一種脆弱線路缺陷的圖像智能檢測算法設計

張曉峰，趙益山，黃楚偉

(1.貴州電網有限責任公司遵義供電局，貴州 遵義 563000；2.中南民族大學，武漢 430000；3.南方電網深圳數字電網研究院有限公司，廣東 深圳 518000)

0 引言

大規模互聯電網提高了電力系統的可靠性和經濟性，同時增加了系統動態行為的復雜性[1]。作為電網關鍵節點的配電網，其發生連鎖故障停電的概率也在直線上升。對于配電網連鎖故障停電事件來說，主要因素就是線路脆弱。脆弱線路輸電線存在問題則會引起大規模的潮流轉移，進而導致電力系統的連鎖失效和斷電。因此檢測配電網脆弱線路缺陷具有重要意義，可以預防電網發生連鎖事故，避免昂貴的電纜安裝和相關關鍵基礎設施發生故障。

LAI等人[2]提出不同類型可再生能源并網的故障方向識別方法，通過比較順序電流之間的振幅和順序電壓與順序電流之間相角完成故障識別。但是，該方法在計算相角過程中需要耗費計算算力，在故障辨識耗時方面有待進一步提高。魏明奎等人[3]引入PageRank算法構建脆弱線路辨識模型，根據輸電線路對負荷波動的抗擾能力分析輸電線路脆弱性。但是，該方法應用范圍有限，復雜環境下的連鎖故障脆弱線路辨識有待驗證。現有脆弱線路缺陷識別算法由于應用技術的自身缺陷，存在著識別效率低下的問題，無法滿足現今社會用電安全的需求。

考慮到脆弱線路缺陷容易導致輸電線路過載引發連鎖故障，因此需要提高脆弱線路缺陷自動檢測效果。基于此，本文研究了面向配電網連鎖故障停電的脆弱線路缺陷自動檢測。通過構建脆弱線路數據集，根據輸電線路開斷相對概率和影響計算輸電線路脆弱性綜合指標數值，根據數值結果辨識配電網脆弱線路。以脆弱線路缺陷特征為依據，對數據集中的脆弱線路進行特征分類，通圖像增強技術對分類后的脆弱線路缺陷圖像進行成效效果增強。運用對比度受限自適應直方圖均衡方法對效果增強后的脆弱線路缺陷圖像進行色彩和反差的均衡化處理，結合小波變換完成脆弱線路缺陷圖像降噪。采用卷積神經網絡對降噪后的脆弱線路缺陷圖像進行卷積處理，將圖像輸入至卷積層獲取脆弱線路缺陷圖像特征圖，通過Relu激活函數分段獲取高維特征向量，增強卷積層運算算力，在隱藏層中輸入缺陷圖像特征完成脆弱線路缺陷自動檢測。

1 脆弱線路缺陷自動檢測方法

1.1 辨識配電網脆弱線路

常規情況下，配電網大面積停電事件是由脆弱線路缺陷引發大范圍潮流轉移，致使輸電線路過載退運，從而引起連鎖故障的出現。因此準確辨識配電網脆弱線路是檢測其缺陷的前提與基礎[4]。在配電網脆弱線路辨識過程中，需要首先構建脆弱線路數據集，主要考慮兩個因素，一是輸電線路開斷相對概率，二是輸電線路開斷對于電網脆弱性的影響。需要注意的是，輸電線路開斷相對概率與其對電網脆弱性的影響之間無明顯關系，這也為脆弱線路檢測帶來了一定的困難[5]。本文所構建的配電網脆弱線路數據集為：ξ={ξl}，l=1，2， ，n，配電網脆弱線路辨識指標表達式為：

ξl=ξl1×ξl2

(1)

式(1)中，ξl1表示的是輸電線路端點分量；ξl2表示的是配電網數據種群初始值[6]。在數據集ξ中，完成配電網脆弱線路辨識。具體步驟如下。

步驟一：以實際配電網工作過程中產生的負荷為計算依據，獲取初始單元熵，計算公式為：

(2)

式(2)中，LSR表示的是初始單位熵綜合負載率；LR表示的是配電網綜合負載率；Us表示的是潮流熵；μl表示的是輸電線路l對應的負載率；L表示的是配電網中輸電線路的總數量；ηl表示的是輸電線路l負載率在配電網總負載率中的占比。

步驟二：為了方便研究的進行，將配電網轉換為有向有權圖，并對配電網脆弱線路各個節點重要度進行計算，記為R；

步驟三：依據步驟一與步驟二計算結果，結合輸電線路故障率、負載率、負荷分布情況，對輸電線路端點分量進行計算，計算公式為：

(3)

式(3)中，P表示的是和事件的概率；λl表示的是輸電線路l自身的故障率；αl表示的是負荷的有功功率；δl表示的是輸電線路l的電力潮流節點配置權值；fl表示的是輸電線路產生的功率變化量[7]。

步驟四：在輸電線路開斷后，對開斷前后負載率變化量進行計算，并結合輸電線路節點初始單元熵，計算配電網數據種群初始值指標，計算公式為：

(4)

式(4)中，Rm與Rn表示的是輸電線路l兩端傳輸幅值。

步驟五：依據步驟三與步驟四計算得到的ξl1與ξl2，依據公式(1)衡量輸電線路的脆弱性綜合指標ξl，然后將其歸一化[8-9]，按遞減順序排列，辨識數據集ξ中的脆弱線路，將其作為此次研究對象。

1.2 脆弱線路無人機采集圖像的預處理

增強處理脆弱線路缺陷圖像可以有效凸顯出脆弱線路的細微缺陷部分，為準確地自動檢測提供基礎保障。脆弱線路缺陷分類有助于提高增強處理脆弱線路缺陷圖像效率，因此借鑒已有文獻研究成果[10-11]，在上文脆弱線路辨識的基礎上，將數據集ξ中的脆弱線路按照缺陷特征進行分類。脆弱線路缺陷分類為四類，具體類別內容如表1所示。

表1 脆弱線路缺陷分類表

在配電網脆弱線路缺陷特征分類過程中，采用無人機飛行技術獲取脆弱線路缺陷圖像，根據缺陷類別完成脆弱線路缺陷劃分。由于拍攝角度、光照強度、背景環境等多種因素的影響[12-14]，在脆弱線路缺陷成像過程中，物體從背景中到攝像機的照射量較少，從而容易降低輸電線路缺陷的真實度[15-16]。同時，導致了脆弱線路缺陷圖像質量與格式差距較大，無法對其進行精確的標注，也會影響脆弱線路缺陷自動檢測的精度[17-18]。因此，需要應用圖像增強技術，通過平移、旋轉、縮放、翻轉等方法對無人機采集到的圖像進行擴展，為后續脆弱線路缺陷自動檢測提供依據[19-20]。以脆弱線路桿塔鳥巢缺陷為例，采用圖像增強技術后的脆弱線路桿塔鳥巢缺陷圖像如圖1所示。

圖1 脆弱線路桿塔鳥巢缺陷圖像增強技術應用示例圖

通過圖像增強技術增強了脆弱線路缺陷圖像成像效果，將其轉換為JPG格式，為后續計算提供數據。

1.3 基于卷積神經網絡的脆弱線路缺陷自動檢測

在脆弱線路缺陷圖像降噪處理的基礎上，將脆弱線路圖像分布至多維度空間。通過隨機的方式形成卷積核，將降噪后的脆弱線路圖像輸入至卷積神經網絡。該過程中的卷積運算公式為：

(5)

(6)

模型在學習和訓練過程中，經過幾個卷積層運算后，均會采取一次卷積運算。通過隱藏層中的下采樣操作，篩選各個卷積核輸出的脆弱線路圖像特征，下采樣的計算公式為：

(7)

(8)

式(8)中，Sj表示的是隱藏層第j個卷積核的鄰域像素；W與G表示的是輸出圖像的寬度與高度，以此完成脆弱線路缺陷自動檢測。具體步驟如下。

步驟一：輸入連鎖故障停電配電網中的脆弱線路缺陷數據集到卷積神經網絡中，通過卷積層運算，獲取脆弱線路缺陷圖像特征圖；

步驟二：以步驟一得到的缺陷圖像特征圖為基礎，任意提取故障配電網脆弱線路的多個候選區域，通過處理將得分較高區域框進行保存；

步驟三：以步驟二得到的候選區域為依據，提取候選區域特征，對其向量化處理，獲得造成連鎖故障的脆弱線路高維特征向量；

步驟四：將步驟三獲得的高維特征向量輸入線性分類器中，計算特征屬于缺陷類別的概率，以此作為脆弱線路缺陷分類依據；

步驟五：回歸處理符合缺陷類別特征的候選區域，以此來預測連鎖故障停電配電網中脆弱線路缺陷目標外圍框架位置信息。

綜上所述，依據卷積神經網絡實現了脆弱線路缺陷的自動檢測，為配電網穩定運行提供更加有效的幫助。

1.4 基于小波變換的脆弱線路缺陷圖像降噪處理

選擇對比度受限自適應直方圖均衡算法和直方圖拉伸技術，對檢測到的脆弱線路缺陷圖像對比度的增強和色彩修正[21-22]。(1)圖像和對比度增強：在HSV(hue，saturation，value)的色彩空間里，將單一值組成的直方圖擴展至整個區域，改善圖像色彩飽和度。將圖像飽和性與色調相結合提升圖像亮度，從而將圖像轉換回RGB顏色空間[23-24]。(2)圖像色彩修正：在RGB色彩空間中，將直方圖將延伸至全區域(0至255)，有效提高色彩修正效果。將脆弱線路缺陷圖象進行二次拷貝，兩種不同的版本同時進行圖像增強，提高圖像的反差和色彩分配。在此基礎上，采用對比度受限自適應直方圖均衡方法預處理色彩和反差較大的脆弱線路缺陷圖像[25]。通過定義對比度極限劃分直方圖有效區域范圍。限幅由直方圖的歸一化結果和各個相鄰區域之間的像素大小決定。通過直方圖倉平均分布的方式，均衡色彩和反差較大的脆弱線路缺陷圖像，提升后續計算算力，如圖2所示。

圖2 直方圖重新分布結果

根據圖2可知，剪切區域上的倉將再次剪輯，依據上述步驟即可完成缺陷圖像均衡化處理。被重新分布后的缺陷圖像雖然均衡化程度達到了要求，但是缺陷圖像中存在噪聲，需要對均衡化脆弱線路圖像進行去噪。

這種附加噪聲的消除允許這樣的假設，即適當的分解基礎允許從噪聲中區分有用信號(圖像)。小波變換去除任何存在的噪聲，并保留任何存在的信號，而不管信號的頻率內容如何。在小波域中，自然信號的能量集中在少量系數中；然而，噪聲在整個域上傳播。基本小波收縮去噪過程如下。

基于小波收縮收縮構建，定義圖像的的高頻子帶能量函數為：

(9)

式(9)中，λ表示的是均衡度，屬于常數，且>0；Ll(φ)表示的是圖像光照強度；v表示的是回波參數；Al(φ)表示的是聯合統計特征量。定義脆弱線路缺陷圖像成像面積變權系數表達式為：

Tσ=c·sgn(Gσ×I(x，y))

(10)

式(10)中，c表示的是脆弱線路缺陷圖像的像素總數；sgn(·)表示的是符號函數；Gσ表示的是標準差為σ的幾何活動輪廓區域函數；I(x，y)表示的是圖像。

根據高頻子帶的先驗知識，高頻子帶結構為圓環狀，因此采用小波變換多尺度特征分割方法對圖像融合的圓形約束模型進行去噪，完成脆弱線路缺陷圖像降噪處理，計算公式為：

(11)

式(11)中，J表示的是小波系數，N表示的是采集的離散數據，R表示的是空間尺度系數值，H，G表示的是低通和高通濾波器，Yi表示的是期望圖像，F表示的是像素值。

通過上述方法完成脆弱線路缺陷圖像降噪處理，清晰化缺陷目標。

2 實驗與結果分析

上述過程提出了新的脆弱線路缺陷自動檢測算法，為了驗證提出算法與文獻[2]方法(A New Method of Fault Direction Identification for Different Types of Renewable Energy Source Integrations)、文獻[3]方法(基于PageRank算法的輸電網連鎖故障脆弱線路辨識)的應用性能差異。實驗仿真平臺為MATLAB仿真，結果與分析過程如下。

2.1 實驗環境搭建

在脆弱線路缺陷自動識別過程中，對計算機系統CPU提出了較高的要求，并且卷積神經網絡也以CPU作為自身的處理平臺。為了滿足實驗的需求與深度學習網絡的應用，合理設置實驗設備參數，具體如表2所示。

表2 實驗設備參數設置表

依據方法部分的脆弱線路圖像缺陷標注結果，引入卷積神經網絡，對其參數合理設置，并對其訓練。將測試脆弱線路圖像輸入至訓練好的卷積神經網絡中，隨機選擇10組測試樣本作為實驗對象，完成脆弱線路缺陷的自動檢測。卷積層是卷積神經學習結構的核心，數值參數設置如表3所示。

表3 卷積層參數設置表

整體模型訓練選擇Actor-Critic，通過Actor選擇動作，通過Critic驗證動作是否合適。在Actor中輸入一個狀態，一個動作和一個獎勵，在Critic中將訓練得到時間差分值返回給Actor，完成整體模型單步訓練和更新。卷積神經網絡設定3層隱藏層，提升脆弱效率缺陷自動檢測效率，卷積神經網絡各層神經元數量設定如表4所示。

表4 卷積神經網絡神經元參數設置表

2.2 實驗評價指標選取

此研究選取召回率、精確率與錯檢率作為脆弱線路缺陷自動檢測效率的評價指標。

召回率是指在實際為正的線路脆弱故障樣本中被檢測為正樣本的概率。召回率越高，說明方法檢測脆弱線路缺陷越全面。其計算公式為：

(11)

精確率是指檢測為正的樣本中有被檢測為真正的正樣本的概率。檢測的精確率越高，說明方法檢測脆弱線路缺陷越準確。其計算公式為：

(12)

錯檢率是錯誤檢出非相關脆弱線路缺陷的程度指標。錯檢率越低，說明方法檢測線路缺陷性能越好。其計算公式為：

(13)

式(11)～(13)中，TP、FN、FP、N分別表示的是正例、假反例、假正例與樣例總數量。

2.3 實驗測試與分析

在配電網連鎖故障停電環境下，進行脆弱線路缺陷自動檢測實驗，具體實驗結果分析過程如下。

通過實驗獲得實驗評價指標數據如表5～7所示。

表5 召回率數據

表6 精確率數據

表7 錯檢率數據

如表5～7數據顯示，文獻[2]方法的召回率數據范圍為；49.03%～63.84%，精確率數據范圍為68.63%～74.02%，錯檢率數據范圍為5.87%～10.25%；文獻[3]方法召回率數據范圍為49.25%～65.12%，精確率數據范圍為70.00%～76.31%，錯檢率數據范圍為4.32%～11.20%；提出方法召回率數據范圍為78.50%～89.32%，精確率數據范圍為84.79%～98.20%，錯檢率數據范圍為0.98%～3.00%。

通過上述實驗數據對比發現，與文獻[3]方法相比較，提出方法的召回率、精確率數據更高，錯檢率數據更低，可以較好地完善目前方法存在的問題，充分證實了提出方法具備更好的應用性能。

在獲取上述實驗結果的基礎上，為了進一步驗證提出方法的實際有效性，在10組測試樣本中隨機選擇線路桿塔鳥巢缺陷、導線斷股缺陷、導線散股缺陷、玻璃絕緣子“自爆”缺陷圖像作為測試對象，獲取提出方法的脆弱線路圖像缺陷檢測圖像結果，實驗結果如圖3所示。

圖3 提出方法的脆弱線路圖像缺陷檢測結果

根據圖3可知，提出方法能夠有效檢測脆弱線路缺陷圖像，并完成對脆弱線路圖像的缺陷標注，記錄缺陷坐標信息。由此證明，提出方法在實際配電網運行過程中具有較好的應用效果，可以有效避免連鎖故障停電事故發生。

3 結束語

在配電網連鎖故障停電環境下，此次研究的脆弱線路缺陷自動檢測方法極大地提升了配電網連鎖故障停電中脆弱線路缺陷識別的召回率與精確率，降低了錯檢率，能夠為缺陷識別提供更有效的算法支撐。也能夠為線路缺陷識別研究提供一定的借鑒與參考，可以在一定程度上對配電網連鎖故障停電進行有效防控。