巡检机器人对输电线断股实时在线检测与诊断的一种方法

巡检机器人对输电线断股实时在线检测与诊断的一种方法周风余;李贻斌;冯国瑞
【摘要】根据输电线断股引起的辐射场的变化和巡检机器人运行环境状况,选用热释电远红外传感器对输电线断股信号进行检测。

在数据处理时,针对断股信号的非平稳性质和小波基的时频特征,选用db4小波基对断股信号进行了6层小波分解。

为解决单纯采用小波变换带来的诸如分解信息量大,故障特征值数目多、提取需要人工干预,难以实现在线检测与诊断的问题,本文引入了小波能量熵的概念,从而使描述输电线断股故障的特征值数目大大减少,并且易于计算机自动提取,利用较小规模的BP网络就实现了巡检机器人对铝绞导线断股损伤的在线精确诊断。

在线断股检测实验证明了该方案的正确性。

【期刊名称】《电工技术学报》
【年(卷),期】2010(000)006
【总页数】7页(P185-191)
【关键词】输电线;巡检机器人;小波分析;熵;断股检测
【作者】周风余;李贻斌;冯国瑞
【作者单位】
【正文语种】中文
【中图分类】TM764
1 引言
高压架空输电线一般采用钢芯铝绞线。

在使用过程中，受风力作用产生微风振动和舞动，加上环境因素（如覆冰、温度变化）的影响，会产生局部疲劳损伤，久而久之就会引起局部断股。

如不及时维修更换，就会增加输电线路的功率损耗，造成电力浪费，甚至造成导线断裂，从而严重地威胁着导线本身及其送变电设备和人身的生命安全。

因此，开展输电线路的自动巡检与故障诊断方法的研究具有十分重要的现实意义。

对输电线断股的检测方法目前主要有三种[1-2]：视觉检查、红外探测
和电涡流方法。

其中视觉检查主要是利用计算机图像处理和人工复查相结合的方法判断线路故障，难以做到实时在线检测；电涡流方法对传感器的安装要求高，设备的振动对检测结果的影响严重，并由于钢绞线经磁化后在断股处的磁场梯度变化明显，故该方法常用来检测钢芯的断裂情况。

由于输电导线的结构和电流的集肤效应，当铝绞线有断股时，铝绞线在其断股处的辐射场会发生突变，而磁场变化却很小，故一般采用红外方法检测铝导线的断股情况。

作者在国家“863”计划项目资助下，已成功研制出110kV输电线路自动巡检机器人样机[3-4]。

本文主要讨论巡检机器人对输电导线断股的一种在线检测与诊断新方法。

当钢芯铝绞线有断股时，断股处的温度会发生突变，采用远红外传感器能有效检测这种变化。

但由于检测到的信号中，既有断股处的突变信号，又有股波信号和随机干扰信号，而当导线破损程度较轻，如断一股和断二股时，产生的时域信号波形幅值和脉冲宽度等参数较小，噪声污染严重。

采用时域分析方法，经常出现将股波和噪声信号错判为断一股或断二股故障。

本质原因是由于断股信号的非平稳性，使得传统FFT等方法无法对其进行有效分析。

由于小波变换具有同时在时域和频域表
征信号局部特征的能力，它对信号奇异性敏感的特性和较强的去噪效果特别适合对断股这类非平稳信号的分析。

但与FFT只有一种基函数或变换核不同，小波变换
理论上有无限多种小波基，可以满足各种问题的需要。

但是必须根据具体问题选择合适的小波基，否则就难以达到满意的效果。

同时由于小波变换结果中包含了太多
的小波分解信息和数据，在目前的一些检测方法中[2]，部分特征提取需要人工干预；而在分类方法中，由于小波分解信息繁多，使神经网络、模糊判别等智能判别系统变得较为庞大。

熵理论的发展及其在电力系统中应用研究所取得的成果[5]，为电力输电线断股信号小波分析后的数据挖掘开辟了新思路。

本文首先根据输电线断股处辐射场的变化情况和机器人运行环境状况，对选择的热释电远红外传感器的信号调理及采集电路进行了设计；然后将小波分析理论和信息熵原理结合起来，充分利用各自优点，寻找到了描述输电线断股故障的定量特征量，并把它应用到输电线断股故障的检测中，最后的在线检测实验表明这种新的方法较好地实现了对输电线断股损伤情况的在线准确判断。

2 输电线断股信号检测
高压架空输电线以钢芯铝绞线为主，在钢芯的周围捻合着铝股线。

由于电流的集肤效应，电流传输主要由铝线承载，抗拉力则主要由钢绞线负担。

当输电导线发生断股损伤时，其截流面积将发生变化，导致导线局部的电阻发生变化。

在一定电流条件下，由于散热介质及导线材料是均匀的，由热学理论可知，断股处的温度会发生变化，从而导致辐射场的改变。

在断股处，温度升高，辐射能量增大[6]。

因此，对输电导线断股故障的检测可以采用对辐射能量变化敏感的红外传感器。

然而，根据机器人运行环境状况，在高压输电导线近距离检测中，传感器的选择还必须要考虑以下四个方面的因素：
（1）导线在273～373K温度范围内时，其对应的峰值波长为6～15µm[7]，处在远红外区，故应选择远红外探测器。

（2）由于导线故障点的辐射增量曲线可抽象为红外探测器的脉冲输入[6]，由于热释电探测器具有对脉冲激励响应好的特性，故选用热释电型探测器作为传感器较为合适[8]。

（3）为了提高检测的灵敏度，双灵敏元的热释电传感器为首选。

（4）热噪声和电流噪声是红外探测器的两大噪声源，为了有效地抑制噪声，要充分考虑敏感元件材料的类型、电极结构及内部放大电路的输入阻抗等。

综合以上四个因素，经反复对比、筛选，最终选择利用锆钛酸铅热释电陶瓷材料的双灵敏元热释电红外传感器PM622，输出信号大于1.9V。

由于采用双元结构，可有效地补偿环境温度的变化及振动的影响，因此，输出噪声小，灵敏度高。

3 基于小波能量熵及BP网络的断股信号分析与诊断
110kV实验线路导线规格为LGJ—185，调节线路电流为290A，测得导线温度66℃、环境温度23℃，在输电线断1股、2股和3股时，机器人采集到的数据（采样频率为 1kHz）分别如图 1a，1b，1c所示。

图1 传感器输出信号波形Fig.1 Output signal waveforms of sensor
通过对图1实验信号的观察不难发现：若导线破损程度严重（如断3股）时，则
时域信号波形表现出明显的双向脉冲信号特征，其幅值和脉冲宽度等参数基本上可以作为识别断3股故障的依据；而当导线破损程度较轻，如断1股甚至断2股时，产生的突变信号幅值较小，而且信号突变持续时间很短，表现出非平稳的性质。

使用单纯的时域分析法和频域分析法时，经常出现误判。

要么侦查不到故障点和故障特征，要么将股波和噪声信号错判为断1股或断 2股故障。

由于小波分析具有很
强的去噪和特征提取能力，克服了传统分析方法的局限，因此采用小波变换方法对非平稳的断股信号进行分析就成为了一个必然的选择。

3.1 断股信号的小波分析
设ψ(t)∈L2(R)为满足“容许性”条件的函数，则ψ(t)称为一个小波，小波基函数就是由ψ(t)平移和伸缩后而生成的一族函数 {}
式中 a——尺度因子；
b——时移因子。

由式（1）可知，小波分析理论上具有无穷多个小波基，这种不唯一性一方面满足了实际问题的需要，另一方面又因为不同的小波基具有不同的时频特征，对同一信号采用不同的小波基进行分析时往往表现出不同的结果，缺乏可比性和规范性，因此小波基的选取是小波分析应用到实际中的一个难点，也很重要。

在选择小波基时，主要满足定区间的紧支撑和足够的消失矩阶数，这样能有效地消除噪声，发现奇异点[6]。

综合考虑小波的时频特性和输电导线断股信号的特征，并经大量实验的对
比分析，采用Daubechies 四阶（db4）小波作为断股信号小波分析的小波基时，分析结果最清晰，也最符合原始信号的变化规律，因此在巡检机器人在线检测系统中选择db4小波为小波基。

采用Mallat二进小波快速分解算法，对图 1a、图 1b 的断股信号进行了6层小波分解，对应的分解图分别如图2和图3所示。

图2 断1股信号的分解结果Fig.2 Decomposition result with one strand broken
图3 断2股信号的分解结果Fig.3 Decomposition result with two strand broken
3.2 断股信号的小波熵
Shannon信息熵理论指出[9]，对于一个不确定性系统，若用一个取有限个值的随机变量X表示其状态特征，取值为xi的概率为
则X的某一结果得到的信息可以用表示，于是X的信息熵（Entropy）为
当X的所有结果都具有等概率时，某一结果出现的不确定性最大，熵也最大，即
当各事件的不确定性均相等时熵最大；当pi=0时，piln(pi)=0，因此信息熵可作
为不确定性的度量。

小波变换虽然具有良好的时频局部化能力，并有相应的实用快速算法，但由于小波
变换结果中包含有太多的小波分解信息和数据，有必要对这些大量信息研究更好的数据挖掘方法，为检测和分类提供预处理，给故障判断提供有效的依据。

当输电线路发生断股时，断股信号发生相应变化。

应用Shannon信息熵的概念，结合小波分析技术，定义适当的小波熵测度[10]，用以衡量信号的不确定性（即复杂度），可有效进行故障的特征提取和分类。

下面介绍在二维小波相空间上定义的一种小波熵——信号的小波能量熵。

设断股信号 x(n)经多分辨率快速小波变换后，在第j分解尺度下k时刻的高频分量系数为cDj(k)，低频分量系数为cAj(k)，进行单支重构后得到的信号分量为Dj(k)，Aj(k)。

则原始信号序列x(n)则可表示为各分量的和，即
由帕斯瓦尔方程可知，正交小波基的小波变换具有能量守恒的性质，根据式（4），基于时间序列的能量可以在尺度域上进行分解，即多分辨率分析的能量可分解为
则基于时间序列的方差为[11]
由于 Am是的逼近，由式（6）定义尺度 j上的平均小波能量或小波方差为
把能量序列{Ej}构成的向量归一化
由正交小波变换的特性可知，在某一时间窗（窗宽为w∈Ν）内信号总能量E等于各尺度能量Ej之和，即：
归一化后的能量序列{pj(E)}称为能量序列的经验分布，为各尺度的小波能量与总能量的比值。

结合信息熵的定义，采用小波各尺度的能量序列的分布
P=(p1(E),p2(E),…, pm(E))取代信号的概率分布，这种基于能量分布得到的熵称为
小波能量熵，用WEE表示，定义为
随着窗的滑动，可以得到小波能量熵随时间的变化规律。

在式（9）的定义中，尺度空间与频率空间具有一定的对应关系，对于输电线路故障检测系统采集到的电压非平稳信号，式（9）定义的小波能量熵能反映电压频率空间的能量分布信息。

因为小波函数在频域与时域上均不具有脉冲选择性质，而是具有一定的支撑区间，因此在尺度空间上对电压能量的划分，同时反映了电压在时域与频域上的能量分布特征。

3.3 基于小波能量熵的断股信号特征提取
小波熵对动态系统参数微小的变化或者输出信号频率分布的改变都具有独特的敏感性。

输电线发生断股故障后，断股处的电阻将发生微变，引起温度场的改变，从而使得传感器的输出电压（幅值和频率）在短时间内出现暂态变化，并逐渐过渡到平稳状态；同时输出信号的股波信号随机干扰噪声也比较大。

基于以上的分析，小波熵对输电线断股故障将具有良好的检测能力。

仍以图1a所示的输电线断一股时的信号分析为例加以说明。

图 1a信号的db4小波分解结果如图2所示。

选取窗参数w=100，δ =1(即逐点滑动窗)，按式（9）计算系统的WEE，计算结果如图4所示。

图4 导线断1股时的WEE波形Fig.4 Waveform of WEE with one strand broken
从图4不难发现，故障时刻WEE在0～1间显著增大，具有较好的定位能力，因此WEE可以作为一个判断是否发生断股故障的特征量，记为e1。

因小波熵特征量另一显著特点是不受被分析电压幅值的影响，因此在断股数目诊断中，还需提取与幅值有关的特征量。

由图 2、图 3的小波分析结果知道，噪声干扰主要体现在细节层d1、d2、d3层
上，而在层次较高的d4、d5、d6层上则较好地体现出了导线信号的特征。

因此，可忽略d1、d2、d3层的细节特征，达到降噪的目的。

而从d4、d5、d6层上寻
求故障信号的特征。

于是定义了3个作为判断断股数目的特征值，即将故障信号经小波分解后的 d4、
d5、d6层的峰-峰值，分别记为e2、e3、e4。

3.4 基于BP网络的断股数目诊断
根据输电线断股故障的特征，在断股数目诊断中，采用了如图5所示的3层BP神经网络结构进行故障状态的模式识别。

为满足网络 0/1的输出要求，隐含层神经
元的传递函数采用了S型正切函数，输出层神经元传递函数采用了S型对数函数[12]。

图5 BP神经网络结构Fig.5 Structure of BP neural network
输入层：输入特征矢量E为(e1,e2,e3,e4)T。

中间层：在训练误差相同的情况下，对比中间层节点分别为6、8、10的训练速度。

结果证明，在中间层节点为8时收敛速度最快，整批样本经过38次迭代便使输出误差达到10-4。

输出层：神经网络期望输出O为(O1,O2,O3)T，见表1。

表1 BP网络期望的输出Tab.1 Anticipant output of BP neural network序号
O1 O2 O3 故障状态0 0 0 0 无故障1 1 0 0 断1股2 0 1 0 断2股3 0 0 1 断
3股
4 巡检机器人在线断股检测实验
图6是输电线路自动巡检机器人实验样机巡检时的情形，实验线路导线规格为LGJ—185，电压等级 110kV。

红外传感器安装在中间手臂末端，可随中间手臂做上下伸缩运动和左右开合运动，从而能保证与机械手一起实现越障。

图6 机器人样机自动巡检实验Fig.6 Automatic inspection of robot prototype
将线路电流调整至 320A，测得的环境温度为23℃，无故障导线温度为68℃。

启动巡检机器人，分别使之运行在无断股导线、导线断1股、断2股和断3股三种情况下的一段输电线路上，各采集35次信号，共采集了140个信号。

计算机按第3节介绍的分析方法对其进行分析处理，共得到140组定量特征值。

表2为四种状态下分别随机抽取的5组特征值。

表2 检测信号的特征值Tab.2 Eigenvalue of detected signal故障类型序号小波能量熵e1 d4 层峰-峰值e2 d5 层峰-峰值e3 d6 层峰-峰值e4无故障12345 00000 0.098 0.022 0.016 0.101 0.018 0.005 0.006 0.004 0.006 0.005 0.002 0.002 0.000 0.001 0.000断1股12345 0.46 0.55 0.52 0.61 0.53 0.082 0.076 0.065 0.088 0.078 0.102 0.118 0.092 0.108 0.112 0.196 0.172 0.159 0.230 0.212断2股12345 0.51 0.62 0.58 0.61 0.48 0.082 0.106 0.095 0.123 0.145 0.186 0.207 0.192 0.216 0.182 0.224 0.256 0.307 0.368 0.161断3股12345 0.63 0.52 0.60 0.59 0.49 0.180 0.164 0.191 0.183 0.172 0.213 0.198 0.210 0.225 0.232 0.502 0.473 0.520 0.496 0.485
用四种情况下各35组数据中的前30组数据作为图5模型的训练样本，后5组数据作为模型的检验样本。

网络训练过程是一个不断修正权值和阈值的过程，通过调整，使网络的输出误差达到最小。

训练函数利用 Levenberg-Marquardt算法对网络进行训练，误差指标设定为10-4，当训练迭代次数为38次时，网络输出的误差已满足要求。

BP模型的检验结果见表 3。

由表 3可以看出，对于校验样本的30组信号，神经网络都实现了准确的故障诊断。

利用训练好的模型首先对后5组样本数据进行检验，诊断结果与实际情况完全符合。

然后让机器人自动运行在新的一段实验线路上，在这段线路上，人为地在任意位置使导线断1股、2股和3股，机器人在断股位置产生报警指示，并给出了准确的诊断结果，表明所采用的断股检测和诊断方法的正确性。

表3 检验样本的输出结果与实际结果对比Tab.3 Contrast between results of the test samples andthe actual results序号 O1 O2 O3 诊断结果实际状态1234567891 0 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 100 0.999 0010000 0.998 00000010 0.999 01000 1.001 000 000 0.001 0 0.996 0 1.001 0 0.999 0 0.002 0 0.001 001 0.001 01 0.001 0.997 01010010 01000 0.004 0-0.001 0 0.001 1.001 00 0.999 1001000 0.003 00000 1.002 00断1股断3股无故障断1股无故障断2股断1股断2股无故障断2股断3股断1股无故障断3股断3股无故障断2股断3股断1股断2股断1股断2股断1股断2股无故障断2股断1股断3股断2股无故障断1股断3股无故障断1股无故障断2股断1股断2股无故障断2股断3股断1股无故障断3股断3股无故障断2股断3股断1股断2股断1股断2股断1股断2股无故障断2股断1股断3股断2股无故障
文献[2]采用的输电线断股检测方法，信号特征量数目多达8个，由于计算公式复杂，计算量大，只能进行离线检测。

本文采用的这种新方法，特征量仅4个，使得检测诊断系统规模较小。

由于计算简单，工作量较小，各特征值完全可由计算机自动提取，容易实现在线检测。

5 结论
针对高压输电线断股信号的非平稳性质和单纯采用小波变换带来的诸如分解信息量大，描述故障情形的特征值数目多、提取困难、只能离线检测等问题，提出了一种可实现实时在线检测的新方法。

在小波分析的基础上，通过引入小波熵的概念，使用4个定量特征值就完成了对输电线断股故障的清晰描述，采用较小规模的BP神经网络诊断模型，实现了对铝绞导线断股损伤情况准确判断。

论文最后进行的在线断股检测实验，表明了该方法的可行性。

也为电力系统类似的故障在线检测提供了一定的参考。

参考文献
[1]张运楚, 梁自泽, 谭民. 架空电力线路巡线机器人的研究综述[J], 机器人, 2004, 26(5)： 467-473.Zhang Yunchu, Liang Zize, Tan Min. Mobile robot for overhead power line inspection-a review[J]. Robotics,2004, 26(5)： 467-473.
[2]吴功平, 肖晓晖, 申瑞刚. 高压输电导线的损伤检测与故障诊断[J]. 仪器仪表学报, 2006, 27(10)：1204-1208.Wu Gongping, Xiao Xiaohui, Shen Ruigang. Damaged detection and fault diagnosis for high-voltage transmission
line[J]. Chinese Journal of Scientific Instrument, 2006, 27(10)： 1204-1208.
[3]Zhou F Y, Wang J D, et al. Control of an inspection robot for 110kV power transmission lines based on expert system design methods[C]. Proceedings of the 2005 IEEE Conference on Control Applications Toronto, Canada, August 28-31, 2005： 1563-1568.
[4]周风余, 李贻斌, 吴爱国, 等. 高压巡线机器人的设计与实现[J]. 机械科学与技术, 2006, 25(5)：623-626.Zhou Fengyu, Li Yibin, Wu Aiguo, et al. Design and implement of the inspection robot for high voltage power transmission line[J]. Mechanical Science and Technology, 2006, 25(5)： 623-626.
[5]何正友, 刘志刚, 钱清泉. 小波熵理论及其在电力系统中应用的可行性探讨[J]. 电网技术, 2004,28(21)： 17-21.He Zhengyou, Liu Zhigang, Qian Qingquan. Study on wavelet entropy and adaptability of its application in power system [J]. Power System Technology, 2004,28(21)： 17-21.
[6]周风余. 110kV输电线路自动巡检机器人系统的研究[D]. 天津：天津大学, 2008.
[7]陈永甫. 红外辐射红外器件与典型应用[M]. 北京：电子工业出版社, 2004.
[8]陈继述, 胡燮荣, 徐平茂. 红外探测器[M]. 北京：国防工业出版社, 1986.
[9]Rezek I A, Roberts S J. Stochastic complexity measures for physiological signal analysis[J]. IEEE Trans. Biomed Engin., 1998, 45(9)： 1186-1191. [10]Blanco S, Figliosa A，Quian Q R，et al.Time-frequency analysis of electroencephalogram series(III)： information transfer function and wavelets packets[J]. Physical Review E, 1998, 57(1)： 932-940.
[11]李建勋, 柯熙政, 丁德强. 一种基于小波熵的时间尺度算法[J]. 天文学报, 2007, 48(1)： 84-92.Li Jianxun, Ke Xizheng, Ding Deqiang. A timescale algorithm based on wavelet entropy[J]. Acta Astronomica Sinica, 2007, 48(1)： 84-92.
[12]李祥光, 裴旭东, 编著. 人工神经网络技术及其应用[M]. 北京：中国电力出版社, 2003.。