輸電線路多旋翼無人機智能檢修方法

李 輝

（新疆送變電有限公司，新疆 烏魯木齊 830000）

隨著我國國內(nèi)經(jīng)濟和電力能源的聯(lián)動發(fā)展，輸電線路相關(guān)功能需求越來越多。電力資源的發(fā)展和支持為社會的發(fā)展奠定了堅實有力的基礎(chǔ)。為了滿足國內(nèi)對電力越來越高的需求，國家電網(wǎng)在電力線路和高電壓、大容量方向上繼續(xù)擴大規(guī)模和完善。當(dāng)一些大型復(fù)雜的輸電線路發(fā)生故障時，需要更多的人力、物力進(jìn)行檢修，對故障區(qū)域進(jìn)行選取時會消耗大量時間。輸電線路的隱藏缺陷因分布的不同而有所差異。多旋翼無人機使用時速度快、耗時短且準(zhǔn)確率高，更適合現(xiàn)代智能電網(wǎng)下的檢修的硬核要求。與傳統(tǒng)方法相比，常用的電力線路檢修方法存在較大誤差、人員多和工作量大，效率較低的問題，而多旋翼無人機的人機設(shè)備聯(lián)動檢修方法可對較長線路進(jìn)行大范國快速信息查詢，并對區(qū)域進(jìn)行精準(zhǔn)識別。為了解決輸電線路中人工作業(yè)和常規(guī)檢測不足的問題，該文提出了通過無人機紅外影像技術(shù)，然以算法計算出故障點范圍并進(jìn)行線路故障特征提取，來完成對輸電線路的維修。

1 輸電線路多旋翼無人機智能檢修方法設(shè)計

1.1 無人機紅外影像采集圖像

對輸電線路故障區(qū)域進(jìn)行識別時，線路內(nèi)部出現(xiàn)破損等情況。輸電線路上的設(shè)備和一些較小的電纜故障問題通過肉眼難以發(fā)現(xiàn)，因此選取多旋翼無人機的可紅外成像技術(shù)對輸電線路的故障區(qū)域進(jìn)行識別。為了提高檢測的準(zhǔn)確性，必須保證的基本作業(yè)條件見表1。

表1 無人機紅外設(shè)備巡檢的條件要求對比

多旋翼無人機智能檢修方法可以將拍攝到的紅外影像傳回地面監(jiān)控站，既可以利用地面系統(tǒng)來根據(jù)紅外影像特征進(jìn)行自動判斷，也可以提供給專業(yè)人員進(jìn)行人工判斷[1]。主要通過2 種方法進(jìn)行判定。

第一，密集讀取與提取。設(shè)Q表示密集度區(qū)域，其表達(dá)式如公式（1）所示。

式中：4π 為周長；A為面積。

當(dāng)Q=1 時，該區(qū)域面積最小；當(dāng)Q>0 時，表示輸電線路輪廓線光滑；相反Q<0，表示輸電線路表面輪廓線凹凸不平。

第二，偏心度區(qū)域提取。用E代表偏心度大小，其具體算法如公式（2）所示。

式中：E為偏心度大小；R為半徑；πR·R為紅外成像區(qū)域內(nèi)最大圓面積。

通過計算可以得出形狀變化后（如伸縮等）的偏離率。對偏離率的分析大于標(biāo)準(zhǔn)值，則為該區(qū)域發(fā)生故障，小于標(biāo)準(zhǔn)值則狀態(tài)良好，繼而可以得到輸電線路中發(fā)生故障的區(qū)域。

1.2 故障線路聚類分析

通過紅外影像采集圖像對故障區(qū)域進(jìn)行識別、選取后，為了避免傳統(tǒng)方法出現(xiàn)的后果，第一步就是要了解輸電線路的故障順序，以便后續(xù)計算。該文通過模糊C 均值算法來計算經(jīng)過紅外成像識別的故障目標(biāo)最小值和其他函數(shù)，為故障分析提供數(shù)據(jù)基礎(chǔ)。

聚類過程中數(shù)據(jù)的隸屬度ai如公式（3）所示。

式中：i為可獲取的設(shè)備數(shù)據(jù)集合；c為i的子集合個數(shù)。

通過聚類分析可以發(fā)現(xiàn)多旋翼無人機紅外影像采集的緊密相關(guān)的觀測值組群。計算該區(qū)段在各個最終聚類結(jié)果簇中的百分比并進(jìn)行累加，將其作為該區(qū)段的簇獨立特征性均值大小。

該文上述提到的故障分類目標(biāo)函數(shù)設(shè)定如公式（4）所示。

式中：k為距離度量平方值；m為模糊指數(shù)；i為樣本數(shù)據(jù)由類別中心之間的差值。

通過公式（5）可以計算出聚類中心與隸屬值計算過程中的目標(biāo)函數(shù)Hm（A，B），最小值即為min{Hm（A，B）}。

根據(jù)公式（5）可得目標(biāo)函數(shù)的最小值，為后續(xù)檢修結(jié)果提供數(shù)據(jù)基礎(chǔ)。

1.3 提取輸電線路故障特征

使用多旋翼無人機搭載機械設(shè)備信號采集裝置，獲取輸電線路故障信號集合。由于信號集合中除正常運行信號外，還包括部分故障信號、噪聲以及冗余信息，為正確判定故障類型，需要對故障特征信息進(jìn)行提取與分析。在對比多種故障特征類型信號處理分析技術(shù)后，該文選擇主成分分析法完成該部分處理[2]。

常規(guī)使用的主成分分析法不能對輸電線路中的非線性信號進(jìn)行分析，因此該文利用核函數(shù)將特征數(shù)據(jù)映射到指定空間中，并利用數(shù)據(jù)空間對特征矩陣進(jìn)行處理。根據(jù)輸電線路信號特征，該文使用核函數(shù)完成此操作。與此同時，在主元素選擇過程中，元素選擇過多會造成信號資源浪費，而選擇太少又不能體現(xiàn)故障點的特征，造成故障診斷結(jié)果的誤判與漏判。為此，在保證特征提取結(jié)果正確率的前提下，需要對資源進(jìn)行合理化應(yīng)用。相應(yīng)的正確率系數(shù)計算如公式（6）所示。

式中：ti為i類故障樣本數(shù)；Gi為主成分分析后得到的第i類故障樣本數(shù)。

如果在主成分分析的過程中，所得故障特征正確率無法達(dá)到閾值，需要增加主元素，以此達(dá)到預(yù)設(shè)的正確率要求，并將提取到的故障特征應(yīng)用到后續(xù)的設(shè)備故障檢修中。

1.4 實現(xiàn)輸電線路故障維修

多旋翼無人機采集紅外影像后，通過密集讀取與提取、偏心度區(qū)域提取方法對輸電線路進(jìn)行故障的區(qū)域識別[3]。接下來對故障區(qū)域線路進(jìn)行聚類分析，得出目標(biāo)函數(shù)的最小值。并通過計算提取輸電線路故障特征，得到輸電線路故障區(qū)域線路損壞特征，以此來進(jìn)行合理維修。經(jīng)識別后，輸電線路共有如下部分需要進(jìn)行維修，見表2。

表2 故障維修區(qū)域以及措施

通過故障檢測并執(zhí)行如表2 所示的維修措施和方法，可以對輸電線路的故障進(jìn)行完整檢測與修理。

2 對比試驗

2.1 試驗準(zhǔn)備

在MATLAB 2018 仿真平臺上進(jìn)行試驗，選擇無人機模型DJI Mavic，設(shè)置該輸電線路為單回路，電壓等級為750kV，線路導(dǎo)線型號為6×JL/G1A-400/50。地線型號如下：一般段型號為JLB20A—100，進(jìn)出線段型號為JLB40-120，全線光纜型號為OPGW-120。三跨點3 處，其他重要交叉跨越7 處。桿塔高度為55m，抗風(fēng)能力40m/s，質(zhì)量150t，共設(shè)置了365 基桿塔，其中直線塔319 基，耐張塔46 基（其中換位塔2 基）。該線路遠(yuǎn)離城市，總長度為170.756km。其中，輸電線路的路徑途徑不同地形和環(huán)境，包括山區(qū)、平原、丘陵、戈壁以及河流等。

為驗證該方法的應(yīng)用性能，將該文智能檢修方法與文獻(xiàn)[1]人工識別檢修方法和文獻(xiàn)[2]單一機械識別檢修方法進(jìn)行對比。在試驗過程中，將試驗指標(biāo)設(shè)定為3 種，防止一種數(shù)據(jù)得出的結(jié)論不具備說服性，并對3 組指標(biāo)進(jìn)行綜合分析。該文將試驗對比指標(biāo)設(shè)定為故障類別識別誤差率、故障發(fā)生次數(shù)以及故障檢修時間。設(shè)置輸電線路的故障共5種，具體見表3。

表3 線路故障類型及樣本數(shù)量

將表3 的輸電線路故障作為試驗樣本，采用不同方法對目標(biāo)線路進(jìn)行檢測與維修。

2.2 試驗結(jié)果

采用3 種不同方法進(jìn)行輸電線路檢修。先識別故障區(qū)域，計算各方法的故障區(qū)域識別誤差率，試驗結(jié)果如圖1 所示。

圖1 故障區(qū)域識別誤差率

根據(jù)圖1 試驗結(jié)果可以看出，在不同故障次數(shù)下，多旋翼無人機智能檢修方法故障區(qū)域識別的誤差率最低，并且最高值僅為2.2%。而人工識別檢修方法和單一機械識別檢修方法識別故障的誤差率最高可達(dá)7%，遠(yuǎn)高于無人機智能檢修方法，因此該文設(shè)計方法的故障區(qū)域識別較精準(zhǔn)。

故障發(fā)生次數(shù)如圖2 所示。在該文的試驗中，選定3、6、9、12、15 個月為時間樣本，分別檢測在這些時間段中采用3 種方法檢修過的輸電線路再次發(fā)生故障的次數(shù)。根據(jù)圖2 數(shù)據(jù)可知，在第一次檢修后的3 個月內(nèi)，經(jīng)過無人機智能檢修方法后沒有發(fā)生二次故障，而其他2 種方法均發(fā)生過一次故障。防止試驗具有偶然性，該文分別進(jìn)行了其他4 次檢測，得到的結(jié)果是4 次檢測中采用人工識別檢修方法和單一機械識別檢修方法的輸電線路發(fā)生故障次數(shù)均高于無人機智能檢測方法。通過對該指標(biāo)的研究可以發(fā)現(xiàn)，在對故障區(qū)域進(jìn)行精準(zhǔn)檢修中，多旋翼無人機技術(shù)智能檢修方法的識別誤差較低且識別結(jié)果較穩(wěn)定。在進(jìn)行的5 次數(shù)據(jù)統(tǒng)計中，該文提到的智能檢修技術(shù)的使用效果優(yōu)于人工識別檢修方法和單一機械識別檢修方法。在后續(xù)的研究中，應(yīng)對人工識別檢修方法和單一機械識別檢修方法的該部分性能進(jìn)行優(yōu)化，以提升人工識別檢修方法和單一機械識別檢修方法的穩(wěn)定性。

圖2 故障發(fā)生次數(shù)

在同一種故障類別下3 種方法對故障進(jìn)行檢修的時間對比如圖3 所示。

圖3 檢修完成時間

根據(jù)圖3 可以看出，在同一故障數(shù)量下，該文提到的多旋翼無人機智能檢修方法檢修時間遠(yuǎn)低于人工識別檢修方法和單一機械識別檢修方法。當(dāng)輸電線路故障為一處時，多旋翼無人機智能檢修方法檢修時間不到1h，而其他2 種檢修方法為3h～5h，時間遠(yuǎn)多于多旋翼無人機智能檢修方法。由此看來，智能方法在檢修中不僅可以精準(zhǔn)識別，還可以提高檢修效率，省去大量人力和時間。

通過上述3 次試驗（分別為故障區(qū)域識別誤差率、故障發(fā)生次數(shù)和檢修完成時間）和圖表分析可知，多旋翼無人機智能檢修方法的使用效果優(yōu)于人工識別檢修方法和單一機械識別檢修方法。

3 結(jié)語

傳統(tǒng)的輸電線路人工檢修方式存在檢修精度低、盲區(qū)多和運維范圍小等缺點，不能滿足線路檢修的標(biāo)準(zhǔn)。傳統(tǒng)檢驗方法的這些缺點推動了無人機檢驗技術(shù)的發(fā)展。基于人工智能的輸電線路無人機檢修技術(shù)將多種設(shè)備進(jìn)行了結(jié)合，例如該文中將多旋翼無人機技術(shù)與紅外成像相結(jié)合，能更高效、準(zhǔn)確地識別出輸電線路的路障區(qū)域所在。