絕緣子的功能失效，還容易引發輸電線路安全事故。圖1展示了一些常見的絕緣子故障種類。

受特殊環境因素影響，如雷擊、大風、暴雨甚至鳥類啄擊，絕緣子結構常常發生形變乃至如圖1（a）所示的破損情況。當玻璃絕緣子的內部存在雜質或者缺陷的時候，受到外界壓力的影響，內外受力失衡，導致玻璃體爆炸，即玻璃絕緣子的“自爆”現象，如圖1（b）所示。

1.2 均壓環故障

均壓環的作用是防范側擊雷，是一種用于改善絕緣子電壓分布的環狀金具，將高電壓均勻分布在絕緣子的周圍，保證絕緣子各部位之間沒有電壓差。

如圖2（a）（b）所示，在自然環境下均壓環常出現破損和歪斜脫落的情況。除了自然因素外，均壓環常見的故障還包括人為因素，即如圖2（c）所示的均壓環安裝錯誤。

由于有的工作人員不熟悉均壓環的原理，容易出現反裝現象，導致高壓側金具端附近的場強比正確安裝時大。輸電線如果長期在這種狀況下運行，則會加速端部密封膠的電蝕和開裂。

1.3 防振錘故障

防振錘是為了保證在風力影響下導線不會出現劇烈振動。輸電線路基本上架設在高空中，如果導線長期處于振動狀態，不僅會存在不穩定性，還會因為周期性的彎折而發生疲勞破損。所以絕緣子兩側的導線上常常掛有一個小錘，即防振錘。由于長期受風力影響，防振錘很容易發生如圖3（a）（b）所示的移位現象，包括有平行線上的兩個防振錘位置不一致或者兩個防振錘碰到了一起。

防振錘是金具的一種，因天氣原因而導致的銹蝕也使得防振錘變得比較脆弱、易損。如圖3（c）所示為防振錘因被銹蝕而導致破損。

2 輸電線路部件故障檢測算法

2.1 絕緣子故障檢測算法

近年來，各種各樣的絕緣子檢測算法層出不窮，如基于紅外成像法的檢測算法，基于方向梯度直方圖和支持向量機結合的方法等。

正是因為深度學習的發展，特別是卷積神經網絡在圖像領域的廣泛應用，使得絕緣子故障檢測近年來獲得快速發展。在深度學習應用中，特征提取是使用深度網絡的目的，采用經典的卷積神經網絡和SOM網結合實現顯著性檢測。該網絡結構由5個卷積層和2個全連接層組成，卷積層之間使用7×7、5×5和3×3的卷積核進行卷積以提取更詳細的局部信息。SOM網是一種自組織特征映射網絡，典型SOM網僅有輸入層和競爭層，輸入層是用于表達目標的特征，而競爭層則為輸出層。

2.2 均壓環故障檢測算法

在使用神經網絡檢測均壓環的基礎上，進一步對均壓環歪斜故障檢測進行探索。均壓環在航拍圖像中受到角度影響無法直接判斷其是否發生歪斜。因此，需要結合絕緣子的位置進行判斷。由于均壓環端面與絕緣子端面在工程安裝上要求兩者相互平行，判斷均壓環是否歪斜的依據就是判斷均壓環和絕緣子的夾角是否過大。如圖4中所示，判斷均壓環是否歪斜，先要提取圖像中紅線兩側端點坐標，通過計算均壓環紅線端點坐標和絕緣子紅線端點坐標之間的夾角θ，判斷均壓環是否歪斜。依據安全規范標準，當傾斜角度不超過7.5°均壓環認定為正常。

3 展望

輸電線路巡檢發展至今，已經由最初的人工巡檢方式轉變為自動化的無人機巡檢。當前無人機獲取的圖片依舊需要后臺人工進行整理，再由人工或者特定的故障檢測算法，對輸電線路故障進行排查，這種半自動的故障檢測方將會被取代。未來，搭載有故障檢測模塊的無人機將被投入使用，從而實現故障的實時檢測。因此，故障檢測模塊需要使用能夠對多種故障進行檢測的算法。

使用深度學習方法不僅能對多種目標進行特征提取，還能夠有效地減少干擾區域，提高輸電線路部件故障圖像檢索的準確率。可見，深度學習方法在輸電線路部件故障檢測中引起了廣泛的關注。不過深度學習方法的訓練過程依賴于大量樣本數據的支持。由于輸電線路系統的特殊性，部件故障發生的情況是非常少的，也就意味著構建一個具有充足輸電線路部件故障樣本的數據庫是十分困難的。同時，數據量的不足很有可能導致深度神經網絡無法學習到準確的模型參數，從而在實際應用中對輸電線路部件故障檢測的泛化性能差，難以進行精準檢測。為了能更好地學習到部件故障中的深度特征，采用合適的數據增強方法也是急需解決的問題之一。當前，生成對抗網絡（GAN，Generative Adversarial Networks）是圖像生成領域的一個研究熱點，并在許多領域，例如圖片風格遷移、超分辨率重建、圖像補全以及去噪等方面已經達到了不錯的效果。未來若能將生成對抗網絡這一技術引入輸電線路部件故障檢測中，將有望解決數據量不足的問題，使得這一研究領域的發展更進一步。

4 總結

輸電線路上各種部件的正常運行，是保證電力供應的關鍵因素，也是對施工人員和用戶人身安全的極大保障。一旦輸電線路系統出現安全隱患，及時進行檢測可以有效降低維護成本。通過對輸電線路常見部件故障進行介紹，列舉了現有的一些故障檢測算法。相比傳統的人工巡檢，選擇科學的故障檢測算法，例如深度學習方法，進行安全的、可靠的、有效的檢測，能夠極大地提高故障識別準確率，減少故障識別用時，及時對故障進行搶修，在一定程度上減少電路事故的發生，對整個輸電線路系統的穩定運行起到極為關鍵的作用。并且，在未來故障檢測的研究中深度學習技術也將起到至關重要的作用。

參考文獻

[1] 陳泌垽，范菁.無人機在輸電線路巡檢中應用的探索[J].電工技術，2019，（3）：80-81.

[2] 麥俊佳，郭圣，徐振磊，等.輸電線路多旋翼無人機自動駕駛智能巡檢系統[J].計算機系統應用，2019，28（40：105-110.

[3] 程洋，夏令志，李志飛，等.基于紅外成像法的零值瓷絕緣子檢測[J].絕緣材料，2019，52（3）：74-79.