杨帅
国网喀什供电公司 新疆喀什市 844000
摘要：架空输电线路是电能输送的重要通道，直接与电网安全稳定运行相关。由于输电线路经过区域基金项目：国家电网公司科技项目资助(SGITG-2018ZXCG-FF)环境复杂，风筝、垃圾和机械施工等异物入侵成为线路跳闸且无法重合成功的主要原因。随着输电线路信息化和智能化运检建设的不断完善，我国220kV电压等级以上的重要输电线路和通道基本已部署图像和视频在线监测设备，可以有效监测输电线路的异物入侵情况。虽然在线监测设备可以获得大量图像，但是可作为训练样本的异物入侵缺陷或故障图像数量较少，导致在训练分类过程中易出现泛化能力差、陷入局部最优解和识别准确率低等问题。深度学习近年来被应用到电网异物监测中，并取得了一定的效果，但是有效样本量较小依然会影响异物识别的准确度。
关键词：深度学习;输电线路;异物入侵;监测识别;
引言
我国输电线路结构有两种，一是埋于地下的输电电缆，二是位于高空的架空输电线路。电缆线路由于埋在地下，其状态不易观察，因此需要用专用的仪器对其状态进行检查。埋于地下输电线路的运行状态不易受外界干扰，只有在大型机械作业的时候，才会在不知情的情况下挖断电缆，但这种情况发生的概率极低。架空输电线路对于电缆来说价格相对低廉，运行状态易于观察，维护起来相对简单，缺点是运行状态易受外界因素的干扰，如漂浮物、断线的风筝和大型鸟类等。高压输电线路作为电能最重要的输电方式，需要对其运行状态进行实时监视。视频监控的出现使得电力公司的工作人员可以在监控点对其状态进行实时监控，但由于人工长时间对监控点观测会出现视觉疲劳，因此无法及时对出现的威胁进行消除。现将异物侵入的识别算法加入到监控前端，当有异物侵入时，算法就将异物进行识别，同时报告给相关工作人员，提高了查看工作的效率，保障了输电线路的运行状态。
1生成对抗网络
传统的深度学习算法进行图像识别需要大量的有效图像样本数据作为深度学习模型的支撑，但是在实际情况中，输电线路异物入侵的图像数量远低于深度学习所需的样本量。因此，需要在有效样本量较少的情况下进行深度学习模型的训练。本文基于GAN算法进行样本扩充，从而建立有效的深度学习模型。GAN由Good fellow于2014年提出，可以在现有较少样本的基础上使用GAN模型生成更多的有效样本，目前被广泛应用于各类小样本深度学习研究领域。GAN由生成模型(Generative Model,GM)和判别模型(Discriminative Model，DM)组成，且两者均为非线性映射函数。随机变量z(包括真实输电线路图像、真实异物图像和背景噪声等)通过GM生成与真实样本Pdata(x)相似的生成样本G(z)，并与真实样本数据x一同输入到DM中进行判断是否为真实样本数据，并根据最后的损失函数一直进行迭代计算。在迭代计算过程中，GM的目标为生成DM无法判断样本数据的真实性，DM的目标为可以判断样本数据的真实性，两个模型进行动态对抗，最终达到纳什平衡，从而完成GAN的建模。完成建模后的GAN可以将大量的随机变量z生成与真实样本数据x接近的图像样本，从而实现样本扩充的目标。
.png)
式中：E为求解期望值的计算；D(x)和D(G(z))分别为真实样本x和生成样本G(z)通过DM判断其为真实样本的概率。在GAN模型中，GM需要生成不断接近真实样本的数据，即D(G(z))越趋近于1，V(D,G)越小；DM需要真实样本的判断准确性不断提高，即D(x)越趋近于1，D(G(z))越趋近于0，V(D,G)越大。
2告警系统的识别算法
2.1背景建模法
对输电线路识别，首先要给系统一个背景模型，通过对背景建立模型，不断地将当前图像与背景模型对比来确定是否有异物入侵。背景建模可以采用高斯建模法，也就是熟知的正态分布。系统通过判断前景图像像素点是否满足高斯分布来判断是否有异物入侵。通常监控的区域因为各种各样的原因会有微小的差异，因此需要对系统模型进行更新。正态分布自变量概率密度公式：
.png)
式中，i取值为1，2……，μi为第i个正态分布模型均值，σi为第i个正态分布模型的方差。当背景模型有小干扰进入时，系统利用下面两个计算公式进行模型更新：
.png)
式中，α为0~1之间的系数，当系数α较大时，则会在很短的周期就会有一个新的背景模型，同时也会加入噪声；当α较小时，就会在长的一个周期进行更换背景模型。为了检测前景图像是否有异物侵入时，故引入识别门槛值T，T值常常以百分数形式出现，系统默认为0.2，将系统前端抓拍到的图像与系统生成的多个模型进行对比，若差异超过门槛值T时，系统则认为有异物侵入，当小于门槛值T时，系统则认定为小干扰，不作处理。
2.2异物图像标识
为了让工作人员在多个监控页面立刻观察到异物侵入输电线路的视频或图片，系统将图像的轮廓用红色矩形边框标出，为了尽可能将边框缩小，同时又可以将异物全部囊括进来。一般地，不规则物体外接矩形有两种方法：一种是最小外接矩形面积法，另一种是最小绑定矩形法。
3实际图像样本验证
向本文提出的CGAN输入通过各类在线监测获得异物入侵图像104张及人工干预的方式扩充得到异物入侵图像196张作为真实样本数据x。选择300张在线监测系统中获得的输电线路背景图(含部分相同设备在不同时间拍摄的图像)，选择20张各类异物作为目标图像，并一同作为随机变量z输入到CGAN中生成样本G(z)。按照前文所述设置特殊条件c，进行图像样本扩充，最终得到1000张由输电线路背景和异物目标图像合成的异物入侵图像，并对扩充结果进行统计，如表3所述。其中，低质量图像为完全不符合实际的图像，中质量图像为目标异物大小、数量或位置不合适的图像，高质量图像为完全符合要求的图像。选取700张高质量合成图像作为后续深度学习所需要的扩充样本。通过分析图像样本扩充结果可以得到以下结论：(1)本文提出的CGAN可以有效扩充输电线路异物入侵图像样本，且高质量图像生成率可以达到98%以上；(2)CGAN合成的异物入侵图像具有目标异物偏向性，在本文中真实样本x中风筝异物和机械施工类占比较高，因此合成的异物入侵图像中风筝异物和机械施工类占比同样较高；(3)由于在线监测实拍真实样本图像量较少，CGAN还需要部分人工合成结果作为真实样本输入，这点需要在后续研究中改进。
结束语
随着国民经济和社会不断发展，电力刚性需求持续增加，区域骨干电网规模持续扩大，输电线路从数量和长度上快速增长。输电线路覆盖面积越来越大，所处环境越来越复杂，安全运行面临技术性与条件性挑战。在实验室模拟异物侵入，能够实现简单的异物侵入，此方法原理简单却可以快速将异物识别并告警，方便工作人员对于输电线路的监控，提高工作效率，降低输电线路故障发生，保证输电线路的运行状态。
参考文献
[1]杨剑锋,秦钟,庞小龙,贺志华,崔春晖.基于深度学习网络的输电线路异物入侵监测和识别方法[J].电力系统保护与控制,2021,49(04):37-44.
[2]刘雪锋,王红平,钟汶兵,毕泽民,金鑫.基于数据驱动的输电线路在线监测及可靠性评估[J].电气开关,2021,59(01):13-15.
[3]赵文青,胡安锋.输电线路异物入侵告警系统的研究[J].通信电源技术,2021,38(01):79-81+84.
[4]蔡坚.输电线路维护中的常见问题及解决对策[J].技术与市场,2020,27(12):123-124.