基于图像识别的输电线路设备缺陷识别应用系统设计

翟瑞聪，林俊省，郑 桦

（1.广东电网有限责任公司机巡管理中心，广东广州 510000；2.南方电网数字电网研究院有限公司，广东广州 510000）

图像识别是指利用计算机软件对图片信息进行理解、分析与处理的应用技术，可在不同模式环境下，针对多种信息目标执行不同的操作行为，是深度学习算法领域中一种全新的实践行为手段。传统的图像识别流程由图像采集、图像预处理、特征提取、图像识别4 个部分组成[1-2]。其中，前3 个步骤可对一幅完整图像进行多层次分割，并对所有信息参量进行编号处理，并以此为基础，将所有信息文件都固定在原始传输位置，从而缩短最终处理所需的实际消耗时间。

在高压电网络环境中，随线路架设距离的延长，个别输电线路设备所具有的电子汇集能力会出现明显下降的现象。为避免上述情况的发生，深度学习型缺陷识别系统在智能巡检软件的支持下，对线路环境中的电子传输量进行准确计数，再通过标记绝缘子的方式实现对个别线路设备的精准化识别。但此系统可同时检测的传输电子量水平相对较低，很难完全满足实际应用需求。为解决此问题，该研究基于图像识别设计了新的输电线路设备缺陷识别应用系统。

1 系统硬件环境设计

输电线路设备缺陷识别应用系统的硬件执行环境由输电循环回路、任务管理模块、电量基站控制设备三部分组成，具体搭建方法如下。

1.1 输电循环回路

输电线路设备缺陷识别应用系统的输电循环回路由充电单元、放电单元两部分组成，其结构如图1所示。其中，充电回路中的电压输入值为U1，在电子聚集器元件的作用下，随待识别图像中电量传输极值水平的增大，输入电压U1的物理数值也会不断提升，直至循环调阻器元件所输出的电压值水平与循环电路总输入值U0完全相等[3-4]。放电回路中的电压输入值为U2，随电阻R2实际接入阻值的增大，输入端所负载的电压传输值水平也会逐渐升高。当整个循环回路中的U1与U2电压数值完全相等时，输电线路末端循环调阻器所具备的电子汇聚能力达到最强，此时输电线路设备缺陷应用系统具备最强的电子识别能力。

图1 输电循环回路结构图

1.2 任务管理模块

任务管理模块存在于输电线路设备缺陷识别应用系统的中层执行单元中，可根据输电循环回路中电子量信息的实际传输情况，确定待识别电量信息的具体存储数值水平。一般情况下，高压电网环境中的电子输入量越大，任务管理模块所具备的电力调度能力也就越强，反之则越弱[5-6]。设zmax代表高压电网环境中的最大电量输出系数值，在既定传输时间内，该项物理量的数值水平越大，电网低压端所能接收到的反馈电子量也就越多。n代表电子传输信息在高压电网环境中的迭代反馈系数，与其他物理量不同，该项数值指标不受除输电线路长度以外的其他物理条件的影响。联立上述物理量，可将识别应用系统中的任务管理模块执行能力标准Xn定义为：

其中，代表单位时间内的电子量传输均值，χ1、χ2分别代表两个不同的传输电子特征识别系数。

1.3 电量基站控制设备

电量基站控制设备存在于输电线路旁系应用执行单元中，能够准确记录高压传输电子的实际识别情况，并可根据个别节点处电量传输行为的变化状态，对系统内已存储的应用电子进行二次分配与调度处理[7-8]。从应用性角度来看，电量基站控制设备能够与任务管理模块保持即时连接关系，并可在不违背输电循环回路中电子传输关系的情况下，控制输电回路中电子流的传输宽度水平。一方面能够实现对高压电子的按需聚合，另一方面也可将底层电网结构中的应用电子量完全聚合于同一电网执行设备中，从而使输电线路网络中的电信号节点缺陷识别需求得以完全满足[9-10]。

2 系统软件环境设计

在系统硬件执行环境的支持下，按照卷积神经网络搭建、栈式自动编码器连接、RBM 识别节点训练的处理流程，实现系统的软件执行环境搭建，两相结合，完成基于图像识别的输电线路设备缺陷识别应用系统设计。

2.1 卷积神经网络

卷积神经网络中包含多个卷积层和一个顶端全连通层，可在已知输电线路设备缺陷识别应用系统图像识别需求的前提下，借助网络池化层组织对高压电网的执行权重进行精准计算，再通过特定的二维结构主体，将这些信息参量反馈至既定的系统应用元件之中[11-12]。与其他高压电网深层应用结构相比，卷积神经网络在电量信息图像处理方面具备较大的应用优势，能够在输电循环回路、任务管理模块、电量基站控制设备等多个电子元件的作用下，实现对高压电网传输电子流的合理化调节，再沿用反向传播标注，对相邻电量设备节点间的编码训练能力进行约束。随着电子信息图像待识别数量级水平的增大，卷积神经网络的实际作用强度也会不断加强，直至系统数据库主机能够与传输电子量的实际存储需求完全匹配。设sn代表迭代次数为n时的电量传输行为指标，d0代表最小的电子信息图像识别系数，dn代表最大的电子信息图像识别系数，联立公式（1），可将识别系统中的卷积神经网络执行标准定义为：

其中，f代表输电线路中的电量设备应用权限，Δh代表输电节点处的传输电子累积量，β代表与电力节点相关的缺陷识别系数，g代表特定的输电线路行为参量。

2.2 栈式自动编码器

栈式自动编码器可与卷积神经网络直接相连，可在图像识别原理的作用下，将已存储应用电子量转变为全新的连接传输形式，并以此为前提，对各类电子参量进行整合与调度处理。在高压输电网络中，用原始电信号图像信息训练第一个自动编码器结构，得到一个初始识别权值，再联合处于第一处理阶层中的电信号特征值，作为输入第二个自动编码器结构的输入数据，得到第二个初始识别权值[13-14]。以此类推，对所有输电线路阶层结构都采取同样的处理方式，以解放处于隐藏状态的电路设备缺陷识别节点。设代表高压电网环境中的电信号特征均值，β代表基于图像识别原理的电信号传输系数，i0代表传输电子量的下限识别权限值，in代表传输电子量的上限识别权限值，ξmax代表电子缺陷量的最大传输行为指标，联立公式（1），可将栈式自动编码器的实际连接权限表示为：

2.3 RBM识别节点的训练处理

RBM 识别节点训练处理是基于图像识别输电线路设备缺陷识别应用系统搭建的末尾设计环节，可在栈式自动编码器结构的作用下识别高压电网传输环境，并可对个别识别节点处堆积的电量信息进行整合与规划，从而降低未汇聚电量对电网传输环境造成的影响。规定ΔT代表既定的高压电子识别时间，在该段时间内，随着电子信息图像数量级水平的增大，个别节点处累积的电量缺陷行为能力也会不断提升，直至整个高压电网环境中的电量输出行为能够持续趋于稳定[15-16]。代表高压电子的均值输出量，联立公式（3），可将RBM 识别节点的训练处理结果表示为：

其中，χ′代表高压电网环境中基于图像识别标准的电量传输行为指标，代表与输电线路设备相关的缺陷识别特征值，j代表既定电量识别节点的位置坐标。至此，完成各项软硬件执行环境的搭建，在图像识别原理的支持下，实现新型输电线路设备缺陷识别应用系统的顺利应用。

3 对比实验与分析

为验证基于图像识别输电线路设备缺陷识别应用系统的实际应用能力，设计如下对比实验。将图2所示的电网设备主机同时接入相同的高压电网应用环境中，其中实验组主机搭载基于图像识别输电线路设备缺陷识别应用系统，对照组主机搭载深度学习型缺陷识别系统，在相同实验环境下，分析相关实验指标的实际变化情况。

图2 电网设备主机

已知单位时间内的传输电子量检测值及既定时间节点处的电子识别精准度都能描述输电线路设备所具备的电子汇集能力。一般情况下，传输电子量检测值越大，电子识别精准度越高，输电线路设备所具备的电子汇集能力也就越强，反之则越弱。表1、表2 记录了实验组（该文系统）、对照组（传统系统）实验指标的详细数值变化趋势。

表1 单位时间内的传输电子量检测值

分析表1 可知，实验组传输电子量检测值在前两个单位时长内，始终保持不断上升的变化趋势，而从第3 个单位时长开始，这种上升趋势逐渐趋于稳定，全局最大值达到了7.9×1013T。对照组传输电子量检测值在整个实验过程中始终保持不断上升的变化趋势，但实验后期的上升幅度明显小于实验前期，全局最大值仅能达到4.8×1013T，与实验组最大值相比，下降了3.1×1013T。

分析表2 可知，随着实验时间的延长，实验组电子识别精度值保持先稳定、再上升的变化趋势，全局最大值达到了81.6%。对照组电子识别精度值则始终保持稳定下降的变化趋势，全局最大值仅能达到64.1%，与实验组最大值相比，下降了17.5%。

表2 既定时间节点处的电子识别精度值

综上可知，随着基于图像识别输电线路设备缺陷识别应用系统的应用，单位时间内的传输电子量检测值、既定时间节点处的电子识别精准度均出现了明显增大的变化趋势，能够有效维持输电线路设备所具备的电子汇集能力。

4 结束语

在图像识别原理的支持下，新型输电线路设备缺陷识别应用系统在深度学习型缺陷识别系统的基础上，对输电循环回路、任务管理模块等硬件执行结构进行改进，不仅能够实现对RBM 识别节点的有效训练，也能促进高压电网络结构合理性规划能力的增强。从实用性角度来看，单位时间内传输电子量检测值、既定时间节点处电子识别精准度值的增大，能够加快高压电网环境中的电子汇集速度，具备较强的实际应用价值。