基于改進型蟻群算法和圖像識別的變電站機器人路徑規(guī)劃和設(shè)備缺陷識別研究

唐 標，沈映泉，黃緒勇，肖登宇，張 粥

（1.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，昆明 650217；2.云南電網(wǎng)有限責(zé)任公司紅河供電局，蒙自 661100；3.云南電網(wǎng)有限責(zé)任公司曲靖供電局，曲靖 655000）

0 引言

變電站智能化巡檢對提升電網(wǎng)智能化水平、保證電網(wǎng)安全運行具有重要意義，變電站巡檢是保證電網(wǎng)安全運行的傳統(tǒng)且重要的工作，其中特高壓變電站的巡檢尤為重要。這是因為特高壓變電站具有空間大、結(jié)構(gòu)復(fù)雜、配有多種設(shè)備的特點，因此經(jīng)常使用巡檢機器人輔助巡檢工作[1～4]。巡檢機器人可通過普通照片、紫外、紅外影像對變電站設(shè)備外絕緣狀態(tài)進行巡檢[5～8]。

機器人巡檢過程中最重要的即是機器人的安全運行，智能巡檢機器人的安全運行需要服從一下幾個條件：1）巡檢路徑應(yīng)遍歷所有設(shè)備，同時避開相臨電氣設(shè)備之間離地1.5m的電場強度峰值位置；2）具有紅外、紫外成像功能；3）可自動建立圖像數(shù)據(jù)庫、對設(shè)備圖像進行基本處理，對采集的放電圖像和原始圖像進行深度學(xué)習(xí)[9～11]；4）通過對圖像庫的自動匹配和比對，實時監(jiān)測變電站設(shè)備的外絕緣狀態(tài)。上述智能功能基于巡檢機器人本體和測量設(shè)備等硬件，需要后臺軟件的同步操作[12～15]。其中后臺軟件的主要功能是實現(xiàn)巡檢機器人的最短路徑計算，以及機器人運行過程中設(shè)備運行狀態(tài)的識別，這兩個功能也是巡檢機器人的核心功能[9～11]。目前針對巡檢機器人路徑規(guī)劃、圖像識別，研究人員提出了各種計算和識別方法[5～8]，但是現(xiàn)有方法一方面普遍采用二維電場計算的方法，缺乏離地高度的電場分布信息，為機器人的安全運行帶來了潛在威脅；另一方面變電站設(shè)備眾多，路徑規(guī)劃較為復(fù)雜，現(xiàn)有算法的計算效率和收斂性有限，需要較多的迭代步數(shù)才能得到巡檢路徑，增加了運維工作的時間成本。

為此本文提出了一種改進型免疫蟻群算法，結(jié)合模糊神經(jīng)網(wǎng)絡(luò)建立了變電站最優(yōu)路徑選擇模型，結(jié)合特高壓變電站實際尺寸建立變電站的三維有限元模型進行了仿真。將免疫蟻群算法和模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于變電站巡檢機器人的路徑規(guī)劃和視覺圖像處理，有效實現(xiàn)了巡檢機器人的路徑規(guī)劃和設(shè)備故障識別。研究結(jié)果對變電站高壓電力設(shè)備的智能巡檢具有一定的理論和工程指導(dǎo)價值。

1 最優(yōu)巡檢路徑和模糊神經(jīng)網(wǎng)絡(luò)模型

采用免疫蟻群算法計算巡檢機器人的最優(yōu)遍歷路徑，其目的是提高迭代計算效率。與傳統(tǒng)蟻群算法相比（后文稱為傳統(tǒng)算法），免疫蟻群算法通過引入螞蟻的免疫抗體基因參數(shù)，來降低蟻群重復(fù)遍歷同一條路徑的概率，即螞蟻走過某條路徑后，其他螞蟻重復(fù)選擇該路徑的概率降低，從而減少迭代計算步數(shù)、提高計算效率。

采用模糊神經(jīng)網(wǎng)絡(luò)進行設(shè)備外絕緣運行狀態(tài)識別，目的是提高不同拍攝角度下設(shè)備的識別能力。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中通過調(diào)整圖像特征閾值，實現(xiàn)不同設(shè)備的區(qū)分、歸類和識別，此時同一設(shè)備在不同角度進行拍攝時可能被歸類為不同設(shè)備，引起識別錯誤。為此本文利用模糊神經(jīng)網(wǎng)絡(luò)，將確定性的閾值轉(zhuǎn)變?yōu)楦怕拭芏群瘮?shù)，提高圖像識別的適應(yīng)性。

1.1 最優(yōu)巡檢路徑模型

最有巡檢路徑的確定，有以下幾個原則：1）路徑場強較低，巡檢機器人場強較低，保證機器人安全運行；2）遍歷所有設(shè)備；3）巡檢路徑最短。本文從傳統(tǒng)蟻群算法出發(fā)，通過引入螞蟻的免疫抗體基因參數(shù)，來降低蟻群重復(fù)遍歷同一條路徑的概率，提出了改進型免疫蟻群算法，利用該算法計算變電站的巡檢路徑。其基本原理是充分利用典型特高壓變電站的剖分網(wǎng)絡(luò)，通過設(shè)置螞蟻搜尋變電站內(nèi)各種電力設(shè)備之間電場強度最低的安全路徑，同時還要保證巡檢機器人能夠遍歷變電站內(nèi)的設(shè)備。算法按照如下幾個步驟確定最優(yōu)巡檢路徑的搜尋：

1）輸入變電站初始路徑信息、變電站平面圖，得到初始路徑矩陣。

2）根據(jù)變電站平面圖選擇路徑的起始點和終點。

3）輸入設(shè)備信息。

4）基于場強計算得到下一個起點所有可選的位置，通過輪盤賭概率方法計算下一個起點。

該過程通過如下控制方程進行計算：

其中τij(t)是變電站析取圖中的一段路勁弧(I，J)上的蟻群信息素濃度；ηij是與路勁弧(I，J)對應(yīng)的啟發(fā)式信息；α、β分別為τij(t)、ηij的權(quán)重參數(shù)。計算時通過式(1)更新路徑和路徑長度，并迭代計算式(2)和式(3)，直到螞蟻到達目的地或無路徑可走為止。共迭代計算M代螞蟻，每計算一代更新一次信息素矩陣，如果螞蟻未到達目的地則不更新其信息素矩陣。

迭代計算式(1)～式(3)，直到完成第n代螞蟻的迭代計算為止，蟻群系統(tǒng)全局信息素更新規(guī)則如式(4)所示。

在更新過程中，蟻群系統(tǒng)局部信息素更新規(guī)則模式按如下方式定義：路徑構(gòu)建過程中，螞蟻每次經(jīng)過邊緣(I，J)，都會立即調(diào)用該規(guī)則，使用式(6)更新該邊緣上的信息素。

其中ξ，τ0為信息素的初始值。經(jīng)過局部信息素更新后，螞蟻每經(jīng)過一條路勁(I，J)，邊緣τij(t)的信息素就會降低，從而降低其他螞蟻選擇這條路徑的概率。假設(shè)一定規(guī)模蟻群的免疫系統(tǒng)為n，每個抗體基因的長度是m，基因編碼大小為s（二進制編碼，s=2），輸入變量數(shù)是l（優(yōu)化變量的數(shù)量），隨機產(chǎn)生的新抗體數(shù)為p，種群進化規(guī)模為40%，截止代數(shù)是50。計算時最優(yōu)路徑應(yīng)當(dāng)包含有相鄰電力設(shè)備之間的最短路徑，根據(jù)此特點設(shè)置疫苗，然后根據(jù)蟻群免疫適應(yīng)度等于路徑長度倒數(shù)的方法計算免疫適應(yīng)度，最后根據(jù)路徑長度進行免疫選擇，從而保證將較短的路徑應(yīng)用在種群優(yōu)化中。

1.2 基于模糊神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型

自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)，其中的第一層是輸入變量的隸屬度函數(shù)，負責(zé)定量描述輸入信號的模糊程度，按式(7)計算其隸屬度函數(shù)。

其中節(jié)點i具有輸入功能，節(jié)點i的輸入x、y，Ai、Bi為模糊集；Ai和Bi的隸屬函數(shù)值，表示x和y屬于Ai和Bi的程度。

第二層是池化層，層節(jié)點的作用是將輸入信號相乘，如式(8)所示。

式中每個節(jié)點的輸出表示規(guī)則的可信度。

第三層是歸一化層，層節(jié)點可計算節(jié)點I處歸一化可信度。

第四層是模糊規(guī)則輸出層，該層中的每個節(jié)點i都是自適應(yīng)節(jié)點，節(jié)點i的輸出按如式(10)進行計算。

其中ωi是第三層的輸出，fi是節(jié)點的參數(shù)集，即后續(xù)參數(shù)。

第五層是總輸出層，通過在一個固定節(jié)點計算所有輸入信號的總輸出，如式(11)所示。

自適應(yīng)模糊神經(jīng)推理系統(tǒng)的輸出可以表示為前一部分參數(shù)和后一部分參數(shù)的線性組合，如式(12)所示。

本文采用BP算法和最小二乘混合算法進行糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練，從而調(diào)整系統(tǒng)前后參數(shù)。計算時首先正想計算到第四層，再將計算誤差向反方向傳遞，最后采用BP算法對網(wǎng)絡(luò)前段參數(shù)進行更新。如圖1所示是基于模糊神經(jīng)網(wǎng)絡(luò)的圖像數(shù)據(jù)庫處理流程結(jié)構(gòu)圖。

圖1 模糊神經(jīng)網(wǎng)絡(luò)圖像數(shù)據(jù)庫處理

如圖1所示，計算時首先設(shè)置概率密度函數(shù)的權(quán)重和閾值，然后輸入巡檢機器人采集的電氣設(shè)備圖像數(shù)據(jù)進行深度學(xué)習(xí)訓(xùn)練，再對概率密度函數(shù)進行迭代調(diào)整，更新網(wǎng)絡(luò)的權(quán)重和閾值，最后輸出圖像電場和電勢分布云圖。

2 聯(lián)合圖像和電場仿真數(shù)據(jù)的深度學(xué)習(xí)實驗與分析

2.1 變電站電場計算與圖像數(shù)據(jù)庫

特高壓變電站巡檢采用模塊化方法，各功能模塊配置相應(yīng)設(shè)備，機器人可通過各功能模塊之間的路徑遍歷所有設(shè)備。巡檢過程中依據(jù)規(guī)劃計算得到的最短路徑，獲取變電站內(nèi)各電力設(shè)備的紅外和紫外圖像，構(gòu)建圖像數(shù)據(jù)庫。其中最短路徑的規(guī)劃是對離地1.5m處的電場分布進行分析，避開電強度峰值，得出的相鄰設(shè)備間場強最低的安全路徑。上述優(yōu)化過程通過第一章介紹的優(yōu)化算法實現(xiàn)。

本文建立了與實際變電站塔架和電力設(shè)備一致的三維有限元仿真模型，其中塔架、每個設(shè)備都單獨進行建模，再對變電站整體進行數(shù)值仿真，通過仿真計算得到地面上方1.5m處的電場強度分布。由于站內(nèi)設(shè)備結(jié)構(gòu)復(fù)雜，本文對仿真模型進行了以下簡化處理：

1）忽略此套、膠木等絕緣介質(zhì)對電場分布的影響。

2）變電站母線、進線、出線，設(shè)備間相連的導(dǎo)線簡化為圓柱形，電壓沿線路均勻分布無畸變。其中母線上的電位等于導(dǎo)線對地電壓。

3）結(jié)合絕緣子、斷路器、構(gòu)架等設(shè)備的實際尺寸，將其絕緣結(jié)構(gòu)的細節(jié)簡化為圓柱體等線性結(jié)構(gòu)的導(dǎo)體。

仿真時帶電導(dǎo)體的邊界條件設(shè)置為體電勢，根據(jù)設(shè)備實際電壓進行設(shè)置，將地面設(shè)置為零電位并且作為無限大平面考慮。計算時不考慮空氣濕度和溫度對電場分布的影響，為避免電場計算不收斂，取環(huán)境空氣介質(zhì)的相對介電常數(shù)遠小于導(dǎo)體。如圖2所示是變電站三維模型的透視效果圖和部分金具表面電場分布示意圖。圖3所示是變電站離地1.5m處電場分布俯視圖。

圖2 典型金具表面電場分布圖

由圖3可知，金具表面場強主要集中分布在其外表面上，因此應(yīng)重點檢查均壓環(huán)的場強集中區(qū)域，這些區(qū)域中通常可以檢測到較為顯著的電暈放電現(xiàn)象。

圖3 變電站距地面1.5m處電場強度分布

由圖3可以看出，變電站距地面1.5m處的電場強度分布不均，在高亮度區(qū)域達到峰值。為了保障巡檢的安全作業(yè)，巡檢機器人必須避開高場強區(qū)域，選擇場強較低的路徑。變電站的電力設(shè)備的圖像數(shù)據(jù)庫如圖4所示，由圖中可見變變電站圖像數(shù)據(jù)庫包含有平波電抗器、套管、避雷器、絕緣子、電容器等電力設(shè)備的照片。如圖5所示，通過紫外成像儀可直接拍攝電暈的圖像，巡檢機器人可以對設(shè)備的電暈放電情況進行有效識別，建立設(shè)備電暈圖像數(shù)據(jù)庫，評估電暈放電強度。

圖5 變電站電力設(shè)備電暈圖像數(shù)據(jù)庫

2.2 巡檢機器人電場分布計算結(jié)果

在計算得到變電站整體電場分布的前提下，最后一步是通過巡檢機器人電場分布計算，更新存在有巡檢機器人時的電場分布。變電站巡檢機器人的計算模型通過采用1：1尺寸參數(shù)進行建模，變電站巡檢機器人的實物圖是仿真模型圖如圖6所示。

圖6 變電站機器人實物和模型圖

由圖6(b)可見巡檢機器人由光采集系統(tǒng)、信息采集系統(tǒng)、紅外熱成像采集設(shè)備、電氣、移動設(shè)備組成。光采集系統(tǒng)包含一個高清攝像頭；信息采集系統(tǒng)由信號傳感器構(gòu)成；紅外熱成像設(shè)備包含熱成像儀。建模時為了簡化計算，不針對設(shè)備和傳感器的細節(jié)建模，將機器人的組件簡化為立方體，尺寸參數(shù)如圖7所示。

1）光采集系統(tǒng)：半徑為6.5cm、長度24cm的圓柱體。

2）信息采集系統(tǒng)：19cm×18cm×16cm的長方體。

3）紅外熱成像設(shè)備：半徑為6.5cm、長度12cm的圓柱體。

4）電氣設(shè)備：56cm×41cm×35cm的長方體。

5）移動設(shè)備：四個半徑為12cm、長度24cm的圓柱體。

變電站巡檢機器人的邊界條件設(shè)置為接地和不接地兩種，得到的電場分布計算結(jié)果如圖7所示。

圖7 變電站機器人不接地時電場計算結(jié)果

由圖7可以看出，機器人不接地時巡檢機器人各設(shè)備周圍電場發(fā)生不同程度的畸變。地面電場約為4.4kV/m，巡檢機器人中電場最大值為52kV/m，電場畸變程度為11.9倍。

由圖7可以看出，巡檢機器人接地條件下，在巡檢機器人電氣設(shè)備和地面之間的電場分布在0.1～1.5kV/m之間，相較于設(shè)備不接地巡檢機器人電氣設(shè)備與地面之間電場明顯降低，但巡檢機器人本體的電場畸變程度增加，相較于不接地的情況，其最大電場由52kV/m增加至了70.5kV/m，增幅36%。

根據(jù)如圖7和圖8的計算結(jié)果可知，巡檢機器人在接地情況下電場更大，為保證機器人的安全運行，計算時利用機器人接地條件下的最大電場畸變倍數(shù)，更新原始無巡檢機器人條件下，變電站的電場分布計算結(jié)果。

圖8 變電站機器人接地時電場計算結(jié)果

2.3 免疫蟻群算法路徑優(yōu)化結(jié)果與分析

根據(jù)典型特高壓變電站的功能模塊，對變電站內(nèi)部典型的電力設(shè)備區(qū)域進行網(wǎng)格化抽象，得到如圖9所示的變電站模塊化示意圖，通過第一章最優(yōu)路徑模型算法得到最佳路徑。其中黑色區(qū)域表示電力設(shè)備占有的區(qū)域，白色塊區(qū)域表示巡檢機器人可移動區(qū)域。

圖9 變電站巡檢機器人的最佳路徑

如圖9所示是變電站最優(yōu)路徑長度收斂曲線圖，由圖中所示的迭代過程可以看出，免疫遺傳算法有效地找到了該機器人在變電站中的最佳行走路徑，得到了最小路徑長度，巡檢機器人檢修路徑不僅要最短，而且要避開母線區(qū)、變壓器區(qū)、支柱絕緣子區(qū)等單獨功能區(qū)域，此時尋找最佳路徑更為復(fù)雜。根據(jù)如圖3所示的變電站地面以上1.5m處的電場強度分布，在圖中每個區(qū)域隨機分配螞蟻的初始分布位置，結(jié)果如圖11所示。由圖11(a)可見蟻群最初在電場強度峰值附近是隨機分布的，經(jīng)過免疫蟻群算法計算后，螞蟻最終分布在電場分布的峰值處（如圖11(b)所示）。由此即可計算電場峰值間的最優(yōu)路，結(jié)果如圖12所示，此時巡檢機器人即可按照最優(yōu)路徑進行巡檢。

圖11 基于免疫蟻群算法的電場峰值優(yōu)化結(jié)果示意圖

圖12 電場峰值間最優(yōu)路徑

如圖12是最優(yōu)路徑的三維計算效果，根據(jù)圖12結(jié)果變壓器檢修人員或巡檢機器人可沿最優(yōu)路徑進行巡邏，同時有效避開電場強度的峰值區(qū)域。圖13為免疫蟻群算法的收斂曲線。

圖13 免疫蟻群算法的收斂曲線

由圖10的計算表明，本文提出的免疫蟻群算法可以遍歷所有電氣設(shè)備，有效地找到巡視各電氣設(shè)備的最短路徑，結(jié)果表明該路徑長度為39m。由圖13計算結(jié)果可以看出，為了避開母線區(qū)、變壓器區(qū)、支柱絕緣子區(qū)等單獨功能區(qū)域，巡檢路徑長度將大于最短路徑，在綜合考慮安全性、設(shè)備遍歷性后，得到的路徑距離最長可達850m，通過蟻群算法迭代計算后可得最優(yōu)路徑為460m。同時由圖10和圖13可以看出，本文的算法具有更加的迭代收斂性（圖10中路徑結(jié)果震蕩更小），以及更快的迭代速度（圖13中迭代次數(shù)更少）。

圖10 變電站最優(yōu)路徑長度迭代曲線

2.4 圖像深度學(xué)習(xí)結(jié)果與分析

圖像深度學(xué)習(xí)是基于圖像數(shù)據(jù)庫中大量紫外、紅外設(shè)備圖像的分割、歸類，實現(xiàn)設(shè)備狀態(tài)的智能歸類和識別。本文通過遺傳算法和模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，對絕緣子、均壓環(huán)等電力設(shè)備的圖像進行深度學(xué)習(xí)訓(xùn)練，圖像的分割效果如圖14所示。

圖14 電力設(shè)備圖像分割效果

由圖14可以看出，通過遺傳算法和模糊神經(jīng)網(wǎng)絡(luò)算可自動對均壓環(huán)、絕緣子等典型電力設(shè)備進行分割以及灰度二值化處理。本文利用模糊神經(jīng)網(wǎng)絡(luò)對電力設(shè)備圖像庫進行訓(xùn)練、學(xué)習(xí)，通過對神經(jīng)網(wǎng)絡(luò)的池化層和卷積層權(quán)值和閾值的自動迭代計算，使其達到穩(wěn)定值，完成電力設(shè)備圖像深度學(xué)習(xí)。同時通過增加模糊神經(jīng)網(wǎng)絡(luò)的中間層數(shù)，還可以進一步提高電力設(shè)備現(xiàn)場圖片識別的準確度。模糊神經(jīng)網(wǎng)絡(luò)各神經(jīng)元之間的權(quán)值和閾值的迭代計算過程十分復(fù)雜，基于不同方向、不同距離拍攝下的紫外、紅外照片，通過計算機迭代計算得到收斂后的穩(wěn)定權(quán)值和閾值，其權(quán)值和閾值收斂結(jié)果如圖14所示。

從圖15可以看出，模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果較好，40次迭代后適應(yīng)度函數(shù)趨于穩(wěn)定。以典型復(fù)合支柱式絕緣子傘裙裂紋為例，柱式絕緣子在長時間的機械應(yīng)力和電應(yīng)力共同作用下易發(fā)生復(fù)合材料龜裂。如圖16所示是復(fù)合絕緣子表面裂紋的定量圖像分析結(jié)果。

圖15 模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果

圖16 典型的復(fù)合絕緣子表面裂紋

如圖16所示為支柱式絕緣子表面的典型裂紋示意圖，在巡檢機器人巡檢過程中，通過模糊神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)發(fā)現(xiàn)了疑似裂紋區(qū)域。對該區(qū)域進行放大后，可以得到橫向裂紋區(qū)域，對該區(qū)域進行放大，可見在高機械和電場應(yīng)力的作用下絕緣子傘裙產(chǎn)生的橫向裂紋區(qū)域。對區(qū)域圖像進行灰度二值化處理，分析得到的黑白二值圖像，即可實現(xiàn)典型復(fù)合絕緣子缺陷問題的識別，證明了圖像與電場仿真數(shù)據(jù)結(jié)合的深度學(xué)習(xí)方法的有效性。

3 結(jié)語

特高壓變電站巡檢機器人的應(yīng)用正日漸增多，巡檢機器人的正常運行一方面要求運行路徑最短以提升巡檢效率，另一方面要求避開變電站內(nèi)高場強區(qū)域以保證安全運行，為此本文聯(lián)合免疫蟻群算法、模糊神經(jīng)網(wǎng)絡(luò)算法和圖像深度學(xué)習(xí)，建立了巡檢機器人最優(yōu)巡檢路徑模型，實現(xiàn)了巡檢機器人的巡檢路徑優(yōu)化和電力設(shè)備常見故障識別。得到以下幾個主要結(jié)論：

1）基于變電站全站模型、巡檢機器人模型和免疫蟻群最優(yōu)路徑模型，成功實現(xiàn)了巡檢機器人最優(yōu)路徑計算，該路徑可以在保證機器人避開高場強區(qū)域的同時，具有最短巡檢路徑。

2）與蟻群尋優(yōu)算法相比，本文提出的模型在得到相同計算結(jié)果的前提下，具有更少的迭代計算次數(shù)，表明本文模型具有更高的計算效率。

3）通過對電力設(shè)備電場分布仿真，得到了放電頻發(fā)區(qū)域，一次進行巡檢機器人重點巡視位置的設(shè)置，實例顯示本文的方法成功實現(xiàn)了支柱絕緣子裂痕問題的識別，驗證了本文模型的有效性。