基于物联网技术的输电线路红外成像监测方法

国网浙江省电力有限公司桐庐县供电公司 刘明康 刘俊文 刘 一 沈 阳 徐 锋 俞峰明

当前，电力已经成为人们生活中不可缺少的一部分，它不仅渗透到居民日常生活中，而且渗透到生产的方方面面。然而，输电线路长期暴露在自然环境中，会受到自然灾害的影响，造成输电线路损坏，从而影响电网的正常运行。因此，对输电线路潜在故障预先检测是电力系统检修的关键点之一，现已经有较多学者开展了输电线路监测方法的研究。其中，文献[1]中，裴慧坤等研究了同塔双回特高压输电线路红外图像检测方法，采用灰度线性变换方法进行图像去噪和增强处理，利用图像配准算法进行图像拼接；文献[2]中，梁兴等研究了基于红外图像的输电线路故障识别方法，其预先去除了图像噪声，并对故障区域进行了划分，实现红外图像监测。

上述方法虽然能够实现输电线路的监测，但是在监测后存在不足，一方面是监测准确性较差，另一方面是监测实时性不足。物联网技术可以把物品和物品、物品和通讯网络连接起来，实现信息的交互与智能识别。为此，将该技术应用到输电线路红外成像监测中，期望为输电线路监测提供大量有效的信息，以物联网技术优化输电线路红外成像结果，即改变物联监测体系的多维最大矢量，提升输电线路故障点定位效果。

1 输电线路红外成像监测体系结构及监测原理设计

此次研究的输电线路红外成像监测方法结合物联网技术中的无线通信网实现信息的传输，实现输电线路的实时监控与管理。基于物联网技术的输电线路红外成像监测体系结构如图1所示。

图1 输电线路监测体系结构

图1中，感知层主要包含多传感器、多维编码和阅读器，获取数据辨别信息[3]，在感知层中，主要采用红外传感器感知输电线路，详细设计在后续内容中具体呈现；通信层主要采用有线与无线混合的通信模式，传递和处理感知层信息，但是信息来源和种类较为复杂，在传输时还需要进行进一步处理；应用层主要对输电线路信息进行集成和监控。

2 基于物联网技术的通信网络拓扑结构建立

在此次研究的监测结构中，由通信层采集信息。在通信层中，由汇流节点组成全网，且每个节点都需要通过通信节点转发信息[4]。假设中心节点与N个节点相连接，连接的平均时延为T，将结构可靠性表示为：

公式（1）中，p代表连接链路。

当环中节点太多时，信息源要经过多个节点，会影响信息的传输速率，延长网络的响应时间，需要进一步处理，即通过物联网技术对收集到的大量信息汇聚、融合与传输，以减少平均时延，表示为：

上述公式中，N－1代表链路数量。

由于输电线路数据较多，在汇聚处理信息的同时，为进一步提高数据传输速率，采用数据融合技术，对数据进行多维度加权融合。将数据加权系数表示为：

在决策集融合过程中，各个数据权重不同，为此建立权重矩阵：

在此基础上，将权重向量与决策矩阵结合，表示为：

公式（5）中，a1、a2、αm分别代表决策向量。

基于上述过程对数据融合，通过多维度加权融合，能够提高数据在传输过程中的速度。

3 输电线路红外成像监测实现

采用基于物联网技术的通信网络拓扑结构对输电线路数据进行采集与传输，在输电线路红外成像监测过程中，会受到线路中导线、金具以及绝缘子等故障因素的影响，这将造成红外图像出现边缘模糊、对比度差和空域噪声等问题，这就需要对红外成像进行处理，详细处理过程如下。

3.1 颜色空间变换

对输电线路图像进行提取时，提取的图像格式不能直接进行分析，为此，预先将图像转换成HIS颜色空间，对图像的色调、饱和度和亮度进行处理，转换公式可表示为：

公式（6）中，H、S、I分别代表HIS分量。

依据上述公式能够将红外图像的RGB颜色空间转换到HIS空间中，方便后续处理。

在上述颜色空间转换后，进行图像去噪处理。为防止图像处理过程中，破坏图像结构和空间的领域信息，采用中值滤波算法从图像中取出任意正方形矩阵模板，将其定义为：

在此基础上，将上述矩阵中的第一列定义为e，将e和矩阵C组成一个新的行矩阵b，矩阵b的中值f表示为：

经上述处理后，将中值f赋予模板中心元素，并且对未赋值的元素进行取值，以此，通过上述处理过程，消除图像中的噪声，保证图像的边缘信息。

3.2 输电线路红外图像故障区域划分

基于以上图像变换和噪声去除技术，对输电线路的红外图像进行变换增强处理，提出了一种利用红外图像灰度门限阈值的方法，识别出输电线路红外图像的背景区域和前景区域，实现红外图像的故障区域划分。

将f(x,y)记作原始输电线路的图像灰度值，将G(x,y)记作变换后的图像灰度值，将线性变换函数表示为：

上述公式（9）中，a、b分别代表红外图像的灰度点，c、d分别代表处理后的图像分段点，Mg、Mf分别代表处理后图像的最大灰度值与最小灰度值。

基于上述过程对图像去噪处理，为红外成像监测提供基础依据。

3.3 输电线路红外成像监测实现

在图像灰度阈值处理后，进行故障区域故障点识别与定位，采用共轭梯度的正负形式描述红外图像边缘走势，将公式表示为：

公式（10）中，i代表故障区域的节点位置，φ1代表故障节点坐标，si代表故障边缘点，di,1代表灰度锚点。

在此基础上，对红外图像故障区域进行模函数构造，表示为：

公式（11）中，Ψi(x,y)为图像显著变化区域坐标值。

假设在输电线路红外图像标量场F中一个点处存在矢量H，也是图像的共轭梯度值，通过改变灰度变化率的最大矢量就能够获得故障点定位结果。定位和识别故障点的公式如下：

经过上述处理，得到红外图像中故障点的定位结果，在定位后，对定位结果进行判别，判别其属于哪一类故障。假设定位的样本有D维，将采集的数据在特征空间里的样本均值向量表示为：

上述公式中，xd代表第d个数据的类型，ni代表训练样本xi的标量。

将信息映射到一维特征空间后，将各类的均值表示为：

在上述映射后，实现对输电线路的监测，并进行预警，预警过程如图2所示。

图2中，将结果通过物联网技术，传输至应用层，以此完成输电线路红外成像的监测。

图2 异常情况预警流程

4 实例测试

为验证所提出的基于物联网技术的输电线路红外成像监测方法的有效性，进行实例验证。此次实例验证分为两部分进行，一部分是验证输电线路监测的准确性，另一方面是验证监测的实时性。

以某电力集团下属的110/20V输电线路为实例测试对象，该输电线路无法正常工作，监测系统已经上报了主站异常信号，主站退出零压启动召测波形逻辑，同步下发指令给全网设备，启动后备的电场突变监测逻辑来判断故障点与故障原因，即其因耐张线夹发热、绝缘子污秽的原因，导致存在如图3所示的配电线路故障。

图3 配电线路故障

图3中，故障线路（C相）电流幅值最大，大于非故障线路（A/B相）的幅值。Ø故障线路（C相）电流极性、方向与非故障线路（A/B相）相反。Ø（C相）故障点前后电流方向不同，波形差异大，共包括5处故障区域。

4.1 监测准确性对比

同塔双回特高压输电线路红外图像检测方法、基于红外图像的检测方法与所研究监测方法在输电线路故障区域识别上的对比结果如图4所示。

基于图4可知，所研究的方法识别出5处故障区域，证明所研究方法能够准确识别出所有的故障区域；同塔双回特高压输电线路红外图像检测方法共识别出两处故障区域，对于一些小的故障点没有监测出来；基于红外图像的识别方法共识别出一处故障区域，识别准确度较低。

图4 故障区域识别准确性对比

三种方法在耐张线夹发热识别上的识别结果如图5所示。基于图5可知，所研究方法能够准确识别出发热区域，其他两种方法均发生了漏检情况，对于发热故障区域不能准确识别出来。

图5 耐张线夹发热识别准确性对比

污秽情况下故障点定位准确性对比结果如图6所示。基于图6可知，所研究的方法在污秽情况下也能够对故障点准确定位，其他两种方法故障点定位准确度较低。原因是当绝缘子表面附着一层干燥污秽时，会影响良好绝缘子的电场分布，使得绝缘子表面产生电晕，导致良好绝缘子处电场出现下降情况，从而引起误判断的情况。而所研究的方法对红外成像进行了多层处理，从而减少了误判断的情况的发生，提高了故障点定位的准确性。

图6 污秽情况下故障点定位效果对比

4.2 异常情况下监测实时性对比

对比三种方法的监测实时性，对比结果如图7所示。基于图7可知，其他两种方法较所研究方法的监测时间长，原因是其他两种方法出现重复监测的情况，从而导致监测效率低。而所研究方法能够准确定位故障，从而提高了监测实时性。

图7 异常情况下监测实时性对比

基于上述过程证明所研究的方法较其他两种方法应用效果更好，原因是所研究的监测方法通过两方面对输电线路监测方法进行了优化。一方面采用物联网技术对信息进行了采集与传输，另一方面对红外成像监测过程进行了优化，从而进一步提高了监测效果。

5 结语

完成基于物联网技术的输电线路红外成像监测方法的研究，不仅提高了监测的实时性，还提高了监测的准确性，为输电线路检测提供一定的帮助，在一定程度上提高输电线路的安全性。但是影响输电线路发生破坏的因素较多，此次研究的方法考虑因素不是很全面，还存在一定的不足，因此需要在后续的研究中多考虑其他因素，以进一步提高输电线路红外成像监测的准确性。