基于機器視覺的超高壓輸電線路覆冰災害分級預警模型

翟兵，秦雄鵬，朱龍昌，黃緒勇，曹俊，耿浩，王亞強

（1.云南電網有限責任公司電力科學研究院，云南 昆明 650217；2.云南電力技術有限責任公司，云南 昆明 650012；3.云南華晉科技有限責任公司，云南 昆明 650051；4.北京國遙新天地信息技術股份有限公司，北京 100020）

0 前言

超高壓輸電線路在覆冰的情況下容易出現斷線、閃絡和舞動等事故，達到一定的影響程度后會造成局部地區大面積停電，嚴重影響了整個供電系統的穩定性。所以需要對超高壓輸電線路的覆冰情況進行實時監測，確保超高壓輸電線路不被覆冰災害影響，盡量在覆冰災害發生前發出相應的預警，為災害搶修和維護人員預留出準備時間。

文獻[1]分析電網在覆冰情況下產生的二次聯鎖故障反應情況，使用蒙特洛卡法判斷覆冰災害下輸電線路的脆弱性，并計算輸電線路的臨斷線臨界值和發生二次故障的幾率，在此數據基礎上建立一個具有電網物理特性的分析模型，模擬覆冰情況下線路故障的演化過程，從而為維護管理人員應對線路的覆冰故障做出相應的預案，這種方法能夠對覆冰災害對故障的影響情況進行深度分析，但是在故障等級預警方面存在一定缺陷，不能夠明確劃分覆冰災害的等級。文獻[2]設計一種能夠預測供電線路上覆冰厚度的計算模型，通過對覆冰厚度的分析從而獲取覆冰災害等級，所建立的模型充分考慮到覆冰情況下供電線路上垂直檔距、水平應力和冰厚、冰重量等參數對線路的影響，能夠將覆冰災害對線路影響程度預測在12 %誤差以內，具有較高的精準度，但是這種方法沒有考慮到天氣的實時變化對供電線路的影響，也沒有考慮到覆冰的影響因子對覆冰災害的影響情況模型參數存在一定的漏洞，不能較全面地對覆冰災害進行預測分析。

綜上所述，現有預警模型的覆冰率預測結果與實際結果相差較大。為了解決上述問題，本文將利用機器視覺建立超高壓輸電線路覆冰災害分級預警模型，充分發揮機器視覺的高自動化、高精準度、云計算和可以在艱苦環境下工作的特點，提升高壓輸電線路覆冰災害預測能力。

1 超高壓輸電線機器視覺信息處理

1.1 原始圖像采集

將超高壓輸電線路上的機器視覺采集設備安裝在固定的電氣箱體上，機器視覺采集設備在電氣箱體上完成對超高壓輸電線路上的圖像特征的識別采集、預處理與分類[3-4]。機器人在超高壓輸電線路上要具有相對穩定的位置關系和圖像信息監測識別角度，確保機器人的相機云臺能夠對超高壓線路上的狀態完成最大范圍的圖像采集[5-6]。

對采集的超高壓輸電線覆冰災害信息進行預處理，過程如圖1所示：

圖1 圖像信息預處理

首先將機器人采集到的原始圖像進行區域分割，在原始圖像中劃分含有線路線股的高分辨率圖像，其次對圖像進行灰度處理，這樣可以有效增長圖像中覆冰與線路之間的對比性，從而凸顯出冰在線路上的覆蓋程度，最后運用Canny 算子劃分圖像邊緣，實現信息處理，根據直線在圖像中的所在位置確定機器人視覺采集設備的標定位置。圖像中的直線確定需要符合兩個條件，第一是兩條直線之間的間距固定不變，第二是機器人視覺采集設備與覆冰線路相對位置關系的角度固定不變。以上兩個條件無法直接通過肉眼識別，所以在機器視覺采集設備中建立數據模型和三維坐標系OWXYZ，設定兩條直線間距為Wd，線路上的邊緣點P1到另一邊緣點P2的向量與線路法向量nW的點積可以表示為：

確定直線各點位在坐標系中的坐標點后，在圖像中找到相對應的投影點，坐標點與投影點之間的轉換方式如公式（2）所示：

其中，s代表信息采集過程的；ax、ay分別代表在處理信息過程中x、y軸對應的尺度因子；代表經過轉換后得到的尺度矩陣；u、v、u0分別代表x、y、z坐標系中的直線點位。按照以上算法篩選出可采集圖像內容后，完成了機器人對原始圖像的采集任務[7]。

1.2 圖像特征增強

通過機器人視覺設備對超高壓輸電線路上的覆冰情況進行檢測，采集線路外表覆冰情況的原始圖像，對原始圖像中的線路特征進行劃分，不同特征的圖像代表不同級別的覆冰風險[8-9]。初級覆冰風險線路上的冰層不明顯，對線路穩定運行不造成影響；中級覆冰風險線路上的冰層向線路邊緣方向發展，有一定幾率對線路造成斷股；高級覆冰風險線路上的冰層已經嚴重影響了線路的穩定運行，改變了正常狀態下的線路設備運行環境，且高覆冰風險圖像中的特征梯度不能表現出規律性，非常容易發生斷股事故[10-11]。

從采集到的圖像中開展特征提取，利用圖像特征梯度判定超高壓輸電線路覆冰風險類型，如下為梯度特征計算方式：

公式中f代表覆冰圖像信息處理過程的灰度值；表示x軸對應的梯度值；代表y軸對應的梯度值；θ代表梯度方向；Δf代表梯度特征。

1.3 基于CNN算法的圖像信息分類

利用卷積網絡提高圖像檢測的規律性。基于CNN 算法的圖像信息分類過程如圖2所示：

圖2 基于CNN算法的圖像信息分類

CNN 算法運行前對圖像信息進行規模訓練，分組不同類型的圖像信息，再根據組別確定每組中的數據特征，模擬優化數據特征的狀態環境，從優化結果中確定覆冰線路的風險等級[12]。

2 超高壓輸電線路覆冰影響因子

2.1 歷史覆冰災害因子

超高壓輸電線路覆冰災害的產生主要集中發生在冬季嚴寒地區，具有一定的時間聚集性，發生的線路位置具有較大的普遍性，造成的損害具有較強的隨機性。針對以上特點，本文建立了時間序列，分析超高壓輸電線路上的覆冰災害歷史因子，尋找發生超高壓輸電線路覆冰災害的規律，確定超高壓輸電線路上覆冰災害產生次數與歷史覆冰災害因子之間的自相關性分析，計算過程如公式（5）所示：

其中，k代表時間間隔；pk代表相關程度；n代表總周期長；Xt代表時間序列中在t天時的覆冰情況；X代表整個周期內覆冰情況的平均狀態[13-14]。

2.2 氣象因子

天氣是發生覆冰災害的必要因素，例如零下的溫度可以加速覆冰的形成、強烈的冷風可以增加冰層的厚度、降雪為覆冰災害提供了基礎水量，這些因素對超高壓輸電線路的覆冰情況均造成不同程度的影響。本文利用布龍-戴維斯方案對氣象因子的權重系數進行設定，系數分別為0.3、0.7，分別計算出風速、溫度、降水量3個因子對覆冰災害的影響程度。如下所示為氣象因子計算方式：

其中，IV代表風速因子；IT代表溫度因子；IM代表降水量因子；IV′代表修正后的風速因子；IT′代表修正后的溫度因子；IM′代表修正后的降水量因子；U和U′分別代表布龍- 戴維斯方案和修正布龍-戴維斯方案兩臺方案的氣象因子；Cs代表氣象因子的修正系數；IFMI代表氣象因子。

2.3 線路冰凍因子

超高壓輸電線上的覆冰狀態是冰凍因子變化的直接影響結果，本文以冰凍強度和線路上含水量兩個要素構建一個冰凍因子Igeo，通過對其進行評估計算可以判斷出線路出現覆冰災害的可能性以及覆冰風險等級，計算公式如下：

公式中ILST代表高壓輸電線路的外表溫度指數，能夠代表覆冰災害產生的起始條件；LFW代表含水量質量指數，能夠代表單位面積內覆冰水重量。

3 超高壓輸電線路覆冰風險分級預警

3.1 基于PSOEM-LSSVM模型和最優理論的因子權重計算

3.1.1 PSOEM-LSSVM模型建立

天氣溫度、降水量、風速為主要影響因素，因為以上因素在室外復雜環境下很難完全采集，所以本文建立PSOEM-LSSVM 模型對超高壓輸電線路外部環境進行模擬，構造充足的樣本數據儲存空間，在儲存空間中設立LSSVM 回歸模型，確保模型的參數選擇和基礎數據不會影響最終的風險等級評判結果[15]。LSSVM 回歸模型內應用了擴展記憶粒子群算法實現相關參數的尋優。如圖3所示為整個PSOEM-LSSVM模型的建立流程：

圖3 PSOEM-LSSVM模型建立流程

1）將采集到的超高壓輸電線路覆冰數據進行統計規劃分類；

2）通過LSSVM 模型對覆冰數據進行迭代，初步計算出覆冰厚度的范圍；

3）在模型中初始化設置PSOEM 參數，對影響因子進行迭代計算，擴展影響因子的記憶性；

4）利用PSOEM 算法實時確定模型中粒子的速度和位置并進行儲存。

3.1.2 基于PSOEM-LSSVM模型的權重計算

在PSOEM-LSSVM 模型中設定m個專家對n個因子進行評分，通過評分信息確定影響因子的權重。確定每個專家對因子的評分向量；計算出每個專家對因子的評分信息矩陣，矩陣結果包含了評分信息可以有效表現出機器視覺采集到的圖像內容；將各個因子的矩陣結果相加，得到完整的圖像矩陣；將完整的圖像矩陣因子評分結果上傳權重計算公式中，獲取權重結果如下：

其中，λk代表權重結果；Vk代表圖像矩陣因子評分結果。

3.1.3 綜合風險指數的賦權及合理性分析

對所有的影響因子進行賦權后，運用Kendall 相關系數對賦權權重結果進行驗證。將m個專家合成一個專家庫，對所有的權重數據進行排列，判斷權重數據的排列順序。若是排列順序與計算順序一致，則證明影響因子與實際覆冰的產生影響因子相似程度一致，若是排列順序與計算順序相反，則證明影響因子與實際覆冰的產生影響因子相似程度不一致。

3.2 輸電線路覆冰風險分級校準

通過數據統計，發現同樣溫度、風速等環境下，降水量達到某個定值后與輸電線路覆冰風險等級成反比。所以需要對降水量的影響因子進行重新校準，設定降水量與輸電線路覆冰風險的飽和值，然后引入降水量因子到修正函數中進行計算得到以下結果：

其中，Rf代表降水量；Ipre代表修正因子，最終所獲取的結果可以代表覆冰風險等級指數。

3.3 輸電線路覆冰風險分級

得到風險等級指數后，可以根據指數在超高壓輸電線路技術參數中進行風險等級的查詢，確定風險等級，根據指數結果，建立五級風險顯示指標，并對總結結果進行匯總操作，不同指數對應的風險等級如表1所示。

表1 不同指數對應的風險等級

4 實驗與結果分析

4.1 實驗案例

為了驗證本文提出的基于機器視覺的超高壓輸電線路覆冰災害分級預警模型的實際應用效果，設計實驗，選用的覆冰輸電線工作電壓為220 kV，共有10 組，同時比較覆冰時長、溫度、濕度、風速、冰厚等多種因素，得到的覆冰數據如表2所示。

表2 輸電線路覆冰數據

根據上表可知，隨著覆冰時長的增加，輸電線的冰厚也在不斷增加，溫度、濕度和風速都處于不穩定狀態，同時選用本文提出的預警模型和傳統的基于圖模型的輸電線預警模型、基于PSOEM-LSSVM 的預警模型對10 組樣本進行訓練預警，判斷預警準確率。

采用平均相對誤差計算方法確定預測結果的準確性，相對誤差計算公式如下所示：

其中，ε表示計算的相對誤差結果；M表示被計算的覆冰樣本數量；ym表示在針對第m個模型進行計算時，得到的實際值；y*m表示預測模型的預測結果。

4.2 結果分析

覆冰率預測結果如圖4所示。

圖4 覆冰率預測結果

根據圖4計算相對誤差，得到的結果如下表3所示。

表3 相對誤差計算結果

根據表3可知，隨著風速的增加，傳統的基于圖模型的輸電線預警模型、基于PSOEMLSSVM 的預警模型的預警誤差都在隨之增加，基于PSOEM-LSSVM 的預警模型的預警誤差最大，樣本號10 的預警誤差已經達到7.24%，預警能力顯現出極大的局限性，整體預警效果較差，輸電線的安全運行難以得到保障，極易發生安全問題。本文提出的基于機器視覺的預警模型的預警能力明顯高于傳統預警方法，預警過程不會受到外界因素影響，預警相對誤差始終低于0.02%，在實際生活中具有極高的適用性，能夠很好地保證輸電線正常運行，及時應對覆冰災害。

5 結束語

超高壓線路上覆冰風險等級的預警可以有效提高事故救援速度，為管理單位做出有效的預備措施起到重要作用。本文主要完成了以下研究：

1）本文利用機器視覺對超高壓輸電線路上的覆冰實時狀態進行圖像采集；

2）使用CNN 算法對圖像信息分類處理，為后期的風險等級計算創造信息條件，使風險等級劃分更加明顯；

3）對圖像中的多項因子進行分析，建立PSOEM-LSSVM 模型實現了風險等級的對外表達，相比傳統方法具有更好的全面性；

4）實驗結果表明，建立的預測模型能夠精準地預測覆冰厚度，對于輸電線路保護有重要意義。