基于边缘计算的输电线路异常缺陷特征检测方法

田云龙，郭媛

（1.宁夏送变电工程有限公司，宁夏银川 750004；2.国家能源集团宁夏煤业有限责任公司煤制油分公司，宁夏银川 750004）

0 引言

输电线路作为电力系统的重要组成部分，其运行状态对电力供应的稳定性和可靠性具有重要的影响。然而，受复杂的环境条件和长时间运行的影响，输电线路往往容易出现各种异常缺陷，如杆塔倾斜、导线挂断等，给电网的安全运行带来严重威胁［1］。传统的线路异常缺陷检测方法依赖于远程图像、无人机、人工巡检等方式，这些方法存在检测范围受限、耗时耗力、成本高昂等问题。在该领域的相关研究中，王红星等［2］针对输电线路异常缺陷检测问题，提出基于无人机的图像处理方法，利用无人机采集到的高清图像数据，通过图像识别和处理技术，准确地检测出导线断裂、杆塔倾斜等缺陷。此外，还有研究者提出基于机器学习和深度学习的方法，利用大量的历史数据进行训练和模型调优，实现了自动化的异常缺陷检测。例如李辉等［3］通过构建深度学习模型，分析和识别输电线路的图像，精确地定位出线路上的各类缺陷，并通过智能化系统进行告警和管理。

随着边缘计算技术的快速发展，边缘设备已开始在电力系统中得到广泛应用，为开展输电线路异常缺陷监测提供了新的机会。本文提出一种基于边缘计算的输电线路异常缺陷特征检测方法，解决传统方法检测范围受限、耗时耗力、成本高昂等问题；通过卷积神经网络提取异常缺陷特征，并且运用先验模块和边缘计算技术定位缺陷位置。该检测方法可提高异常特征检测的精度和实时性，降低线路维护成本，提高电力系统的稳定性和可靠性。

1 输电线路异常缺陷特征检测方案设计

1.1 提取卷积神经网络异常缺陷图像多尺度特征

首先，构建输电线路异常缺陷检测模型，在卷积神经网络中，对输出层的目标位置进行定位与分类，从端到端进行训练。其次，使用多尺度预测的方式将尺寸变化范围增大，选择任意一张输电线路运行图片，整体修正图片尺寸，划分为N×N 个区域，根据卷积层提取其特征；在划分的区域中，通过算法预测电力设备缺陷的实际位置并进一步定位调整该设备缺陷的所在区域。由于不同区域中输出缺陷预测模块的位置信息不同，在获取区域内的坐标值时需要计算置信度。最后，运用极大值抑制法去除模型重复的模块，得到实际包含的电力设备缺陷定位信息。在此过程中，需要在样本库中获得缺陷先验尺寸数值，按不同数值分配给不同尺度的检测区域。不同尺度的检测区域如果缺陷的中心在相同区域，可以进行预测。提取输入图片特征时，模型对大目标和小目标都可以进行检测［4］。采用Dark-52 卷积神经网络框架提取异常缺陷特征，在不同的卷积层中，设定线性函数作为激活函数进行计算，设定卷积核的步长为3，对结果进行采样并完成池化操作，池化原理如图1所示。

图1 池化原理图

根据多尺度的特征图，在模型中输入RGB（红、绿、蓝颜色系统）色彩图像，卷积后输出模型的特征向量，其公式为

1.2 边缘计算绝缘子定位分割检测

运用边缘计算的绝缘子分割方法，根据Mask RCNN（Mask Recycle Convolutional Neural Network，掩膜循环差积神经网络）网络对绝缘子进行定位，获得相应的定位框后，将结果在分类网络中进行缺陷判定。在聚类网络中，添加注意力模块，通过ROI（Region of Interest，感兴趣区域）计算得到对应原图的特征图，在不同小方格中选择4 个中心点，将最大值作为最大池化值［6］。通过不断划分中心点，在原有类别分支中增加用于判断不同像素类型的分支，这样能较好地用于分割。定义损失函数，计算在损失函数中不同像素对应的损失结果，获得所属类的交叉熵结果；在定位中，提取原有的特征，输出特征金字塔；根据输出特征寻找对应的特征图，结合语义特征，采用大尺度ROI 映射策略，映射到低层中，可以检测不同尺度的物体。ROI映射特征图层级计算公式如下：

其中：p0表示初始值；w表示ROI的周长。根据ROI的周长计算得到p，对p进行整量化操作，得到ROI映射的特征图层级。

在定位网络中进行分割操作，利用像素级别标注（Pixel-level Annotation）获得生成对应的数据集，在网络中引入残差结构提取特征［7］。将卷积层中不同通道的卷积残差块赋予不同的权重，使网络能够快速获取相关的通道信息。为提升预测的稳定性，根据相对位置预测缺陷的位置，根据顶点的偏移量程度结果进行定位，定位表达式为

其中：c为顶点坐标；r为预测与实际值偏差。筛选所有模块，根据置信度阈值，抑制置信度过低的模块，因为这些模块很可能不包含需要检测的目标。将筛选后的模块按预测缺陷的类别进行分类。对于每一类缺陷预测，将置信度最高的一个模块作为初始选择［8］。判断其他模块与初始选择模块的交并比（IOU），如果交并比高于1.2，则抑制阈值较低的模块，否则不做处理。对其他未被抑制的模块重复上述步骤，直到没有更多的模块需要处理。循环结束后，得到的模块即最终预测的缺陷目标。

1.3 卡尔曼滤波法修正特征检测

使用优化的卷积神经网络模型检测输电线路，获取缺陷的定位结果。在此过程中，需要进行二次修正，使检测性能得到优化［9］。运用卡尔曼滤波器统计与控制输电线路，在预测滤波的过程中能高效估计信号的状态，得到实时的数据更新。在实际应用过程中，采集输电线路的应用数据，运用卡尔曼滤波器对模型的检测结果进行修正。根据线性方程，将状态变量在线性空间中进行射影。变量控制公式为

在输电线路运行过程中，不同输电线路组件的尺寸大小都有具体的规定，不同组件的位置关系也相对固定，因此得到的属性为常数。在卡尔曼建模过程中，根据属性常数预测大型尺寸部件的位置，得到零件的相对坐标。同时，在实际输电线路中，对关键部件的缺陷进行定位，采用改进的FasterR-CNN 卷积网络模型预测结果，通过卡尔曼滤波方程迭代计算对预测结果进行修正［11］。通过修正评估出最优估算值，由更浅层的网络输出最优估算值，就能得到最优缺陷位置信息，获得更多的定位信息，增加特征融合网络的检测能力。通过下采样将特征不断整合，使语义特征交叉融合，进一步提高缺陷检测的性能。

2 实验测试与分析

2.1 搭建实验环境

搭建实验所用的平台，通过边缘计算芯片同时处理多相信息。使用的芯片其结构为“ARM+视频压缩单元”，处理器为ARM754，主频为800 MHz，最高压缩分辨率为1 080 p，32 fps。该芯片可以支持所有主流接口，功耗为1.8 W。充分考虑输电场景的需求后，实验平台能通过低功耗的芯片完成缺陷检测。运用智能视觉异构加速平台的智能分析，并针对缺陷特征的神经网络进行计算，在计算过程中需要针对不同的框架模型进行相应转换。由于芯片的内存小，因此使用捕捉微小故障的变焦摄像头进行自动对焦，摄像头参数为彩色CCD 数码相机，照度为0.02 lux。在服务器中训练一个模型，并且根据框架的格式采用mapper 工具进行离线转换。将模型部署到芯片进行仿真实验，实验过后可释放内存资源。对检测到的电流信号进行分解，计算奇异值，根据奇异值的变化诊断故障。

2.2 结果与分析

运用Simulk 仿真平台进行实验，设定故障发生的时间在0.04 s 以后，在输电线路的各相中，计算得到的最大奇异值如果超过30，可表示此处出现故障。对输电线路进行检测，发生接地故障时的电流波形如图2所示。

图2 发生接地故障时的电流波形图

运用故障阻抗进行测试，通过计算得到输电线路中的三相电流幅值（见表1）。根据表1 的计算结果可以发现，电流幅值差较大，说明线路发生了接地故障问题。运用本文方法分解奇异值，对B 相电流进行小波分解，在高故障阻抗的情况下判断故障。运用小波分量特征形成原始信号的特征矩阵，根据奇异值进行分解得到最大奇异值（如图3所示）。

表1 故障位置处电流幅值结果

图3 各相最大奇异值波形图

由实验结果可知，三相电流的最大奇异值在0.04 s 内均发生变化，同时能清晰地展示产生的突变情况。其中A 相的最大奇异值为90.93，B 相的最大奇异值为90.51，C 相的最大奇异值为70.13。三相的最大奇异值均超过了设定值30，因此可以判断线路在0.04 s 时，发生了三相接地故障，符合预期设定。同时，在此区域设置一定数量的节点，通过改变绝缘子检测内存进行仿真，经过20 次仿真后计算误差的平均值。运用本文方法计算的平均定位误差结果见表2。

表2 平均定位误差结果对比

由表2 可知，当绝缘子检测内存不断增加时，定位误差均保持在0.3%以内，而传统方法的平均定位误差在15%以上，与之相比，本文方法的定位误差数值更小、更精准，达到了良好的检测效果。由此可见，本文方法能准确、直观地对故障进行判断，具有较高的定位精度，能实时判断并找出故障所在的位置。

综上所述，当配电线路发生故障时，运用本文方法能随时响应节点信息变化，使输电线路之间的节点通信能力增强，提升了对异常缺陷问题的实时检测水平，扩展了边缘检测设备的检测范围。

3 结语

本文从输电线路异常缺陷特征检测入手，运用边缘计算方式，研究基于边缘计算的输电线路异常缺陷特征检测方法及其应用成果。通过不断改进算法，优化输电线路异常特征的检测，可提高检测方法在不同场景下的适用性，为日后异常状态数据的获取提供有力的支撑。本文方法具有自动化程度高、适用性强的特点，可提高故障特征的表达能力，达到精准的检测效果，实现了基于边缘计算的输电线路异常缺陷特征检测方法的合理应用。但该方法存在一些不足之处，如分析数据不完善、对异常数据敏感度不够强等。今后应完善算法，通过处理和分析输电线路运行中的信号，处理复杂的输电线路运行数据，使其能完成不同节点之间的完整传输，持续保证振动监测。