翟兵，秦雄鵬，朱龍昌，黃緒勇，曹俊，耿浩，王亞強(qiáng)

（1.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，云南 昆明 650217；2.云南電力技術(shù)有限責(zé)任公司，云南 昆明 650012；3.云南華晉科技有限責(zé)任公司，云南 昆明 650051；4.北京國遙新天地信息技術(shù)股份有限公司，北京 100020）

0 前言

超高壓輸電線路在覆冰的情況下容易出現(xiàn)斷線、閃絡(luò)和舞動等事故，達(dá)到一定的影響程度后會造成局部地區(qū)大面積停電，嚴(yán)重影響了整個供電系統(tǒng)的穩(wěn)定性。所以需要對超高壓輸電線路的覆冰情況進(jìn)行實時監(jiān)測，確保超高壓輸電線路不被覆冰災(zāi)害影響，盡量在覆冰災(zāi)害發(fā)生前發(fā)出相應(yīng)的預(yù)警，為災(zāi)害搶修和維護(hù)人員預(yù)留出準(zhǔn)備時間。

文獻(xiàn)[1]分析電網(wǎng)在覆冰情況下產(chǎn)生的二次聯(lián)鎖故障反應(yīng)情況，使用蒙特洛卡法判斷覆冰災(zāi)害下輸電線路的脆弱性，并計算輸電線路的臨斷線臨界值和發(fā)生二次故障的幾率，在此數(shù)據(jù)基礎(chǔ)上建立一個具有電網(wǎng)物理特性的分析模型，模擬覆冰情況下線路故障的演化過程，從而為維護(hù)管理人員應(yīng)對線路的覆冰故障做出相應(yīng)的預(yù)案，這種方法能夠?qū)Ω脖鶠?zāi)害對故障的影響情況進(jìn)行深度分析，但是在故障等級預(yù)警方面存在一定缺陷，不能夠明確劃分覆冰災(zāi)害的等級。文獻(xiàn)[2]設(shè)計一種能夠預(yù)測供電線路上覆冰厚度的計算模型，通過對覆冰厚度的分析從而獲取覆冰災(zāi)害等級，所建立的模型充分考慮到覆冰情況下供電線路上垂直檔距、水平應(yīng)力和冰厚、冰重量等參數(shù)對線路的影響，能夠?qū)⒏脖鶠?zāi)害對線路影響程度預(yù)測在12 %誤差以內(nèi)，具有較高的精準(zhǔn)度，但是這種方法沒有考慮到天氣的實時變化對供電線路的影響，也沒有考慮到覆冰的影響因子對覆冰災(zāi)害的影響情況模型參數(shù)存在一定的漏洞，不能較全面地對覆冰災(zāi)害進(jìn)行預(yù)測分析。

綜上所述，現(xiàn)有預(yù)警模型的覆冰率預(yù)測結(jié)果與實際結(jié)果相差較大。為了解決上述問題，本文將利用機(jī)器視覺建立超高壓輸電線路覆冰災(zāi)害分級預(yù)警模型，充分發(fā)揮機(jī)器視覺的高自動化、高精準(zhǔn)度、云計算和可以在艱苦環(huán)境下工作的特點，提升高壓輸電線路覆冰災(zāi)害預(yù)測能力。

1 超高壓輸電線機(jī)器視覺信息處理

1.1 原始圖像采集

將超高壓輸電線路上的機(jī)器視覺采集設(shè)備安裝在固定的電氣箱體上，機(jī)器視覺采集設(shè)備在電氣箱體上完成對超高壓輸電線路上的圖像特征的識別采集、預(yù)處理與分類[3-4]。機(jī)器人在超高壓輸電線路上要具有相對穩(wěn)定的位置關(guān)系和圖像信息監(jiān)測識別角度，確保機(jī)器人的相機(jī)云臺能夠?qū)Τ邏壕€路上的狀態(tài)完成最大范圍的圖像采集[5-6]。

對采集的超高壓輸電線覆冰災(zāi)害信息進(jìn)行預(yù)處理，過程如圖1所示：

圖1 圖像信息預(yù)處理

首先將機(jī)器人采集到的原始圖像進(jìn)行區(qū)域分割，在原始圖像中劃分含有線路線股的高分辨率圖像，其次對圖像進(jìn)行灰度處理，這樣可以有效增長圖像中覆冰與線路之間的對比性，從而凸顯出冰在線路上的覆蓋程度，最后運用Canny 算子劃分圖像邊緣，實現(xiàn)信息處理，根據(jù)直線在圖像中的所在位置確定機(jī)器人視覺采集設(shè)備的標(biāo)定位置。圖像中的直線確定需要符合兩個條件，第一是兩條直線之間的間距固定不變，第二是機(jī)器人視覺采集設(shè)備與覆冰線路相對位置關(guān)系的角度固定不變。以上兩個條件無法直接通過肉眼識別，所以在機(jī)器視覺采集設(shè)備中建立數(shù)據(jù)模型和三維坐標(biāo)系OWXYZ，設(shè)定兩條直線間距為Wd，線路上的邊緣點P1到另一邊緣點P2的向量與線路法向量nW的點積可以表示為：

確定直線各點位在坐標(biāo)系中的坐標(biāo)點后，在圖像中找到相對應(yīng)的投影點，坐標(biāo)點與投影點之間的轉(zhuǎn)換方式如公式（2）所示：

其中，s代表信息采集過程的；ax、ay分別代表在處理信息過程中x、y軸對應(yīng)的尺度因子；代表經(jīng)過轉(zhuǎn)換后得到的尺度矩陣；u、v、u0分別代表x、y、z坐標(biāo)系中的直線點位。按照以上算法篩選出可采集圖像內(nèi)容后，完成了機(jī)器人對原始圖像的采集任務(wù)[7]。

1.2 圖像特征增強(qiáng)

通過機(jī)器人視覺設(shè)備對超高壓輸電線路上的覆冰情況進(jìn)行檢測，采集線路外表覆冰情況的原始圖像，對原始圖像中的線路特征進(jìn)行劃分，不同特征的圖像代表不同級別的覆冰風(fēng)險[8-9]。初級覆冰風(fēng)險線路上的冰層不明顯，對線路穩(wěn)定運行不造成影響；中級覆冰風(fēng)險線路上的冰層向線路邊緣方向發(fā)展，有一定幾率對線路造成斷股；高級覆冰風(fēng)險線路上的冰層已經(jīng)嚴(yán)重影響了線路的穩(wěn)定運行，改變了正常狀態(tài)下的線路設(shè)備運行環(huán)境，且高覆冰風(fēng)險圖像中的特征梯度不能表現(xiàn)出規(guī)律性，非常容易發(fā)生斷股事故[10-11]。

從采集到的圖像中開展特征提取，利用圖像特征梯度判定超高壓輸電線路覆冰風(fēng)險類型，如下為梯度特征計算方式：

公式中f代表覆冰圖像信息處理過程的灰度值；表示x軸對應(yīng)的梯度值；代表y軸對應(yīng)的梯度值；θ代表梯度方向；Δf代表梯度特征。

1.3 基于CNN算法的圖像信息分類

利用卷積網(wǎng)絡(luò)提高圖像檢測的規(guī)律性?；贑NN 算法的圖像信息分類過程如圖2所示：

圖2 基于CNN算法的圖像信息分類

CNN 算法運行前對圖像信息進(jìn)行規(guī)模訓(xùn)練，分組不同類型的圖像信息，再根據(jù)組別確定每組中的數(shù)據(jù)特征，模擬優(yōu)化數(shù)據(jù)特征的狀態(tài)環(huán)境，從優(yōu)化結(jié)果中確定覆冰線路的風(fēng)險等級[12]。

2 超高壓輸電線路覆冰影響因子

2.1 歷史覆冰災(zāi)害因子

超高壓輸電線路覆冰災(zāi)害的產(chǎn)生主要集中發(fā)生在冬季嚴(yán)寒地區(qū)，具有一定的時間聚集性，發(fā)生的線路位置具有較大的普遍性，造成的損害具有較強(qiáng)的隨機(jī)性。針對以上特點，本文建立了時間序列，分析超高壓輸電線路上的覆冰災(zāi)害歷史因子，尋找發(fā)生超高壓輸電線路覆冰災(zāi)害的規(guī)律，確定超高壓輸電線路上覆冰災(zāi)害產(chǎn)生次數(shù)與歷史覆冰災(zāi)害因子之間的自相關(guān)性分析，計算過程如公式（5）所示：

其中，k代表時間間隔；pk代表相關(guān)程度；n代表總周期長；Xt代表時間序列中在t天時的覆冰情況；X代表整個周期內(nèi)覆冰情況的平均狀態(tài)[13-14]。

2.2 氣象因子

天氣是發(fā)生覆冰災(zāi)害的必要因素，例如零下的溫度可以加速覆冰的形成、強(qiáng)烈的冷風(fēng)可以增加冰層的厚度、降雪為覆冰災(zāi)害提供了基礎(chǔ)水量，這些因素對超高壓輸電線路的覆冰情況均造成不同程度的影響。本文利用布龍-戴維斯方案對氣象因子的權(quán)重系數(shù)進(jìn)行設(shè)定，系數(shù)分別為0.3、0.7，分別計算出風(fēng)速、溫度、降水量3個因子對覆冰災(zāi)害的影響程度。如下所示為氣象因子計算方式：

其中，IV代表風(fēng)速因子；IT代表溫度因子；IM代表降水量因子；IV′代表修正后的風(fēng)速因子；IT′代表修正后的溫度因子；IM′代表修正后的降水量因子；U和U′分別代表布龍- 戴維斯方案和修正布龍-戴維斯方案兩臺方案的氣象因子；Cs代表氣象因子的修正系數(shù)；IFMI代表氣象因子。

2.3 線路冰凍因子

超高壓輸電線上的覆冰狀態(tài)是冰凍因子變化的直接影響結(jié)果，本文以冰凍強(qiáng)度和線路上含水量兩個要素構(gòu)建一個冰凍因子Igeo，通過對其進(jìn)行評估計算可以判斷出線路出現(xiàn)覆冰災(zāi)害的可能性以及覆冰風(fēng)險等級，計算公式如下：

公式中ILST代表高壓輸電線路的外表溫度指數(shù)，能夠代表覆冰災(zāi)害產(chǎn)生的起始條件；LFW代表含水量質(zhì)量指數(shù)，能夠代表單位面積內(nèi)覆冰水重量。

3 超高壓輸電線路覆冰風(fēng)險分級預(yù)警

3.1 基于PSOEM-LSSVM模型和最優(yōu)理論的因子權(quán)重計算

3.1.1 PSOEM-LSSVM模型建立

天氣溫度、降水量、風(fēng)速為主要影響因素，因為以上因素在室外復(fù)雜環(huán)境下很難完全采集，所以本文建立PSOEM-LSSVM 模型對超高壓輸電線路外部環(huán)境進(jìn)行模擬，構(gòu)造充足的樣本數(shù)據(jù)儲存空間，在儲存空間中設(shè)立LSSVM 回歸模型，確保模型的參數(shù)選擇和基礎(chǔ)數(shù)據(jù)不會影響最終的風(fēng)險等級評判結(jié)果[15]。LSSVM 回歸模型內(nèi)應(yīng)用了擴(kuò)展記憶粒子群算法實現(xiàn)相關(guān)參數(shù)的尋優(yōu)。如圖3所示為整個PSOEM-LSSVM模型的建立流程：

圖3 PSOEM-LSSVM模型建立流程

1）將采集到的超高壓輸電線路覆冰數(shù)據(jù)進(jìn)行統(tǒng)計規(guī)劃分類；

2）通過LSSVM 模型對覆冰數(shù)據(jù)進(jìn)行迭代，初步計算出覆冰厚度的范圍；

3）在模型中初始化設(shè)置PSOEM 參數(shù)，對影響因子進(jìn)行迭代計算，擴(kuò)展影響因子的記憶性；

4）利用PSOEM 算法實時確定模型中粒子的速度和位置并進(jìn)行儲存。

3.1.2 基于PSOEM-LSSVM模型的權(quán)重計算

在PSOEM-LSSVM 模型中設(shè)定m個專家對n個因子進(jìn)行評分，通過評分信息確定影響因子的權(quán)重。確定每個專家對因子的評分向量；計算出每個專家對因子的評分信息矩陣，矩陣結(jié)果包含了評分信息可以有效表現(xiàn)出機(jī)器視覺采集到的圖像內(nèi)容；將各個因子的矩陣結(jié)果相加，得到完整的圖像矩陣；將完整的圖像矩陣因子評分結(jié)果上傳權(quán)重計算公式中，獲取權(quán)重結(jié)果如下：

其中，λk代表權(quán)重結(jié)果；Vk代表圖像矩陣因子評分結(jié)果。

3.1.3 綜合風(fēng)險指數(shù)的賦權(quán)及合理性分析

對所有的影響因子進(jìn)行賦權(quán)后，運用Kendall 相關(guān)系數(shù)對賦權(quán)權(quán)重結(jié)果進(jìn)行驗證。將m個專家合成一個專家?guī)?，對所有的?quán)重數(shù)據(jù)進(jìn)行排列，判斷權(quán)重數(shù)據(jù)的排列順序。若是排列順序與計算順序一致，則證明影響因子與實際覆冰的產(chǎn)生影響因子相似程度一致，若是排列順序與計算順序相反，則證明影響因子與實際覆冰的產(chǎn)生影響因子相似程度不一致。

3.2 輸電線路覆冰風(fēng)險分級校準(zhǔn)

通過數(shù)據(jù)統(tǒng)計，發(fā)現(xiàn)同樣溫度、風(fēng)速等環(huán)境下，降水量達(dá)到某個定值后與輸電線路覆冰風(fēng)險等級成反比。所以需要對降水量的影響因子進(jìn)行重新校準(zhǔn)，設(shè)定降水量與輸電線路覆冰風(fēng)險的飽和值，然后引入降水量因子到修正函數(shù)中進(jìn)行計算得到以下結(jié)果：

其中，Rf代表降水量；Ipre代表修正因子，最終所獲取的結(jié)果可以代表覆冰風(fēng)險等級指數(shù)。

3.3 輸電線路覆冰風(fēng)險分級

得到風(fēng)險等級指數(shù)后，可以根據(jù)指數(shù)在超高壓輸電線路技術(shù)參數(shù)中進(jìn)行風(fēng)險等級的查詢，確定風(fēng)險等級，根據(jù)指數(shù)結(jié)果，建立五級風(fēng)險顯示指標(biāo)，并對總結(jié)結(jié)果進(jìn)行匯總操作，不同指數(shù)對應(yīng)的風(fēng)險等級如表1所示。

表1 不同指數(shù)對應(yīng)的風(fēng)險等級

4 實驗與結(jié)果分析

4.1 實驗案例

為了驗證本文提出的基于機(jī)器視覺的超高壓輸電線路覆冰災(zāi)害分級預(yù)警模型的實際應(yīng)用效果，設(shè)計實驗，選用的覆冰輸電線工作電壓為220 kV，共有10 組，同時比較覆冰時長、溫度、濕度、風(fēng)速、冰厚等多種因素，得到的覆冰數(shù)據(jù)如表2所示。

表2 輸電線路覆冰數(shù)據(jù)

根據(jù)上表可知，隨著覆冰時長的增加，輸電線的冰厚也在不斷增加，溫度、濕度和風(fēng)速都處于不穩(wěn)定狀態(tài)，同時選用本文提出的預(yù)警模型和傳統(tǒng)的基于圖模型的輸電線預(yù)警模型、基于PSOEM-LSSVM 的預(yù)警模型對10 組樣本進(jìn)行訓(xùn)練預(yù)警，判斷預(yù)警準(zhǔn)確率。

采用平均相對誤差計算方法確定預(yù)測結(jié)果的準(zhǔn)確性，相對誤差計算公式如下所示：

其中，ε表示計算的相對誤差結(jié)果；M表示被計算的覆冰樣本數(shù)量；ym表示在針對第m個模型進(jìn)行計算時，得到的實際值；y*m表示預(yù)測模型的預(yù)測結(jié)果。

4.2 結(jié)果分析

覆冰率預(yù)測結(jié)果如圖4所示。

圖4 覆冰率預(yù)測結(jié)果

根據(jù)圖4計算相對誤差，得到的結(jié)果如下表3所示。

表3 相對誤差計算結(jié)果

根據(jù)表3可知，隨著風(fēng)速的增加，傳統(tǒng)的基于圖模型的輸電線預(yù)警模型、基于PSOEMLSSVM 的預(yù)警模型的預(yù)警誤差都在隨之增加，基于PSOEM-LSSVM 的預(yù)警模型的預(yù)警誤差最大，樣本號10 的預(yù)警誤差已經(jīng)達(dá)到7.24%，預(yù)警能力顯現(xiàn)出極大的局限性，整體預(yù)警效果較差，輸電線的安全運行難以得到保障，極易發(fā)生安全問題。本文提出的基于機(jī)器視覺的預(yù)警模型的預(yù)警能力明顯高于傳統(tǒng)預(yù)警方法，預(yù)警過程不會受到外界因素影響，預(yù)警相對誤差始終低于0.02%，在實際生活中具有極高的適用性，能夠很好地保證輸電線正常運行，及時應(yīng)對覆冰災(zāi)害。

5 結(jié)束語

超高壓線路上覆冰風(fēng)險等級的預(yù)警可以有效提高事故救援速度，為管理單位做出有效的預(yù)備措施起到重要作用。本文主要完成了以下研究：

1）本文利用機(jī)器視覺對超高壓輸電線路上的覆冰實時狀態(tài)進(jìn)行圖像采集；

2）使用CNN 算法對圖像信息分類處理，為后期的風(fēng)險等級計算創(chuàng)造信息條件，使風(fēng)險等級劃分更加明顯；

3）對圖像中的多項因子進(jìn)行分析，建立PSOEM-LSSVM 模型實現(xiàn)了風(fēng)險等級的對外表達(dá)，相比傳統(tǒng)方法具有更好的全面性；

4）實驗結(jié)果表明，建立的預(yù)測模型能夠精準(zhǔn)地預(yù)測覆冰厚度，對于輸電線路保護(hù)有重要意義。