CN115656731A - 一种架空配电线路电弧接地故障点定位方法 - Google Patents
一种架空配电线路电弧接地故障点定位方法 Download PDFInfo
- Publication number
- CN115656731A CN115656731A CN202211578051.3A CN202211578051A CN115656731A CN 115656731 A CN115656731 A CN 115656731A CN 202211578051 A CN202211578051 A CN 202211578051A CN 115656731 A CN115656731 A CN 115656731A
- Authority
- CN
- China
- Prior art keywords
- fault point
- aerial vehicle
- unmanned aerial
- line
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000009826 distribution Methods 0.000 title claims abstract description 33
- 238000007689 inspection Methods 0.000 claims abstract description 43
- 239000002245 particle Substances 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000000739 chaotic effect Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005291 chaos (dynamical) Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000003245 working effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010891 electric arc Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005350 ferromagnetic resonance Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种架空配电线路电弧接地故障点定位方法，包括：采集配电网架空配电线路的离线地理数据，考虑巡检无人机的自身约束和障碍物的影响，引入混沌粒子群优化算法规划巡检无人机的飞行路径；在巡检无人机上安装紫外相机，获取巡检无人机沿飞行路径飞行过程中的线路的紫外图像；基于电弧接地故障点历史数据对卷积神经网络模型进行训练得到故障点预测模型，故障点预测模型的输入为发生/未发生电弧接地故障的位置信息及其对应的线路的紫外图像；将待检测的线路的紫外图像依次输入故障点预测模型，故障点预测模型输出是否有故障点的判定信息以及对应的故障点位置信息；能够准确定位故障的杆塔；采用紫外图像更有针对性，准确率更高。
Description
技术领域
本发明涉及电力计量在线监测技术领域，尤其涉及一种架空配电线路电弧接地故障点定位方法。
背景技术
在电力系统中，电气设备或线路一旦发生电气故障，如不及时检查和抢修，将会威胁人民生命财产安全，而电弧故障是电气线路故障中的常见故障。据相关资料显示：电弧故障带来了财产损失甚至人员伤亡的负面影响，其数量比例大约占电气故障的40%。因此，对电弧故障应采取有效措施加以检测。配电网络分布广且结构复杂，故障率一直居高不下，其中多数伴有不稳定的间歇性电弧。由于允许带电弧接地故障运行不超过2个小时，不稳定的间歇性电弧可发生多次熄灭和重燃。首先接地电弧会导致该处温度升高从而可能导致火灾，电弧接地故障还会危害地面人员的人身安全。另外，过电压会对电气设备的绝缘造成威胁，可能直接破坏薄弱环节的绝缘造成击穿，从而引发接地故障，甚至进一步发展为相间短路，或者激发铁磁谐振扩大故障，损毁设备，造成停电事故。
配电网产生电弧故障的原因很多，如：1 由于污染效应导致绝缘受损。2 由于结构完整性的损失，架空线下垂并与其他物体接触。3 大风将物体吹入架空线路。4 落在架空线上或生长在架空线的枝条。5 闪电击中(要么直接击中,要么足够接近以产生足够的电势差)。6 人为误差(维护设备留在线路上,非故意接触带电的厂房)。7 故意破坏行为。
目前对配电网架空配电线路电弧接地故障的巡检方法多为人工巡检。但当遇到雨雪天气时，工作人员攀爬铁塔存在着较大的安全隐患，而无人机的应用则替代了人工巡检模式，避免工作人员的人身安全受到危害。另外，在遇到自然灾害、带电作业活动等情形下，无人机也可以完全替代人工巡检，让巡检安全和质量有着更加可靠的保障。但是无人机巡检过程中对定位故障位置的准确度要求高，且巡检路线要避开配电网环境中的塔杆等位置较高的障碍物。
发明内容
本发明针对现有技术中存在的技术问题，提供一种架空配电线路电弧接地故障点定位方法，使用无人机巡检替代人工巡检，让巡检安全和质量有着更加可靠的保障；结合算法来定位故障的位置，准确定位故障的杆塔，误差小于一个档距(约50m)；考虑在复杂环境：比如跨域树林、房屋时图像的图像特征不明显，远距离难以准确辨识，本发明采用紫外图像对故障点位置进行判断，更有针对性，准确率更高。
根据本发明的第一方面，提供了一种架空配电线路电弧接地故障点定位方法，包括：
步骤1，采集配电网架空配电线路的离线地理数据，考虑巡检无人机的自身约束和障碍物的影响，引入混沌粒子群优化算法规划巡检无人机的飞行路径；
步骤2，在所述巡检无人机上安装紫外相机，获取所述巡检无人机沿所述飞行路径飞行过程中的线路的紫外图像；
步骤3，基于电弧接地故障点历史数据对卷积神经网络模型进行训练得到故障点预测模型，所述故障点预测模型的输入为发生/未发生电弧接地故障的位置信息及其对应的线路的紫外图像；
步骤4，将步骤2得到的待检测的线路的紫外图像依次输入所述故障点预测模型，所述故障点预测模型输出是否有故障点的判定信息以及对应的故障点位置信息。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，所述步骤1中规划所述巡检无人机的飞行路径的过程包括：
步骤101，建立无人机飞行的威胁环境模型，所述威胁环境模型的总成本函数为各个约束的代价的加权和，所述约束包括：最优路径约束、地形危险约束和高度约束中的一个或多个；
步骤102，以粒子表示各个飞行路径
，用改进的混沌理论初始化粒子群，通过混
沌序列形成初始化粒子来保证分布均匀；
步骤103，以所述总成本函数作为适应度函数，评估粒子的适应度值，根据得到的适应度值，找到个体的最佳位置和全局的最佳位置；利用获得的全局最佳和个体最佳位置信息更新粒子的速度和位置；根据适应度的变化率判断陷入局部最优时，根据Logistic混沌映射公式对全局的最佳位置实行变异操作；
步骤104，循环执行步骤103进行不断迭代，直到算法达到最大迭代次数，获得最优解。
可选的，所述步骤101中，所述最优路径约束的路径长度代价函数为：
其中，i为路径编号，j作为塔杆编号，飞行路径
表示为无人机飞过的n个目标塔
杆列表，各个目标塔杆列表的坐标
；
所述地形危险约束的地形危险代价为：
其中，
K为所有危险设为集合，k为障碍编号，
为障碍投影的半径，无人机直径为D，
为无人机与障碍投影中心的距离，S为危险区；
所述高度约束的高度代价为：
其中， 
，
和
分别为无人机飞行高
度最小和最大高度，
为实际飞行高度。
可选的，所述步骤103中利用获得的全局最佳和个体最佳位置信息更新粒子的速度的公式为：
更新粒子的位置的公式为：
其中，k为迭代的次数，
和
分别为第k和k+1次迭代的粒子速度，
和
分别为第k和k+1次迭代的粒子的位置，
和
分别表示第k次迭
代粒子i的个体和种群的最佳位置参数，
为惯性权重，
和
为学习因子，
和
为随机
数。
可选的，所述步骤103中根据适应度的变化率判断陷入局部最优的方法包括：
计算适应度的变化率
，F（k）表示第k次迭代的适应度函数值；
k<2Tmax/3且FCR小于所设的阈值时，判断陷入了局部最优，Tmax为最大迭代次数。
可选的，所述步骤103中对全局的最佳位置实行变异操作的Logistic混沌映射公式为：
其中，
为自适应的调整系数，
为粒子位置的映射。
可选的，所述步骤3和步骤4还包括：
对训练用线路的紫外图像和待检测的线路的紫外图像进行预处理，包括：中值处理和边缘检测。
可选的，对图像进行中值处理的过程包括：将图像每一个像素点的灰度值设置为设定的临近窗口的灰度值中值。
可选的，对图像进行边缘检测的过程包括：采用高斯滤波器平滑图像滤除噪声，应用非极大值抑制消除边缘检测带来的杂散响应，通过双阈值检测确定真实和潜在边缘，抑制孤立的弱边缘。
本发明提供的一种架空配电线路电弧接地故障点定位方法，通过无人机的应用替代了人工巡检配电网架空配电线路电弧接地故障，避免工作人员的人身安全受到危害。另外，在遇到自然灾害、带电作业活动等情形下，无人机也可以完全替代人工巡检，让巡检安全和质量有着更加可靠的保障。无人机的路径规划过程引入混沌粒子群优化算法，考虑飞行位置的地形危险度、高度、与下一节点的距离三个方面，保证巡检的全面性的前提下尽量减少巡检过程耗费的成本。采用图像训练得到卷积神经网络模型进行故障点预测，能够自主学习和自主适应，快速计算得到定位结果。对输入神经网络模型的图像进行预处理，极大的改善了图像信息的质量，便于神经网络的学习。
附图说明
图1为本发明提供的一种架空配电线路电弧接地故障点定位方法的流程图；
图2为本发明实施例提供的无人机巡检示意图；
图3为本发明实施例提供的巡检无人机的结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明提供的一种架空配电线路电弧接地故障点定位方法的流程图，图2为本发明实施例提供的无人机巡检示意图，结合图1和图2可知，该定位方法包括：
步骤1，采集配电网架空配电线路的离线地理数据，考虑巡检无人机的自身约束和障碍物的影响，引入混沌粒子群优化算法规划巡检无人机的飞行路径。
步骤2，在巡检无人机上安装紫外相机，获取巡检无人机沿飞行路径飞行过程中的线路的紫外图像。
如图3所示为本发明实施例提供的巡检无人机的结构框图，结合图3可知，具体实施中，在巡检无人机上安装紫外相机，巡检无人机飞行巡检时紫外相机拍摄杆塔间地面图像，采集的图像发送给计算模块。
步骤3，基于电弧接地故障点历史数据对卷积神经网络模型进行训练得到故障点预测模型，故障点预测模型的输入为发生/未发生电弧接地故障的位置信息及其对应的线路的紫外图像。
步骤4，将步骤2得到的待检测的线路的紫外图像依次输入故障点预测模型，故障点预测模型输出是否有故障点的判定信息以及对应的故障点位置信息。
本发明提供的一种架空配电线路电弧接地故障点定位方法，使用无人机巡检替代人工巡检，让巡检安全和质量有着更加可靠的保障；结合算法来定位故障的位置，准确定位故障的杆塔，误差小于一个档距(约50m)；考虑在复杂环境：比如跨域树林、房屋时图像的图像特征不明显，远距离难以准确辨识，本发明采用紫外图像对故障点位置进行判断，更有针对性，准确率更高。
实施例1
本发明提供的实施例1为本发明提供的一种架空配电线路电弧接地故障点定位方法的实施例，结合图1和图2可知，该定位方法的实施例包括：
步骤1，采集配电网架空配电线路的离线地理数据，考虑巡检无人机的自身约束和障碍物的影响，引入混沌粒子群优化算法规划巡检无人机的飞行路径。
在一种可能的实施例方式中，步骤1中规划巡检无人机的飞行路径的过程包括：
步骤101，建立无人机飞行的威胁环境模型，威胁环境模型的总成本函数为各个约束的代价的加权和，约束包括：最优路径约束、地形危险约束和高度约束中的一个或多个。
在一种可能的实施例方式中，步骤101中，最优路径约束的路径长度代价函数为：
其中，i为路径编号，j作为塔杆编号，飞行路径
表示为无人机飞过的n个目标塔
杆列表，各个目标塔杆列表的坐标
。
地形危险约束的地形危险代价为：
其中，
K为所有危险设为集合，k为障碍编号，
为障碍投影的半径，无人机直径为D，
为无人机与障碍投影中心的距离，S为危险区，依照安全要求人工确定。
高度约束的高度代价为：
其中， 
，
和
分别为无人机飞行高
度最小和最大高度，
为实际飞行高度。
具体实施中，威胁环境模型的总成本函数可以表达为：
步骤102，以粒子表示各个飞行路径
，用改进的混沌理论初始化粒子群，通过混
沌序列形成初始化粒子来保证分布均匀。
步骤103，以总成本函数作为适应度函数，评估粒子的适应度值，根据得到的适应度值，找到个体的最佳位置和全局的最佳位置；利用获得的全局最佳和个体最佳位置信息更新粒子的速度和位置；根据适应度的变化率判断陷入局部最优时，根据Logistic混沌映射公式对全局的最佳位置实行变异操作。
具体实施中，以总成本函数作为适应度函数，目的是利用威胁环境中的约束条件（地形危险度、高度、与下一节点的距离），评估粒子的适应度值。
在一种可能的实施例方式中，步骤103中利用获得的全局最佳和个体最佳位置信息更新粒子的速度的公式为：
更新粒子的位置的公式为：
其中，k为迭代的次数，
和
分别为第k和k+1次迭代的粒子速度，
和
分别为第k和k+1次迭代的粒子的位置，
和
分别表示第k次迭
代粒子i的个体和种群的最佳位置参数，
为惯性权重，
和
为学习因子，
和
为随机
数。
在一种可能的实施例方式中，步骤103中根据适应度的变化率判断陷入局部最优的方法包括：
计算适应度的变化率
，F（k）表示第k次迭代的适应度函数值。
k<2Tmax/3且FCR小于所设的阈值时，此时粒子的局部位置发生微小的变化，判断陷入了局部最优，Tmax为最大迭代次数。
在一种可能的实施例方式中，步骤103中对全局的最佳位置实行变异操作的Logistic混沌映射公式为：
其中，
为自适应的调整系数，
为粒子位置的映射。
步骤104，循环执行步骤103进行不断迭代，直到算法达到最大迭代次数，获得最优解。
通过不断迭代，修改它们的速度和位置，使它们保持在可行范围内，直到算法达到最大迭代次数，获得最优解。
在每次的电弧故障点查找任务前，将首先确定路径目标Xi，直到经过所有目标杆塔并返回变电站。
步骤2，在巡检无人机上安装紫外相机，获取巡检无人机沿飞行路径飞行过程中的线路的紫外图像。
步骤3，基于电弧接地故障点历史数据对卷积神经网络模型进行训练得到故障点预测模型，故障点预测模型的输入为发生/未发生电弧接地故障的位置信息及其对应的线路的紫外图像。
步骤4，将步骤2得到的待检测的线路的紫外图像依次输入故障点预测模型，故障点预测模型输出是否有故障点的判定信息以及对应的故障点位置信息。
在一种可能的实施例方式中，步骤3和步骤4还包括：
对训练用线路的紫外图像和待检测的线路的紫外图像进行预处理，包括：中值处理和边缘检测。
在一种可能的实施例方式中，对图像进行中值处理的过程包括：将图像每一个像素点的灰度值设置为设定的临近窗口的灰度值中值。
在一种可能的实施例方式中，对图像进行边缘检测的过程包括：采用高斯滤波器以平滑图像滤除噪声，应用非极大值抑制消除边缘检测带来的杂散响应，通过双阈值检测来确定真实和潜在边缘，最后抑制孤立的弱边缘。
历史图像数据图像经过上述预处理后，极大的改善了图像信息的质量，便于神经网络的学习。
具体实施中，故障点预测模型可以设计为一种包含1个输入层、30个卷积层、2个全连接层和1个输出层的卷积神经网络，卷积层用来提取塔杆间地面图像的特征。将电弧接地故障历史数据及其对应杆塔间线路的紫外图像导入，通过训练得到模型。
在进行架空配电线路电弧接地故障点巡检时，巡检无人机按待巡的线路节点规划路径，无人机上的日盲型紫外照相机沿着规划路径飞行并进行拍摄，每秒钟拍摄一张对地图像，对拍摄的图像进行上述相同的预处理。
将每秒拍摄的图像逐个导入模型，根据模型输出判断是否有故障点，并确定对应的地点，作为电弧接地故障疑似点供工作人员参考。
本发明实施例提供的一种架空配电线路电弧接地故障点定位方法，通过无人机的应用替代了人工巡检配电网架空配电线路电弧接地故障，避免工作人员的人身安全受到危害。另外，在遇到自然灾害、带电作业活动等情形下，无人机也可以完全替代人工巡检，让巡检安全和质量有着更加可靠的保障。无人机的路径规划过程引入混沌粒子群优化算法，考虑飞行位置的地形危险度、高度、与下一节点的距离三个方面，保证巡检的全面性的前提下尽量减少巡检过程耗费的成本。采用图像训练得到卷积神经网络模型进行故障点预测，能够自主学习和自主适应，快速计算得到定位结果。对输入神经网络模型的图像进行预处理，极大的改善了图像信息的质量，便于神经网络的学习。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (9)
1.一种架空配电线路电弧接地故障点定位方法，其特征在于，所述定位方法包括：
步骤1，采集配电网架空配电线路的离线地理数据，考虑巡检无人机的自身约束和障碍物的影响，引入混沌粒子群优化算法规划巡检无人机的飞行路径；
步骤2，在所述巡检无人机上安装紫外相机，获取所述巡检无人机沿所述飞行路径飞行过程中的线路的紫外图像；
步骤3，基于电弧接地故障点历史数据对卷积神经网络模型进行训练得到故障点预测模型，所述故障点预测模型的输入为发生/未发生电弧接地故障的位置信息及其对应的线路的紫外图像；
步骤4，将步骤2得到的待检测的线路的紫外图像依次输入所述故障点预测模型，所述故障点预测模型输出是否有故障点的判定信息以及对应的故障点位置信息。
2.根据权利要求1所述的定位方法，其特征在于，所述步骤1中规划所述巡检无人机的飞行路径的过程包括：
步骤101，建立无人机飞行的威胁环境模型，所述威胁环境模型的总成本函数为各个约束的代价的加权和，所述约束包括：最优路径约束、地形危险约束和高度约束中的一个或多个；
步骤102，以粒子表示各个飞行路径
，用改进的混沌理论初始化粒子群，通过混沌序
列形成初始化粒子来保证分布均匀；
步骤103，以所述总成本函数作为适应度函数，评估粒子的适应度值，根据得到的适应度值，找到个体的最佳位置和全局的最佳位置；利用获得的全局最佳和个体最佳位置信息更新粒子的速度和位置；根据适应度的变化率判断陷入局部最优时，根据Logistic混沌映射公式对全局的最佳位置实行变异操作；
步骤104，循环执行步骤103进行不断迭代，直到算法达到最大迭代次数，获得最优解。
3.根据权利要求1所述的定位方法，其特征在于，所述步骤101中，所述最优路径约束的路径长度代价函数为：
其中，i为路径编号，j作为塔杆编号，飞行路径
表示为无人机飞过的n个目标塔杆列
表，各个目标塔杆列表的坐标
；
所述地形危险约束的地形危险代价为：
其中，
K为所有危险设为集合，k为障碍编号，
为障碍投影的半径，无人机直径为D，
为无
人机与障碍投影中心的距离，S为危险区；
所述高度约束的高度代价为：
其中， 
，
和
分别为无人机飞行高度最
小和最大高度，
为实际飞行高度。
4.根据权利要求2所述的定位方法，其特征在于，所述步骤103中利用获得的全局最佳和个体最佳位置信息更新粒子的速度的公式为：
更新粒子的位置的公式为：
其中，k为迭代的次数，
和
分别为第k和k+1次迭代的粒子速度，
和
分别为第k和k+1次迭代的粒子的位置，
和
分别表示第k次迭代粒子i
的个体和种群的最佳位置参数，
为惯性权重，
和
为学习因子，
和
为随机数。
5.根据权利要求2所述的定位方法，其特征在于，所述步骤103中根据适应度的变化率判断陷入局部最优的方法包括：
计算适应度的变化率
，F（k）表示第k次迭代的适应度函数值；
k<2Tmax/3且FCR小于所设的阈值时，判断陷入了局部最优，Tmax为最大迭代次数。
6.根据权利要求2所述的定位方法，其特征在于，所述步骤103中对全局的最佳位置实行变异操作的Logistic混沌映射公式为：
其中，
为自适应的调整系数，
为粒子位置的映射。
7.根据权利要求1所述的定位方法，其特征在于，所述步骤3和步骤4还包括：
对训练用线路的紫外图像和待检测的线路的紫外图像进行预处理，包括：中值处理和边缘检测。
8.根据权利要求7所述的定位方法，其特征在于，对图像进行中值处理的过程包括：将图像每一个像素点的灰度值设置为设定的临近窗口的灰度值中值。
9.根据权利要求7所述的定位方法，其特征在于，对图像进行边缘检测的过程包括：采用高斯滤波器平滑图像滤除噪声，应用非极大值抑制消除边缘检测带来的杂散响应，通过双阈值检测确定真实和潜在边缘，抑制孤立的弱边缘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211578051.3A CN115656731A (zh) | 2022-12-09 | 2022-12-09 | 一种架空配电线路电弧接地故障点定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211578051.3A CN115656731A (zh) | 2022-12-09 | 2022-12-09 | 一种架空配电线路电弧接地故障点定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115656731A true CN115656731A (zh) | 2023-01-31 |
Family
ID=85020295
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211578051.3A Pending CN115656731A (zh) | 2022-12-09 | 2022-12-09 | 一种架空配电线路电弧接地故障点定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115656731A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074869A (zh) * | 2023-10-16 | 2023-11-17 | 盛隆电气集团有限公司 | 一种配电线故障定位方法及系统 |
| CN117236520A (zh) * | 2023-11-10 | 2023-12-15 | 国网四川省电力公司电力应急中心 | 一种分布式多无人机集群协同调度系统及其方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114034980A (zh) * | 2021-11-12 | 2022-02-11 | 陕西省地方电力(集团)有限公司渭南供电分公司 | 基于粒子群优化bp神经网络的配电线路故障检测方法 |
| CN114879716A (zh) * | 2022-06-02 | 2022-08-09 | 沈阳航空航天大学 | 反制低空空域飞行器的执法无人机路径规划方法 |
| CN114965328A (zh) * | 2022-04-21 | 2022-08-30 | 北京科技大学 | 一种紫外多光谱高压线路故障检测与定位方法及装置 |
-
2022
- 2022-12-09 CN CN202211578051.3A patent/CN115656731A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114034980A (zh) * | 2021-11-12 | 2022-02-11 | 陕西省地方电力(集团)有限公司渭南供电分公司 | 基于粒子群优化bp神经网络的配电线路故障检测方法 |
| CN114965328A (zh) * | 2022-04-21 | 2022-08-30 | 北京科技大学 | 一种紫外多光谱高压线路故障检测与定位方法及装置 |
| CN114879716A (zh) * | 2022-06-02 | 2022-08-09 | 沈阳航空航天大学 | 反制低空空域飞行器的执法无人机路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 褚宏悦 等: "无人机安全路径规划的混沌粒子群优化研究" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074869A (zh) * | 2023-10-16 | 2023-11-17 | 盛隆电气集团有限公司 | 一种配电线故障定位方法及系统 |
| CN117074869B (zh) * | 2023-10-16 | 2023-12-19 | 盛隆电气集团有限公司 | 一种配电线故障定位方法及系统 |
| CN117236520A (zh) * | 2023-11-10 | 2023-12-15 | 国网四川省电力公司电力应急中心 | 一种分布式多无人机集群协同调度系统及其方法 |
| CN117236520B (zh) * | 2023-11-10 | 2024-01-26 | 国网四川省电力公司电力应急中心 | 一种分布式多无人机集群协同调度系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115656731A (zh) | 一种架空配电线路电弧接地故障点定位方法 | |
| Sohn et al. | Automatic powerline scene classification and reconstruction using airborne lidar data | |
| US11270111B2 (en) | Automated management of potentially hazardous objects near power lines | |
| US11275376B2 (en) | Large scale unmanned monitoring device assessment of utility system components | |
| CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
| Cui et al. | Path planning algorithms for power transmission line inspection using unmanned aerial vehicles | |
| CN111256682B (zh) | 不确定条件下的无人机群路径规划方法 | |
| CN115275870B (zh) | 一种基于高空线路维护的巡检系统 | |
| CN116629580B (zh) | 基于gis的智慧燃气安全隐患项管理方法和物联网系统 | |
| CN111126672A (zh) | 一种基于分类决策树的高压架空输电线路台风灾害预测方法 | |
| CN103914737B (zh) | 一种输变电线路全线路现地气象信息计算方法 | |
| CN114187511A (zh) | 一种输电全景大数据智能监控方法 | |
| CN114020005B (zh) | 多无人机协同巡检配网线路的航迹规划方法和系统 | |
| CN111860947A (zh) | 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 | |
| Cao et al. | Multi-Sensor fusion and data analysis for operating conditions of low power transmission lines | |
| Sriram et al. | Technology revolution in the inspection of power transmission lines-a literature review | |
| JP6053866B2 (ja) | 風力発電システムおよび鳥飛来予測装置 | |
| CN114167245A (zh) | 输变电设备表面局放智能检测方法及无人机融合紫外系统 | |
| CN113657286A (zh) | 一种基于无人机的输电线路监测方法及装置 | |
| CN111045452A (zh) | 一种基于深度学习的电力线路巡检方法 | |
| CN115641522A (zh) | 一种架空配电路线电弧接地故障点定位方法及系统 | |
| Veillette et al. | Mission Optimized Weather Nowcasting for Flight Planning | |
| Lai et al. | Predicting Failures of High Voltage Electric Power Facilities via Multidimensional Information Analysis | |
| Zhang et al. | Application of UAV in intelligent patrol inspection of transmission line | |
| US12007075B2 (en) | Methods and internet of things (IoT) systems for managing smart gas safety hazard items based on geographic information systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230131 |