陳波，李瑛，張宏宇，耿軍偉，趙留學

(1.北京電力經(jīng)濟技術研究院有限公司，北京 西城 100055；2.國網(wǎng)北京市電力公司，北京 西城100031)

0 引言

隨著電力系統(tǒng)的不斷發(fā)展，電力設施規(guī)模不斷增加。架空輸電線路作為電力輸送的重要載體，其運行狀態(tài)對電力穩(wěn)定供應意義重大；但輸電線路具有分布面廣、環(huán)境復雜、暴露在外等特點。一方面，容易受到吊車、泵車等大型機器違章作業(yè)等外力破壞威脅[1-2]；另一方面，對輸電線路和桿塔本體設備運行情況巡檢工作量大、難度高。目前，北京地區(qū)共有輸電桿塔2萬余基、輸電線路長度累計近1萬km。北京作為首都，對電力系統(tǒng)的供電可靠性要求極高。為保障輸電線路安全穩(wěn)定運行，及時發(fā)現(xiàn)并處置輸電通道外力隱患及絕緣子等本體缺陷，減少因外力破壞或本體缺陷導致的停電事故，部分地區(qū)嘗試開展無人機、機器人巡檢等試點工作，通過無人機、巡檢機器人搭載攝像機、探測器等開展線路巡視[3-5]。但無人機和巡檢機器人對操控要求較高，成本較高，并且容易受到天氣條件影響，加上區(qū)域限飛等客觀因素，其適用條件有限，難以滿足全天候作業(yè)要求。

為了進一步提高輸電線路管控質效，近年來，國網(wǎng)北京市電力公司積極探索實踐，構建了基于通道視頻采集與隱患智能識別的輸電線路智能安防系統(tǒng)，并針對采集終端、模型算法以及管控模式持續(xù)開展優(yōu)化提升，逐步提高采集效率、算法識別性能和管控方式，實現(xiàn)了對輸電線路全流程線上智能安全管控。

1 采集終端

1.1 箱體模塊化設計

前端視頻設備在線是實現(xiàn)輸電線路精細化智慧管控的基礎，但前端設備安裝環(huán)境較為惡劣，設備在線率通常難以保障。為提高設備在線率，積極推動集成控制向定制化升級，實現(xiàn)箱體設備模塊化部署、插拔式安裝，并申報實用新型專利，設備在線率由原來的60%左右提高至99%以上。

模塊化部署、抽拉式裝配。集成控制箱內設置模塊化腔體，相較于以往設備錯落布置、出線位置散亂等問題，其空間利用及組件布局更為合理，為接線標準化提供基礎。控制器組件、路由器組件及蓄電池組件均采用抽拉式固定，相較于以往螺絲固定方式，更利于裝配且不易松動，在保障了設備穩(wěn)定運行的同時，提高了運行維護效率。

標準化接頭、插拔式接線。運維經(jīng)驗表明，接頭松動是設備離線的主要原因之一。為了提高設備接線穩(wěn)定性，箱體內控制器組件、路由器組件以及電池組件均優(yōu)化采用航空插頭形式，實現(xiàn)插拔式接線，并進行防水處理，相較于以往螺釘連接器（接線端子），設備連接更牢固，接線也更簡單、集中和便捷。

通信模塊獨立部署。通信模塊是連接主站和前端設備的重要組件，以往通常將通信卡直接裝入攝像機中，攝像機兼具與主站通信的功能。為了提高通信穩(wěn)定性，控制箱中獨立部署工業(yè)級小型路由器，并在箱體外配置信號增強天線，數(shù)據(jù)傳輸穩(wěn)定性明顯提升。

供電系統(tǒng)優(yōu)化配置。蓄電池及控制組件均部署于箱體內、塔上安裝，為滿足前端設備正常供電需求，降低箱體重量和體積，優(yōu)選采用磷酸鐵鋰蓄電池，較鉛酸蓄電池體積及重量可減少1/3以上，在無光照情況下仍可滿足設備正常供電5天以上，供電可靠性得到有效保障，蓄電池箱體外觀如圖1所示。

圖1 箱體正向圖

1.2 多維精細化巡檢

研究基于云臺視頻設備的精細化巡檢方案。通過與平臺配合設置攝像機預置位、放大倍數(shù)，可按預先設定的巡檢時間和路徑進行自動變倍巡航，能夠同時實現(xiàn)對輸電線路通道外力隱患以及桿塔本體缺陷、異物等的可視化監(jiān)測，實現(xiàn)“一機多用”。

輸電桿塔上加裝高倍率云臺攝像機，攝像機采用500萬像素、37倍光學變焦，水平方向360°連續(xù)旋轉，垂直方向+40°～-90°旋轉。如將高倍率云臺攝像機安裝于220 kV T管東33號塔（距34號塔距離約為350 m），可通過攝像機清晰的看到通道情況，并回傳圖片至主站中心；通過攝像機云臺和變倍功能可清楚的看到T管東34號桿塔（測試桿塔）的整體情況，并能通過設置的①～⑧的預制位置對34號塔各相位線路掛點定時開展巡航抓拍，設備上的防塵網(wǎng)及風箏線清晰可見。此外，云臺攝像機也可通過角度上揚實現(xiàn)對T管東33號塔本體絕緣子等設備的巡航抓拍。通過合理選擇安裝位置，單臺高倍率云臺攝像機巡航范圍可覆蓋本塔、本塔前后1～2基桿塔或鄰近并行桿塔，如圖2所示。

圖2 對端塔巡檢測試效果圖

支持通道圖像抓拍。按照預設抓圖周期（靈活配置，當前為5 min），定時開展圖像抓拍，結合主站吊車機械等隱患人工智能圖像識別功能，監(jiān)控及巡視人員可及時掌握通道隱患情況。此外，通過視頻實時監(jiān)視與5～7天錄像存儲調用，為故障回溯等提供依據(jù)。

支持本體定期巡視。按照預設抓圖周期及預置位，定時對對端桿塔、相鄰桿塔以及本基桿塔部分無遮擋部位開展變焦巡檢和圖像抓拍，監(jiān)控及巡視人員可及時掌握風箏線等本體細小異物隱患、缺陷等情況，如圖3～4所示。

圖3 本塔巡檢測試效果圖

2 算法模型

2.1 場景分析

2.1.1 輸電通道環(huán)境分析

圖4 鄰近桿塔巡檢抓拍圖

輸電通道環(huán)境一般比較復雜，如有房屋、廠房等建筑，也會有樹木、信號塔、燈桿等形狀特別接近吊車等機械的物體；并且在一年四季，樹木、草叢等背景會發(fā)生變化；每天不同時間段，攝像機的采光條件各不相同。

2.1.2 識別目標特點分析

所要識別的目標包括吊車、泵車、挖掘機、推土機、渣土車等施工機械，目標與背景一般比較難于拆分；并且隨著目標離攝像機遠近的不同，其大小也會發(fā)生明顯的變化；施工機械的狀態(tài)、顏色及姿態(tài)也各不相同；另外，也常常會出現(xiàn)比較嚴重的遮擋或光線不好的情況，識別困難。

綜合對輸電通道環(huán)境及所識別目標特點的分析，需要建立的模型能夠識別大、小目標，并對遮擋、姿態(tài)、光線及相似物體具有良好的適應性，本文針對場景特點，對YOLOv3算法進行了優(yōu)化。

2.2 數(shù)據(jù)處理

圖像數(shù)據(jù)數(shù)量和質量為識別模型準確性的重要基礎。本項目所有訓練素材及驗證素材均從系統(tǒng)前端攝像機抓拍的實際場景圖像中采集。通過人工篩選、分類，并對負樣本、無效樣本進行梳理剔除。共收集各類場景、各種形態(tài)機械隱患有效正樣本素材超過100000張。為了提高模型對輸電通道環(huán)境及檢測目標的適用性，針對圖像素材進行預處理，進一步豐富深度學習樣本數(shù)據(jù)場景，主要包括裁剪、色彩抖動等。

2.3 模型優(yōu)化

近年來，深度學習技術受到社會各界的廣泛關注，并在機器視覺、語音識別、自然語言處理（NLP）等領域展現(xiàn)出巨大的應用潛力?；诰矸e神經(jīng)網(wǎng)絡（convolutional neural networks，CNN）的目標檢測算法模型可分為雙階（Two stage）和單階（One stage）兩類。其中，Two stage算法一般要先存在目標概率比較高的候選區(qū)域，再應用卷積神經(jīng)網(wǎng)絡對這些候選區(qū)域進行分類，并使用邊界框回歸對目標邊界進行調整，得到圖像中的目標類型及邊界框。Two stage算法主要包括R-CNN[6]、Fast RCNN[7]和Faster R-CNN[8]等，經(jīng)過不斷地優(yōu)化提升，其運算速度和精度也依次遞增。One stage算法主要包括YOLO[9-11]（you look only once）和SSD[12]等，相比于Two stage算法，One stage算法不須提取可能存在目標的候選區(qū)域，計算速度加快。2016年，YOLO系列算法提出后先后經(jīng)過了YOLOv1、YOLOv2到YOLOv3等階段的發(fā)展，網(wǎng)絡通過使用多個尺度的特征來進行目標檢測，能夠提升全圖的目標檢測性能，保障目標檢出的精準度。集中類型的算法檢測性能指標如圖5所示。輸電通道圖像為大場景圖片，施工隱患機械中包含遠處成像尺寸較小的吊車等，同時考慮到目前One stage算法和Two stage算法在適用性、泛化性和準確性等方面的特點，系統(tǒng)最終采用基于YOLOv3算法的輸電線路巡檢目標檢測模型。

圖5 隱患識別效果圖

為了解決各機械因種類或者拍攝距離不同，導致的大小差別較大的問題，基于YOLOv3目標檢測算法，并在整個YOLOv3模型設計中，分別設計8倍、16倍、32倍降采樣特征圖，對不同尺度目標進行學習與預測，8倍特征圖主要用于小目標的檢測，16倍特征圖用于中等目標的檢測；32倍特征圖用于大目標的檢測。整體上全面提升大、中、小目標的檢測性能。此外，對YOLOv3算法通常所使用的主干網(wǎng)絡進行優(yōu)化，通過NAS網(wǎng)絡自動搜索技術搜索得到最匹配的網(wǎng)絡主干。

2.4 效果分析

為了便于分析機械等外力隱患識別的實際應用效果，對模型上線后的檢出率和正報率數(shù)據(jù)進行了統(tǒng)計。

2.4.1 檢出率分析

隨機抽取應用該識別模型的8000基輸電桿塔中的100基（約12000張圖片）進行核驗，模型算法經(jīng)過多輪迭代優(yōu)化，目標綜合檢出率（吊車、泵車等多類機械綜合檢出率）由2017年的48.76%提高為88.62%，提升效果明顯。此外，為了進一步分析模型對隱患的檢出能力，對檢出的桿塔情況進行了周統(tǒng)計，系統(tǒng)及時報警的點位記為檢出點位、未能及時報警的點位記為漏報點位，統(tǒng)計發(fā)現(xiàn)，隱患點位檢出率均在90%以上，最高達97%，此指標可代表實際應用情況。

2.4.2 正報率分析

對100基桿塔約5000張告警檢出圖片進行統(tǒng)計分析，正確識別出吊車等5類機械隱患的告警視為正報，錯誤識別為吊車等5類機械隱患的告警視為誤報。模型經(jīng)過多輪優(yōu)化，目標綜合正報率（吊車、泵車等多類機械綜合正報率）由2017年的69.12%提高為91.22%，提升效果明顯。此外，對系統(tǒng)8000余基桿塔1天全量告警圖片進行了統(tǒng)計，當天總告警量約為19000張，正報率約為93%，該結果與100基輸電桿塔告警圖片的抽樣統(tǒng)計數(shù)據(jù)基本一致。

3 功能應用

輸電線路智能安防系統(tǒng)基于“圖像識別+變倍巡航”技術，能夠實現(xiàn)對輸電通道外力隱患、異物搭掛、本體設備的可視化管控，實現(xiàn)對通道外力隱患的智能判別和主動告警等功能。

3.1 通道遠程巡檢

輸電前端視頻模塊能夠定時回傳圖像，監(jiān)控人員能夠通過輪巡功能對所轄輸電通道進行24 h遠程監(jiān)控，一方面，實現(xiàn)外力隱患第一時間發(fā)現(xiàn)、第一時間處置、第一時間解決，提高輸電通道運維管控效率；另一方面，通過云臺攝像機預置位功能，實現(xiàn)對本基桿塔及鄰近桿塔重點部件運行情況的遠程檢查，及時掌握設備運行情況。

3.2 告警智能推送

主站智能分析服務器加載深度學習算法，利用基于YOLOv3的外力隱患識別模型，實現(xiàn)對輸電通道中的塔吊、吊車、泵車、挖掘機、渣土車等大型施工隱患車輛的智能識別，并將外力隱患告警圖片推送至平臺，供運維監(jiān)控人員第一時間審核、處理。相對于人工遠程巡檢，智能告警功能能夠對輸電線路運行狀態(tài)24 h后臺監(jiān)控，避免人工巡檢漏查漏看現(xiàn)象，大大縮短檢查、整改時間，提高運維巡檢質量和效率。

3.3 隱患閉環(huán)管控

輸電線路智能安防系統(tǒng)與移動巡檢作業(yè)系統(tǒng)實現(xiàn)融合應用，現(xiàn)場巡視人員可通過移動巡檢App查看巡視線路的圖片及視頻，同時可以實時接收監(jiān)控中心核實下發(fā)的告警信息。巡視人員接到看護任務到達現(xiàn)場后，通過移動巡檢App操作開始任務，主站可實時獲取現(xiàn)場看護狀態(tài)信息，包括工作人員姓名、聯(lián)系方式等；隱患解除后，系統(tǒng)將重新啟動告警識別推送，實現(xiàn)故障隱患處置全過程閉環(huán)管控。

3.4 應用成效

輸電線路智能安防系統(tǒng)采用先進的技術手段，實現(xiàn)輸電線路故障隱患發(fā)現(xiàn)、預警、處置功能，具有良好的經(jīng)濟和社會效益。

輸電線路分布廣、地形復雜，人工巡檢難度大，耗時耗力，巡檢效率低，處置及時率難以保證。采用“圖像識別+變倍巡航”的智能化巡視模式可實現(xiàn)對輸電線路通道隱患、異物及本體設備的智能巡檢，可有效降低巡檢的人力、物力和時間成本，緩解巡檢運維壓力，實現(xiàn)通道及本體設備全天候可視化線上閉環(huán)管控，能夠及時發(fā)現(xiàn)故障隱患，有效減少輸電線路故障事件，管控效率可提高10倍以上，有效提升輸電線路安全管控能力。

4 結束語

國網(wǎng)北京市電力公司近年來積極探索利用技術手段提升輸電線路管控質效，構建了基于視頻采集與圖像識別的輸電線路智能安防系統(tǒng)，并通過不斷優(yōu)化采集終端、迭代模型算法、深化功能應用等方式持續(xù)提高系統(tǒng)與業(yè)務的融合深度，實現(xiàn)了輸電線路隱患的全流程線上化智能管控。

下一步，將持續(xù)充分挖掘、利用生產(chǎn)系統(tǒng)產(chǎn)生的海量圖像數(shù)據(jù)價值，對輸電通道機械識別模型進行優(yōu)化迭代，繼續(xù)提升識別效果。深入開展輕量化圖像識別模型研究，研究基于視頻識別的邊緣計算方法和低功耗裝置，探索云邊協(xié)同識別模式，提高輸電運行場景圖像識別精度和效率。

積極拓展應用場景，充分挖掘云臺設備巡檢能力拓展本體缺陷識別維度，充分利用三維點云等信息提升對通道環(huán)境的理解能力，探索基于氣象、隱患等多源數(shù)據(jù)融合實現(xiàn)輸電線路運行態(tài)勢研判，進一步提高系統(tǒng)智能化水平。