田云龍，郭媛

（1.寧夏送變電工程有限公司，寧夏銀川 750004；2.國家能源集團寧夏煤業(yè)有限責任公司煤制油分公司，寧夏銀川 750004）

0 引言

輸電線路作為電力系統(tǒng)的重要組成部分，其運行狀態(tài)對電力供應的穩(wěn)定性和可靠性具有重要的影響。然而，受復雜的環(huán)境條件和長時間運行的影響，輸電線路往往容易出現(xiàn)各種異常缺陷，如桿塔傾斜、導線掛斷等，給電網(wǎng)的安全運行帶來嚴重威脅［1］。傳統(tǒng)的線路異常缺陷檢測方法依賴于遠程圖像、無人機、人工巡檢等方式，這些方法存在檢測范圍受限、耗時耗力、成本高昂等問題。在該領域的相關研究中，王紅星等［2］針對輸電線路異常缺陷檢測問題，提出基于無人機的圖像處理方法，利用無人機采集到的高清圖像數(shù)據(jù)，通過圖像識別和處理技術，準確地檢測出導線斷裂、桿塔傾斜等缺陷。此外，還有研究者提出基于機器學習和深度學習的方法，利用大量的歷史數(shù)據(jù)進行訓練和模型調(diào)優(yōu)，實現(xiàn)了自動化的異常缺陷檢測。例如李輝等［3］通過構建深度學習模型，分析和識別輸電線路的圖像，精確地定位出線路上的各類缺陷，并通過智能化系統(tǒng)進行告警和管理。

隨著邊緣計算技術的快速發(fā)展，邊緣設備已開始在電力系統(tǒng)中得到廣泛應用，為開展輸電線路異常缺陷監(jiān)測提供了新的機會。本文提出一種基于邊緣計算的輸電線路異常缺陷特征檢測方法，解決傳統(tǒng)方法檢測范圍受限、耗時耗力、成本高昂等問題；通過卷積神經(jīng)網(wǎng)絡提取異常缺陷特征，并且運用先驗模塊和邊緣計算技術定位缺陷位置。該檢測方法可提高異常特征檢測的精度和實時性，降低線路維護成本，提高電力系統(tǒng)的穩(wěn)定性和可靠性。

1 輸電線路異常缺陷特征檢測方案設計

1.1 提取卷積神經(jīng)網(wǎng)絡異常缺陷圖像多尺度特征

首先，構建輸電線路異常缺陷檢測模型，在卷積神經(jīng)網(wǎng)絡中，對輸出層的目標位置進行定位與分類，從端到端進行訓練。其次，使用多尺度預測的方式將尺寸變化范圍增大，選擇任意一張輸電線路運行圖片，整體修正圖片尺寸，劃分為N×N 個區(qū)域，根據(jù)卷積層提取其特征；在劃分的區(qū)域中，通過算法預測電力設備缺陷的實際位置并進一步定位調(diào)整該設備缺陷的所在區(qū)域。由于不同區(qū)域中輸出缺陷預測模塊的位置信息不同，在獲取區(qū)域內(nèi)的坐標值時需要計算置信度。最后，運用極大值抑制法去除模型重復的模塊，得到實際包含的電力設備缺陷定位信息。在此過程中，需要在樣本庫中獲得缺陷先驗尺寸數(shù)值，按不同數(shù)值分配給不同尺度的檢測區(qū)域。不同尺度的檢測區(qū)域如果缺陷的中心在相同區(qū)域，可以進行預測。提取輸入圖片特征時，模型對大目標和小目標都可以進行檢測［4］。采用Dark-52 卷積神經(jīng)網(wǎng)絡框架提取異常缺陷特征，在不同的卷積層中，設定線性函數(shù)作為激活函數(shù)進行計算，設定卷積核的步長為3，對結果進行采樣并完成池化操作，池化原理如圖1所示。

圖1 池化原理圖

根據(jù)多尺度的特征圖，在模型中輸入RGB（紅、綠、藍顏色系統(tǒng)）色彩圖像，卷積后輸出模型的特征向量，其公式為

1.2 邊緣計算絕緣子定位分割檢測

運用邊緣計算的絕緣子分割方法，根據(jù)Mask RCNN（Mask Recycle Convolutional Neural Network，掩膜循環(huán)差積神經(jīng)網(wǎng)絡）網(wǎng)絡對絕緣子進行定位，獲得相應的定位框后，將結果在分類網(wǎng)絡中進行缺陷判定。在聚類網(wǎng)絡中，添加注意力模塊，通過ROI（Region of Interest，感興趣區(qū)域）計算得到對應原圖的特征圖，在不同小方格中選擇4 個中心點，將最大值作為最大池化值［6］。通過不斷劃分中心點，在原有類別分支中增加用于判斷不同像素類型的分支，這樣能較好地用于分割。定義損失函數(shù)，計算在損失函數(shù)中不同像素對應的損失結果，獲得所屬類的交叉熵結果；在定位中，提取原有的特征，輸出特征金字塔；根據(jù)輸出特征尋找對應的特征圖，結合語義特征，采用大尺度ROI 映射策略，映射到低層中，可以檢測不同尺度的物體。ROI映射特征圖層級計算公式如下：

其中：p0表示初始值；w表示ROI的周長。根據(jù)ROI的周長計算得到p，對p進行整量化操作，得到ROI映射的特征圖層級。

在定位網(wǎng)絡中進行分割操作，利用像素級別標注（Pixel-level Annotation）獲得生成對應的數(shù)據(jù)集，在網(wǎng)絡中引入殘差結構提取特征［7］。將卷積層中不同通道的卷積殘差塊賦予不同的權重，使網(wǎng)絡能夠快速獲取相關的通道信息。為提升預測的穩(wěn)定性，根據(jù)相對位置預測缺陷的位置，根據(jù)頂點的偏移量程度結果進行定位，定位表達式為

其中：c為頂點坐標；r為預測與實際值偏差。篩選所有模塊，根據(jù)置信度閾值，抑制置信度過低的模塊，因為這些模塊很可能不包含需要檢測的目標。將篩選后的模塊按預測缺陷的類別進行分類。對于每一類缺陷預測，將置信度最高的一個模塊作為初始選擇［8］。判斷其他模塊與初始選擇模塊的交并比（IOU），如果交并比高于1.2，則抑制閾值較低的模塊，否則不做處理。對其他未被抑制的模塊重復上述步驟，直到?jīng)]有更多的模塊需要處理。循環(huán)結束后，得到的模塊即最終預測的缺陷目標。

1.3 卡爾曼濾波法修正特征檢測

使用優(yōu)化的卷積神經(jīng)網(wǎng)絡模型檢測輸電線路，獲取缺陷的定位結果。在此過程中，需要進行二次修正，使檢測性能得到優(yōu)化［9］。運用卡爾曼濾波器統(tǒng)計與控制輸電線路，在預測濾波的過程中能高效估計信號的狀態(tài)，得到實時的數(shù)據(jù)更新。在實際應用過程中，采集輸電線路的應用數(shù)據(jù)，運用卡爾曼濾波器對模型的檢測結果進行修正。根據(jù)線性方程，將狀態(tài)變量在線性空間中進行射影。變量控制公式為

在輸電線路運行過程中，不同輸電線路組件的尺寸大小都有具體的規(guī)定，不同組件的位置關系也相對固定，因此得到的屬性為常數(shù)。在卡爾曼建模過程中，根據(jù)屬性常數(shù)預測大型尺寸部件的位置，得到零件的相對坐標。同時，在實際輸電線路中，對關鍵部件的缺陷進行定位，采用改進的FasterR-CNN 卷積網(wǎng)絡模型預測結果，通過卡爾曼濾波方程迭代計算對預測結果進行修正［11］。通過修正評估出最優(yōu)估算值，由更淺層的網(wǎng)絡輸出最優(yōu)估算值，就能得到最優(yōu)缺陷位置信息，獲得更多的定位信息，增加特征融合網(wǎng)絡的檢測能力。通過下采樣將特征不斷整合，使語義特征交叉融合，進一步提高缺陷檢測的性能。

2 實驗測試與分析

2.1 搭建實驗環(huán)境

搭建實驗所用的平臺，通過邊緣計算芯片同時處理多相信息。使用的芯片其結構為“ARM+視頻壓縮單元”，處理器為ARM754，主頻為800 MHz，最高壓縮分辨率為1 080 p，32 fps。該芯片可以支持所有主流接口，功耗為1.8 W。充分考慮輸電場景的需求后，實驗平臺能通過低功耗的芯片完成缺陷檢測。運用智能視覺異構加速平臺的智能分析，并針對缺陷特征的神經(jīng)網(wǎng)絡進行計算，在計算過程中需要針對不同的框架模型進行相應轉(zhuǎn)換。由于芯片的內(nèi)存小，因此使用捕捉微小故障的變焦攝像頭進行自動對焦，攝像頭參數(shù)為彩色CCD 數(shù)碼相機，照度為0.02 lux。在服務器中訓練一個模型，并且根據(jù)框架的格式采用mapper 工具進行離線轉(zhuǎn)換。將模型部署到芯片進行仿真實驗，實驗過后可釋放內(nèi)存資源。對檢測到的電流信號進行分解，計算奇異值，根據(jù)奇異值的變化診斷故障。

2.2 結果與分析

運用Simulk 仿真平臺進行實驗，設定故障發(fā)生的時間在0.04 s 以后，在輸電線路的各相中，計算得到的最大奇異值如果超過30，可表示此處出現(xiàn)故障。對輸電線路進行檢測，發(fā)生接地故障時的電流波形如圖2所示。

圖2 發(fā)生接地故障時的電流波形圖

運用故障阻抗進行測試，通過計算得到輸電線路中的三相電流幅值（見表1）。根據(jù)表1 的計算結果可以發(fā)現(xiàn)，電流幅值差較大，說明線路發(fā)生了接地故障問題。運用本文方法分解奇異值，對B 相電流進行小波分解，在高故障阻抗的情況下判斷故障。運用小波分量特征形成原始信號的特征矩陣，根據(jù)奇異值進行分解得到最大奇異值（如圖3所示）。

表1 故障位置處電流幅值結果

圖3 各相最大奇異值波形圖

由實驗結果可知，三相電流的最大奇異值在0.04 s 內(nèi)均發(fā)生變化，同時能清晰地展示產(chǎn)生的突變情況。其中A 相的最大奇異值為90.93，B 相的最大奇異值為90.51，C 相的最大奇異值為70.13。三相的最大奇異值均超過了設定值30，因此可以判斷線路在0.04 s 時，發(fā)生了三相接地故障，符合預期設定。同時，在此區(qū)域設置一定數(shù)量的節(jié)點，通過改變絕緣子檢測內(nèi)存進行仿真，經(jīng)過20 次仿真后計算誤差的平均值。運用本文方法計算的平均定位誤差結果見表2。

表2 平均定位誤差結果對比

由表2 可知，當絕緣子檢測內(nèi)存不斷增加時，定位誤差均保持在0.3%以內(nèi)，而傳統(tǒng)方法的平均定位誤差在15%以上，與之相比，本文方法的定位誤差數(shù)值更小、更精準，達到了良好的檢測效果。由此可見，本文方法能準確、直觀地對故障進行判斷，具有較高的定位精度，能實時判斷并找出故障所在的位置。

綜上所述，當配電線路發(fā)生故障時，運用本文方法能隨時響應節(jié)點信息變化，使輸電線路之間的節(jié)點通信能力增強，提升了對異常缺陷問題的實時檢測水平，擴展了邊緣檢測設備的檢測范圍。

3 結語

本文從輸電線路異常缺陷特征檢測入手，運用邊緣計算方式，研究基于邊緣計算的輸電線路異常缺陷特征檢測方法及其應用成果。通過不斷改進算法，優(yōu)化輸電線路異常特征的檢測，可提高檢測方法在不同場景下的適用性，為日后異常狀態(tài)數(shù)據(jù)的獲取提供有力的支撐。本文方法具有自動化程度高、適用性強的特點，可提高故障特征的表達能力，達到精準的檢測效果，實現(xiàn)了基于邊緣計算的輸電線路異常缺陷特征檢測方法的合理應用。但該方法存在一些不足之處，如分析數(shù)據(jù)不完善、對異常數(shù)據(jù)敏感度不夠強等。今后應完善算法，通過處理和分析輸電線路運行中的信號，處理復雜的輸電線路運行數(shù)據(jù)，使其能完成不同節(jié)點之間的完整傳輸，持續(xù)保證振動監(jiān)測。