基于多旋翼無人機的架空輸電線路狀態檢測系統設計

鄭 仟

(寧夏超高壓電力工程有限公司，銀川 750000)

0 引言

架空輸電線路由導線、絕緣子、桿塔等組成，是一種架設于地面上的電能傳輸線路，是電力系統不可或缺的組成部分[1]。架空輸電線路通過絕緣子以及空氣進行絕緣，因此在自然環境中進行長時間運行后[2]，容易受到氣象以及自然環境等因素影響，發生損壞甚至故障，嚴重時會造成電網停電現象。對架空輸電線路狀態進行定期檢測是提高其運行可靠性的一種有效手段[3]。由于架空線路的建設環境均處于較為偏僻或者森林和高山之中，導致其狀態人工檢測的難度較大[4]。借助于無人機技術，可以有效解決上述問題。無人機不僅可以實現自由升降和懸停，還具有攝像以及拍照的功能，可以在實現自主巡檢的基礎上，對架空輸電線數據進行全方位的采集，因此可以滿足架空輸電線路檢測的要求。

文獻[5]提出考慮時變故障率的架空輸電線路狀態檢測方法，在考慮狀態檢測成本、故障損失成本以及可靠性成本的情況下，將綜合效益最大作為約束條件，構建架空輸電線路狀態檢測的目標函數，采用遺傳算法求解目標函數，完成架空輸電線路狀態的檢測。文獻[6]提出改進CenterNet的輸電線路狀態檢測方法，該方法采用深層特征融合網絡對輸電線路的常見的絕緣子自爆、防震錘脫落以及鳥巢故障特征進行訓練，輸出最終的狀態檢測結果。文獻[7]提出基于形態學和SVM的輸電線路狀態檢測方法，該方法采用形態學方法對輸電線圖像進行濾波處理，并將濾波后的圖像輸入到支持向量機中進行分類，完成輸電線路狀態的檢測。文獻[8]在考慮電力系統可靠性、穩定性與經濟性的條件下，設計一種能夠有效識別輸電線路缺陷的算法，采集合閘狀態下輸電線路的運行狀態信息，通過分類算法完成輸電線路缺陷的檢測。文獻[9]提出基于深度學習的無人機電網線路缺陷狀態檢測方法，該方法構建多尺度特征金字塔，將特征金字塔與主干網絡融合，構建深度融合下的電網缺陷狀態檢測模型。通過求解狀態檢測模型，即可獲得最終的缺陷狀態檢測結果。

上述方法均可完成架空線路狀態檢測，但是在應用過程中，由于未能獲得架空輸電線路實際情況信息，導致狀態檢測結果精度不足。因此，本文結合架空線路的建設特點和環境特點，研究基于多旋翼無人機的架空輸電線路狀態檢測方法。

1 架空輸電線路狀態檢測系統架構及原理

1.1 檢測系統架構

多旋翼無人機具有良好的可操控性，并且能夠在復雜環境中進行任務的執行，因此，本文結合架空線路的建設環境特點，研究基于多旋翼無人機架空輸電線路狀態檢測方法，該方法以架空線路狀態檢測的標準流程為基礎，結合線路狀態的檢測需求，完成架空線路狀態檢測，該方法的整體架構如圖1所示。

圖1 基于多旋翼無人機架空輸電線路狀態檢測方法架構

從圖1中可以看出，檢測架構中共包含3個主要結構，分別為智能終端、無人機飛行模塊以及線路狀態檢測分析模塊。由線路狀態檢測作業模塊發送無人機飛行線路信息至智能終端模塊，智能終端模塊接收該信息后，對無人機實行智能控制。同時，向線路狀態檢測作業模塊傳送無人機飛行檢測作業數據，該模塊接收該數據后，對其進行計算和分析，判斷架空線路狀態，完成架空輸電線路狀態檢測。

1)智能終端：智能終端的主要作用是向無人機發送檢測指令與飛行控制指令，并且具有控制無人機飛行狀態以及呈現檢測架空輸電線路三維地圖的功能。智能終端的原理如圖2所示。

圖2 智能終端框圖

從圖2中可以看出，智能終端包括STM32主控模塊、電源模塊、LCD顯示屏以及擴展接口等。其中，STM32主控模塊對智能終端內的電源、顯示屏等模塊進行控制。通過以GPRR模塊為核心建立的通信鏈路，BD/GPS接收器可以對衛星通信信號進行接收。LCD顯示屏可以對多旋翼無人機的各項檢測數據進行顯示，便于通過人機交互進行桿塔數據的管理。

2)無人機飛行模塊：該模塊也稱為機載模塊，以多旋翼無人機為核心，搭載激光雷達、可見光相機以及紅外測溫相機等設備，采集架空輸電線路運行狀態圖像數據。在無人機兩側部署線路信號勘測裝置，采集架空線路的運行電流信號。無人機在檢測過程中，采用基于RTK載波相位差分方法實現無人機的精準定位，保證定位誤差等級處于厘米級。通過道格拉斯-普克算法對無人機飛行的航跡點實行冗余處理，保證無人機的高效檢測。

3)線路狀態檢測分析模塊：該模塊的主要作用是完成無人機檢測采集數據的存儲、分析和管理。依據無人機采集的圖像信息和信號信息對線路的運行狀態實行匹配和分析[10]，獲取異常線路結果，并生成檢測報告。

1.2 檢測原理

通過多旋翼無人機進行架空輸電線路狀態檢測，主要通過機載監測終端與線路狀態檢測分析模塊組成，如圖3所示。

圖3 多旋翼無人機架空輸電線路檢測原理

從圖3中可以看出，整個架空輸電線路檢測原理中需要用到的主要技術有北斗衛星導航定位技術、無線通信技術以及計算機技術。

在多旋翼無人機上安裝機載檢測終端，根據接收到的巡檢、定位信號，對架空輸電線路的狀態信息進行采集，并通過無線傳輸的方式將采集的信息傳輸至線路狀態檢測分析模塊，該模塊負責進行線路狀態的檢測分析。

智能終端上電后，接收衛星通信信號，調節多旋翼無人機的飛行高度，根據與監管中心的傳輸鏈路，將監測到的線路傳輸從環志監管中心，監控中心根據實際的狀態檢測要求，將數據采集指令通過鏈路傳輸至無人機，實現對架空輸電線路的數據的持續性采集，并實時顯示無人機的飛行狀態，確保數據采集的可靠性。將無人機獲得的監測數據存儲到監控中心的數據庫，便于后續的調用與計算。

2 架空輸電線路狀態檢測

2.1 航線規劃流程

多旋翼無人機在進行架空輸電線路狀態檢測時，無人機飛行模塊接收智能終端模塊的檢測指令后，先制定巡檢飛行線路后，對航線實行控制[11]；并且處理無人機飛行的冗余航跡點，保證多旋翼無人機的高效巡檢。多旋翼無人機架空輸電線路狀態巡檢航線規劃流程見圖4。

圖4 多旋翼無人機輸電線路狀態巡檢航線規劃流程

多旋翼無人機在檢測前，需先讀取自身位置以及待檢測的架空輸電線路位置[12]，并設定無人機的飛行高度。多旋翼無人機起飛并達到設定高度后，無人機進入主動巡檢模式，按照設定的檢測航線開始進行架空輸電線路檢測。

2.2 巡檢航線控制

多旋翼無人機在進行架空線路巡檢過程中，需精準控制無人機的飛行位置，以此保證檢測采集的圖像和信號數據的可靠性和精準性。由于電力系統環境中存在明顯的電磁場[13]，對無人機的飛行穩定性和精準性造成一定影響。因此無人機飛行模塊為保證無人機檢測過程中的航線精準控制，采用基于RTK載波相位差分方法對無人機的巡檢航線定位實行控制，保證無人機能夠在厘米級誤差下，完成線路檢測。

無人機在檢測過程中，其飛行位置與架空輸電線路之間的距離越小，檢測效果越佳[14]。但是，依據無人機的飛行安全標準，需保證其巡檢時和待巡檢路線中心之間的水平距離Da，其公式為：

(1)

式中，L表示架空線路桿塔的橫擔長度；M表示架空輸電線路的安全距離。

多旋翼無人機飛行時和地面之間垂直距離Ha的計算公式為：

(2)

式中，H表示架空線路桿塔高度；α表示無人機機載激光雷達的開角。

為保證無人機航線的控制效果[15]，依據無人機搭載的激光雷達和塔高之間射程，確定多旋翼無人機巡檢飛行的實際風行最佳高度h，其計算公式為：

(3)

式中，R表示激光雷達的射程；i表示飛行次數。

依據上述步驟即可完成多旋翼無人機檢測航線控制，保證無人機的飛行航線控制效果。

2.3 冗余航跡點去除

采用道格拉斯-普克算法，處理無人機飛行航線中的冗余航跡點。道格拉斯-普克算法能夠在保證檢測效果的前提下，去除冗余航跡點，保留關鍵航跡點，不改變多旋翼無人機整體的航跡形態特征。該算法的詳細步驟如下所述：

1)設定多旋翼無人機檢測起點和終點坐標分別用A(x1,y1,z1)和B(x2,y2,z2)表示，兩點之間的直線用AB表示，則確定AB的空間直線方程，其公式為：

(4)

式中，x、y、z表示AB上不同方向的坐標。

2)如果i點坐標用Pi(xi,yi,zi)表示，其與AB之間的垂直距離用di表示，其計算公式為：

di=

(5)

3)如果無人機航線中存在的航跡點數量為n，獲取航跡點和AB之間的最大距離結果dmax，其公式為：

dmax=max(d1,d2,...,dn)

(6)

4)設定的距離限值用D表示，將其和dmax結果進行對比，如果dmax

5)采用依次連接方式對A、B兩個坐標以及超過D的坐標點實行處理，即完成冗余航跡點處理。

2.4 架空輸電線路圖像預處理

由于RGB圖像是由三個分量組成的，直接進行架空輸電線路圖像RGB圖像的處理，不僅會增加計算的時間開銷，還會因為數據量的龐大導致后續計算困難。通過多旋翼完成架空輸電線路圖像數據的采集后，為了減少圖像所占的空間并強化狀態檢測結果的可靠性，因此對架空輸電線路圖像進行灰度化預處理。

圖像灰度化處理是在RGB顏色空間內進行姜維胡處理，將原始的架空輸電線路轉化為灰度圖像。此次進行灰度化預處理采用的方法為圖像加權平均法，該方法可以通過對各項指標重要性進行衡量，從而為不同的色彩分配權，架空輸電線路圖像經過加權處理后，會更符合人眼觀察的需求。

架空輸電線路圖像灰度化處理的計算公式為：

Gray(i,j)=ω1·g(i,j)+ω2·r(i,j)+ω3·b(i,j)

(7)

式中，(i,j)表示像素點，ω1、ω2、ω3分別表示R，G，B色彩分量的權重。

經過灰度化預處理后，架空輸電線路的灰度級為0～255，架空輸電線路的原始圖像與灰度化處理后的圖像如圖5所示。

圖5 架空輸電線路圖像灰度處理效果

從圖5中可以看出，經過灰度化處理后，架空輸電線路中其他信息仍然得到了較好的保留，因此說明此次灰度化預處理能夠在保留架空輸電線有效信息的同時，縮短了圖像的處理時間與圖像的存儲開銷，有助于提高架空輸電線路狀態檢測的可靠性。

2.5 狀態特征提取

以上述完成灰度化預處理的架空輸電線路圖像為基礎，為了提高狀態檢測精度，提取架空輸電線路狀態特征。此次特征提取采用的方法為卷積神經網絡方法。

隨著人工智能技術的發展，卷積神經網絡為架空輸電線路的狀態檢測提供了一種有效的手段。針對架空輸電線路圖像的特征提取，卷積神經網絡采用梯度下降算法對迭代參數進行訓練，不僅可以完成狀態特征的提取，并且可以根據狀態特征實現狀態的分類提取。將完成灰度化預處理的架空并輸電線路圖像輸入到卷積神經網絡中進行訓練，生成圖像特征提取模型。卷積神經網絡由輸入層、卷積層、池化層以及全連接層、輸出層組成。卷積神經網絡的結構如圖6所示。

圖6 卷積神經網絡的基本結構

在如圖6所示的卷積神經網絡結構中，輸入灰度化處理后的架空輸電線路圖像Gray(i,j)，并且用Xi,j表示卷積神經網絡的特征圖，Xi,j的計算公式可以表示為：

Xi,j=f(Xi-1,j-1?wij+bij)

(8)

式中，f(.)表示非線性激勵函數，wij表示卷積核的權值，?表述卷積運算操作，bij表示偏移量。

完成特征圖的計算后，需要依據采樣規則進行向下采樣操作，特征圖向下采樣的計算公式為：

Xi,j=subsampling(Xi-1,j-1)

(9)

通過多個卷積層的向下操作，可以通過卷積神經網絡的全連接層進行特征表達。設定全連接層的輸入概率分布為lij，原始特征圖經過多次降維與變化處理后，可以構建特征表達模型：

Y(ij)=P(L=lij|Xi,j:(wi,j,bi,j))

(10)

在卷積神經網絡迭代訓練的過程中，此次研究采用的方法為梯度下降算法，訓練的殘差通過梯度下降算法進行反向傳播，逐層對卷積神經網絡中的訓練參數進行更新。卷積神經網絡訓練參數wij的更新公式為：

(11)

式中，η表示學習速率。

卷積神經網絡訓練參數bij的更新計算公式為：

(12)

將式(11)與式(12)的更新結果代入到式(8)中即可獲得架空輸電線路的狀態特征。

架空輸電線路圖像的狀態特征提取是以卷積神經網絡框架為基礎實現的，對灰度化預處理后的架空輸電線路圖像進行多次迭代訓練，并經過參數的更新計算，輸出最終的特征提取結果。

完成架空輸電線路狀態特征的提取后，根據提取的狀態特征進行架空輸電線路狀態的檢測。

2.6 架空輸電線路狀態檢測

完成架空輸電線路狀態特征提取后，進行架空輸電線路狀態檢測，獲得架空輸電線路的故障位置。通過無人機上搭載的線路信號勘測裝置和圖像采集裝置，采集架空線路的運行電流信號以及圖像，并將采集結果傳送至線路狀態檢測分析模塊。檢測分析模塊則依據采集的數據和信號結果完成架空輸電線路故障定位。本文以圖像特征為例，進行架空輸電線路故障定位，達到架空輸電線路狀態檢測目的。

在故障定位過程中，線路狀態檢測分析模塊接收多旋翼無人機采集的圖像并完成特征提取后，對該特征進行分析，確定信號中的突變點，同時獲取該突變點對應的模極大值，并通過小波變換算法確定故障線路。

模極大值的定義為：在一定的定義域內，原始特征信號u滿足式(13)：

|Wsf(u)|≤|Wsf(u0)|

(13)

式中，f(u)表示對數函數，Wsf(u)表示f(u)的變換系數；Wsf(u0)則表示f(u)小波變換后的模極大值。

選擇Db5作為小波變換的母函數，同時設定其尺度為4，原始信號u經過小波分解后，可獲取其高頻細節部分，對該部分進行重構處理后完成小波變換函數的構建。依據構建的函數進行Wsf(u0)的小波變換處理，以此得出x突變點對應的模極大值結果，其公式為：

η=lg(K+αS)

(14)

式中，K表示小波變換的頻率，α表示原始特征信號u的突變頻率，S表示u的突變方向。

(15)

進行輸電線路狀態檢測時，為判斷線路是否發生故障，分析上述3個平方差值結果，三者之間是否滿足式(16)：

(16)

如果滿足式(16)，表示架空輸電母線發生故障；如果不滿足，平方差值最大結果對應的線路即為存在故障線路。基于此，即完成架空輸電線路故障確定，實現架空輸電線路檢測，并生成檢測報告。

3 實驗結果與分析

由于人工巡檢的方式已經無法滿足高壓架空輸電線狀態巡檢的要求，因此寧夏超高壓電力工程有限公司引入了無人機巡檢技術。無人機巡檢可以提高作業效率的情況，實時采集架空輸電線路的多種缺陷與狀態信息。該公司負責區域的架空輸電線路故障與缺陷主要有防振錘錘頭脫落、鳥巢、絕緣子自爆以及懸垂線夾銷釘缺失、導線斷股以及異物等。

因此，上述架空輸電線路可以滿足此次實驗的要求。以該架空輸電線路為測試對象，分別采用本文方法、文獻[6]提出的改進CenterNet的方法、文獻[7]提出的基于形態學和SVM的方法進行對比，以充分驗證本文方法的檢測性能。

在此次實驗測試過程中，采用六旋翼無人機進行檢測，該無人機的相關參數見表1。

表1 六旋翼無人機相關參數

完成上述參數設計后，需要對多旋翼無人機的拍攝內容進行規定，并設計三次全線巡檢，第一次進行全線巡檢，是對架空輸電線的整體情況進行掃描拍攝，第二次同樣進行全線巡檢，并將第二次的巡檢數據與第一次進行對比，判斷是否有新增的樹木或者房屋等，第三次巡檢則是針對耳邊次巡檢的結果進行檢測性巡檢，訓練過程可以根據情況決定是否進行全線巡檢。

架空輸電線巡檢內容如表2所示。

表2 架空輸電線巡檢內容

根據表2所示的巡檢內容，針對架空輸電線路運行狀態檢測的需要，采集架空輸電線路塔身、塔頭、塔基、絕緣子串、導線、地線等，不同項目所采集的圖像數據如表3所示。

表3 圖像數據

無人機飛行航線的控制直接影響架空輸電線路狀態檢測的有效性，為驗證本文方法對無人機航線的控制效果，獲取航跡控制前后，無人機的航行軌跡結果如圖7所示。

圖7 無人機的航行軌跡結果

觀察圖7所示的無人機航行軌跡結果可以看出：采用本文方法控制前，無人機也可按照設定的巡檢航線進行架空線路檢測，但是在檢測過程中，會發生航跡偏離現象。本文方法控制后，無人機的檢測航跡與設定航跡更加吻合。因此，本文方法的應用性能良好，應用后能夠對無人機的航線實行精準控制，有助于提高架空輸電線路狀態檢測的精度。

為進一步驗證本文方法的控制效果，獲取不同檢測距離、不同檢測點數量下無人機飛行定位的結果，飛行定位結果見表4(要求定位誤差結果低于2.5 cm)。

表4 無人機飛行定位的結果 cm

由表4結果可知：隨著檢測距離的逐漸增加，在不同的檢測點數量下，本文方法控制后，無人機的定位誤差結果均在2.5 cm以內，其中，最大誤差結果為1.2 cm，最小誤差結果為0.46 cm。因此，本文方法能夠精準控制無人機的飛行狀態，使其精準按照檢測航線完成架空線路檢測。

為驗證本文方法對于冗余航跡點的處理效果，獲取航跡點的處理效果，見圖8。

圖8 冗余航跡點的處理效果

由圖8結果可知：本文方法應用后，可在不改變無人機檢測方向、不改變多旋翼無人機整體的航跡形態特征，且保留航跡關鍵點的情況下，對航線過程中的冗余航跡點實行處理，刪除其中冗余的航跡點，以此，保證檢測效果的同時，提升無人機的檢測效率。

為驗證本文方法的應用性，獲取本文方法檢測后，對于檢測結果生成的檢測報告，見圖9。

圖9 架空輸電線路檢測報告生成結果

由圖9結果可知：本文方法應用后，能夠按照無人機的檢測結果生成架空輸電線路的檢測報告，呈現架空線路各個部位的運行狀態結果，為架空線路的管理提供相應的依據。因此，本文方法的應用性良好，滿足架空輸電線路狀態檢測需求。

為了進一步對本文方法輸電線路狀態檢測性能進行驗證，以架空輸電線路的故障狀態檢測精度為指標，對三種方法的檢測性能進行驗證。故障狀態檢測精度結果如表5所示。

表5 不同方法的故障狀態檢測精度

從表5所示的故障狀態檢測精度對比結果中可以看出，相較于兩種文獻對比方法，本文方法能夠對架空輸電線的多種故障進行較為精準的檢測。當發生絕緣子自爆故障時，本文方法的檢測精度為94.7%，而文獻[6]與文獻[7]方法的檢測精度分別為66.4%與56.3%。上述數據結果表明，本文方法能夠提高輸電線故障狀態檢測的準確性。

當架空輸電線路出現故障后，如果不能及時的對故障類型與故障位置進行判斷，則會嚴重降低輸電線路的安全性，并且最大限度地縮短停電時間。因此，有必要對本文方法的故障狀態檢測耗時進行驗證。三種方法的故障狀態檢測耗時對比結果如表6所示。

表6 不同方法的故障狀態檢測耗時

觀察表6可知，在相同的故障類型下，本文方法能夠縮短多項故障的檢測耗時。同樣分析絕緣子自爆故障下的檢測耗時，本文方法的檢測耗時為50 s，文獻[6]方法的檢測耗時為268 s，文獻[7]方法的檢測耗時為385 s。因此說明本文方法能夠對架空輸電線路故障進行快速的檢測，對于提高架空輸電線路的安全、穩定運行可以提供有效的技術支持。

4 結束語

電力系統中的架空輸電線路，在通常情況下其架設環境相對較為復雜，導致人工檢測難度加大，因此，提出采用多旋翼無人機進行線路狀態檢測。通過分析檢測架構、規劃航線流程、巡檢航線控制、架空輸電線路圖像預處理、狀態特征提取等步驟，完成架空輸電線路狀態的檢測。結果顯示：本文所提方法具有良好的應用效果，能夠精準控制無人機的飛行航跡，定位誤差較小，同時，在檢測過程中，能夠有效刪除冗余航跡點，保證無人機的檢測效率；并且，具有良好的應用性，能夠完成線路故障診斷。