王芷諾

（國網(wǎng)江蘇省電力有限公司邳州市供電分公司）

0 引言

隨著現(xiàn)代化技術的不斷發(fā)展，我國電力系統(tǒng)也逐漸開始構建智能電網(wǎng)系統(tǒng)，輔助排查輸電線路的故障預測和診斷，保障國家經(jīng)濟安全發(fā)展和人民生產生活能夠正常運行。而引起輸電線路故障的重要原因之一就是絕緣子的磨損和自爆等故障問題。因此，利用深度學習技術預測輸電線路絕緣子潛在的危險和缺陷，保障電力系統(tǒng)安全運行，可以有效降低傳統(tǒng)的人工巡檢過程中出現(xiàn)的漏檢問題，同時，大幅降低了人力、物理資源耗損的問題。目前，隨著和計算機計算能力的增強，深度學習技術在解決計算機視覺檢測等方面都有著明顯的效果，各個行業(yè)和領域都取得了良好的應用效果。將深度學習技術應用于傳統(tǒng)的絕緣子檢測方法，有效改善傳統(tǒng)輸電線路中絕緣子檢測作業(yè)難度大、危險系數(shù)高、檢測精度有限以及人力物力損耗高等問題，提高輸電線路故障預測和診斷工作的效率和精度。

1 深度學習概述

深度學習（Deep Learing，DL）是隨著計算機技術發(fā)展的機器學習中最具有研究意義和挑戰(zhàn)的領域，主要學習樣本數(shù)據(jù)的內在規(guī)律和表示層次，將學習中獲得的文字、圖像、聲音的數(shù)據(jù)信息，利用復雜的計算機學習算法分析、識別獲得的文字或圖像等數(shù)據(jù)信息［1］。將深度學習算法模塊化，根據(jù)深度學習的框架快速建立模型、錄入數(shù)據(jù)、優(yōu)化等各個環(huán)節(jié)的部署。目前深度學習框架中受到社會廣泛關注的，分別是PyTorch、Tensor Flow、Paddle Detection以及Keras等四類深度學習框架，之后通過主干網(wǎng)絡提取目標檢測任務的圖像特征，將冗雜的數(shù)據(jù)剔除，對后續(xù)的目標檢測和故障識別提供更好的幫助和效果。

2 基于深度學習的絕緣子故障預測模型

2.1 模型設計

基于深度學習的絕緣子故障檢測和與監(jiān)測模型主要目的是定位計算機視覺捕獲的圖像信息中的絕緣子。絕緣子由于長期暴露在外界環(huán)節(jié)中，有很多干擾因素對絕緣子檢測進行干擾。利用深度學習技術對輸電線路絕緣子故障進行檢測，利用無人機等機器視覺對巡檢區(qū)域的輸電線路捕獲信息，分析圖片中是否有所需的絕緣子，若根據(jù)圖片分析之后有標注信息的絕緣子，則返回該絕緣子特征的圖片位置，若不存在標注信息，則返回為空。基于深度學習的目標檢測流程圖如圖1所示。

圖1 基于深度學習的目標檢測流程圖

該目標檢測模型完成了基礎的物體識別和檢測任務，與傳統(tǒng)的檢測方法相比較，不僅保存了目標物體的主要特征，更體現(xiàn)目標更為詳細的特征，這些特征是傳統(tǒng)人工檢測技術無法捕獲到的。因此，在本模型設計中，將目標檢測模型分為了兩個階段。第一階段的目標檢測流程是基于回歸的目標檢測方案，直接對特征區(qū)域獲取，目標圖像的模型（如圖2所示）。而第二階段的檢測模型（如圖3所示），首先需要對輸入的信息分析提取體征，標記出大量的目標預測框，最后利用置信度對目標框進行篩選，得到精準的檢測目標類別和位置。

圖2 基于一階段的目標檢測模型流程圖

圖3 基于二階段的目標檢測模型流程圖

2.2 基于FasterR-CNN的線路故障預測算法

基于深度學習技術構建了輸電線路絕緣子故障檢測的模型設計之后，基于FasterR-CNN算法的輸電線路故障預測算法可以對二階段的目標檢測模型進行精細的目標分類和定位，使模型在分類和定位任務上的精確度更高。同時應用IOU-aware分支和多尺度特征融合實驗，提升傳統(tǒng)檢測方案地對輸電線路絕緣子缺陷的檢測精度，確定輸電線路故障的位置。

改進的FasterR-CNN目標檢測算法相較于傳統(tǒng)的R-CNN、FastR-CNN等算法，創(chuàng)造性地提出運用區(qū)域建議網(wǎng)絡（RPN）取代傳統(tǒng)的選擇性搜索（Selective Search）算法產生建議框，同時利用算法的卷積特征將建議框窗口大幅減少和降低，有效降低了算法過程中的計算量。改進后的目標檢測算法結合了殘差網(wǎng)絡Res Net的算法，將殘差網(wǎng)絡作為的該系統(tǒng)的特征捕獲網(wǎng)絡。能夠將捕獲的信息深層次和相對較淺的信息特征進行融合，最后生成更加清晰的信息，提供精準信息的圖像表征，改善之前系統(tǒng)中分數(shù)和定位精度之間存在不匹配情況的問題［2］。

2.3 損失函數(shù)

FasterR-CNN的損失函數(shù)主要是檢測區(qū)域網(wǎng)絡中對輸電線路絕緣子捕捉的損失，另一個則是Faster R-CNN算法本身在運行過程中產生的損失。這兩部分的損失可以通過公式的（1）進行計算。利用深度學習技術對輸電線路進行檢測，將機器視覺掃描的圖片錨點，進行二次分類，也就是說區(qū)分該定位框屬于背景還是前景的，用i表示圖片中的錨點，當圖片中的第i個錨點屬于背景類型時，的值為1。當圖片中的第i個錨點屬于前景類型時的值為0。

從公式（1）中可以看出，Lcls表示的是區(qū)域建議網(wǎng)絡（RPN）的分類損失，其損失公式由公式（2）來進行表達。

利用公式對FasterR-CNN算法模型的損耗率進行計算，在一定程度上增強了該算法的精準度。通過殘差網(wǎng)絡的算法，能夠把更深層的特征與其融合，最后生成分辨率更高的特征地圖。

3 實驗結果與分析

深度學習網(wǎng)絡結構復雜，其權值參數(shù)體系龐大，能夠在自動數(shù)據(jù)中選擇出一個識別效果好的模型，在龐大的數(shù)據(jù)體系中構建一個大型的數(shù)據(jù)庫，在一定程度上來說，具有很大難度。利用數(shù)據(jù)增強技術來擴充實驗樣本，擴大樣本特征，并且在一定程度上彌補了機器學習不充分的缺陷［3］。

3.1 實驗過程分析

本系統(tǒng)選用的數(shù)據(jù)集采用基于改進的Faster R-CNN絕緣子數(shù)據(jù)集去完成對絕緣子故障檢測的測試。在目標檢測網(wǎng)絡方面，選取改進的FasterR-CNN二階段目標檢測模型來完成該系統(tǒng)模型中的絕緣子故障預測和檢測功能，在主干網(wǎng)絡選取方面，針對絕緣子小目標容易出現(xiàn)漏檢的現(xiàn)象，選用殘差網(wǎng)絡Res-Net-50作為圖像的特征提取網(wǎng)絡。融合淺層特征和深層特征進行多尺度檢測，增強小目標在網(wǎng)絡中的分辨率。并且將IOU-aware模塊來增強捕獲定位框的精度之間不匹配的問題，得到最終的檢測結果。

利用實驗室設備對該算法進行核驗與核查，實驗室設備參數(shù)較小，將深度學習的速率設置為0.0001，然后降低圖像的分辨率至416*416來開始實驗。同時，實驗室中的圖片收集數(shù)量有限，將更迭次數(shù)增加至3W次以上，根據(jù)上訴改進的FasterR-CNN算法按照參數(shù)配置表進行實驗，具體的實驗參數(shù)配置表見表1。

表1 實驗參數(shù)配置表

在對應模型訓練完成之后，可以選取訓練過程中表現(xiàn)最優(yōu)的迭代次數(shù)，將多次訓練參數(shù)在模型中反復迭代實驗，保障其精確度可以達到90.82%。對于樣本采集時背景復雜，物體較多的情況，傳統(tǒng)的算法模型對其特征提取能力較差，預測的精確度遠低于改進后的算法模型。并不能準確地檢測出單個絕緣子的故障情況。例如，在背景環(huán)境較為昏暗的環(huán)境下，基于FasterR-CNN算法模型下的檢測結果精確度保障在一定可靠范圍內。

3.2 結果對比

將改進后的FasterR-CNN故障檢測模型與傳統(tǒng)的FastR-CNN模型對比可以看出，改進后的網(wǎng)絡對圖像的參數(shù)的捕捉能夠快速收斂，其損失函數(shù)也較小。網(wǎng)絡的損失值較小，在另一方面證明了改進后的模型特征提取能力強?；贔asterR-CNN算法的輸電線路故障模型改進之后的數(shù)據(jù)與傳統(tǒng)的數(shù)據(jù)對比由表2所示。表2展示了原來的FasterR-CNN網(wǎng)絡捕獲的結果，可以從表中看出，改進后的算法模型的準確率比之前有所提升。該實驗結果也表明了這種自上而下的多尺度的融合方法能夠有效地降低絕緣子小目標檢測存在細節(jié)丟失的問題。從結果上來看，檢測精度在一定程度上有效提升了8.92%，也就是說，利用IOUaware網(wǎng)絡結構平衡之前的FasterR-CNN算法模型，有利于更進一步提升模型的精準度。

表2 改進前后FasterR-CNN算法模型的數(shù)據(jù)對比表

從表2中可以看出，改進的FasterR-CNN能夠精確地檢測出輸電線路絕緣子的故障位置，并且有著極高的準確率。同時，經(jīng)過實驗研究，對于背景亮度偏暗、背景物復雜多變的絕緣子設置位置，都可以看出其小目標的絕緣子缺失情況。也就是說，基于Faster R-CNN算法模型的絕緣子故障檢查和預測網(wǎng)絡，可以在不同的天氣、背景環(huán)境以及光線、天氣等場景中將故障的絕緣子系統(tǒng)進行檢測并同時標注出來。同時，更能精準地對其故障類型進行分類，這在另一個角度上說明了將淺層的特征與深層特征融合起來改進的FasterR-CNN算法模型，更能夠精準地對絕緣子的故障類型進行分類。并且，通過FasterR-CNN網(wǎng)絡構建的完整的絕緣子數(shù)據(jù)集，更能夠提取出絕緣子的特征，保障其提供精準的絕緣子位置信息，提供良好的識別檢測系統(tǒng)，在一定程度上提升了輸電線路故障預測和位置診斷的精確性。有效幫助電力系統(tǒng)發(fā)展智能電網(wǎng)的基礎上，提升線路檢測的效率和安全性。

4 結束語

隨著目前電力系統(tǒng)智能電網(wǎng)的部署和發(fā)展，利用機器視覺來發(fā)展無人機智能巡檢技術，對電力線路輸電過程中的故障處進行檢測，電力系統(tǒng)智能化發(fā)展趨勢在未來會逐漸推廣。而絕緣子是電力線路中故障常發(fā)生的位置，應用無人機等機器視覺來監(jiān)測線路中的故障問題，同時利用更加優(yōu)化的算法模型來輔助機器視覺處理捕獲的信息，有效提升故障檢測的精準度。文章中基于FasterR-CNN算法模型的深度學習技術進一步有效地將機器視覺巡檢中的獲得的圖像進行分析和處理，同時利用卷積神經(jīng)網(wǎng)絡Res Net-50處理圖像中的屬性，對圖像中絕緣子進行故障檢測和識別，有效預測電力線路的故障，為電力系統(tǒng)電力線路檢測工作提供有效的技術支持。