基于無人機技術的輸電線路智能地線管控方法

孫 偉 閆可飛 阮利生 付 磊 張云飛

（國網冀北張家口供電公司）

0 引言

輸電線路智能地線管控是為了提升電力系統的安全性的研究。現階段，傳統的線路管理方法已經無法滿足復雜電力網絡的需求［1］。智能地線管控通過結合先進的信息技術和通信技術，實現對輸電線路的實時監測、分析和控制，從而實現對線路狀態的精確評估和監管。輸電線路智能地線管控作為電力系統領域的重要研究方向，旨在通過應用先進的信息技術和通信技術，實現對輸電線路狀態的精確監測、分析和控制，以提升電力系統的安全性、可靠性和效率。這對于實現智能電網的發展和推廣，以及滿足未來電力需求的增長，具有重要的意義［2］。

傳統的輸電線路智能地線管控方法主要依賴人工巡檢和監測設備。人工巡檢需要專業人員沿線巡視，發現地線的故障或異常情況，并進行相應的維修和處理。這種方法存在人力資源和時間成本高、覆蓋范圍有限、容易忽略細微故障等問題［3-4］。

另一種常見的方法是使用監測設備，如傳感器和監控攝像頭等，進行地線的實時監測。這些設備可以收集地線的相關數據和影像信息，并傳輸到中心控制系統進行分析和處理。然而，這種方法受限于設備的可靠性和覆蓋范圍，而且數據的處理和分析也需要人工干預和判斷，存在一定的誤差和延遲。綜上所述，傳統方法在地線管控方面存在一些限制和不足之處，無法實現對輸電線路地線的全面、精準的監測和管理。在此背景下，本研究采用基于無人機技術設計新的智能地線管控方法。

1 基于無人機技術的輸電線路智能地線管控

1.1 基于無人機雙目仿鷹眼視覺的興趣區域提取方法

基于無人機雙目仿鷹眼視覺的興趣區域提取是一種利用無人機搭載雙目攝像頭，模擬鷹眼視覺系統的方法，對地面上的興趣區域進行高效提取和識別［5］。該方法在不同的角度和距離同時獲取地面景物的圖像。通過對雙目圖像進行計算機視覺算法的處理，可以實現對地面上的興趣區域進行精確提取。

無人機雙目成像示意圖如圖1所示。

圖1 無人機雙目仿鷹眼視覺成像方法

仿鷹視覺是一種以中樞為中心、以邊緣為中心的生物視覺系統，通過多個神經元層次的加工，將人們的注意力吸引到了中樞。因此，在這篇文章中，將的像素對比度設置為顯著信息，像素對比度主要分為亮度、紋理以及顏色對比度。為了計算灰度反差，以每個像素作為中心，設置輝度反差操作窗。而相對灰度值則會對視覺刺激的狀態產生很大的影響［6］。

相對灰度和像素點亮度對比度之間存在一定的關系。當圖像具有高對比度時，不同灰度級別之間的差異更為明顯，圖像會顯得更加清晰和鮮明。相反，如果對比度較低，圖像中的灰度級別差異則相對較小，圖像會呈現出更加平坦和模糊的效果。減少或壓縮像素灰度值的差異會降低圖像的對比度，使圖像變得更加平滑。這種改變對比度的原理是通過調整像素的灰度值范圍來實現的。通過拉伸或壓縮原始圖像中的灰度值分布，可以改變圖像中不同灰度級別之間的差異程度，從而影響圖像的對比度。

設置相對灰度值是G的像素點亮度對比度是G(x，y)。

式中，m表示各個運算窗口的像素數目；Gm表示像素點灰度值。

在光度路徑上，每個像素之間的光度沒有差別，只有色度和色度有差別。在鷹眼色彩空間中，任意一種色彩，都可以用3D的方式來描述。在該三維向量中，色調值可描述亮度值的變化，最大和最小值為-180°，180°；色彩向量的模值即為色彩飽和度，最大飽和度為1，原點飽和度為0。

不同像素點Q、W之間的顏色也存在不同，顏色對比度的差異是?。

根據顏色對比度之間的差異性，提取興趣區域V(x，y)：

2.2 地線隱患特征提取

在對輸電地線的管控中，提取地線行為特征的目的是為了實時監測地線的狀態和性能，以便及時發現潛在的故障和異常情況。通過提取地線行為特征，可以對地線的電流、電壓、接地阻抗等參數進行分析和監測，從而評估地線的工作狀態是否正常，以及可能存在的問題。本文采用小波變換理論進行輸電線路的地線地線行為特征的提取。針對輸電線路的地線分布參數數學模型［7］。小波變換可以同時提供時間和頻率信息，可以分析不同尺度的地線行為特征。在輸電系統中，地線地面電流通常存在多個頻率成分，通過小波變換可以將這些成分分離出來，實現對地線行為特征的準確分析。設定一個母小波H(t)，經過兩次伸縮與平移變換，得到模型的時域轉換函數，可表示為：

式中，Δγ表示變化帶寬。

將時域函數進行小波分解，構造地線模型在高維空間中的特征向量［8］，即：

式中，g0表示分解系數；A和B分別表示分解后的兩個不同地線節點；d表示信號長度。

2.3 基于深度殘差網絡的地線故障識別模型

把2.2小節中的地線模型在高維空間中的特征向導進深度殘差網絡，在殘差模塊的作用下，提取圖像特征信息，步驟如下：

①將地線模型在高維空間中的特征向導進深度殘差網絡；

②地線模型轉換：首先，將地線模型轉換為對應的圖像特征表示。這可以通過各種方法實現，例如將地線模型的參數作為圖像的像素值，或者通過地線模型的輸出結果構建特定的圖像表示。

③應用深度殘差網絡，以實現對圖像特征的提取。

④特征提取與傳遞：在深度殘差網絡中的每個殘差模塊中，利用地線模型的特征表示進行特征提取和傳遞。具體而言，可以將地線模型的特征與輸入圖像的特征進行融合或拼接。

⑤殘差學習與更新：在每個殘差模塊中，除了進行特征提取外，還可以引入殘差學習機制。殘差學習通過跳躍連接將輸入特征與輸出特征相加，使網絡能夠更好地學習和表示圖像中的重要特征。

⑥結合其他網絡層：除了殘差模塊外，深度殘差網絡還可以包括其他常見的網絡層，如池化層、全連接層等，以進一步提取和表達圖像的特征。

⑦把獲取的圖像信息以全局平均池化的方式，把特征壓縮變成一維向量。然后通過Softmax分類器，以二分類的方式，識別G′是否屬于地線故障類圖像。

提取出的輸電線路圖像特征信息表示為G′，導入全局平均池化層中壓縮后，使用Softmаx分類器識別地線故障：

式中，η是Softmаx分類器的參數。

3 實驗論證分析

為了驗證基于無人機技術的輸電線路智能地線管控方法的有效性，設計如下實驗。首先，選擇具有一定長度和復雜地形的現場輸電線路作為實驗對象。在實驗開始前，建立一個完整的地線行為模型，并利用數據采集設備對地線行為特征進行測量和記錄。其次，使用無人機技術進行實際地線管控實驗。無人機搭載相機、熱像儀、雷達等多種傳感器，用于獲取地線的圖像、熱點分布和障礙物檢測等數據。此外，還可以利用激光雷達和慣性導航系統等設備獲取地線的三維坐標信息。在實驗過程中，無人機會按照預設的路徑沿著輸電線路飛行，同時將獲取到的數據實時傳輸到地面處理站。通過分析數據，可以實時監測地線的狀態、溫度、接地阻抗等指標，并及時發現可能存在的故障或異常情況。監測范圍為以架空地線為中心，半徑5.0 km的環形區域。相機的攝影技術參數如表1所示。

表1 可見相機技術參數

基于以上相機裝置，實驗共采集到了5000張存在地線隱患行為的實時樣本圖像，由此構建地線地線圖像數據集。

通過損失函數可以測試出研究方法提取的圖像興趣區域的失真情況，是因為損失函數可以用來衡量生成圖像與目標圖像之間的差異或相似度。在圖像處理任務中，通常會定義一個損失函數，用于比較生成的結果與真實目標的差異程度。對于提取圖像興趣區域的任務，我們可以將生成的興趣區域圖像作為生成圖像，將真實的興趣區域圖像作為目標圖像。當提取的圖像興趣區域與目標圖像高度一致時，其損失值會較低，表示提取的結果準確無失真。而當提取的圖像興趣區域與目標圖像存在明顯差異時，損失值會較高，表示提取的結果存在失真。設置損失函數為μ，測試結果如圖2所示。

圖2 損失函數μ測試結果

如圖2所示，本文方法應用后，地線圖像的興趣區域失真度更小。

將輸電線路超分辨率圖像作為樣本輸入到地線故障識別模型中，在使用此模型識別地線故障時，先使用已知地線故障圖像作為訓練樣本進行訓練，訓練時的平均精度與訓練迭代次數之間變化如圖3所示。

圖3 訓練時的平均準確率與訓練迭代次數之間變化

如圖3所示，訓練過程中，迭代78次時，本文方法對已知地線故障圖像識別結果的平均精度值已經超過0.95，為此，本文方法在識別圖4地線故障時，將基于深度殘差網絡的地線故障識別模型的迭代次數設成78。在此前提下，

為進一步測試本文方法在輸電線路的地線隱患監測方面的優越性，采用文獻［3］方法和文獻［4］方法與本文方法進行對比，將三種方法得到的地線地線隱患定位坐標與真實坐標進行比較，并對比不同方法的定位精度，結果如表2所示。

表2 地線監測誤差結果對比

分析表2中數據可知，所提方法對輸電地線的監測具有更高的精度，且數值水平始終保持在97%以上。

4 結束語

本研究提出了一種基于無人機技術的輸電線路智能地線管控方法，通過利用無人機雙目仿鷹眼視覺技術提取輸電地線的興趣區域，并結合小波變換分析地線的故障隱患特征，運用深度殘差網絡完成輸電線路智能地線故障的診斷和管控。無人機技術的應用也可以減少人力投入和風險，提高工作效率和安全性。