技术领域
[0001] 本
发明涉及覆冰厚度算法，具体涉及一种基于多因素的模拟导线覆冰厚度算法。
背景技术
[0002] 输电线路覆冰后，导线的综合荷载发生变化，覆冰对输电线路的危害主要有下面几种：1、过负荷，即由于线路覆冰之后，实际重量远超过设计值，从而导致架空输电线路发生电气和机械方面的故障；2、导线覆冰舞动、脱冰跳跃事故；3、绝缘子串冰闪事故。
[0003] 使用覆冰在线监测装置代替人工巡线，为
除冰提供及时、准确的工作参数，以提高除冰效率。目前，常见的几种输电线路覆冰测量装置是直接安装在输电线路或绝缘子串上的，需要线路带电或停电安装，工作量较大，成本相对较高。采用模拟导线的线路覆冰测量方法，其思路是在线路杆塔上悬挂1根与输电线路同型号、同材质的模拟导线，在相同气象条件下模拟出输电线路的覆冰情况，并通过测量模拟导线的重量变化来确定覆冰厚度，从而等同推测输电线路的综合荷载和覆冰厚度。
[0004] 然而，目前还没有一种能够实时监测并及时预测输电线路覆冰厚度的算法。
发明内容
[0005] (一)解决的技术问题
[0006] 针对
现有技术所存在的上述缺点，本发明提供了一种基于多因素的模拟导线覆冰厚度算法，能够有效克服现有技术所存在的不能实时监测并及时预测输电线路覆冰厚度的
缺陷。
[0007] (二)技术方案
[0008] 为实现以上目的，本发明通过以下技术方案予以实现：
[0009] 一种基于多因素的模拟导线覆冰厚度算法，包括以下步骤：
[0010] S1、根据拉
力传感器的数据得到模拟导线的自身半径r和覆冰半径R，根据自身半径r和覆冰半径R计算获得第一冰厚T1；
[0011] S2、获取天气要素，根据天气要素计算获得第二冰厚T2；根据第一冰厚T1、第二冰厚T2计算获得冰厚系数T’；
[0012] S3、将冰厚系数T’带入
机器学习模型中进行拟合，得到拟合模型；
[0013] S4、利用无人机进行巡检，借助无人机上的双目摄像头对模拟导线进行双目
图像采集；
[0014] S5、对双目图像进行灰度、畸变矫正、双目校正和均值滤波处理，获得模拟导线的
视差图像；
[0015] S6、对视差图像进行二值化处理，并采用基于分
水岭算法和数学形态学相结合的轮廓提取方法对二值化后的视差图像进行处理，提取模拟导线轮廓图像；
[0016] S7、根据覆冰模拟导线轮廓图像包含的
像素数量与未覆冰模拟导线轮廓图像包含的像素数量的比值计算覆冰厚度T3；
[0017] S8、结合拟合模型、
图像处理的覆冰厚度结果进行误差修正，得到最终模拟导线的覆冰厚度。
[0018] 优选地，所述第一冰厚T1的计算公式如下：
[0019]
[0020] 其中，ρ为覆冰
密度；k表示覆冰形状系数。
[0021] 优选地，所述第二冰厚T2的计算公式如下：
[0022]
[0023] 其中，ρi为覆冰密度；i为与观测对应的各个时间；ρ0为水的密度；P为降水量；V为
风速；W为液态水含量。
[0024] 优选地，所述天气要素包括
露点温度、温度、降水量和冻雨百分数四个类别每小时所对应的四个天气要素。
[0025] 优选地，所述机器学习模型通过高斯
内核函数对所述冰厚系数T’进行拟合。
[0026] 优选地，对所述视差图像进行二值化处理之前，先对所述视差图像进行以下步骤的预处理：
[0027] S1、用k*k大小的模板遍历视差图像中每个像素，统计模板中心像素与周围像素之间灰度值之差的绝对值大于
阈值M的像素个数a、灰度值之差的绝对值小于阈值M的像素个数b，并记录a个像素的灰度值之和m、b个像素的灰度值之和n；
[0028] S2、当a大于等于b时，对m除以a的值四舍五入取整后替代模板中心像素的灰度值，否则模板中心像素的灰度值保持不变。
[0029] 优选地，提取所述模拟导线轮廓图像的方法如下：
[0030] S1、用边长为L的正方形模板对二值化后的视差图像进行膨胀操作，然后反转图像灰度值；
[0031] S2、用边长为2*L的正方形模板对S1中的图像进行
腐蚀操作，将腐蚀后图像的灰度值转换为0-255；
[0032] S3、将上述处理后的两张图像进行灰度值相加运算得到新图像；
[0033] S4、利用S3中获得的图像，基于分水岭原理中的浸水模拟方式对二值化后的视差图像进行分割，提取模拟导线轮廓图像。
[0034] 优选地，所述覆冰厚度T3的计算公式如下：
[0035]
[0036] 其中，x1为未覆冰时模拟导线自身半径r对应的像素数量；x2为覆冰后模拟导线覆冰半径R对应的像素数量。
[0037] (三)有益效果
[0038] 与现有技术相比，本发明所提供的一种基于多因素的模拟导线覆冰厚度算法具有以下有益效果:
[0039] 1、根据拉力传感器的数据得到模拟导线的自身半径r和覆冰半径R，根据自身半径r和覆冰半径R计算获得第一冰厚T1，获取天气要素，根据天气要素计算获得第二冰厚T2；根据第一冰厚T1、第二冰厚T2计算获得冰厚系数T’，将冰厚系数T’带入机器学习模型中进行拟合，得到拟合模型，通过实际计算得到拟合模型，借助拟合模型能够实时监测并及时预测模拟导线的覆冰厚度；
[0040] 2、利用无人机进行巡检，借助无人机上的双目摄像头对模拟导线进行双目图像采集，对双目图像进行灰度、畸变矫正、双目校正和均值滤波处理，获得模拟导线的视差图像，对视差图像进行二值化处理，并采用基于分水岭算法和数学形态学相结合的轮廓提取方法对二值化后的视差图像进行处理，提取模拟导线轮廓图像，根据覆冰模拟导线轮廓图像包含的像素数量与未覆冰模拟导线轮廓图像包含的像素数量的比值计算覆冰厚度T3，结合拟合模型、图像处理的覆冰厚度结果进行误差修正，得到最终模拟导线的覆冰厚度，综合实际计算和图像处理两种方法进行误差修正，使得监测到的覆冰厚度更加准确。
具体实施方式
[0041] 为使本发明
实施例的目的、技术方案和优点更加清楚，下面对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0042] 一种基于多因素的模拟导线覆冰厚度算法，包括以下步骤：
[0043] S1、根据拉力传感器的数据得到模拟导线的自身半径r和覆冰半径R，根据自身半径r和覆冰半径R计算获得第一冰厚T1；
[0044] S2、获取天气要素，根据天气要素计算获得第二冰厚T2；根据第一冰厚T1、第二冰厚T2计算获得冰厚系数T’；
[0045] S3、将冰厚系数T’带入机器学习模型中进行拟合，得到拟合模型；
[0046] S4、利用无人机进行巡检，借助无人机上的双目摄像头对模拟导线进行双目图像采集；
[0047] S5、对双目图像进行灰度、畸变矫正、双目校正和均值滤波处理，获得模拟导线的视差图像；
[0048] S6、对视差图像进行二值化处理，并采用基于分水岭算法和数学形态学相结合的轮廓提取方法对二值化后的视差图像进行处理，提取模拟导线轮廓图像；
[0049] S7、根据覆冰模拟导线轮廓图像包含的像素数量与未覆冰模拟导线轮廓图像包含的像素数量的比值计算覆冰厚度T3；
[0050] S8、结合拟合模型、图像处理的覆冰厚度结果进行误差修正，得到最终模拟导线的覆冰厚度。
[0051] 第一冰厚T1的计算公式如下：
[0052]
[0053] 其中，ρ为覆冰密度；k表示覆冰形状系数。
[0054] 第二冰厚T2的计算公式如下：
[0055]
[0056] 其中，ρi为覆冰密度；i为与观测对应的各个时间；ρ0为水的密度；P为降水量；V为风速；W为液态水含量。
[0057] 天气要素包括露点温度、温度、降水量和冻雨百分数四个类别每小时所对应的四个天气要素。
[0058] 机器学习模型通过高斯内核函数对冰厚系数T’进行拟合。
[0059] 对视差图像进行二值化处理之前，先对视差图像进行以下步骤的预处理：
[0060] S1、用k*k大小的模板遍历视差图像中每个像素，统计模板中心像素与周围像素之间灰度值之差的绝对值大于阈值M的像素个数a、灰度值之差的绝对值小于阈值M的像素个数b，并记录a个像素的灰度值之和m、b个像素的灰度值之和n；
[0061] S2、当a大于等于b时，对m除以a的值四舍五入取整后替代模板中心像素的灰度值，否则模板中心像素的灰度值保持不变。
[0062] 提取模拟导线轮廓图像的方法如下：
[0063] S1、用边长为L的正方形模板对二值化后的视差图像进行膨胀操作，然后反转图像灰度值；
[0064] S2、用边长为2*L的正方形模板对S1中的图像进行腐蚀操作，将腐蚀后图像的灰度值转换为0-255；
[0065] S3、将上述处理后的两张图像进行灰度值相加运算得到新图像；
[0066] S4、利用S3中获得的图像，基于分水岭原理中的浸水模拟方式对二值化后的视差图像进行分割，提取模拟导线轮廓图像。
[0067] 覆冰厚度T3的计算公式如下：
[0068]
[0069] 其中，x1为未覆冰时模拟导线自身半径r对应的像素数量；x2为覆冰后模拟导线覆冰半径R对应的像素数量。
[0070] 根据拉力传感器的数据得到模拟导线的自身半径r和覆冰半径R，根据自身半径r和覆冰半径R计算获得第一冰厚T1，获取天气要素，根据天气要素计算获得第二冰厚T2；根据第一冰厚T1、第二冰厚T2计算获得冰厚系数T’，将冰厚系数T’带入机器学习模型中进行拟合，得到拟合模型，通过实际计算得到拟合模型，借助拟合模型能够实时监测并及时预测模拟导线的覆冰厚度。
[0071] 第一冰厚T1的计算公式如下：
[0072]
[0073] 其中，ρ为覆冰密度；k表示覆冰形状系数。
[0074] 第二冰厚T2的计算公式如下：
[0075]
[0076] 其中，ρi为覆冰密度；i为与观测对应的各个时间；ρ0为水的密度；P为降水量；V为风速；W为液态水含量。
[0077] 天气要素包括露点温度、温度、降水量和冻雨百分数四个类别每小时所对应的四个天气要素。
[0078] 机器学习模型通过高斯内核函数对冰厚系数T’进行拟合。
[0079] 利用无人机进行巡检，借助无人机上的双目摄像头对模拟导线进行双目图像采集，对双目图像进行灰度、畸变矫正、双目校正和均值滤波处理，获得模拟导线的视差图像，对视差图像进行二值化处理，并采用基于分水岭算法和数学形态学相结合的轮廓提取方法对二值化后的视差图像进行处理，提取模拟导线轮廓图像，根据覆冰模拟导线轮廓图像包含的像素数量与未覆冰模拟导线轮廓图像包含的像素数量的比值计算覆冰厚度T3，结合拟合模型、图像处理的覆冰厚度结果进行误差修正，得到最终模拟导线的覆冰厚度，综合实际计算和图像处理两种方法进行误差修正，使得监测到的覆冰厚度更加准确。
[0080] 对视差图像进行二值化处理之前，先对视差图像进行以下步骤的预处理：
[0081] S1、用k*k大小的模板遍历视差图像中每个像素，统计模板中心像素与周围像素之间灰度值之差的绝对值大于阈值M的像素个数a、灰度值之差的绝对值小于阈值M的像素个数b，并记录a个像素的灰度值之和m、b个像素的灰度值之和n；
[0082] S2、当a大于等于b时，对m除以a的值四舍五入取整后替代模板中心像素的灰度值，否则模板中心像素的灰度值保持不变。
[0083] 提取模拟导线轮廓图像的方法如下：
[0084] S1、用边长为L的正方形模板对二值化后的视差图像进行膨胀操作，然后反转图像灰度值；
[0085] S2、用边长为2*L的正方形模板对S1中的图像进行腐蚀操作，将腐蚀后图像的灰度值转换为0-255；
[0086] S3、将上述处理后的两张图像进行灰度值相加运算得到新图像；
[0087] S4、利用S3中获得的图像，基于分水岭原理中的浸水模拟方式对二值化后的视差图像进行分割，提取模拟导线轮廓图像。
[0088] 覆冰厚度T3的计算公式如下：
[0089]
[0090] 其中，x1为未覆冰时模拟导线自身半径r对应的像素数量；x2为覆冰后模拟导线覆冰半径R对应的像素数量。
[0091] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行
修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
