基于圖像識別的輸電線路設備缺陷識別應用系統設計

翟瑞聰，林俊省，鄭 樺

（1.廣東電網有限責任公司機巡管理中心，廣東廣州 510000；2.南方電網數字電網研究院有限公司，廣東廣州 510000）

圖像識別是指利用計算機軟件對圖片信息進行理解、分析與處理的應用技術，可在不同模式環境下，針對多種信息目標執行不同的操作行為，是深度學習算法領域中一種全新的實踐行為手段。傳統的圖像識別流程由圖像采集、圖像預處理、特征提取、圖像識別4 個部分組成[1-2]。其中，前3 個步驟可對一幅完整圖像進行多層次分割，并對所有信息參量進行編號處理，并以此為基礎，將所有信息文件都固定在原始傳輸位置，從而縮短最終處理所需的實際消耗時間。

在高壓電網絡環境中，隨線路架設距離的延長，個別輸電線路設備所具有的電子匯集能力會出現明顯下降的現象。為避免上述情況的發生，深度學習型缺陷識別系統在智能巡檢軟件的支持下，對線路環境中的電子傳輸量進行準確計數，再通過標記絕緣子的方式實現對個別線路設備的精準化識別。但此系統可同時檢測的傳輸電子量水平相對較低，很難完全滿足實際應用需求。為解決此問題，該研究基于圖像識別設計了新的輸電線路設備缺陷識別應用系統。

1 系統硬件環境設計

輸電線路設備缺陷識別應用系統的硬件執行環境由輸電循環回路、任務管理模塊、電量基站控制設備三部分組成，具體搭建方法如下。

1.1 輸電循環回路

輸電線路設備缺陷識別應用系統的輸電循環回路由充電單元、放電單元兩部分組成，其結構如圖1所示。其中，充電回路中的電壓輸入值為U1，在電子聚集器元件的作用下，隨待識別圖像中電量傳輸極值水平的增大，輸入電壓U1的物理數值也會不斷提升，直至循環調阻器元件所輸出的電壓值水平與循環電路總輸入值U0完全相等[3-4]。放電回路中的電壓輸入值為U2，隨電阻R2實際接入阻值的增大，輸入端所負載的電壓傳輸值水平也會逐漸升高。當整個循環回路中的U1與U2電壓數值完全相等時，輸電線路末端循環調阻器所具備的電子匯聚能力達到最強，此時輸電線路設備缺陷應用系統具備最強的電子識別能力。

圖1 輸電循環回路結構圖

1.2 任務管理模塊

任務管理模塊存在于輸電線路設備缺陷識別應用系統的中層執行單元中，可根據輸電循環回路中電子量信息的實際傳輸情況，確定待識別電量信息的具體存儲數值水平。一般情況下，高壓電網環境中的電子輸入量越大，任務管理模塊所具備的電力調度能力也就越強，反之則越弱[5-6]。設zmax代表高壓電網環境中的最大電量輸出系數值，在既定傳輸時間內，該項物理量的數值水平越大，電網低壓端所能接收到的反饋電子量也就越多。n代表電子傳輸信息在高壓電網環境中的迭代反饋系數，與其他物理量不同，該項數值指標不受除輸電線路長度以外的其他物理條件的影響。聯立上述物理量，可將識別應用系統中的任務管理模塊執行能力標準Xn定義為：

其中，代表單位時間內的電子量傳輸均值，χ1、χ2分別代表兩個不同的傳輸電子特征識別系數。

1.3 電量基站控制設備

電量基站控制設備存在于輸電線路旁系應用執行單元中，能夠準確記錄高壓傳輸電子的實際識別情況，并可根據個別節點處電量傳輸行為的變化狀態，對系統內已存儲的應用電子進行二次分配與調度處理[7-8]。從應用性角度來看，電量基站控制設備能夠與任務管理模塊保持即時連接關系，并可在不違背輸電循環回路中電子傳輸關系的情況下，控制輸電回路中電子流的傳輸寬度水平。一方面能夠實現對高壓電子的按需聚合，另一方面也可將底層電網結構中的應用電子量完全聚合于同一電網執行設備中，從而使輸電線路網絡中的電信號節點缺陷識別需求得以完全滿足[9-10]。

2 系統軟件環境設計

在系統硬件執行環境的支持下，按照卷積神經網絡搭建、棧式自動編碼器連接、RBM 識別節點訓練的處理流程，實現系統的軟件執行環境搭建，兩相結合，完成基于圖像識別的輸電線路設備缺陷識別應用系統設計。

2.1 卷積神經網絡

卷積神經網絡中包含多個卷積層和一個頂端全連通層，可在已知輸電線路設備缺陷識別應用系統圖像識別需求的前提下，借助網絡池化層組織對高壓電網的執行權重進行精準計算，再通過特定的二維結構主體，將這些信息參量反饋至既定的系統應用元件之中[11-12]。與其他高壓電網深層應用結構相比，卷積神經網絡在電量信息圖像處理方面具備較大的應用優勢，能夠在輸電循環回路、任務管理模塊、電量基站控制設備等多個電子元件的作用下，實現對高壓電網傳輸電子流的合理化調節，再沿用反向傳播標注，對相鄰電量設備節點間的編碼訓練能力進行約束。隨著電子信息圖像待識別數量級水平的增大，卷積神經網絡的實際作用強度也會不斷加強，直至系統數據庫主機能夠與傳輸電子量的實際存儲需求完全匹配。設sn代表迭代次數為n時的電量傳輸行為指標，d0代表最小的電子信息圖像識別系數，dn代表最大的電子信息圖像識別系數，聯立公式（1），可將識別系統中的卷積神經網絡執行標準定義為：

其中，f代表輸電線路中的電量設備應用權限，Δh代表輸電節點處的傳輸電子累積量，β代表與電力節點相關的缺陷識別系數，g代表特定的輸電線路行為參量。

2.2 棧式自動編碼器

棧式自動編碼器可與卷積神經網絡直接相連，可在圖像識別原理的作用下，將已存儲應用電子量轉變為全新的連接傳輸形式，并以此為前提，對各類電子參量進行整合與調度處理。在高壓輸電網絡中，用原始電信號圖像信息訓練第一個自動編碼器結構，得到一個初始識別權值，再聯合處于第一處理階層中的電信號特征值，作為輸入第二個自動編碼器結構的輸入數據，得到第二個初始識別權值[13-14]。以此類推，對所有輸電線路階層結構都采取同樣的處理方式，以解放處于隱藏狀態的電路設備缺陷識別節點。設代表高壓電網環境中的電信號特征均值，β代表基于圖像識別原理的電信號傳輸系數，i0代表傳輸電子量的下限識別權限值，in代表傳輸電子量的上限識別權限值，ξmax代表電子缺陷量的最大傳輸行為指標，聯立公式（1），可將棧式自動編碼器的實際連接權限表示為：

2.3 RBM識別節點的訓練處理

RBM 識別節點訓練處理是基于圖像識別輸電線路設備缺陷識別應用系統搭建的末尾設計環節，可在棧式自動編碼器結構的作用下識別高壓電網傳輸環境，并可對個別識別節點處堆積的電量信息進行整合與規劃，從而降低未匯聚電量對電網傳輸環境造成的影響。規定ΔT代表既定的高壓電子識別時間，在該段時間內，隨著電子信息圖像數量級水平的增大，個別節點處累積的電量缺陷行為能力也會不斷提升，直至整個高壓電網環境中的電量輸出行為能夠持續趨于穩定[15-16]。代表高壓電子的均值輸出量，聯立公式（3），可將RBM 識別節點的訓練處理結果表示為：

其中，χ′代表高壓電網環境中基于圖像識別標準的電量傳輸行為指標，代表與輸電線路設備相關的缺陷識別特征值，j代表既定電量識別節點的位置坐標。至此，完成各項軟硬件執行環境的搭建，在圖像識別原理的支持下，實現新型輸電線路設備缺陷識別應用系統的順利應用。

3 對比實驗與分析

為驗證基于圖像識別輸電線路設備缺陷識別應用系統的實際應用能力，設計如下對比實驗。將圖2所示的電網設備主機同時接入相同的高壓電網應用環境中，其中實驗組主機搭載基于圖像識別輸電線路設備缺陷識別應用系統，對照組主機搭載深度學習型缺陷識別系統，在相同實驗環境下，分析相關實驗指標的實際變化情況。

圖2 電網設備主機

已知單位時間內的傳輸電子量檢測值及既定時間節點處的電子識別精準度都能描述輸電線路設備所具備的電子匯集能力。一般情況下，傳輸電子量檢測值越大，電子識別精準度越高，輸電線路設備所具備的電子匯集能力也就越強，反之則越弱。表1、表2 記錄了實驗組（該文系統）、對照組（傳統系統）實驗指標的詳細數值變化趨勢。

表1 單位時間內的傳輸電子量檢測值

分析表1 可知，實驗組傳輸電子量檢測值在前兩個單位時長內，始終保持不斷上升的變化趨勢，而從第3 個單位時長開始，這種上升趨勢逐漸趨于穩定，全局最大值達到了7.9×1013T。對照組傳輸電子量檢測值在整個實驗過程中始終保持不斷上升的變化趨勢，但實驗后期的上升幅度明顯小于實驗前期，全局最大值僅能達到4.8×1013T，與實驗組最大值相比，下降了3.1×1013T。

分析表2 可知，隨著實驗時間的延長，實驗組電子識別精度值保持先穩定、再上升的變化趨勢，全局最大值達到了81.6%。對照組電子識別精度值則始終保持穩定下降的變化趨勢，全局最大值僅能達到64.1%，與實驗組最大值相比，下降了17.5%。

表2 既定時間節點處的電子識別精度值

綜上可知，隨著基于圖像識別輸電線路設備缺陷識別應用系統的應用，單位時間內的傳輸電子量檢測值、既定時間節點處的電子識別精準度均出現了明顯增大的變化趨勢，能夠有效維持輸電線路設備所具備的電子匯集能力。

4 結束語

在圖像識別原理的支持下，新型輸電線路設備缺陷識別應用系統在深度學習型缺陷識別系統的基礎上，對輸電循環回路、任務管理模塊等硬件執行結構進行改進，不僅能夠實現對RBM 識別節點的有效訓練，也能促進高壓電網絡結構合理性規劃能力的增強。從實用性角度來看，單位時間內傳輸電子量檢測值、既定時間節點處電子識別精準度值的增大，能夠加快高壓電網環境中的電子匯集速度，具備較強的實際應用價值。