基于物聯網技術的輸電線路紅外成像監測方法

國網浙江省電力有限公司桐廬縣供電公司 劉明康 劉俊文 劉 一 沈 陽 徐 鋒 俞峰明

當前，電力已經成為人們生活中不可缺少的一部分，它不僅滲透到居民日常生活中，而且滲透到生產的方方面面。然而，輸電線路長期暴露在自然環境中，會受到自然災害的影響，造成輸電線路損壞，從而影響電網的正常運行。因此，對輸電線路潛在故障預先檢測是電力系統檢修的關鍵點之一，現已經有較多學者開展了輸電線路監測方法的研究。其中，文獻[1]中，裴慧坤等研究了同塔雙回特高壓輸電線路紅外圖像檢測方法，采用灰度線性變換方法進行圖像去噪和增強處理，利用圖像配準算法進行圖像拼接；文獻[2]中，梁興等研究了基于紅外圖像的輸電線路故障識別方法，其預先去除了圖像噪聲，并對故障區域進行了劃分，實現紅外圖像監測。

上述方法雖然能夠實現輸電線路的監測，但是在監測后存在不足，一方面是監測準確性較差，另一方面是監測實時性不足。物聯網技術可以把物品和物品、物品和通訊網絡連接起來，實現信息的交互與智能識別。為此，將該技術應用到輸電線路紅外成像監測中，期望為輸電線路監測提供大量有效的信息，以物聯網技術優化輸電線路紅外成像結果，即改變物聯監測體系的多維最大矢量，提升輸電線路故障點定位效果。

1 輸電線路紅外成像監測體系結構及監測原理設計

此次研究的輸電線路紅外成像監測方法結合物聯網技術中的無線通信網實現信息的傳輸，實現輸電線路的實時監控與管理。基于物聯網技術的輸電線路紅外成像監測體系結構如圖1所示。

圖1 輸電線路監測體系結構

圖1中，感知層主要包含多傳感器、多維編碼和閱讀器，獲取數據辨別信息[3]，在感知層中，主要采用紅外傳感器感知輸電線路，詳細設計在后續內容中具體呈現；通信層主要采用有線與無線混合的通信模式，傳遞和處理感知層信息，但是信息來源和種類較為復雜，在傳輸時還需要進行進一步處理；應用層主要對輸電線路信息進行集成和監控。

2 基于物聯網技術的通信網絡拓撲結構建立

在此次研究的監測結構中，由通信層采集信息。在通信層中，由匯流節點組成全網，且每個節點都需要通過通信節點轉發信息[4]。假設中心節點與N個節點相連接，連接的平均時延為T，將結構可靠性表示為：

公式（1）中，p代表連接鏈路。

當環中節點太多時，信息源要經過多個節點，會影響信息的傳輸速率，延長網絡的響應時間，需要進一步處理，即通過物聯網技術對收集到的大量信息匯聚、融合與傳輸，以減少平均時延，表示為：

上述公式中，N－1代表鏈路數量。

由于輸電線路數據較多，在匯聚處理信息的同時，為進一步提高數據傳輸速率，采用數據融合技術，對數據進行多維度加權融合。將數據加權系數表示為：

在決策集融合過程中，各個數據權重不同，為此建立權重矩陣：

在此基礎上，將權重向量與決策矩陣結合，表示為：

公式（5）中，a1、a2、αm分別代表決策向量。

基于上述過程對數據融合，通過多維度加權融合，能夠提高數據在傳輸過程中的速度。

3 輸電線路紅外成像監測實現

采用基于物聯網技術的通信網絡拓撲結構對輸電線路數據進行采集與傳輸，在輸電線路紅外成像監測過程中，會受到線路中導線、金具以及絕緣子等故障因素的影響，這將造成紅外圖像出現邊緣模糊、對比度差和空域噪聲等問題，這就需要對紅外成像進行處理，詳細處理過程如下。

3.1 顏色空間變換

對輸電線路圖像進行提取時，提取的圖像格式不能直接進行分析，為此，預先將圖像轉換成HIS顏色空間，對圖像的色調、飽和度和亮度進行處理，轉換公式可表示為：

公式（6）中，H、S、I分別代表HIS分量。

依據上述公式能夠將紅外圖像的RGB顏色空間轉換到HIS空間中，方便后續處理。

在上述顏色空間轉換后，進行圖像去噪處理。為防止圖像處理過程中，破壞圖像結構和空間的領域信息，采用中值濾波算法從圖像中取出任意正方形矩陣模板，將其定義為：

在此基礎上，將上述矩陣中的第一列定義為e，將e和矩陣C組成一個新的行矩陣b，矩陣b的中值f表示為：

經上述處理后，將中值f賦予模板中心元素，并且對未賦值的元素進行取值，以此，通過上述處理過程，消除圖像中的噪聲，保證圖像的邊緣信息。

3.2 輸電線路紅外圖像故障區域劃分

基于以上圖像變換和噪聲去除技術，對輸電線路的紅外圖像進行變換增強處理，提出了一種利用紅外圖像灰度門限閾值的方法，識別出輸電線路紅外圖像的背景區域和前景區域，實現紅外圖像的故障區域劃分。

將f(x,y)記作原始輸電線路的圖像灰度值，將G(x,y)記作變換后的圖像灰度值，將線性變換函數表示為：

上述公式（9）中，a、b分別代表紅外圖像的灰度點，c、d分別代表處理后的圖像分段點，Mg、Mf分別代表處理后圖像的最大灰度值與最小灰度值。

基于上述過程對圖像去噪處理，為紅外成像監測提供基礎依據。

3.3 輸電線路紅外成像監測實現

在圖像灰度閾值處理后，進行故障區域故障點識別與定位，采用共軛梯度的正負形式描述紅外圖像邊緣走勢，將公式表示為：

公式（10）中，i代表故障區域的節點位置，φ1代表故障節點坐標，si代表故障邊緣點，di,1代表灰度錨點。

在此基礎上，對紅外圖像故障區域進行模函數構造，表示為：

公式（11）中，Ψi(x,y)為圖像顯著變化區域坐標值。

假設在輸電線路紅外圖像標量場F中一個點處存在矢量H，也是圖像的共軛梯度值，通過改變灰度變化率的最大矢量就能夠獲得故障點定位結果。定位和識別故障點的公式如下：

經過上述處理，得到紅外圖像中故障點的定位結果，在定位后，對定位結果進行判別，判別其屬于哪一類故障。假設定位的樣本有D維，將采集的數據在特征空間里的樣本均值向量表示為：

上述公式中，xd代表第d個數據的類型，ni代表訓練樣本xi的標量。

將信息映射到一維特征空間后，將各類的均值表示為：

在上述映射后，實現對輸電線路的監測，并進行預警，預警過程如圖2所示。

圖2中，將結果通過物聯網技術，傳輸至應用層，以此完成輸電線路紅外成像的監測。

圖2 異常情況預警流程

4 實例測試

為驗證所提出的基于物聯網技術的輸電線路紅外成像監測方法的有效性，進行實例驗證。此次實例驗證分為兩部分進行，一部分是驗證輸電線路監測的準確性，另一方面是驗證監測的實時性。

以某電力集團下屬的110/20V輸電線路為實例測試對象，該輸電線路無法正常工作，監測系統已經上報了主站異常信號，主站退出零壓啟動召測波形邏輯，同步下發指令給全網設備，啟動后備的電場突變監測邏輯來判斷故障點與故障原因，即其因耐張線夾發熱、絕緣子污穢的原因，導致存在如圖3所示的配電線路故障。

圖3 配電線路故障

圖3中，故障線路（C相）電流幅值最大，大于非故障線路（A/B相）的幅值。?故障線路（C相）電流極性、方向與非故障線路（A/B相）相反。?（C相）故障點前后電流方向不同，波形差異大，共包括5處故障區域。

4.1 監測準確性對比

同塔雙回特高壓輸電線路紅外圖像檢測方法、基于紅外圖像的檢測方法與所研究監測方法在輸電線路故障區域識別上的對比結果如圖4所示。

基于圖4可知，所研究的方法識別出5處故障區域，證明所研究方法能夠準確識別出所有的故障區域；同塔雙回特高壓輸電線路紅外圖像檢測方法共識別出兩處故障區域，對于一些小的故障點沒有監測出來；基于紅外圖像的識別方法共識別出一處故障區域，識別準確度較低。

圖4 故障區域識別準確性對比

三種方法在耐張線夾發熱識別上的識別結果如圖5所示。基于圖5可知，所研究方法能夠準確識別出發熱區域，其他兩種方法均發生了漏檢情況，對于發熱故障區域不能準確識別出來。

圖5 耐張線夾發熱識別準確性對比

污穢情況下故障點定位準確性對比結果如圖6所示。基于圖6可知，所研究的方法在污穢情況下也能夠對故障點準確定位，其他兩種方法故障點定位準確度較低。原因是當絕緣子表面附著一層干燥污穢時，會影響良好絕緣子的電場分布，使得絕緣子表面產生電暈，導致良好絕緣子處電場出現下降情況，從而引起誤判斷的情況。而所研究的方法對紅外成像進行了多層處理，從而減少了誤判斷的情況的發生，提高了故障點定位的準確性。

圖6 污穢情況下故障點定位效果對比

4.2 異常情況下監測實時性對比

對比三種方法的監測實時性，對比結果如圖7所示。基于圖7可知，其他兩種方法較所研究方法的監測時間長，原因是其他兩種方法出現重復監測的情況，從而導致監測效率低。而所研究方法能夠準確定位故障，從而提高了監測實時性。

圖7 異常情況下監測實時性對比

基于上述過程證明所研究的方法較其他兩種方法應用效果更好，原因是所研究的監測方法通過兩方面對輸電線路監測方法進行了優化。一方面采用物聯網技術對信息進行了采集與傳輸，另一方面對紅外成像監測過程進行了優化，從而進一步提高了監測效果。

5 結語

完成基于物聯網技術的輸電線路紅外成像監測方法的研究，不僅提高了監測的實時性，還提高了監測的準確性，為輸電線路檢測提供一定的幫助，在一定程度上提高輸電線路的安全性。但是影響輸電線路發生破壞的因素較多，此次研究的方法考慮因素不是很全面，還存在一定的不足，因此需要在后續的研究中多考慮其他因素，以進一步提高輸電線路紅外成像監測的準確性。