考虑外界多因素影响的输电线路设计的方法

孙洪波

(呼伦贝尔市明星电力设计院有限公司，内蒙古 呼伦贝尔 021000)

0 引 言

针对输电线路存在的异常故障外界条件，文献[1]提出一种综合多指标的关键输电线路辨识方法。该方法充分考虑了发电机输出容量、负荷大小、线路电抗、线路最大传输容量值以及电网的功率传输特性等多重因素的影响，但是对于复杂外界信息条件，难以实现多种数据信息的融合计算。文献[2]通过RS获取规划区遥感图像地理信息，实现输电线路地理信息模型的建立和应用，但是该方法精度差，误差高，不易推广。

1 外界多因素影响分析方法

输电线路外部影响因素包括很多，比如外界环境气象(包括雷击、台风、山火、冰害、污秽度、温湿度、气压和鸟害等)等多种环境因素，本文将这些数据信息转换为大数据模型[3-4]，最终实现外界多因素影响分析的多种分析，设计方案如图1所示。

图1 基于北斗定位和智能巡检机器人的输电线路设计方案

本文采用北斗定位技术实现输电线路的位置定位，提高了故障位置的准确性。采用无人技术实现输电线路各种数据信息的采集，通过不同方式的传感器、智能采集电路和遥感技术等对影响输电线路的各种数据信息进行采集、转换与计算。通过北斗通信发射机技术，对影响输电线路各种数据信息进行融合与处理。检测到的数据信息通过通信数据局存储[5]，利用改进型YOLO-V4算法模型实现多种数据的计算，将影响输电线路的各种外界数据信息进行融合、分析、计算和应用。

2 改进型YOLO-V4 算法模型

本文在YOLO-V4 算法模型中融入改进型UPF算法，实现外界多因素的多重数据分析。通过YOLO-V4算法模型[6]能够提高输电线外部信号的计算精度。设计出改进型UPF算法模型，通过自适应平方根无迹粒子滤波(adaptive square-root unscented particle filtering，ASUPF)算法实现输电线外部影响因素的故障定位，如图2所示。

图2 改进型YOLO-V4算法模型结构

2.1 改进型UPF算法

改进型UPF算法通过以下步骤进行。

步骤一：数据初始化，将多影响因素通过数字化表示，则有:

(1)

式中：k为输电线路外界数据因素输出的不同时间,k= 0，1，…，N；xk为不同时间段k内影响输电线路的数据量；yk为在时间段k内检测输电线路异常信号的信号值；vk为输电线路时间段k内输出的噪声；nk为时间段k输电线路输出的检测噪声；f(·)、h(·)为输电线路输出数据函数的非线性函数。假设在时间段为k下，输电线路外界影响因素的定位预测残差矢量假设定义为Vk，则Vk方程可以为：

(2)

式中:ΔVk为输电线路外界影响中定位误差量；Pyk为定位信息预测矢量的协方差矩阵；tr(·)为指协方差矩阵痕迹方程。则定位信息函数自适应因子ak为：

(3)

(4)

步骤二：对数据信息进行抽样和筛查。输电线路设计过程中，对其中的重要信息进行抽样，西格玛(Sigma)点数和权重是本文方法中的重要技术参数，通过式(5)表示。

(5)

(6)

本文研究的自适应因子ak能够用Cholesky分解因子预测协方差矩阵S进行表示。

(7)

输电线路设计的外界数据影响量公式如式(8)所示。

(8)

步骤三：对输电线路中的权重与估算阈值进行计算，对外界输电线路定位的粒子状态权重进行计算，并进行归一化处理，则输出信息可以为：

(9)

(10)

(11)

通过上述公式实现数据输出。

2.2 YOLO-V4检测模型

采用YOLO-V4检测模型算法的作用在于提高输电线路设计过程中外部信息评估的准确性与精度，其模型构建方法如图3所示。

图3 YOLO-V4检测模型算法模型

通过与于YOLO-V3算法模型进行对比，需要在该算法模型中加入CSPNet网络架构，这些不同数据信息的网络架构由多种CSPDarknet-53网络模型构成，这些网络架构模型如图4所示。

图4 YOLO-V4网络架构算法模型

在图4的YOLO-V4网络架构算法模型中，网络架构模型采用的是CSPDarknet53+PAnet-SPP+Yolov3 head，在进行数据预测时，通过将3个不同的尺度特征图原始数据进行输入，然后输出预测结果。其中的目标评价包括1个参数，网络架构中的类别数有80。然后对网络架构中的每种不同数据信息以及尺度特征图单元格进行预测。然后输出3×(4+1+80)=255维的网络数据信息。输电线路中三个尺度的数据张量维度可以记作为y1=13×13×255，y2=26×26×255，y3=52×52×255。在应用YOLO-V4检测模型时，方法流程如图5所示。

图5 YOLO-V4网络架构算法模型流程

步骤一:通过YOLO-V4检测模型构建成数据网络模型，假设采用9种不同图像信息尺度的anchor boxes进行评分，获取的图像信息假设有8 952张输电线路外界数据影响信息。

步骤二:在启动YOLO-V4算法模型中，包括输电线路信息提取主网络、简并行过程(simplified parallel process，SPP)模块、输电线路性能整合模块和聚类分类模块等不同的数据信息。

步骤三:在不断进行调整最佳权重文件时，对输入的数据信息模型进行持续迭代计算，使得输电线路状态评估实现最佳。

步骤四:输电线路外界影响因素计算值输出，最终以数据帧的方式供用户使用和分析。

3 试验结果与分析

3.1 改进型UPF算法验证

改进型UPF算法的主要用途在于实现输电线路外界影响因素的多数据信息分析，通过K-means分类算法(下文称为方案1)与本文研究的方法进行对比分析。假设数据如表1所示。

在10组不同的数据信息中，选择不同的数据信息，经过1 000 min的试验，本文研究方法的数据完成量达到90%以上。为了提高本文研究的工作效率，经过9 h的试验，输出的数据信息如图6所示。

图6 数据处理效率对比示意图

通过将近9 h的试验发现，本文研究方法数据处理效率远远高于方案1方法。

3.2 YOLO-V4检测模型验证

本文研究方法将YOLO-V4检测模型与BP神经网络模型进行对比分析，通过MATLAB软件仿真实现数据信息的仿真转换与模拟仿真，采用的仿真数据管理平台如表2所示。

对获取的数据帧信息进行数据训练，拍摄出的图像数据信息有 1000 000张。在YOLO-V4检测模型时，分别将参数量L1、IoU和GIoU设置为边框损失函数，对YOLO-V4模型的检测效果进行鉴定，输出的数据信息如表3所示。

表3 YOLO-V4模型检测输出信息 单位：%

因此，在具体试验过程中，GIoU的精度最高，误差对比曲线如图7所示。

图7 误差对比曲线

通过10 h的对比试验，发现BP神经网络模型方法极其不稳定，并且在整个计算过程中，平均准确度较差。本文研究的方法在很短的时间内，数据处理便达到了较高的数值，并且随着时间的延长，准确度逐步提高，因此，本文研究的方法具有突出的技术优势。

4 结束语

本文研究实现输电线路运行过程中的外界多因素信息影响因素的评估，并对外界多因素的多重数据进行分析，提高了数据分析精度。