基于深度学习技术的电力线路故障预测与诊断研究

王芷诺

（国网江苏省电力有限公司邳州市供电分公司）

0 引言

随着现代化技术的不断发展，我国电力系统也逐渐开始构建智能电网系统，辅助排查输电线路的故障预测和诊断，保障国家经济安全发展和人民生产生活能够正常运行。而引起输电线路故障的重要原因之一就是绝缘子的磨损和自爆等故障问题。因此，利用深度学习技术预测输电线路绝缘子潜在的危险和缺陷，保障电力系统安全运行，可以有效降低传统的人工巡检过程中出现的漏检问题，同时，大幅降低了人力、物理资源耗损的问题。目前，随着和计算机计算能力的增强，深度学习技术在解决计算机视觉检测等方面都有着明显的效果，各个行业和领域都取得了良好的应用效果。将深度学习技术应用于传统的绝缘子检测方法，有效改善传统输电线路中绝缘子检测作业难度大、危险系数高、检测精度有限以及人力物力损耗高等问题，提高输电线路故障预测和诊断工作的效率和精度。

1 深度学习概述

深度学习（Deep Learing，DL）是随着计算机技术发展的机器学习中最具有研究意义和挑战的领域，主要学习样本数据的内在规律和表示层次，将学习中获得的文字、图像、声音的数据信息，利用复杂的计算机学习算法分析、识别获得的文字或图像等数据信息［1］。将深度学习算法模块化，根据深度学习的框架快速建立模型、录入数据、优化等各个环节的部署。目前深度学习框架中受到社会广泛关注的，分别是PyTorch、Tensor Flow、Paddle Detection以及Keras等四类深度学习框架，之后通过主干网络提取目标检测任务的图像特征，将冗杂的数据剔除，对后续的目标检测和故障识别提供更好的帮助和效果。

2 基于深度学习的绝缘子故障预测模型

2.1 模型设计

基于深度学习的绝缘子故障检测和与监测模型主要目的是定位计算机视觉捕获的图像信息中的绝缘子。绝缘子由于长期暴露在外界环节中，有很多干扰因素对绝缘子检测进行干扰。利用深度学习技术对输电线路绝缘子故障进行检测，利用无人机等机器视觉对巡检区域的输电线路捕获信息，分析图片中是否有所需的绝缘子，若根据图片分析之后有标注信息的绝缘子，则返回该绝缘子特征的图片位置，若不存在标注信息，则返回为空。基于深度学习的目标检测流程图如图1所示。

图1 基于深度学习的目标检测流程图

该目标检测模型完成了基础的物体识别和检测任务，与传统的检测方法相比较，不仅保存了目标物体的主要特征，更体现目标更为详细的特征，这些特征是传统人工检测技术无法捕获到的。因此，在本模型设计中，将目标检测模型分为了两个阶段。第一阶段的目标检测流程是基于回归的目标检测方案，直接对特征区域获取，目标图像的模型（如图2所示）。而第二阶段的检测模型（如图3所示），首先需要对输入的信息分析提取体征，标记出大量的目标预测框，最后利用置信度对目标框进行筛选，得到精准的检测目标类别和位置。

图2 基于一阶段的目标检测模型流程图

图3 基于二阶段的目标检测模型流程图

2.2 基于FasterR-CNN的线路故障预测算法

基于深度学习技术构建了输电线路绝缘子故障检测的模型设计之后，基于FasterR-CNN算法的输电线路故障预测算法可以对二阶段的目标检测模型进行精细的目标分类和定位，使模型在分类和定位任务上的精确度更高。同时应用IOU-aware分支和多尺度特征融合实验，提升传统检测方案地对输电线路绝缘子缺陷的检测精度，确定输电线路故障的位置。

改进的FasterR-CNN目标检测算法相较于传统的R-CNN、FastR-CNN等算法，创造性地提出运用区域建议网络（RPN）取代传统的选择性搜索（Selective Search）算法产生建议框，同时利用算法的卷积特征将建议框窗口大幅减少和降低，有效降低了算法过程中的计算量。改进后的目标检测算法结合了残差网络Res Net的算法，将残差网络作为的该系统的特征捕获网络。能够将捕获的信息深层次和相对较浅的信息特征进行融合，最后生成更加清晰的信息，提供精准信息的图像表征，改善之前系统中分数和定位精度之间存在不匹配情况的问题［2］。

2.3 损失函数

FasterR-CNN的损失函数主要是检测区域网络中对输电线路绝缘子捕捉的损失，另一个则是Faster R-CNN算法本身在运行过程中产生的损失。这两部分的损失可以通过公式的（1）进行计算。利用深度学习技术对输电线路进行检测，将机器视觉扫描的图片锚点，进行二次分类，也就是说区分该定位框属于背景还是前景的，用i表示图片中的锚点，当图片中的第i个锚点属于背景类型时，的值为1。当图片中的第i个锚点属于前景类型时的值为0。

从公式（1）中可以看出，Lcls表示的是区域建议网络（RPN）的分类损失，其损失公式由公式（2）来进行表达。

利用公式对FasterR-CNN算法模型的损耗率进行计算，在一定程度上增强了该算法的精准度。通过残差网络的算法，能够把更深层的特征与其融合，最后生成分辨率更高的特征地图。

3 实验结果与分析

深度学习网络结构复杂，其权值参数体系庞大，能够在自动数据中选择出一个识别效果好的模型，在庞大的数据体系中构建一个大型的数据库，在一定程度上来说，具有很大难度。利用数据增强技术来扩充实验样本，扩大样本特征，并且在一定程度上弥补了机器学习不充分的缺陷［3］。

3.1 实验过程分析

本系统选用的数据集采用基于改进的Faster R-CNN绝缘子数据集去完成对绝缘子故障检测的测试。在目标检测网络方面，选取改进的FasterR-CNN二阶段目标检测模型来完成该系统模型中的绝缘子故障预测和检测功能，在主干网络选取方面，针对绝缘子小目标容易出现漏检的现象，选用残差网络Res-Net-50作为图像的特征提取网络。融合浅层特征和深层特征进行多尺度检测，增强小目标在网络中的分辨率。并且将IOU-aware模块来增强捕获定位框的精度之间不匹配的问题，得到最终的检测结果。

利用实验室设备对该算法进行核验与核查，实验室设备参数较小，将深度学习的速率设置为0.0001，然后降低图像的分辨率至416*416来开始实验。同时，实验室中的图片收集数量有限，将更迭次数增加至3W次以上，根据上诉改进的FasterR-CNN算法按照参数配置表进行实验，具体的实验参数配置表见表1。

表1 实验参数配置表

在对应模型训练完成之后，可以选取训练过程中表现最优的迭代次数，将多次训练参数在模型中反复迭代实验，保障其精确度可以达到90.82%。对于样本采集时背景复杂，物体较多的情况，传统的算法模型对其特征提取能力较差，预测的精确度远低于改进后的算法模型。并不能准确地检测出单个绝缘子的故障情况。例如，在背景环境较为昏暗的环境下，基于FasterR-CNN算法模型下的检测结果精确度保障在一定可靠范围内。

3.2 结果对比

将改进后的FasterR-CNN故障检测模型与传统的FastR-CNN模型对比可以看出，改进后的网络对图像的参数的捕捉能够快速收敛，其损失函数也较小。网络的损失值较小，在另一方面证明了改进后的模型特征提取能力强。基于FasterR-CNN算法的输电线路故障模型改进之后的数据与传统的数据对比由表2所示。表2展示了原来的FasterR-CNN网络捕获的结果，可以从表中看出，改进后的算法模型的准确率比之前有所提升。该实验结果也表明了这种自上而下的多尺度的融合方法能够有效地降低绝缘子小目标检测存在细节丢失的问题。从结果上来看，检测精度在一定程度上有效提升了8.92%，也就是说，利用IOUaware网络结构平衡之前的FasterR-CNN算法模型，有利于更进一步提升模型的精准度。

表2 改进前后FasterR-CNN算法模型的数据对比表

从表2中可以看出，改进的FasterR-CNN能够精确地检测出输电线路绝缘子的故障位置，并且有着极高的准确率。同时，经过实验研究，对于背景亮度偏暗、背景物复杂多变的绝缘子设置位置，都可以看出其小目标的绝缘子缺失情况。也就是说，基于Faster R-CNN算法模型的绝缘子故障检查和预测网络，可以在不同的天气、背景环境以及光线、天气等场景中将故障的绝缘子系统进行检测并同时标注出来。同时，更能精准地对其故障类型进行分类，这在另一个角度上说明了将浅层的特征与深层特征融合起来改进的FasterR-CNN算法模型，更能够精准地对绝缘子的故障类型进行分类。并且，通过FasterR-CNN网络构建的完整的绝缘子数据集，更能够提取出绝缘子的特征，保障其提供精准的绝缘子位置信息，提供良好的识别检测系统，在一定程度上提升了输电线路故障预测和位置诊断的精确性。有效帮助电力系统发展智能电网的基础上，提升线路检测的效率和安全性。

4 结束语

随着目前电力系统智能电网的部署和发展，利用机器视觉来发展无人机智能巡检技术，对电力线路输电过程中的故障处进行检测，电力系统智能化发展趋势在未来会逐渐推广。而绝缘子是电力线路中故障常发生的位置，应用无人机等机器视觉来监测线路中的故障问题，同时利用更加优化的算法模型来辅助机器视觉处理捕获的信息，有效提升故障检测的精准度。文章中基于FasterR-CNN算法模型的深度学习技术进一步有效地将机器视觉巡检中的获得的图像进行分析和处理，同时利用卷积神经网络Res Net-50处理图像中的属性，对图像中绝缘子进行故障检测和识别，有效预测电力线路的故障，为电力系统电力线路检测工作提供有效的技术支持。