高壓輸電線路巡檢與故障診斷技術研究及其應用

馬永剛

（國網江蘇省電力有限公司徐州市銅山區供電分公司， 江蘇 徐州 221000）

0 引言

絕緣子是高壓輸電線路中最重要的組成部分，而絕緣子長期暴露在室外很容易發生破損或掉串等故障問題，通過智能巡檢機器人進行故障檢測可以減少人工巡檢的成本，提升巡檢工作安全性。但是傳統Faster-RCNN 算法支持下的絕緣子檢測方法網絡模型收斂速度較慢，導致絕緣子故障定位的精度和識別準確率不高，并且機器人在高壓輸電線路環境下工作會受復雜的電磁環境干擾，甚至導致巡檢機器人等電力設備損壞。針對以上兩種巡檢機器人常見的問題，提出了改進的Faster-RCNN 算法結合優化后的灰狼算法構建BP 神經網絡故障診斷模型，在提升巡檢機器人故障檢測精確性和穩定性的同時，保障巡檢機器人的電磁兼容故障診斷有效進行，保障電力系統高壓輸電線路巡檢工作的穩定性和精確性。

1 基于改進Faster-RCNN 算法的絕緣子檢測工作原理

改進的Faster-RCNN 算法對高壓輸電線路絕緣子巡檢可實現良好的檢測效果，其工作原理是在傳統Faster-RCNN 算法（如圖1 所示）卷積層特征提取的方法上進行優化改進，以此來增強巡檢機器人的魯棒性，提升檢測精度。基于傳統Faster-RCNN 算法，結合SKNet 殘差神經網絡算法作為故障特征提取網絡，有效提升模型的收斂速度，提升巡檢機器人故障診斷回歸參數的準確率和效率[1]。

圖1 傳統Faster-RCNN 算法結構

1.1 基于SKNet 殘差神經網絡特征提取

為了盡可能緩解隨著網絡層數增加而造成的梯度消失、爆炸及網絡退化等問題，在殘差神經網絡模型在堆疊卷積層中增加了SKNet 殘差神經網絡模塊（如圖2 所示），以此來提取巡檢過程中更多的網絡特征[2]。

圖2 SKNet 殘差神經網絡算法結構

基于SKNet 殘差神經網絡算法，為了更加高效、快速地提取絕緣子故障圖像特征信息，在殘差神經網絡算法增加5 層卷積層數，將優化后模型殘差神經結構根據圖2 進行卷積層優化之后，可以得到具有通道注意力機制的ResNet 算法作為特征提取網絡。

1.2 候選區域特征提取網絡

基于Faster-RCNN 算法候選區域特征提取網絡結構主要包含了分類層和回歸層，執行兩個動作[3]。分類層主要判斷候選區域內是否存在絕緣子特征提取，輸出節點分別表示的是特征提取的前后景概率，在回歸層主要負責借助特征探測器預測候選區域中故障特征提取目標區域的中心點、長和寬等4 個參數[4]。

2 基于優化后的灰狼算法-BP 神經網絡電磁兼容故障檢測

2.1 工作原理

基于優化后的灰狼算法-BP 神經網絡電磁兼容故障檢測主要是通過建立故障樹智能分析巡檢機器人在高壓輸電線路環境下工作，找出電磁兼容故障的原因，從故障原因的最小特征點中提取故障原因向量。隨后將巡檢機器人在巡檢過程中采集到的故障保證數據進行歸一化處理后得到故障的征兆向量。將故障征兆向量作為系統分析故障原因和構成向量測試樣本訓練的神經卷積網絡。將測試樣用于測試訓練后對神經網絡準確率診斷的訓練，若是準確率低于設定的85%，則需要重新設定神經網絡的參數之后再重新進行訓練，指導準確率高于設定的準確率85%之后，則認為該診斷模型可以有效檢測出巡檢機器人的電磁兼容故障診斷工作[5]。具體的工作原理流程如圖3 所示。

圖3 故障診斷流程

2.2 基于優化后灰狼算法BP 神經網絡

2.2.1 優化后灰狼算法

灰狼算法是一種新的元啟發算法，優化后的灰狼算法主要改進了傳統回廊算法中的收斂因子和位置更新公式，更進一步優化和提升了BP 神經網絡的診斷權值和閾值。灰狼算法是以狼群特征為基礎提出的，按照灰狼個體在狼群中的等級關系劃分為四個等級：α、β、γ、δ，其中每只灰狼個體代表的是狼群中的一個候選解，排列靠前的三組是適應度最好的灰狼個體。灰狼算法模擬狼群捕獵活動可以分為包圍行為和捕獵行為[6]。

1）包圍行為。假設d為灰狼個體和獵物之間的距離，則灰狼包圍獵物的行為可以通過公式（1）表示：

式中：Xp（t）為獵物位置向量；X（t）為灰狼個體位置的向量；t為包圍行為迭代次數；A和C分別為系統向量，將其定義為：

式中：r1和r2分別為在區間[0，1]之間的隨機向量；a為收斂因子，通過函數表達為：

式中：amax為收斂因子的最大值；tmax為包圍行為迭代次數的最大值。

2）捕獵行為。灰狼捕獵行為由狼群中的頭狼α 及捕獵能力強的灰狼個體β 及γ 帶領，逐漸接近獵物，利用慣性權重，將其位置表示為：

式中：δ 為狼群捕獵行為的慣性權重，可以通過公式（7）進行計算：

式中：狼群捕獵的慣性權重最大值δmax一般設為0.95；而最小值δmin一般設為0.42，那么在本次灰狼捕獵行為的迭代周期中，灰狼的最終位置可以表示為：

灰狼捕獵行為通過公式（5）～公式（8）進行捕獵位置、方向和獵物距離之間迭代后，將頭狼α 所在位置作為故障檢測適應度的最優解。通過優化后的灰狼算法可以有效提升算法的收斂速度，以此提升傳統GWO 算法的選優能力。

2.2.2 基于優化后灰狼算法的BP 神經網絡模型

假設BP 神經網絡隱藏層到輸出層的權值矩陣H作為灰狼捕獵行為發生的位置向量：

在定義的區間內隨機產生灰狼個體位置，將其適應度通過BP 人工神經網絡的均方誤差通過公式（10）進行計算之后，通過優化后的灰狼算法迭代出最優權值和閾值[7]。

式中：m為輸出的數量；為第n個訓練樣本中第i個期望輸出值；為第n個樣本中第i個實際輸出的結果。

3 仿真試驗和結果分析

3.1 試驗準備及過程

為了檢驗文章提出的改進后的Faster-RCNN 算法對高壓輸電線路絕緣子故障檢測的精準率以及基于優化后的灰狼算法-BP 神經網絡支持下機器人電磁性能故障檢測穩定性。選用基于Pytorch1.5 的深度學習框架搭建模型檢測巡檢機器人對絕緣子故障檢測的精準性。首先選用CPLID 提供的圖像數據作為樣本訓練集，訓練集中的數據樣本進行平移、旋轉、飽和度調整、亮度及剪切操作之后可以得到符合試驗操作的圖像訓練集。以傳統的Faster-RCNN 算法與改進后的算法對比絕緣子故障檢測的精準性，并且利用YOLO-V2 算法結合比較該算法的穩定性。

同時選用了該平臺試驗過程中的巡檢機器人模擬工作時的電磁兼容故障樣本，以此作為建立故障特征矩陣及故障原因矩陣。共選用其中30 個樣本訓練網絡，其余15 個樣本作為測試樣本。以此來檢測文章設計的灰狼算法-BP 神經網絡模型對巡檢機器人電磁兼容故障診斷的有效性。

3.2 結果分析

通過與傳統Faster-RCNN 算法檢測絕緣子故障性能做比較，如表1 所示。

表1 絕緣子故障檢測結果對比

從表1 可以看出，文章設計的改進后的Faster-RCNN 算法對于檢測相同絕緣子數量下，對絕緣子故障檢測正確率高于傳統Faster-RCNN 算法，而遺漏率和錯誤率均低于傳統算法，在一定程度明顯提升了絕緣子故障檢測的準確率。此外，結合YOLO-V2 算法進行實驗對比的結果如表2 所示。

表2 不同算法穩定性試驗對比

從表2 中可以看出改進后的Faster-RCNN 算法得出的AP 值和AR 值都高于其他傳統算法，從結果就可以看出文章的算法具有較高的穩定性。

此外，利用該平臺試驗過程中的巡檢機器人模擬工作時的電磁兼容故障樣本，將傳統灰狼算法-BP模型與優化后灰狼算法-BP 模型的學習情況進行仿真對比，其結果對比如圖4 所示。

圖4 神經網絡訓練圖

從圖4 中可以看出，BP 神經網絡診斷結果和傳統灰狼算法-BP 神經網絡算法均出現了3 個及以上誤差，而文章設計的優化后灰狼算法-BP 神經網絡模型診斷誤差僅出現一個，診斷的準確率達到了95.86%。

4 結語

針對目前電力系統高壓輸電線路絕緣子故障巡檢難度大、成本高，采用智能巡檢機器人作為替代人工巡檢的重要工具，從而提出了提升巡檢機器人對高壓輸電線路絕緣子故障檢測精確性和穩定性的改進后Faster-RCNN 算法，在此基礎上結合優化后的灰狼算法-BP 神經網絡模型提升該巡檢機器人在高壓輸電線路電磁環境復雜的背景下對電磁兼容故障檢測的穩定性。通過改進后的Faster-RCNN 算法增加特征提取網絡的視野表達力，并且在候選區域提取層使用更加精確的表達絕緣子故障目標位置的精度，并且對巡檢機器人電磁兼容故障診斷領域引入優化后灰狼算法-BP 神經網絡模型診斷智能巡檢機器人的電磁兼容性。經試驗驗證，文章提出的算法有效提升了智能巡檢機器人對高壓輸電線路絕緣子故障檢測的精確性，提升了智能巡檢機器人在高壓線路電磁環境復雜背景下，實現更快的網絡收斂速度，有更高的泛化能力，有效提升智能巡檢機器人故障檢測的準確率和穩定性。