国网山西省电力公司吉县供电公司 041000
摘要：随着经济和科技的不断进步，我国电力取得了显著的成就，电力系统比较复杂，所以安全上对输电线路绝缘子故障检测有着较高的要求。基于此，本文以国网庆阳供电公司为例，通过对输电线路绝缘子故障的分析，分别从火花间隙法、小球放电法、红外线热像仪法和泄漏电流检测法等角度详细阐述输电线路绝缘子故障的检测方法，从而提高故障维修的效率，保障人身安全。
关键词：输电线路；常见故障；分析与检测
引言
输电线路网络部件的种类繁多，例如绝缘子、均压环、防振锤、杆塔和输电线等。各个部件由于常年暴露在自然环境中，很容易受到天气、鸟类等因素的影响。最常见的天气因素包括雷击、暴雨和高温。这种剧烈的环境条件，很大程度上会导致线路部件产生一定程度的形变，甚至出现自爆现象。
1输电线路部件故障类型
1.1绝缘子故障
绝缘子在输电线路中是用量最多的部件，主要有两个作用:电气绝缘和机械支撑。在长时间的运行过程中，由于绝缘子的制作材质所限制，极易发生材料老化、破损、掉片等故障。这些不仅会导致绝缘子的功能失效，还容易引发输电线路安全事故。图1展示了一些常见的绝缘子故障种类。受特殊环境因素影响，如雷击、大风、暴雨甚至鸟类啄击，绝缘子结构常常发生形变乃至如图1(a)所示的破损情况。当玻璃绝缘子的内部存在杂质或者缺陷的时候，受到外界压力的影响，内外受力失衡，导致玻璃体爆炸，即玻璃绝缘子的“自爆”现象，如图1(b)所示。
.png)
图1 常见的绝缘子故障
1.2均压环故障
均压环的作用是防范侧击雷，是一种用于改善绝缘子电压分布的环状金具，将高电压均匀分布在绝缘子的周围，保证绝缘子各部位之间没有电压差。如图2(a)(b)所示，在自然环境下均压环常出现破损和歪斜脱落的情况。除了自然因素外，均压环常见的故障还包括人为因素，即如图2(c)所示的均压环安装错误。由于有的工作人员不熟悉均压环的原理，容易出现反装现象，导致高压侧金具端附近的场强比正确安装时大。输电线如果长期在这种状况下运行，则会加速端部密封胶的电蚀和开裂。
.png)
图2 常见的均压环故障
1.3防振锤故障
防振锤是为了保证在风力影响下导线不会出现剧烈振动。输电线路基本上设在高空中，如果导线长期处于振动状态，不仅会存在不稳定性，还会因为周期性的弯折而发生疲劳破损。所以绝缘子两侧的导线上常常挂有一个小锤，即防振锤。由于长期受风力影响，防振锤很容易发生如图3(a)(b)所示的移位现象，包括有平行线上的两个防振锤位置不一致或者两个防振锤碰到了一起。
.png)
图3 常见的防振锤故障
防振锤是金具的一种，因天气原因而导致的锈蚀也使得防振锤变得比较脆弱、易损。如图3(c)所示为防振锤因被锈蚀而导致破损[1]。
1.4输电线故障
输电线是电力系统中最基本的结构，它的作用是输送电能，将发电厂、变电站和用户连接起来。显然，输电线所处的地理环境以及气候千变万化。受到自然因素(如大风、暴雨、雷击和高温等)或者人为因素(如施工破坏等)的影响，导线容易产生如图4(a)(b)所示的散股或断股的现象。导线的散股会存在一定的安全隐患，而断股则会直接导致用电危险，降低输电效率，排除线路安全隐患十分重要。
.png)
图4 常见的输电线故障
2输电线路部件故障检测算法
2.1绝缘子故障检测算法
近年来，各种各样的绝缘子检测算法层出不穷，如基于红外成像法的检测算法，基于方向梯度直方图和支持向量机结合的方法等。正是因为深度学习的发展，特别是卷积神经网络在图像领域的广泛应用，使得绝缘子故障检测近年来获得快速发展。该网络结构由5个卷积层和2个全连接层组成，卷积层之间使用7×7、5×5和3×3的卷积核进行卷积以提取更详细的局部信息。SOM网是一种自组织特征映射网络，典型SOM网仅有输入层和竞争层，输入层是用于表达目标的特征，而竞争层则为输出层。文中分别对简单场景和复杂场景中的绝缘子自爆图像进行检测，实验结果如表1所示。从表中可以看出，该方法在各种场景下，对绝缘子自爆故障的检测都能达到80%以上。不过受部分复杂场景的影响，对正常的绝缘子的误检率仍然颇高[2]。
表1 基于CNN和SOM的绝缘子自爆检测结果
.png)
应用了深度学习中分类效果优异的Alex-Net和VGGNet作为分类器以及FasterＲ－CNN作为检测器进行训练。FasterＲ－CNN采用的是共享卷积网络组成的区域建议网络。FasterＲ－CNN结构如图5所示。首先通过一个CNN网络提取输入图像的特征图，随后将特征图同时送至ＲPN网络和FasterＲ－CNN网络中，综合两者所提供的信息，提取出统一大小的特征向量，最后输入至全连接层和分类器，并利用边框回归函数获得最终检测框的位置。
.png)
图5 FasterＲ－CNN结构示例
除此之外，从红外成像领域对绝缘子进行故障检测也是也是人们关注的热点。例如，基于频域热特征成像的复合绝缘子缺陷检测方法通过对绝缘子施加脉冲热激励，采集表面动态变化温度分布进行判断和基于深度学习的劣化绝缘子红外特征检测。
2.2均压环故障检测算法
大多数均压环的检测算法都是通过研究对象的局部轮廓特征进行检测。利用均压环的类圆特征，根据由直线和曲线片段组成的2AS相互关系进行判决。均压环在航拍图像中受到角度影响无法直接判断其是否发生歪斜。因此，需要结合绝缘子的位置进行判断。
2.3防振锤故障检测算法
防振锤检测是对防振锤故障诊断的一个准备过程。目前FasterＲ－CNN发展至今，在目标检测领域的准确率相当高。FasterＲ－CNN前端是通过预训练卷积神经网络结构进行特征提取[3]。
2.4输电线故障检测算法
常用的输电线检测算法是依据导线的分布特点和几何特征，利用边缘检测算法进行识别。首先通过边缘检测得到输电线边缘，然后记录链码为0和非0的像素点。计算每条像素序列与连续且最长的一段链码值为0的基准线之间的距离。当距离超过一定范围的像素点数达到一定程度时，则判断为断股。
总结
综上所述，通过对输电线路常见部件故障进行介绍，列举了现有的一些故障检测算法。相比传统的人工巡检，选择科学的故障检测算法，例如深度学习方法，进行安全的、可靠的、有效的检测，能够极大地提高故障识别准确率，减少故障识别用时，及时对故障进行抢修，在一定程度上减少电路事故的发生，对整个输电线路系统的稳定运行起到极为关键的作用。
参考文献
[1]吕志宁.输电线路常见故障分析与检测方法综述[J].自动化与仪器仪表，2020(01):161-164+168.
[2]雷海洋，周玉龙.输电线路绝缘子故障分析与检测方法综述[J].山东工业技术，2018(08):167.
[3]高静辉.输电线路绝缘子故障分析与检测方法综述[J].山东工业技术，2016(15):165-166.