一种基于无人机的风电场集电线路故障定位方法与流程

本发明涉及电力系统输电线路巡检，具体为一种基于无人机的风电场集电线路故障定位方法。

背景技术：

1、风电场集电线路作为连接风力发电机组与升压站的关键输电环节，其运行状态直接关系到风电场的整体发电效率和电力系统的供电稳定性。随着全球风电产业的快速发展，风电场的装机容量和覆盖范围不断扩大，多数风电场选址在地形复杂、气候条件恶劣的山区、草原或沿海地区，这给集电线路的日常巡检和故障定位工作带来了极大挑战。基于无人机的巡检技术凭借其机动灵活、作业范围广、不受地形限制等特点，已逐步应用于风电场集电线路的故障检测工作中。

2、现有基于无人机的风电场集电线路故障定位方法已具备一定的检测能力，但在实际应用中仍存在明显不足。现有方法通常采用多种传感器进行数据采集，但各传感器独立触发工作，数据采集时间存在偏差，导致不同来源的数据无法在时空维度上精确匹配，无法充分发挥各传感器对不同故障类型的检测特性，进而影响故障检测的全面性。同时，现有方法普遍采用全程统一分辨率的巡检模式，对正常线路段和疑似故障区域采用相同的巡检参数，若要保证故障检测精度则需要大幅增加整体巡检时长和数据存储处理量，若追求巡检效率则会降低故障区域的图像分辨率，难以在巡检效率和定位精度之间取得平衡。此外，现有方法在故障定位时多依赖无人机自身的gps坐标或杆塔相对位置进行估算，无法精确计算故障点的三维空间坐标，也难以将故障信息与集电线路的基础地理信息进行深度融合，导致生成的故障定位信息不够精准完整，增加了后续故障排查和修复的工作量。

技术实现思路

1、本发明的目的在于克服现有基于无人机的风电场集电线路故障定位方法存在的上述不足，提供一种能够实现多传感器数据时空精确匹配、兼顾巡检效率与定位精度、并生成精准完整故障定位信息的基于无人机的风电场集电线路故障定位方法，以解决现有技术中各传感器独立触发工作导致不同来源数据无法在时空维度上精确匹配、无法充分发挥各传感器检测优势，全程统一分辨率的巡检模式难以在巡检效率和定位精度之间取得平衡，以及故障定位依赖无人机gps坐标或杆塔相对位置粗略估算、无法精确计算故障点三维坐标并与基础地理信息深度融合导致定位信息不够精准完整的技术问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于无人机的风电场集电线路故障定位方法，包括以下步骤：

3、s1、获取风电场集电线路的杆塔坐标、线路走向、电压等级、导线型号基础地理信息以及历史故障发生位置、故障类型历史数据；

4、该步骤为整个故障定位方法提供基础数据支撑，基础地理信息用于构建集电线路的空间基准框架，为后续航线规划和故障点空间定位提供统一的坐标系统；历史故障数据用于挖掘不同区域、不同线路段的故障发生规律，为航线优化和故障类型识别提供先验知识，使巡检工作更具针对性。

5、s2、根据所述基础地理信息生成覆盖全部集电线路的初始巡检航线，所述初始巡检航线包含多个巡检航点及各航点对应的飞行高度、飞行速度参数；

6、该步骤通过预先规划覆盖全部集电线路的初始巡检航线，实现无人机的自主化巡检作业，无需人工实时操控，大幅提高了巡检作业的效率和安全性；通过为每个航点设置差异化的飞行高度和速度参数，能够适应不同地形和线路条件下的巡检需求，保证数据采集的一致性和有效性。

7、s3、控制无人机沿所述初始巡检航线飞行，通过搭载的多传感器同步采集集电线路的可见光图像、红外热成像图像、紫外成像图像以及线路周围的电磁场强度数据；

8、该步骤通过统一触发多传感器进行同步数据采集，使不同类型的数据在时间和空间上保持精确对应，解决了现有技术中各传感器独立工作导致的数据时空不匹配问题；同时综合利用可见光、红外、紫外和电磁场四种检测手段，能够覆盖集电线路绝大多数故障类型的检测需求，充分发挥不同传感器的检测优势。

9、s4、对采集到的可见光图像、红外热成像图像、紫外成像图像分别进行几何校正和辐射校正，对电磁场强度数据进行滤波处理；

10、该步骤通过对多源数据进行预处理，消除了无人机飞行姿态变化、地形起伏、光照条件差异以及环境电磁干扰等因素对数据质量的影响，提高了数据的准确性和可靠性，为后续的故障检测和定位提供高质量的数据输入。

11、s5、将校正后的多源图像数据和滤波后的电磁场强度数据输入预先训练的故障检测模型，输出包含疑似故障区域坐标的初步检测结果；

12、该步骤利用人工智能模型自动处理海量的多源数据，能够快速识别出可能存在故障的区域，大幅减少了人工判读的工作量；通过初步检测筛选出疑似故障区域，为后续的精细化巡检指明了方向，避免了对正常线路段的过度检测。

13、s6、根据所述初步检测结果生成针对每个疑似故障区域的精细化巡检航线，控制无人机沿所述精细化巡检航线飞行并采集疑似故障区域的高分辨率多源数据；

14、该步骤采用先初步检测后精细化巡检的两级作业模式，在保证故障检测精度的前提下，仅对疑似故障区域进行高分辨率数据采集，大幅减少了正常线路段的冗余巡检和数据处理工作，有效解决了现有技术中巡检效率与定位精度难以兼顾的问题。

15、s7、对所述高分辨率多源数据进行特征提取与匹配，计算故障点相对于最近杆塔的三维坐标；

16、该步骤通过对高分辨率多源数据进行特征提取与匹配，结合无人机的位置和姿态信息，利用摄影测量原理精确计算故障点的三维空间坐标，摆脱了对无人机自身gps坐标或杆塔相对位置的粗略估算，显著提高了故障定位的精度。

17、s8、将所述故障点三维坐标与所述基础地理信息进行融合，生成包含故障点位置、所属杆塔编号、线路段编号的故障定位报告；

18、该步骤通过将故障点三维坐标与集电线路的基础地理信息进行深度融合，能够自动确定故障点所属的杆塔和线路段，生成完整准确的故障定位信息，为运维人员快速到达故障现场并开展修复工作提供了明确的指导。

19、进一步地，所述步骤s2具体包括：

20、s21、根据集电线路的杆塔坐标生成线路中心线，以所述线路中心线为基准向两侧扩展预设距离形成巡检带；

21、通过生成线路中心线并向两侧扩展形成巡检带，能够确保无人机的飞行范围完全覆盖集电线路及其周边可能发生故障的区域，避免出现巡检盲区；同时限定了无人机的有效作业范围，减少了不必要的飞行距离和数据采集量。

22、s22、基于风电场的数字高程模型计算巡检带内各位置的地形高度，根据地形高度调整对应航点的飞行高度，使无人机与线路之间保持恒定的垂直距离；

23、利用数字高程模型实现地形跟随飞行，能够有效避免无人机在地形复杂的山区或丘陵地区发生碰撞事故，同时保证无人机与线路之间的距离始终保持在传感器的最佳检测范围内，提高了数据采集的质量和一致性。

24、s23、根据历史故障数据在故障高发区域增加巡检航点的密度，降低对应航段的飞行速度；

25、通过在故障高发区域增加航点密度并降低飞行速度，能够提高这些区域的数据采集频率和分辨率，增强对故障高发区域的检测能力，降低漏检率。

26、s24、根据实时气象数据调整巡检航线的飞行顺序，优先巡检风速小于预设阈值的区域；

27、根据实时气象数据动态调整巡检顺序，能够避开恶劣气象条件对无人机飞行安全和数据采集质量的影响，保证巡检作业能够安全、顺利地进行。

28、进一步地，所述步骤s3中多传感器同步采集具体为：

29、通过无人机的飞控系统向可见光相机、红外热成像仪、紫外成像仪以及电磁场传感器发送统一的触发信号，使各传感器在同一时刻采集数据；

30、将采集到的每一组数据与该时刻无人机的gps坐标、姿态角数据进行时间戳绑定并存储；

31、通过飞控系统发送统一触发信号实现多传感器的精确同步，保证了不同传感器采集的数据对应同一空间位置和同一时刻；通过将传感器数据与无人机的位置和姿态数据进行时间戳绑定，为后续的数据校正和空间定位提供了必要的参数。

32、进一步地，所述步骤s4具体包括：

33、s41、利用无人机搭载的imu数据和gps数据对可见光图像、红外热成像图像、紫外成像图像进行几何校正，消除图像的畸变和偏移；

34、利用无人机自身的imu和gps数据进行几何校正，无需额外布设地面控制点，能够快速、准确地消除无人机飞行姿态变化和镜头畸变导致的图像几何误差，使图像能够真实反映线路的实际空间位置。

35、s42、根据各传感器的标定参数对图像进行辐射校正，统一不同光照条件下的图像灰度值；

36、通过辐射校正消除不同光照条件、不同拍摄角度对图像灰度值的影响，使同一目标在不同时间、不同条件下拍摄的图像具有一致的辐射特性，提高了故障检测模型的鲁棒性和准确性。

37、s43、采用小波变换方法对电磁场强度数据进行分解，去除高频噪声分量，保留低频有效信号分量；

38、采用小波变换方法对电磁场数据进行滤波处理，能够有效分离环境电磁干扰和线路本身的电磁场信号，保留能够反映线路运行状态的有效信息，提高了基于电磁场数据的故障检测能力。

39、进一步地，所述步骤s5中预先训练的故障检测模型的训练过程包括：

40、s51、构建包含正常线路图像、断线故障图像、绝缘子破损图像、导线覆冰图像、杆塔倾斜图像以及对应电磁场强度数据的训练数据集；

41、通过构建包含多种故障类型和对应电磁场数据的多模态训练数据集，使模型能够学习到不同故障在不同传感器数据中的特征表现，提高了模型对多种故障类型的识别能力。

42、s52、采用多模态特征融合网络分别提取图像特征和电磁场特征，将两种特征进行拼接后输入分类器；

43、采用多模态特征融合网络能够同时利用图像的视觉特征和电磁场的物理特征，综合两种不同类型信息的优势，比单一模态的检测方法具有更高的检测准确率和更低的误检率。

44、s53、使用标注好的训练数据集对网络进行训练，通过反向传播算法调整网络参数，直至模型的检测准确率达到预设阈值；

45、通过大量标注数据对网络进行训练，使模型能够自动学习故障特征，无需人工设计复杂的特征提取算法，提高了故障检测的自动化程度和适应性。

46、进一步地，所述步骤s6具体包括：

47、s61、以每个疑似故障区域的中心坐标为基准，生成环绕式精细化巡检航线，所述航线包含多个不同角度和高度的拍摄点；

48、通过生成环绕式精细化巡检航线，能够从多个不同视角对疑似故障区域进行全面拍摄，获取故障点的立体信息，避免因单一视角遮挡导致的漏检或误判。

49、s62、根据疑似故障区域的大小自适应调整无人机的飞行高度和拍摄距离，使故障区域在图像中占据预设比例的画面；

50、通过自适应调整飞行高度和拍摄距离，能够保证故障区域在图像中占据合适的比例，既不会因距离过远导致细节丢失，也不会因距离过近导致无法拍摄完整的故障区域。

51、s63、在每个拍摄点控制无人机悬停预设时间，采集多张连续的高分辨率图像和多组电磁场强度数据；

52、通过在每个拍摄点悬停并采集多组数据，能够提高数据的信噪比，减少随机噪声的影响，同时为后续的立体匹配和三维重建提供充足的图像对。

53、进一步地，所述步骤s7具体包括：

54、s71、从高分辨率多源数据中提取故障点的特征点，采用sift算法对不同视角下的故障点特征点进行匹配；

55、采用sift算法进行特征点匹配，具有尺度不变性和旋转不变性，能够在不同视角、不同尺度的图像中准确匹配同一特征点，为后续的三维坐标计算提供可靠的对应关系。

56、s72、结合无人机在各拍摄点的gps坐标和姿态角数据，利用三角测量原理计算故障点的初始三维坐标；

57、利用三角测量原理，通过两个或多个不同视角的图像对同一特征点进行观测，能够计算出该特征点的三维空间坐标，实现对故障点的精确定位。

58、s73、利用无人机的视觉里程计数据对初始三维坐标进行修正，消除gps定位误差；

59、利用视觉里程计数据对gps定位结果进行修正，能够有效弥补gps信号在山区或遮挡区域的不足，提高故障点三维坐标的计算精度。

60、进一步地，所述步骤s7还包括：

61、s74、获取最近杆塔的精确三维坐标，计算故障点与最近杆塔之间的水平距离和垂直距离；

62、s75、根据线路走向和杆塔间距，确定故障点所属的线路段编号和杆塔编号；

63、通过计算故障点与最近杆塔的相对位置，并结合线路的基础地理信息，能够自动确定故障点所属的杆塔和线路段，使运维人员能够快速定位到具体的故障位置，无需在现场进行大范围排查。

64、进一步地，还包括步骤s9：

65、s9、对高分辨率多源数据进行深度特征分析，提取故障点的形状特征、纹理特征、温度特征以及电磁场异常特征；

66、将提取的特征与预设的故障特征库进行比对，确定故障的具体类型；

67、通过对高分辨率多源数据进行深度特征分析，能够提取出能够区分不同故障类型的关键特征，通过与故障特征库进行比对，能够自动识别故障的具体类型，为后续的故障修复方案制定提供依据。

68、进一步地，还包括步骤s10：

69、s10、根据故障类型、故障位置、线路重要性等级以及历史故障修复时间，计算每个故障的优先级；

70、按照优先级从高到低的顺序对故障定位报告进行排序，生成故障处理任务清单；

71、通过综合考虑多种因素计算故障处理优先级，能够帮助运维人员合理安排故障修复顺序，优先处理影响较大、紧急程度较高的故障，最大限度地减少故障对风电场发电的影响。

72、与现有技术相比，本发明提供了一种基于无人机的风电场集电线路故障定位方法，具备以下有益效果：

73、本发明通过控制无人机搭载的多传感器同步采集集电线路的多源数据，能够使可见光图像、红外热成像图像、紫外成像图像以及电磁场强度数据在时间和空间上保持精确对应，充分利用不同传感器对不同故障类型的检测优势，有效提高故障检测的全面性和准确性。

74、本发明采用先初步检测后精细化巡检的两级作业模式，先通过故障检测模型输出疑似故障区域，再针对每个疑似故障区域生成专门的精细化巡检航线，能够在保证故障检测精度的前提下，显著减少正常线路段的冗余巡检和数据处理工作，实现巡检效率与定位精度的有机统一。

75、本发明通过对高分辨率多源数据进行特征提取与匹配计算故障点的三维坐标，并将故障点三维坐标与集电线路的基础地理信息进行融合，能够生成包含准确故障点位置、所属杆塔编号和线路段编号的完整故障定位报告，为后续故障修复工作提供精准全面的指导，有效降低故障修复的难度和耗时。