CN112098409B - 一种输电线路复合绝缘子憎水性带电测试方法 - Google Patents

Abstract

本发明公开了一种输电线路复合绝缘子憎水性带电测试方法，包括如下步骤：收集复合绝缘子覆水图像及其对应的憎水性等级建立样本数据集；基于VGGNet构建卷积神经网络模型，利用样本数据集对卷积神经网络模型进行训练得到复合绝缘子憎水性等级判断模型；根据无人机对输电线路周围的电磁场扰动状态计算无人机的飞行安全距离；无人机依据飞行安全距离在输电线路中飞行采集新的复合绝缘子覆水图像，基于复合绝缘子憎水性等级判断模型采用网格分析法对新的复合绝缘子覆水图像进行憎水性等级判断，获取复合绝缘子憎水性等级分布图。本发明可以直接对复合绝缘子进行憎水性等级判断。

Description

一种输电线路复合绝缘子憎水性带电测试方法

技术领域

本发明属于电网设备状态检测技术领域，具体涉及一种输电线路复合绝缘子憎水性带电测试方法。

背景技术

憎水性检测是判断复合绝缘子抗污闪性能的重要手段，对挂网复合绝缘子定期进行憎水性检测是确保电网安全运行的重要保证。工程应用中，憎水性检测多采用喷水分级法，即通过对复合绝缘子伞裙表面进行雾状喷水，根据伞裙表面水珠分布形态进行憎水性等级判定，这种方法操作简单，易于实现，应用也最为广泛。但传统喷水分级法需要工作人员通过攀爬杆塔或搭载云梯靠近挂网绝缘子完成喷水作业，而对绝缘子憎水性等级的判定也多采用目测的方式进行经验性评估。显然，这种方法经验依赖性强、安全性差且效率低，规范化和数字化程度均有待提高，此外，检测中为了保证工作人员安全，一般需要对待检测线路进行临时断电，从而降低了电网的可靠性，造成一定的经济损失。

近年来，随着电子技术和计算机技术的发展，手持式喷水设备逐渐完成了从机械按压式向电子驱动式的转换，且合理的绝缘设计可以实现复合绝缘子憎水性状态的带电测试，这在一定程度上提高了憎水性检测的自动化水平，但检测过程仍然离不开人工登高和经验判断，因此，检测效率低、安全性差的缺陷没有得到弥补。部分地区采用固定式自动喷水装置，结合相机监视和远程遥控实现工作人员和检测区域的隔离，但这种方式需要对每个测试点进行检测设备安装，显然无法满足实际需求。

发明内容

针对传统的复合绝缘子憎水性检测方法效率不高、准确性差的问题，本发明提出了一种输电线路复合绝缘子憎水性带电测试方法，取代了人工登高的憎水性检测作业模式，摆脱了经验依赖，提高了检测安全性和检测效率，构建出的复合绝缘子憎水性等级判断模型可以实时分析处理目标绝缘子覆水图像，快速辨别复合绝缘子憎水性等级。

为解决以上技术问题，本发明所采用的技术方案如下：

一种输电线路复合绝缘子憎水性带电测试方法，包括如下步骤：

S1，收集复合绝缘子覆水图像及其对应的憎水性等级建立样本数据集；

S2，基于VGGNet构建卷积神经网络模型，利用步骤S1得到的样本数据集对卷积神经网络模型进行训练得到复合绝缘子憎水性等级判断模型；

S3，根据无人机对输电线路周围的电磁场扰动状态计算无人机的飞行安全距离；

S4，无人机依据步骤S3所计算的飞行安全距离在输电线路中飞行采集新的复合绝缘子覆水图像，基于复合绝缘子憎水性等级判断模型采用网格分析法对新的复合绝缘子覆水图像进行憎水性等级判断，获取复合绝缘子憎水性等级分布图。

在步骤S3中，所述无人机对输电线路周围的电磁场扰动状态所对应的公式为：

E＝5.9168R^-0.621；

式中，E表示无人机所在的输电线路周围的电磁场强度，R表示无人机几何中心在机翼内边缘所在直线上的投影点到场源中心的距离。

所述步骤S2包括如下步骤：

S2.1，基于VGGNet构建包含输入层、隐含层和输出层的卷积神经网络模型；

S2.2，设定精度阈值δ；

S2.3，利用十折交叉验证法将样本数据集输入卷积神经网络模型得到复合绝缘子憎水性等级判断模型，计算复合绝缘子憎水性等级判断模型的精度值v；

S2.4，将精度值v与精度阈值δ进行比较，若v＜δ，执行步骤S2.5，若v≥δ，则执行步骤S3；

S2.5，对样本数据集中的复合绝缘子覆水图像进行旋转形成扩增数据集，依据扩增数据集更新样本数据集，返回步骤S2.3。

在步骤S2.1中，所述隐含层包括13个卷积层、3个全连接层和5个池化层，且卷积神经网络模型中输入层、卷积层、全连接层、池化层和输出层之间的连接关系为：卷积层I-卷积层II-池化层I-卷积层III-卷积层IV-池化层II-卷积层V-卷积层VI-卷积层VII-池化层III-卷积层VIII-卷积层IX-卷积层X-池化层IV-卷积层XI-卷积层XII-卷积层XII-池化层V-全连接层I-全连接层II-全连接层III-输出层。

13个卷积层卷积核的大小均为3*3、步长均为1，采用相同填充，对应的激活函数均为RELU；5个池化层均采用最大池化方式、步长均为2，无填充；所述输出层采用softmax分类器实现。

所述步骤S4包括如下步骤：

S4.1，利用无人机采集新的复合绝缘子覆水图像；

S4.2，将新的复合绝缘子覆水图像分别分割为不重叠的若干个子图像，记录每个子图像在所在复合绝缘子覆水图像中的位置，且每个子图像的像素均为256*256；

S4.3，利用复合绝缘子憎水性等级判断模型对每个子图像分别进行憎水性等级判断，再根据子图像的位置将每个子图像所对应的判断结果进行整合，即可得到所需的复合绝缘子憎水性等级分布图。

本发明的有益效果：由无人机采集复合绝缘子覆水图像，利用复合绝缘子憎水性等级判断模型对复合绝缘的憎水性等级直接进行判断并输出，改变了传统的憎水性检测模式，摆脱了人为经验的依赖，使输电线路的憎水性检测更加规范化、便捷化、直观化、智能化；工作模式简单，无需人员登塔、降低了劳动强度、确保了人员安全，极大提高了检测效率；无人机在安全距离内飞行并采集图像，避免了无人机对输电线路的干扰，确保了无人机和输电线路的安全运行；无人机的高效灵活性为缩短巡检周期和增加巡检点数提供了可能，有利于及时发现并解决电网运行存在的隐患，提高电网运行可靠性，对建立现代化的电网巡检模式具有重要意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为卷积神经网络模型的结构示意图。

图2为无人机机翼内边缘距离分裂导线几何中心的距离d以及无人机几何中心距离分裂导线平面的水平高度h的示意图。

图3为本发明的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种输电线路复合绝缘子憎水性带电测试方法，如图3所示，包括如下步骤：

S1，收集复合绝缘子覆水图像及其对应的憎水性等级建立样本数据集；

所述复合绝缘子覆水图像可以通过人工或无人机等图像采集装置获得，复合绝缘子覆水图像是由专业实验室根据国际憎水性等级测得；或者，所述样本数据集也可以直接采用国际憎水性标准图像及其对应的憎水性等级分类数据。所述样本数据集包括输入数据和输出数据，即复合绝缘子覆水图像及其对应的憎水性等级。

S2，基于VGGNet构建卷积神经网络模型，利用步骤S1得到的样本数据集对卷积神经网络模型进行训练得到复合绝缘子憎水性等级判断模型，包括如下步骤：

S2.1，如图1所示，基于VGGNet构建包含输入层、隐含层和输出层的卷积神经网络模型。

所述隐含层包括13个卷积层、3个全连接层和5个池化层，所述卷积神经网络模型中输入层、卷积层、全连接层、池化层和输出层之间的连接关系为：卷积层I-卷积层II-池化层I-卷积层III-卷积层IV-池化层II-卷积层V-卷积层VI-卷积层VII-池化层III-卷积层VIII-卷积层IX-卷积层X-池化层IV-卷积层XI-卷积层XII-卷积层XII-池化层V-全连接层I-全连接层II-全连接层III-输出层。

所述全连接层I、全连接层II和全连接层III的神经元数量为4096、4096和1000；卷积神经网络模型中13个卷积层卷积核的大小均为3*3，步长均为1，采用相同填充，且对应的激活函数均为RELU；5个池化层均采用最大池化方式，步长均为2，无填充；所述输出层采用softmax分类器实现。通过以上卷积神经网络模型可以保持各卷积层中输出特征图的尺寸不变，通道数加倍，各池化层中输出的特征图尺寸减半，简化了神经网络的拓扑结构并取得了良好效果。

S2.2，设定精度阈值δ。

所述精度阈值δ不小于90％。

S2.3，利用十折交叉验证法将样本数据集输入卷积神经网络模型得到复合绝缘子憎水性等级判断模型，计算复合绝缘子憎水性等级判断模型的精度值v。

利用十折交叉验证法将步骤S1得到的样本数据集分为十份，轮流将其中的9份作为训练样本，1份作为测试样本；首先利用第一轮的9份训练样本对卷积神经网络模型进行训练得到相应的复合绝缘子憎水性等级判断模型，再将第一轮的1份测试样本输入该复合绝缘子憎水性等级判断模型进行憎水性等级预测，将所预测的憎水性等级与第一轮的测试样本中的数据进行比较计算第一轮的精度值v₁；然后，再按照以上方法分别对上一轮的复合绝缘子憎水性等级判断模型进行训练并计算其它轮的精度值，最后计算精度值均值即可。

所述精度值v的计算公式为：

式中，v_j表示第j轮复合绝缘子憎水性等级判断模型所对应的精度值。

S2.4，将精度值v与精度阈值δ进行比较，若v≤δ，执行步骤S2.5，若v＞δ，则执行步骤S3。

S2.5，对样本数据集中的复合绝缘子覆水图像进行旋转形成扩增数据集，更新样本数据集，并返回步骤S2.3。

对复合绝缘子覆水图像进行旋转可以增加复合绝缘子覆水图像的学习样本，从而更好的修正复合绝缘子憎水性等级判断模型的判定精度。

S3，根据无人机对输电线路周围的电磁场扰动状态计算无人机的飞行安全距离；

由于无人机在进入电力输电线周围时，受到高压强电场的作用，无人机上的金属部件会出现感应电荷，特别是无人机表面及尖端处会感应出较高的电场强度分布，从而引起电力输电线周围电场分布的变化。当局部场强超过空气击穿场强时，将会发生尖端放电现象，威胁到无人机及输电线的安全运行。对于10kV-750kV的架空输电线路，工作频率为50Hz，其电场分布问题可以近似看作静电场问题来研究。此时，场源即为输电线路的电位分布，所要分析的场量即为空间电场强度或电位分布。

所述静电场是一种有源无旋场，满足如下基本规律：

▽·D＝ρ；

式中，ρ表示无人机上的电荷密度，D表示电位移矢量，▽·D表示对电位移矢量求散；

▽×E＝0；

式中，E表示输电线路周围的电场强度；

其媒质构成方程为：

D＝εE；

式中，ε表示无人机外壳的介电常数；

在输电线路周围的场域空间中，电位

满足拉普拉斯方程：

根据狄利克雷边界条件：

式中，

表示输电线路上的电位，V_line表示输电线路上的电压；

式中，

表示无限远处的电位，

表示大地的电位，

表示输电线路所在的高压杆塔上的电位。

通过有限元分析软件依次建立复合绝缘子、高压杆塔和无人机的仿真模型，进而得到无人机进入高压传输线的仿真模型，根据以上公式和电场强度E与电位

的关系求解边值问题，可以求得无人机距离输电线路不同位置的场强分布特征。

所述电场强度E和电位

的关系为：

如图2所示，同时建立无人机几何中心在机翼内边缘所在直线的投影点到场源中心的距离R、无人机机翼内边缘距离分裂导线几何中心的距离d以及无人机几何中心距离分裂导线平面的水平高度h之间的关系：

所述距离R即为无人机与输电线路之间的距离，当无人机与输电线路之间的距离为R时，距离输电线路为r的位置点的场强分布特征E(r)为：

式中，ρ_r表示距离输电线路为r的位置点所对应的输电线路位置处的电荷密度，V表示求解空间。

在场源条件不变的情况下，根据唱腔分布特征得知，电场强度E和距离r的平方成反函数关系，考虑到无人机的几何形状会导致电场最强点位置不断变化，故采用幂级数对数据进行拟合，可以得出：

E＝5.9168R^-0.621；

将空气击穿场强代入上式即可求得安全距离的最小值。

S4，无人机依据步骤S3所计算的飞行安全距离在输电线路中飞行，采集新的复合绝缘子覆水图像，基于复合绝缘子憎水性等级判断模型采用网格分析法对新的复合绝缘子覆水图像进行憎水性等级判断，获取复合绝缘子憎水性等级分布图，包括如下步骤：

S4.1，利用无人机采集新的复合绝缘子覆水图像；

无人机依据飞行安全距离飞行，利用无人机上的自动喷水装置对复合绝缘子进行喷水，然后采用无人机上的图像采集装置对喷水后的复合绝缘子进行拍照，获得新的复合绝缘子覆水图像。

S4.2，将新的复合绝缘子覆水图像分别分割为不重叠的若干个子图像，记录每个子图像在所在复合绝缘子覆水图像中的位置，且每个子图像的像素均为256*256；

S4.3，利用复合绝缘子憎水性等级判断模型对每个子图像分别进行憎水性等级判断，再根据子图像的位置将每个子图像所对应的判断结果进行整合，即可得到所需的复合绝缘子憎水性等级分布图。

通过以上分割并整合的方式使得本发明脱离了传统的一张照片，一个绝缘子只能得到一个憎水性等级的死板方式，而实际每个复合绝缘子的各个位置的憎水性情况是不可能完全一致的，使用1年的复合绝缘子老化情况较轻，其绝缘子片大部分憎水性等级在HC1到HC3之间；使用3年的复合绝缘子老化情况较为严重，已有大部分憎水性等级达到HC4以上。本方法的引入使得绝缘子憎水性分析更加精细化、实用化，为工作人员提供出了更加确切的复合绝缘子老化严重部位的分布情况。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种输电线路复合绝缘子憎水性带电测试方法，其特征在于，包括如下步骤：

S1，收集复合绝缘子覆水图像及其对应的憎水性等级建立样本数据集；

S2，基于VGGNet构建卷积神经网络模型，利用步骤S1得到的样本数据集对卷积神经网络模型进行训练得到复合绝缘子憎水性等级判断模型；

所述步骤S2包括如下步骤：

S2.1，基于VGGNet构建包含输入层、隐含层和输出层的卷积神经网络模型；

S2.2，设定精度阈值δ；

S2.3，利用十折交叉验证法将样本数据集输入卷积神经网络模型得到复合绝缘子憎水性等级判断模型，计算复合绝缘子憎水性等级判断模型的精度值v；

S2.4，将精度值v与精度阈值δ进行比较，若v＜δ，执行步骤S2.5，若v≥δ，则执行步骤S3；

S2.5，对样本数据集中的复合绝缘子覆水图像进行旋转形成扩增数据集，依据扩增数据集更新样本数据集，返回步骤S2.3；

S3，根据无人机对输电线路周围的电磁场扰动状态计算无人机的飞行安全距离；

通过有限元分析软件依次建立复合绝缘子、高压杆塔和无人机的仿真模型，进而得到无人机进入高压传输线的仿真模型，根据电场强度E与电位的关系求解边值问题，求得无人机距离输电线路不同位置的场强分布特征；建立无人机几何中心在机翼内边缘所在直线的投影点到场源中心的距离R、无人机机翼内边缘距离分裂导线几何中心的距离d以及无人机几何中心距离分裂导线平面的水平高度h之间的关系；当无人机与输电线路之间的距离为R时，得到距离输电线路为r的位置点的场强分布特征E(r)；源条件不变的情况下，根据场强分布特征得知，电场强度E和距离r的平方成反函数关系，考虑到无人机的几何形状会导致电场最强点位置不断变化，故采用幂级数对数据进行拟合，得到所述无人机对输电线路周围的电磁场扰动状态所对应的公式为：

E＝5.9168R ^-0.621；

式中，E表示无人机所在的输电线路周围的电磁场强度；

S4，无人机依据步骤S3所计算的飞行安全距离在输电线路中飞行采集新的复合绝缘子覆水图像，基于复合绝缘子憎水性等级判断模型采用网格分析法对新的复合绝缘子覆水图像进行憎水性等级判断，获取复合绝缘子憎水性等级分布图。

2.根据权利要求1所述的输电线路复合绝缘子憎水性带电测试方法，其特征在于，在步骤S2.1中，所述隐含层包括13个卷积层、3个全连接层和5个池化层，且卷积神经网络模型中输入层、卷积层、全连接层、池化层和输出层之间的连接关系为：卷积层I-卷积层II-池化层I-卷积层III-卷积层IV-池化层II-卷积层V-卷积层VI-卷积层VII-池化层III-卷积层VIII-卷积层IX-卷积层X-池化层IV-卷积层XI-卷积层XII-卷积层XII-池化层V-全连接层I-全连接层II-全连接层III-输出层。

3.根据权利要求2所述的输电线路复合绝缘子憎水性带电测试方法，其特征在于，所述13个卷积层卷积核的大小均为3*3、步长均为1，采用相同填充，对应的激活函数均为RELU；5个池化层均采用最大池化方式、步长均为2，无填充；所述输出层采用softmax分类器实现。

4.根据权利要求1或3所述的输电线路复合绝缘子憎水性带电测试方法，其特征在于，所述步骤S4包括如下步骤：

S4.1，利用无人机采集新的复合绝缘子覆水图像；

S4.2，将新的复合绝缘子覆水图像分别分割为不重叠的若干个子图像，记录每个子图像在所在复合绝缘子覆水图像中的位置，且每个子图像的像素均为256*256；

S4.3，利用复合绝缘子憎水性等级判断模型对每个子图像分别进行憎水性等级判断，再根据子图像的位置将每个子图像所对应的判断结果进行整合，即可得到所需的复合绝缘子憎水性等级分布图。

Images