基于EDPF算法的高空高壓線故障智能識別

李建華，周靈剛

(國網(wǎng)浙江臺州供電公司，臺州 318000)

高壓線的主要功能為傳輸高壓電力[1]，山區(qū)危險高空高壓線長期工作在復(fù)雜的自然環(huán)境中，受多變天氣的影響，有較大概率形成異物懸掛、絕緣子破損與斷股等故障[2]。若無法在第一時間處理故障，易發(fā)生電力傳輸中斷問題[3]。

當(dāng)前常用的高壓線故障智能識別方法主要有基于高頻測試信號注入的線路故障識別方法[4]和基于改進方向電流法的線路故障識別方法[5]。前者利用智能電表獲取電網(wǎng)信息內(nèi)的阻抗參數(shù)，同時依照阻抗特性與電網(wǎng)高頻測試信號實現(xiàn)高壓線故障識別；后者將方向電流法作為核心，結(jié)合暫態(tài)能量偏離度共同實現(xiàn)高壓線故障識別。但上述方法的實際應(yīng)用難度較大，且易受外界自然環(huán)境的影響，故障圖像的篩選效率較低。

針對以上問題，筆者研究了新的基于無人機航拍的山區(qū)危險高空高壓線故障智能識別方法，準確識別了高壓線故障，提升了山區(qū)危險高空高壓系統(tǒng)運行的穩(wěn)定性。

1 山區(qū)危險高空高壓線故障智能識別方法

1.1 無人機航拍圖像恢復(fù)處理

無人機航拍圖像在成像過程中會存在變形、失真等問題[6-7]，影響航拍圖像的質(zhì)量，為此，需對無人機航拍圖像進行恢復(fù)處理。通過構(gòu)建無人機航拍圖像的近似退化模型，利用b(x,y)表示物平面上實際無人機航拍圖像，最終獲取退化模型描述的退化無人機航拍圖像。

l(x,y)=H[b(x,y)]+n(x,y)

(1)

式中：l(x,y)和H[·]分別為退化無人機航拍圖像和成像過程中全部退化因素的變換函數(shù);n(x,y)為外部加性噪聲[8]。

依照線性系統(tǒng)理論得到

H[b(x,y)]=H[b(x,y)*?(x,y)]=

b(x,y)*H[?(x,y)]=b(x,y)*h(x,y)

(2)

式中:?(x,y)為單位沖擊信號;h(x,y)為單位圖像退化因素的變換函數(shù)。

基于此，在忽略加性噪聲的條件下，利用式(3)描述退化模型的響應(yīng)。

(3)

考慮H[·]的空間不變性特征，可利用式(4)描述其對位移信號的響應(yīng)。

b(x-x0,y-y0)*h(x,y)=l(x-x0,y-y0)

(4)

式中：b(x-x0,y-y0)為位移信號。

結(jié)合外部加性噪聲，可利用式(5)描述轉(zhuǎn)換后的退化模型。

l(x,y)=b(x,y)*h(x,y)+n(x,y)

(5)

利用退化模型即可完成無人機航拍圖像的恢復(fù)。

1.2 基于EDPF算法的高壓線圖像邊緣檢測

在恢復(fù)無人機航拍圖像后，檢測山區(qū)危險高空高壓線圖像邊緣，防止出現(xiàn)虛假高壓線問題[9]。選取EDPF(earliest deadline and processing time first)算法，該算法的主要優(yōu)勢體現(xiàn)在無參數(shù)、適應(yīng)性強等方面[10]。

EDPF算法與ED算法相比，差異主要體現(xiàn)為EDPF算法的全部參數(shù)均處于上限值狀態(tài)[11]，在此狀態(tài)下，確定全部的可能邊緣段，通過亥姆霍茲理論，在全部可能邊緣段中清除不具效用的假性線段。依據(jù)亥姆霍茲理論的假性線段檢驗過程如式(6)所示。

(6)

式中：n和r分別為線段長度像素值和沿著線段的梯度對齊像素值，稱為對齊像素值；P為無人機航拍組合方法的數(shù)量；q為方向精度，其值取0.125；N為寬度；M為高度;i為像素變化參數(shù)。

在NFA(n,r)不大于1的條件下，定義該線段有效[12]，相反在NFA(n,r)大于1的條件下，定義該線段無效。

EDPF算法將梯度區(qū)域內(nèi)像素上限值區(qū)域作為錨點，通過同鄰近點對比確定錨點。為了提升EDPF算法內(nèi)錨點確定的準確率，選取五階LOG(高斯拉普拉斯函數(shù))算子作為對比過程中權(quán)重確定的工具[13]，該算子可通過式(7)描述。

(7)

F(x,y)為像素點的對比值，其如式(8)所示。

式中：在F(x,y)≥Fth(Fth為像素閾值)的條件下，G(x,y)被定義為錨點，相反則被定義為普通邊緣點。

1.3 可疑故障區(qū)定位

在山區(qū)危險高空高壓線上存在斷股、異物懸掛等故障時，高壓線圖像局部灰度會出現(xiàn)顯著波動，因此為實現(xiàn)最終的故障識別，基于1.2節(jié)的高壓線圖像邊緣檢測結(jié)果，引入投影法確定山區(qū)危險高空高壓線可疑故障區(qū)域[14-15]。針對無人機航拍圖像b(x,y)，以左下角為坐標原點，設(shè)定x和y分別為橫坐標和縱坐標，用Lx=i?b表示b(x,y)在橫坐標為x=i的垂直方向的投影線，Ly=j?b表示b(x,y)在縱坐標為y=j的水平方向的投影線，由此得到Lx=i={(i,y)∈b}，Ly=j={(x,j)∈b}。Gv(b)為垂直方向的投影，如式(9)所示;Gh(b)為水平方向的投影，如式(10)所示。

(9)

(10)

若b(x,y)為高壓線二值化圖像，由此可得到b(x,y)在垂直和水平方向上的投影分別為

(11)

(12)

2 試驗方法

為驗證研究的基于無人機航拍的高壓線故障智能識別方法的應(yīng)用效果，選定某市山區(qū)高空高壓系統(tǒng)高壓線為試驗對象，利用無人機對其進行航拍，隨機選取其中10個區(qū)域的航拍圖像(每幅圖像均最多包含一個故障或未包含故障)。采用文中方法，基于高頻測試信號注入的線路故障識別方法以及基于初始行波相位差的線路故障識別方法進行故障識別研究。所選區(qū)域?qū)嶋H故障情況如表1所示。

表1 所選區(qū)域?qū)嶋H故障情況

2.1 無人機航拍圖像處理結(jié)果測試

2.1.1 圖像恢復(fù)效果測試

高斯噪聲及椒鹽噪聲下，各識別方法圖像恢復(fù)的信噪比SNR與峰值信噪比PSNR如表2，3所示。

表2 高斯噪聲條件下各識別方法圖像恢復(fù)的信噪比與峰值信噪比 dB

由表2可知，在高斯噪聲條件下，文中方法恢復(fù)圖像的信噪比與峰值信噪比分別為12.55 dB和30.31 dB，顯著優(yōu)于其他3種識別方法的。由表3可知，在椒鹽噪聲條件下，文中方法恢復(fù)圖像的信噪比與峰值信噪比分別為18.74 dB和36.69 dB，顯著優(yōu)于其他3種識別方法的。綜合表2和表3的試驗結(jié)果可知，文中方法恢復(fù)無人機航拍圖像方面相較于其他3種識別方法具有明顯優(yōu)勢，且可實現(xiàn)高斯噪聲與椒鹽噪聲的消除。試驗結(jié)果充分表明文中方法的適應(yīng)能力較強，去噪聲能力較好。

表3 椒鹽噪聲條件下各識別方法圖像恢復(fù)的信噪比與峰值信噪比 dB

2.1.2 高壓線邊緣檢測

圖13分別為利用文中方法對編號1區(qū)域(無故障)、編號3區(qū)域(斷股故障)和編號8區(qū)域(異物懸掛故障)的邊緣檢測結(jié)果。

圖1 無故障區(qū)域航拍圖像邊緣檢測結(jié)果

圖2 斷股故障區(qū)域航拍圖像邊緣檢測結(jié)果

由圖3可知，采用文中方法能夠有效識別出不同高壓線故障航拍圖像中的高壓線邊緣，且邊緣識別結(jié)果均正確。這一結(jié)果有利于后續(xù)可疑故障區(qū)域的準確定位和故障識別準確率的提升。

圖3 異物懸掛故障區(qū)域航拍圖像邊緣檢測結(jié)果

2.2 可疑故障區(qū)定位結(jié)果

采用文中方法對試驗對象中所選區(qū)域航拍圖像的故障進行定位，所得結(jié)果如表4所示。

表4 文中方法對不同區(qū)域的故障定位結(jié)果

由表4可知，采用文中方法對試驗對象所選區(qū)域進行可疑故障區(qū)定位時，對無故障的航拍圖像均未定位到可疑故障區(qū)域，對存在故障的圖像均成功定位到一個故障區(qū)域。試驗結(jié)果顯示文中方法能夠有效定義可疑故障區(qū)域。

2.3 故障識別準確性測試

利用文中方法識別所選區(qū)域的故障情況，所得結(jié)果如表5所示。

由表5可知，采用文中方法識別所選區(qū)域的故障，均可獲取與實際故障情況一致的檢測結(jié)果，由此說明采用文中方法能夠準確識別試驗對象的故障。

2.4 高壓系統(tǒng)運行穩(wěn)定性測試

對比文中方法和其他3種方法對試驗對象各月實際運行過程中的電力波動累積時長進行統(tǒng)計，結(jié)果如表6所示。

由表6可知，采用文中方法識別故障時，試驗對象在一年內(nèi)的電力波動累積時長達到1 025 min，與其他3種方法相比，降低了40%以上。試驗結(jié)果充分說明文中方法能夠顯著降低試驗對象的電力波動時長，提升試驗對象運行的穩(wěn)定性。

3 結(jié)語

基于無人機航拍的山區(qū)危險高空高壓線故障智能識別方法,通過對山區(qū)危險高空高壓線圖像進行恢復(fù)與高壓線邊緣檢測結(jié)果進行可疑故障區(qū)定位，并通過不同算法識別不同故障。結(jié)果顯示,文中方法能夠準確識別高壓線故障，提升山區(qū)危險高空高壓線路運行的穩(wěn)定性。