陳炳煌，繆希仁，江 灝，吳俊鋼

(1.福州大學(xué) 電氣工程與自動(dòng)化學(xué)院,福建 福州 350108；2.福建工程學(xué)院 電子電氣與物理學(xué)院,福建 福州 350118)

0 引言

自然災(zāi)害對(duì)輸電線路的破壞嚴(yán)重影響電網(wǎng)運(yùn)行的安全，快速精準(zhǔn)定位輸電線路故障點(diǎn)是一大難題。近年來(lái)，無(wú)人機(jī)在災(zāi)后應(yīng)急響應(yīng)方面的表現(xiàn)較為突出。巡檢人員根據(jù)無(wú)人機(jī)拍攝的照片和視頻檢測(cè)和定位故障桿塔[1]。但這種方法依賴經(jīng)驗(yàn)，且比較耗時(shí)，效率較低，不能滿足快速評(píng)估的需求。

國(guó)內(nèi)外學(xué)者對(duì)輸電線路桿塔狀態(tài)圖像的檢測(cè)和分類方法進(jìn)行了相關(guān)研究。Sampedro等[2]提出了一種將定向梯度直方圖與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法去識(shí)別桿塔。Steiger等[3]提出了一種包括訓(xùn)練和檢測(cè)2個(gè)階段的隱式形狀模型對(duì)桿塔圖像進(jìn)行檢測(cè)。Zeng等[4]基于四分量分解模型分析了4種散射特性的振幅，并采用多分辨率統(tǒng)計(jì)能量級(jí)方法對(duì)輸電桿塔進(jìn)行檢測(cè)。但這種方法需要全偏振數(shù)據(jù)，在實(shí)際應(yīng)用中易受限制。劉奕等[5]采用G0分布模型檢測(cè)目標(biāo)，使用支持向量機(jī)(support vector machine,SVM)對(duì)輸電桿塔進(jìn)行分類。Cern等[6]利用視覺(jué)特征和場(chǎng)景線性內(nèi)容結(jié)合SVM對(duì)輸電線路桿塔進(jìn)行實(shí)時(shí)檢測(cè)。Zhang等[7]提出了一種基于深度學(xué)習(xí)的方法檢測(cè)桿塔，并采用方位線法定位桿塔。而上述方法均只考慮了桿塔目標(biāo)的強(qiáng)度信息，對(duì)圖像中桿塔的幾何特征分析較少，而且也沒(méi)有對(duì)輸電線路桿塔的災(zāi)害狀態(tài)進(jìn)行分類。

本文根據(jù)無(wú)人機(jī)應(yīng)急巡檢輸電線路桿塔圖像數(shù)據(jù)，提出一種融合粒子群優(yōu)化和極限學(xué)習(xí)機(jī)的桿塔災(zāi)害狀態(tài)分類新方法。該方法運(yùn)用直線檢測(cè)法(line segment detection,LSD)[8]和Harris角點(diǎn)檢測(cè)法(Harris corner detection,HCD)[9]進(jìn)行圖像處理獲取桿塔圖像輪廓并提取特征參數(shù)，應(yīng)用灰色關(guān)聯(lián)分析(grey relation analysis,GRA)獲得關(guān)鍵特征參數(shù)，并融合粒子群優(yōu)化(particle swarm optimization,PSO)對(duì)極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)的輸入隱藏權(quán)值和隱藏偏差閾值進(jìn)行優(yōu)化，對(duì)桿塔圖像數(shù)據(jù)進(jìn)行訓(xùn)練，建立PSO-ELM分類模型。最后通過(guò)實(shí)驗(yàn)對(duì)比驗(yàn)證了該方法的可行性和準(zhǔn)確性。

1 融合分類方法

融合PSO和ELM的桿塔災(zāi)害狀態(tài)分類方法的具體流程如圖1所示。首先，提取某電網(wǎng)應(yīng)急巡檢輸電線路桿塔圖像數(shù)據(jù)集上的桿塔的圖像特征，結(jié)合LSD和HCD，在多種圖像背景下獲取桿塔輪廓特征參數(shù)。桿塔圖像特征參數(shù)的選取影響桿塔圖像分類的準(zhǔn)確率，需要對(duì)參數(shù)進(jìn)行篩選，找到主要影響因素。通過(guò)GRA分析桿塔圖像特征參數(shù)和桿塔狀態(tài)分類之間的關(guān)聯(lián)程度，找到主要參數(shù)，消除特征間的冗余性。在此基礎(chǔ)上，優(yōu)化ELM參數(shù)，提高ELM模型的分類準(zhǔn)確率。結(jié)合PSO算法，對(duì)ELM的輸入隱藏權(quán)值和隱藏偏差閾值進(jìn)行優(yōu)化，利用ELM訓(xùn)練桿塔圖像分類模型，實(shí)現(xiàn)輸電線路桿塔災(zāi)害狀態(tài)的檢測(cè)和分類。

圖1 融合PSO和ELM的輸電線路桿塔災(zāi)害狀態(tài)分類流程圖Figure 1 Flow chart of disaster status classification of transmission line tower integrating PSO and ELM

1.1 桿塔圖像特征參數(shù)的提取

1.1.1 提取桿塔輪廓

針對(duì)野外架空輸電線路進(jìn)行無(wú)人機(jī)應(yīng)急巡檢，其圖像背景主要是森林和草地。無(wú)人機(jī)在巡檢拍攝桿塔圖像時(shí)，主要采用輸電線路上方和側(cè)方飛行拍攝。由于安全問(wèn)題，無(wú)人機(jī)在輸電線路上方巡檢時(shí)，輸電線路桿塔在視角中其幾何尺寸較小，不利于災(zāi)害狀態(tài)的分類。因此，本文桿塔圖像的獲取主要采用無(wú)人機(jī)在輸電線路側(cè)方飛行，在保持安全距離的前提下，使輸電線路桿塔在圖像中為側(cè)面直立狀態(tài)。而無(wú)人機(jī)在輸電線路側(cè)方飛行拍攝時(shí)，輸電線路桿塔在不同光照、不同季節(jié)下的環(huán)境背景各異。因此，本文結(jié)合LSD和HCD圖像增強(qiáng)的方法來(lái)提取不同背景圖像中輸電線路桿塔的輪廓特征。

LSD可以檢測(cè)輸電線路走廊上的桿塔和線路，但是也容易檢測(cè)到樹和樹枝等線性物體，結(jié)合HCD方法，可檢測(cè)到桿塔及其桁架結(jié)構(gòu)。這樣，LSD和HCD的結(jié)合可以完整地檢測(cè)出圖像中的輸電線路桿塔，如圖2所示。對(duì)圖像分別進(jìn)行二值化閾值處理、圖像形態(tài)學(xué)閉運(yùn)算處理和最大連通域求解。利用2張最大連通域圖像進(jìn)行與運(yùn)算，得到輸電線路桿塔的輪廓。

圖2 輸電線路桿塔輪廓提取流程圖Figure 2 Flow chart of transmission line tower contour extraction

1.1.2 特征參數(shù)計(jì)算

特征參數(shù)對(duì)應(yīng)的數(shù)學(xué)模型會(huì)影響分類的準(zhǔn)確性。無(wú)人機(jī)應(yīng)急巡檢輸電線路桿塔圖像的輪廓有利于實(shí)現(xiàn)桿塔災(zāi)害狀態(tài)的檢測(cè)和分類，因此，本文提取表征桿塔外觀輪廓的主要特征參數(shù)如下。

(1)面積S。桿塔輪廓面積S與區(qū)域內(nèi)部灰度級(jí)的變化無(wú)關(guān)，僅與輪廓邊界相關(guān)，通過(guò)對(duì)邊界及內(nèi)部像素點(diǎn)數(shù)目的計(jì)算求取。

(2)周長(zhǎng)P。輪廓區(qū)域的邊界長(zhǎng)度即為其周長(zhǎng)，周長(zhǎng)的確定有利于區(qū)分簡(jiǎn)單及復(fù)雜的輪廓形狀。將像素點(diǎn)看作單位面積的方塊，用輪廓邊界所占面積表示區(qū)域的周長(zhǎng)，利用邊界點(diǎn)總數(shù)計(jì)算輪廓周長(zhǎng)，其數(shù)學(xué)模型為

P=n。

(1)

式中：n為邊界點(diǎn)總數(shù)。

(3)等效面積EA。等效面積是指單位長(zhǎng)度所包圍的面積的大小，主要體現(xiàn)了桿塔外輪廓邊界的細(xì)長(zhǎng)程度。其數(shù)學(xué)模型為

EA=S/P。

(2)

式中：EA為等效面積；S為桿塔外輪廓區(qū)域所占的面積；P為桿塔外輪廓邊界長(zhǎng)度即周長(zhǎng)。

(4)圓形度R。圓形度主要區(qū)分桿塔的形狀，其數(shù)學(xué)模型為

R=4πS/P2。

(3)

式中：R為桿塔外輪廓的圓形度。在圖像處理領(lǐng)域，圖像的面積指圖像像素的個(gè)數(shù)，周長(zhǎng)是圍繞整個(gè)連通域的像素?cái)?shù)。分析可知，當(dāng)桿塔外輪廓的圓形度越接近于l時(shí)，桿塔外輪廓的形狀越接近圓形。

(5)長(zhǎng)寬比RLW。長(zhǎng)寬比是指桿塔外輪廓對(duì)應(yīng)連通域的最小外接矩形的長(zhǎng)寬比，其數(shù)學(xué)模型為

RLW=L1/L2。

(4)

式中：L1為圖像中桿塔的高度，L2為圖像中桿塔的寬度。一般情況下，無(wú)人機(jī)沿著線路某一距離飛行，所攝圖像RLW一旦發(fā)生變化，很容易被捕捉。正常運(yùn)行狀態(tài)下的RLW一般大于1，倒伏狀態(tài)下一般小于1，而導(dǎo)線舞動(dòng)下扭曲半倒?fàn)顟B(tài)，其桿塔外輪廓長(zhǎng)寬比可能大于1，也可能小于1。

(6)矩形度REC。反映桿塔輪廓區(qū)域?qū)ν馇芯匦蔚某錆M程度，因此矩形度為[0,1]。當(dāng)輪廓區(qū)域呈細(xì)長(zhǎng)、彎曲的形狀，矩形度值變?。划?dāng)矩形度為最大值1時(shí)，輪廓區(qū)域充滿整個(gè)外切矩形，其數(shù)學(xué)模型為

REC=S/Sn。

(5)

式中：Sn是圖像中桿塔輪廓外切最小矩形的面積。

(7)重心相對(duì)位置ε。反映桿塔對(duì)稱的狀態(tài)，桿塔為正常狀態(tài)時(shí)ε值很小，約等于0。桿塔倒伏后，其對(duì)稱性改變，ε值也發(fā)生變化，其數(shù)學(xué)模型為

(6)

式中：取桿塔寬向?yàn)閤軸，取桿塔高向?yàn)閥軸，x為重心處橫軸坐標(biāo)，x0、x1分別為桿塔寬向兩側(cè)坐標(biāo)，如圖2所示。

1.2 GRA法

無(wú)人機(jī)應(yīng)急巡檢圖像中桿塔的7個(gè)特征參數(shù)提取出來(lái)后，通過(guò)GRA可以找出它們與桿塔狀態(tài)之間的關(guān)系，發(fā)現(xiàn)其主要矛盾，找到主要特性和主要影響因素[10]。GRA的步驟如下。

Step1在已知的因素中確定出比較數(shù)列和參考數(shù)列；

Step2計(jì)算每個(gè)參考數(shù)列中的每個(gè)元素與比較數(shù)列中相對(duì)應(yīng)元素的關(guān)聯(lián)系數(shù)；

Step3將每列關(guān)聯(lián)系數(shù)求平均值即為每個(gè)參考數(shù)列與比較數(shù)列的關(guān)聯(lián)度；

Step4對(duì)關(guān)聯(lián)度進(jìn)行比較并排序，其中關(guān)聯(lián)度最大的數(shù)列即與參考數(shù)列關(guān)聯(lián)度最緊密的數(shù)列。

設(shè)X0={X0(k)|k=1,2,…,n}為參考數(shù)列，即母數(shù)列；Xi={Xi(k)|k=1,2,…,n}為比較數(shù)列，即子數(shù)列。將桿塔圖像的7個(gè)特征參數(shù)作為比較數(shù)列，而桿塔狀態(tài)作為參考數(shù)列。則X0(k)和Xi(k)的關(guān)聯(lián)系數(shù)為

(7)

(8)

根據(jù)γi進(jìn)行排序，選擇數(shù)據(jù)中主要影響因素用以實(shí)驗(yàn)和分析。

1.3 PSO-ELM算法

為了能更準(zhǔn)確地對(duì)災(zāi)后應(yīng)急巡檢中輸電線路桿塔圖像進(jìn)行分類，本文采用ELM算法模型。ELM是謝國(guó)民等[11]提出的一種簡(jiǎn)單的單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。與傳統(tǒng)的基于梯度的算法和支持向量機(jī)等方法相比，該算法學(xué)習(xí)速度快、泛化性能高[12]。ELM已應(yīng)用于電網(wǎng)故障預(yù)測(cè)、分類和負(fù)荷預(yù)測(cè)等領(lǐng)域[13]。隨機(jī)分配的ELM的輸入隱藏權(quán)值和隱藏偏差閾值會(huì)影響ELM的泛化能力，這就意味著需要使用優(yōu)化算法來(lái)獲得輸入層的最優(yōu)權(quán)值和隱含層的偏差。

PSO是一種著名的基于種群的優(yōu)化方法，其靈感來(lái)自于鳥類群體的社會(huì)行為。該算法通過(guò)對(duì)模型空間中的棱柱體進(jìn)行智能采樣，尋找最接近全局最小值的最佳參數(shù)，從而使分類誤差最小[14]。PSO中，每個(gè)粒子被視為待優(yōu)化問(wèn)題的一個(gè)潛在解，一組候選粒子同時(shí)在問(wèn)題空間中搜索最優(yōu)解。每個(gè)粒子都有2個(gè)參數(shù)，包括表示可能解的位置向量和表示可能移動(dòng)方向的速度向量。在進(jìn)化過(guò)程中，每個(gè)粒子通過(guò)跟蹤自身最熟悉位置(PBest)和全局最熟悉位置(GBest)，動(dòng)態(tài)改變其位置和速度。粒子種群將繼續(xù)迭代過(guò)程，直到滿足最大迭代次數(shù)或滿足終端精確率[15]。對(duì)于第k個(gè)周期的第i個(gè)粒子，其演化方程可表示為

vi,j(k+1)=vi,j(k)+c1r1[pi,j-xi,j(k)]+

c2r2[pg,j-xi,j(k)]；

(9)

xi,j(k+1)=xi,j(k)+vi,j(k+1)。

(10)

式中：vi,j是第i個(gè)粒子在第j維上的速度；xi,j是第i個(gè)粒子在第j維上的位置；c1和c2是加速常數(shù)；r1和r2是(0,1)上的隨機(jī)數(shù)；pi,j是粒子的自身的個(gè)體極值；pg,j是粒子群的全局極值。

將桿塔狀態(tài)的分類準(zhǔn)確率作為PSO的適應(yīng)度。粒子群中每個(gè)粒子由輸入隱藏權(quán)值和隱藏偏差閾值構(gòu)成，將每個(gè)粒子放入ELM算法中對(duì)輸電線路桿塔圖像訓(xùn)練集進(jìn)行訓(xùn)練，得到輸出桿塔狀態(tài)的分類值，并比較當(dāng)前粒子的適應(yīng)度和個(gè)體最優(yōu)適應(yīng)度，根據(jù)適應(yīng)度極大值更新PBest和GBest。根據(jù)式(9)、(10)進(jìn)行迭代，找到滿足適應(yīng)度條件的最優(yōu)輸入隱藏權(quán)值和隱藏偏差閾值，進(jìn)而由PSO-ELM模型得到分類結(jié)果。

1.4 評(píng)價(jià)指標(biāo)

由于從無(wú)人機(jī)獲取的是輸電線路桿塔的圖像，對(duì)于圖像的分類一般使用準(zhǔn)確率、精確率P、召回率R和F值作為評(píng)價(jià)指標(biāo)[16]。在圖像分類中，根據(jù)預(yù)測(cè)樣本的正確與否，將預(yù)測(cè)樣本定義為真陽(yáng)性(TP)、真陰性(TN)、假陽(yáng)性(FP)和假陰性(FN)。準(zhǔn)確率是預(yù)測(cè)樣本數(shù)(TP+TN)與總樣本數(shù)的比值。精確率是預(yù)測(cè)的真實(shí)正樣本數(shù)(TP)與所有預(yù)測(cè)的正樣本數(shù)(TP+FP)之比。召回率是預(yù)測(cè)的真陽(yáng)性樣本數(shù)(TP)與預(yù)測(cè)的總樣本數(shù)(TP+FN)的比值。精確率和召回率是相互影響的，在兩者都要求較高的情況下，F(xiàn)值作為精確率和召回率的加權(quán)調(diào)和平均值可以來(lái)衡量算法性能，如式(11)所示。

(11)

式中：P為精確率；R為召回率。

2 實(shí)驗(yàn)與分析

2.1 數(shù)據(jù)集

實(shí)驗(yàn)選擇無(wú)人機(jī)針對(duì)某電網(wǎng)應(yīng)急巡檢輸電線路建立圖像集，共180幅圖像。將輸電線路桿塔分為正常、半倒塌和完全倒塌3種狀態(tài)。選擇其中120幅圖像進(jìn)行訓(xùn)練，60幅圖像進(jìn)行測(cè)試，數(shù)據(jù)集的分布情況如表1所示。

表1 輸電線路桿塔圖像數(shù)據(jù)集Table 1 Image data set of transmission line tower

180張桿塔的圖像經(jīng)過(guò)LSD和HCD方法進(jìn)行處理計(jì)算，得到7個(gè)特征參數(shù)，并采用Min-Max、Z-score和均值3種方法對(duì)數(shù)據(jù)進(jìn)行歸一化，以消除維數(shù)對(duì)預(yù)測(cè)效果的影響。

以桿塔狀態(tài)作為參考數(shù)列，用3種歸一化方法的平均值得到最終的關(guān)聯(lián)度排序，如表2所示。從表2可以看出，桿塔圖像特征參數(shù)與桿塔狀態(tài)的關(guān)聯(lián)度排序?yàn)椋簆4>p5>p7>p6>p3>p2>p1。因此，選擇關(guān)聯(lián)度最高的4個(gè)特征參數(shù)(R、REC、ε、RLW)作為PSO-ELM模型訓(xùn)練的輸入數(shù)據(jù)。

表2 輸電線路桿塔特征參數(shù)采用不同歸一化法的關(guān)聯(lián)度Table 2 Correlation degree of characteristic parameters of transmission line tower using different normalization methods

2.2 模型訓(xùn)練和分類

模型訓(xùn)練的實(shí)驗(yàn)環(huán)境為MATLAB 2014b，CPU 2.5 GHz。設(shè)置PSO算法迭代次數(shù)為100次，粒子數(shù)為200，慣性量權(quán)值為0.9，激活函數(shù)為s型函數(shù)。

特征參數(shù)數(shù)據(jù)歸一化方法可以加快梯度下降求最優(yōu)解的速度。分別對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試，研究Z-score、均值和Min-Max方法對(duì)PSO-ELM模型分類指標(biāo)的影響，如表3所示。采用均值法進(jìn)行分類的各項(xiàng)評(píng)價(jià)指標(biāo)均是最低的，而采用Min-Max的分類準(zhǔn)確率和F值分別比Z-score高1.92%和2.48%，說(shuō)明Min-Max歸一化法較適用于該算法模型。

表3 不同方法對(duì)PSO-ELM分類模型的影響Table 3 Effects of different methods on the PSO-ELM model %

同時(shí)，研究3組PSO粒子數(shù)對(duì)PSO-ELM模型迭代過(guò)程的影響，如圖3所示。3組PSO的粒子數(shù)分別為50、100和200。由圖3可知，當(dāng)粒子數(shù)為200時(shí)，隨著迭代次數(shù)的增加，適應(yīng)度能比另外2條曲線更快趨于穩(wěn)定。

圖3 不同PSO粒子數(shù)對(duì)PSO-ELM迭代過(guò)程的影響Figure 3 The influence of different PSO particle numbers on the PSO-ELM iteration process

經(jīng)過(guò)對(duì)比，本文選擇F值最優(yōu)的參數(shù)，即加速常數(shù)c1=2.0，c2=2.0，Min-Max歸一化法，隱含層節(jié)點(diǎn)數(shù)為20，使用GRA-PSO-ELM模型對(duì)測(cè)試集進(jìn)行分類測(cè)試，將測(cè)試集的分類數(shù)據(jù)與真實(shí)數(shù)據(jù)對(duì)比，如圖4所示。由圖4可以得出，GRA-PSO-ELM模型對(duì)于正常、半倒塌和完全倒塌狀態(tài)的桿塔圖像的分類準(zhǔn)確率分別是100%、36.36%和100%。分類誤差出現(xiàn)在半倒塌的桿塔狀態(tài)，主要是由于無(wú)人機(jī)拍攝角度導(dǎo)致桿塔從圖像中表征的特性趨向于正常狀態(tài)，可以調(diào)整無(wú)人機(jī)拍攝角度來(lái)獲取正確的圖像。

圖4 多個(gè)算法模型測(cè)試分類結(jié)果比較Figure 4 Comparison of classification results of multiple algorithm models

2.3 模型對(duì)比分析

用GRA-ELM、PSO-ELM和ELM模型研究輸電線路桿塔狀態(tài)的圖像分類，并與GRA-PSO-ELM模型分類結(jié)果和評(píng)價(jià)指標(biāo)進(jìn)行比較，如表4所示。通過(guò)GRA得到的數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試有較好的效果，訓(xùn)練準(zhǔn)確率都達(dá)到100%，測(cè)試準(zhǔn)確率在86%以上，精確率達(dá)到90%以上。采用PSO算法優(yōu)化的ELM模型的表現(xiàn)更為優(yōu)秀，其精確率比GRA-ELM模型的精確率高2.01%。其中PSO-ELM和ELM的精確率和F值為0，主要是因?yàn)榉诸惤Y(jié)果有一類目標(biāo)沒(méi)有正確分類識(shí)別出來(lái)造成的。

表4 不同ELM模型訓(xùn)練和測(cè)試結(jié)果Table 4 Training and test results for different ELM Models %

本文也用反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation,BP)及SVM算法分別對(duì)測(cè)試集進(jìn)行分類測(cè)試，并將分類結(jié)果和評(píng)價(jià)指標(biāo)與GRA-PSO-ELM模型進(jìn)行對(duì)比，如表5和圖4所示。其中BP和SVM模型未采用GRA算法對(duì)桿塔圖像的特征參數(shù)進(jìn)行選擇，而是直接使用7個(gè)特征參數(shù)進(jìn)行訓(xùn)練測(cè)試；GRA-BP和GRA-SVM模型則采用GRA算法得到關(guān)聯(lián)度最高的4個(gè)特征參數(shù)進(jìn)行相應(yīng)訓(xùn)練測(cè)試。從表5可看出，GRA-BP和GRA-SVM算法模型對(duì)測(cè)試集的評(píng)價(jià)指標(biāo)都有較大提高，說(shuō)明選擇關(guān)聯(lián)度最高的4個(gè)特征參數(shù)的GRA算法可以提高桿塔圖像狀態(tài)的分類準(zhǔn)確率。而GRA-PSO-ELM模型與GRA-BP模型的準(zhǔn)確率相差不多，但是在精確率上,GRA-PSO-ELM模型比GRA-BP模型高12.93%，說(shuō)明經(jīng)過(guò)PSO對(duì)輸入隱藏權(quán)值和隱藏偏差閾值的優(yōu)化可以使得GRA-PSO-ELM模型具有良好的分類特性。

表5 不同算法模型測(cè)試的結(jié)果Table 5 Test results of different algorithm models %

3 結(jié)論

針對(duì)無(wú)人機(jī)在應(yīng)急巡檢中對(duì)輸電線路桿塔災(zāi)害狀態(tài)分類的準(zhǔn)確評(píng)估問(wèn)題，提出一種融合粒子群優(yōu)化與極限學(xué)習(xí)機(jī)的輸電線路桿塔災(zāi)害狀態(tài)分類方法。該方法先結(jié)合LSD和HCD圖像處理方法提取輸電線路桿塔圖像的特征參數(shù)，再應(yīng)用GRA獲取影響分類預(yù)測(cè)結(jié)果的最重要的4個(gè)特征參數(shù)，對(duì)這4個(gè)特征參數(shù)和桿塔狀態(tài)組成的數(shù)據(jù)集采用PSO優(yōu)化ELM模型的輸入隱藏權(quán)值和隱藏偏差閾值。與4種經(jīng)典算法模型進(jìn)行了比較，結(jié)果表明，GRA-PSO-ELM模型的分類準(zhǔn)確率為88.33%，精確率為92.68%，表明本文提出的方法可提高輸電線路桿塔狀態(tài)的分類準(zhǔn)確率和精確率，為電力部門災(zāi)后快速檢測(cè)輸電線路桿塔和故障點(diǎn)提供了有價(jià)值的參考。