基于激光點云的電力線損實時檢測技術

孫春華，石旭初，汪洋，孫云峰，周定亞

(國網江蘇省電力有限公司 漣水縣供電分公司，江蘇 漣水 223400)

0 引言

電能在傳輸的過程中經過配電、變電等環節會造成一定的損耗[1]。其中一部分電能損失源于電力設備本身損耗，如變壓器、表計電壓線圈損耗等，這些電力線損稱為固定損耗；而另一部分電能損失為管理損耗，主要由于線路故障、計量裝置誤差等原因造成，屬于可以進行監測和控制的部分[2-3]。近年來，隨著激光技術的快速發展和進步，其更多的優點和性能不斷地被發掘出來，激光的應用領域也進一步得到拓展[4]。

激光檢測技術是對激光優良性能的有效應用，如激光掃描、跟蹤、測振、激光校準、破損識別、光譜分析等都顯示了激光檢測的優越性[5]。應用激光技術對被測物體進行掃描和檢測，采用了非接觸的方式、精度高、時間短、受測量范圍和被檢測物體位置的影響較小[6]。在激光檢測技術當中，點云檢測精度最高、效果最優，激光點云以空間坐標為參考系，基于對被檢測對象的空間掃描，提取被測對象各個采樣點的空間坐標，獲取海量采樣點的集合，這些點集合能夠表示被測對象的表面性狀及空間分布[7-8]。傳統的模糊檢測方法，如神經網絡檢測方法，具有計算復雜、假設條件多、實時性不足等，難以有效改善電力線損的檢測效果[9]。為提高電力線損檢測精度低、誤差高、實時性差的弊端，本文提出了一種基于激光點云的電力線損實時檢測技術研究。利用激光探測傳感裝置提取點云特征，選定線損數據的樣本集，構建樣本點的特征向量，并求解支持向量機SVM的判別函數，完成對電力線損的精確檢測。仿真實驗表明文章提出的基于激光點云的電力線損實時檢測技術研究，能夠有效提高檢測精度，降低線損率和系統誤差，減少電能在傳輸過程中的損耗。

1 電力線損檢測原理及流程

采用激光探測傳感器對出現線損的線路段進行激光掃描，獲取故障端的點云特征，形成故障樣本集，分析樣本集的特征向量，通過基于支持向量機(SVM)進行函數判別，完成線路線損的精準檢測。在電力線路檢測的過程中，最為關鍵的點云數據的提取和分析，其電力線損檢測算法流程如圖1所示。

圖1 電力線損檢測流程

2 基于激光點云的電力線損實時檢測技術

為了實現基于激光點云的電力線損實時檢測，通過基于支持向量機(SVM)進行電力線點云的提取，而SVM在分類模型選擇時，更加傾向于選擇簡單的模型，如直線、平面、超平面等。對于線性可分為二類問題，SVM能夠將兩類樣本準確分開，同時能夠使兩類數據到超平面的空間間隔最大，從而得到最優超平面。如圖2所示。

圖2 線性可分支持向量機

圖2中的兩類數據，K表示最優超平面，離K平面最近且平行于K平面的K1和K2平面上的樣本為支持向量，可通過這些支持向量實現數據集的分類。

對于K最優超平面，可表示為式(1)。

f(x)=ωTx+b

(1)

式中，ω為參數向量；b為平移向量。

對于圖2中的兩類樣本{(x1,y1),(x2,y2),…(xn,yn)}，xi∈Rn，yi∈{-1,+1} ，i∈1,2,…n。當f(x)=0，x在超平面上；當f(x)<0時，對應的y=-1；當f(x)>0時，對應的y=+1。

兩類數據的支持向量到超平面的距離可表示為式(2)。

(2)

由此可知，為了確定一個超平面將兩類數據進行分開，并且樣本離超平面的距離足夠遠，使得兩者的間距最大，從而可確定f(x)的參數向量ω和平移向量b，使得距離d最大，需要滿足式(3)。

(3)

s.t.yi(ωTx+b)≥1,i=1,2,…,m

通過轉化，表示為式(4)。

(4)

s.t.yi(ωTx+b)≥1,i=1,2,…,m

由上述公式可知，目標函數為二次，約束條件為線性?？赏ㄟ^構建拉格朗日函數，將偶性變化問題轉化為一個無約束的優化問題，從而使得問題求解更加容易。通過添加拉格朗日乘子ai(ai≥0)，結合KKT條件，上式可以轉化為對偶問題,如式(5)。

(5)

對ω和b求導可得式(6)。

(6)

令上式分別為0，代入到式(5)中，可得式(7)。

(7)

因此，新問題求解的目標函數可以表示為式(8)。

(8)

即通過拉格朗日函數將原問題的約束條件融合到目標函數中。通過向量機SVM進行函數判別，實現了對電力線損的精確檢測。

3 實驗結果與分析

本文進行仿真實驗，驗證提出技術研究在提高檢測精度和降低線損率方法的優勢。在檢測精度的表現方面，分別采用傳統神經網絡模糊檢測技術和本文提出基于激光點云的檢測結果進行對比分析，在線路故障和計量裝置上分別提取100個點進行測試，每10個點為一組，以每組數據的平均值作為測量結果，如表1、表2所示。

從表1、表2的結果可知，在線路故障檢測方面和計量裝置故障檢測方面，本文提出的基于激光點云的檢測系統相比于傳統的檢測技術，結果精度更高。

表1 線路故障方面的平均檢測率(%)

表2 計量裝置故障方面的平均檢測率(%)

對某A、B兩段線路分別采用常規檢測方法和本文方法進行線損率檢測，檢測時間各為1個月，在采用本文方法檢測的過程中，若發現線路故障，及時對其進行處理，對其線損率數據進行匯總整理，如圖3、圖4所示。

圖3 線損率監控變化情況A

圖4 線損率監控變化情況B

由圖3、圖4可知，在采用本文檢測技術前A、B兩段線路線損率高達2.5%，表明線路中存在故障，局部還可能出現漏電或竊電情況；而采用本文提出的基于激光點云的電力線損實時檢測技術后，可實時對線路中出現的故障進行排除，使線損率降低到1%以下。由于可見，本文檢測技術有利于提高檢測結果的精準度和減低線損率。

4 總結

電能在傳輸的過程中，除了自身的損耗以外，還會因為各種自然因素的影響或是線路故障等導致損耗的出現。本文提出的一種基于激光點云的電力線損實時檢測技術，通過仿真實驗表明，該基于激光點云的電力線損實時檢測技術的檢測效率更高、速度更快，而且通過該檢測技術能夠及時排除故障，能夠將常規高達2.5%的線損率降低到1%以下，有利于電能傳輸成本的節約。