李 輝
(新疆送變電有限公司,新疆 烏魯木齊 830000)
隨著我國(guó)國(guó)內(nèi)經(jīng)濟(jì)和電力能源的聯(lián)動(dòng)發(fā)展,輸電線路相關(guān)功能需求越來(lái)越多。電力資源的發(fā)展和支持為社會(huì)的發(fā)展奠定了堅(jiān)實(shí)有力的基礎(chǔ)。為了滿足國(guó)內(nèi)對(duì)電力越來(lái)越高的需求,國(guó)家電網(wǎng)在電力線路和高電壓、大容量方向上繼續(xù)擴(kuò)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(shí),需要更多的人力、物力進(jìn)行檢修,對(duì)故障區(qū)域進(jìn)行選取時(shí)會(huì)消耗大量時(shí)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(wú)人機(jī)使用時(shí)速度快、耗時(shí)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(wèn)題,而多旋翼無(wú)人機(jī)的人機(jī)設(shè)備聯(lián)動(dòng)檢修方法可對(duì)較長(zhǎng)線路進(jìn)行大范國(guó)快速信息查詢,并對(duì)區(qū)域進(jìn)行精準(zhǔn)識(shí)別。為了解決輸電線路中人工作業(yè)和常規(guī)檢測(cè)不足的問(wèn)題,該文提出了通過(guò)無(wú)人機(jī)紅外影像技術(shù),然以算法計(jì)算出故障點(diǎn)范圍并進(jìn)行線路故障特征提取,來(lái)完成對(duì)輸電線路的維修。
對(duì)輸電線路故障區(qū)域進(jìn)行識(shí)別時(shí),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(wèn)題通過(guò)肉眼難以發(fā)現(xiàn),因此選取多旋翼無(wú)人機(jī)的可紅外成像技術(shù)對(duì)輸電線路的故障區(qū)域進(jìn)行識(shí)別。為了提高檢測(cè)的準(zhǔn)確性,必須保證的基本作業(yè)條件見表1。
表1 無(wú)人機(jī)紅外設(shè)備巡檢的條件要求對(duì)比
多旋翼無(wú)人機(jī)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(lái)根據(jù)紅外影像特征進(jìn)行自動(dòng)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(guò)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(zhǎng);A為面積。
當(dāng)Q=1 時(shí),該區(qū)域面積最??;當(dāng)Q>0 時(shí),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??;R為半徑;πR·R為紅外成像區(qū)域內(nèi)最大圓面積。
通過(guò)計(jì)算可以得出形狀變化后(如伸縮等)的偏離率。對(duì)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。
通過(guò)紅外影像采集圖像對(duì)故障區(qū)域進(jìn)行識(shí)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(jì)算。該文通過(guò)模糊C 均值算法來(lái)計(jì)算經(jīng)過(guò)紅外成像識(shí)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(guò)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(gè)數(shù)。
通過(guò)聚類分析可以發(fā)現(xiàn)多旋翼無(wú)人機(jī)紅外影像采集的緊密相關(guān)的觀測(cè)值組群。計(jì)算該區(qū)段在各個(gè)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(dú)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(guò)公式(5)可以計(jì)算出聚類中心與隸屬值計(jì)算過(guò)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)。
使用多旋翼無(wú)人機(jī)搭載機(jī)械設(shè)備信號(hào)采集裝置,獲取輸電線路故障信號(hào)集合。由于信號(hào)集合中除正常運(yùn)行信號(hào)外,還包括部分故障信號(hào)、噪聲以及冗余信息,為正確判定故障類型,需要對(duì)故障特征信息進(jìn)行提取與分析。在對(duì)比多種故障特征類型信號(hào)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(duì)輸電線路中的非線性信號(hào)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(duì)特征矩陣進(jìn)行處理。根據(jù)輸電線路信號(hào)特征,該文使用核函數(shù)完成此操作。與此同時(shí),在主元素選擇過(guò)程中,元素選擇過(guò)多會(huì)造成信號(hào)資源浪費(fèi),而選擇太少又不能體現(xiàn)故障點(diǎn)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(duì)資源進(jìn)行合理化應(yīng)用。相應(yīng)的正確率系數(shù)計(jì)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(guò)程中,所得故障特征正確率無(wú)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。
多旋翼無(wú)人機(jī)采集紅外影像后,通過(guò)密集讀取與提取、偏心度區(qū)域提取方法對(duì)輸電線路進(jìn)行故障的區(qū)域識(shí)別[3]。接下來(lái)對(duì)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(guò)計(jì)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(lái)進(jìn)行合理維修。經(jīng)識(shí)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(guò)故障檢測(cè)并執(zhí)行如表2 所示的維修措施和方法,可以對(duì)輸電線路的故障進(jìn)行完整檢測(cè)與修理。
在MATLAB 2018 仿真平臺(tái)上進(jìn)行試驗(yàn),選擇無(wú)人機(jī)模型DJI Mavic,設(shè)置該輸電線路為單回路,電壓等級(jí)為750kV,線路導(dǎo)線型號(hào)為6×JL/G1A-400/50。地線型號(hào)如下:一般段型號(hào)為JLB20A—100,進(jìn)出線段型號(hào)為JLB40-120,全線光纜型號(hào)為OPGW-120。三跨點(diǎn)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(zhǎng)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(yàn)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(shí)別檢修方法和文獻(xiàn)[2]單一機(jī)械識(shí)別檢修方法進(jìn)行對(duì)比。在試驗(yàn)過(guò)程中,將試驗(yàn)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(shuō)服性,并對(duì)3 組指標(biāo)進(jìn)行綜合分析。該文將試驗(yàn)對(duì)比指標(biāo)設(shè)定為故障類別識(shí)別誤差率、故障發(fā)生次數(shù)以及故障檢修時(shí)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(yàn)樣本,采用不同方法對(duì)目標(biāo)線路進(jìn)行檢測(cè)與維修。
采用3 種不同方法進(jìn)行輸電線路檢修。先識(shí)別故障區(qū)域,計(jì)算各方法的故障區(qū)域識(shí)別誤差率,試驗(yàn)結(jié)果如圖1 所示。
圖1 故障區(qū)域識(shí)別誤差率
根據(jù)圖1 試驗(yàn)結(jié)果可以看出,在不同故障次數(shù)下,多旋翼無(wú)人機(jī)智能檢修方法故障區(qū)域識(shí)別的誤差率最低,并且最高值僅為2.2%。而人工識(shí)別檢修方法和單一機(jī)械識(shí)別檢修方法識(shí)別故障的誤差率最高可達(dá)7%,遠(yuǎn)高于無(wú)人機(jī)智能檢修方法,因此該文設(shè)計(jì)方法的故障區(qū)域識(shí)別較精準(zhǔn)。
故障發(fā)生次數(shù)如圖2 所示。在該文的試驗(yàn)中,選定3、6、9、12、15 個(gè)月為時(shí)間樣本,分別檢測(cè)在這些時(shí)間段中采用3 種方法檢修過(guò)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(gè)月內(nèi),經(jīng)過(guò)無(wú)人機(jī)智能檢修方法后沒(méi)有發(fā)生二次故障,而其他2 種方法均發(fā)生過(guò)一次故障。防止試驗(yàn)具有偶然性,該文分別進(jìn)行了其他4 次檢測(cè),得到的結(jié)果是4 次檢測(cè)中采用人工識(shí)別檢修方法和單一機(jī)械識(shí)別檢修方法的輸電線路發(fā)生故障次數(shù)均高于無(wú)人機(jī)智能檢測(cè)方法。通過(guò)對(duì)該指標(biāo)的研究可以發(fā)現(xiàn),在對(duì)故障區(qū)域進(jìn)行精準(zhǔn)檢修中,多旋翼無(wú)人機(jī)技術(shù)智能檢修方法的識(shí)別誤差較低且識(shí)別結(jié)果較穩(wěn)定。在進(jìn)行的5 次數(shù)據(jù)統(tǒng)計(jì)中,該文提到的智能檢修技術(shù)的使用效果優(yōu)于人工識(shí)別檢修方法和單一機(jī)械識(shí)別檢修方法。在后續(xù)的研究中,應(yīng)對(duì)人工識(shí)別檢修方法和單一機(jī)械識(shí)別檢修方法的該部分性能進(jìn)行優(yōu)化,以提升人工識(shí)別檢修方法和單一機(jī)械識(shí)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(duì)故障進(jìn)行檢修的時(shí)間對(duì)比如圖3 所示。
圖3 檢修完成時(shí)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(wú)人機(jī)智能檢修方法檢修時(shí)間遠(yuǎn)低于人工識(shí)別檢修方法和單一機(jī)械識(shí)別檢修方法。當(dāng)輸電線路故障為一處時(shí),多旋翼無(wú)人機(jī)智能檢修方法檢修時(shí)間不到1h,而其他2 種檢修方法為3h~5h,時(shí)間遠(yuǎn)多于多旋翼無(wú)人機(jī)智能檢修方法。由此看來(lái),智能方法在檢修中不僅可以精準(zhǔn)識(shí)別,還可以提高檢修效率,省去大量人力和時(shí)間。
通過(guò)上述3 次試驗(yàn)(分別為故障區(qū)域識(shí)別誤差率、故障發(fā)生次數(shù)和檢修完成時(shí)間)和圖表分析可知,多旋翼無(wú)人機(jī)智能檢修方法的使用效果優(yōu)于人工識(shí)別檢修方法和單一機(jī)械識(shí)別檢修方法。
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(yùn)維范圍小等缺點(diǎn),不能滿足線路檢修的標(biāo)準(zhǔn)。傳統(tǒng)檢驗(yàn)方法的這些缺點(diǎn)推動(dòng)了無(wú)人機(jī)檢驗(yàn)技術(shù)的發(fā)展。基于人工智能的輸電線路無(wú)人機(jī)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(wú)人機(jī)技術(shù)與紅外成像相結(jié)合,能更高效、準(zhǔn)確地識(shí)別出輸電線路的路障區(qū)域所在。