0.   引言

随着电力系统的不断发展, 电力设施规模不断增加。架空输电线路作为电力输送的重要载体, 其运行状态对电力稳定供应意义重大; 但输电线路具有分布面广、环境复杂、暴露在外等特点。一方面, 容易受到吊车、泵车等大型机器违章作业等外力破坏威胁^[1-2]; 另一方面, 对输电线路和杆塔本体设备运行情况巡检工作量大、难度高。目前, 北京地区共有输电杆塔2万余基、输电线路长度累计近1万km。北京作为首都, 对电力系统的供电可靠性要求极高。为保障输电线路安全稳定运行, 及时发现并处置输电通道外力隐患及绝缘子等本体缺陷, 减少因外力破坏或本体缺陷导致的停电事故, 部分地区尝试开展无人机、机器人巡检等试点工作, 通过无人机、巡检机器人搭载摄像机、探测器等开展线路巡视^[3-5]。但无人机和巡检机器人对操控要求较高, 成本较高, 并且容易受到天气条件影响, 加上区域限飞等客观因素, 其适用条件有限, 难以满足全天候作业要求。

为了进一步提高输电线路管控质效, 近年来, 国网北京市电力公司积极探索实践, 构建了基于通道视频采集与隐患智能识别的输电线路智能安防系统, 并针对采集终端、模型算法以及管控模式持续开展优化提升, 逐步提高采集效率、算法识别性能和管控方式, 实现了对输电线路全流程线上智能安全管控。

1.   采集终端

1.1   箱体模块化设计

前端视频设备在线是实现输电线路精细化智慧管控的基础, 但前端设备安装环境较为恶劣, 设备在线率通常难以保障。为提高设备在线率, 积极推动集成控制向定制化升级, 实现箱体设备模块化部署、插拔式安装, 并申报实用新型专利, 设备在线率由原来的60%左右提高至99%以上。

模块化部署、抽拉式装配。集成控制箱内设置模块化腔体, 相较于以往设备错落布置、出线位置散乱等问题, 其空间利用及组件布局更为合理, 为接线标准化提供基础。控制器组件、路由器组件及蓄电池组件均采用抽拉式固定, 相较于以往螺丝固定方式, 更利于装配且不易松动, 在保障了设备稳定运行的同时, 提高了运行维护效率。

标准化接头、插拔式接线。运维经验表明, 接头松动是设备离线的主要原因之一。为了提高设备接线稳定性, 箱体内控制器组件、路由器组件以及电池组件均优化采用航空插头形式, 实现插拔式接线, 并进行防水处理, 相较于以往螺钉连接器(接线端子), 设备连接更牢固, 接线也更简单、集中和便捷。

通信模块独立部署。通信模块是连接主站和前端设备的重要组件, 以往通常将通信卡直接装入摄像机中, 摄像机兼具与主站通信的功能。为了提高通信稳定性, 控制箱中独立部署工业级小型路由器, 并在箱体外配置信号增强天线, 数据传输稳定性明显提升。

供电系统优化配置。蓄电池及控制组件均部署于箱体内、塔上安装, 为满足前端设备正常供电需求, 降低箱体重量和体积, 优选采用磷酸铁锂蓄电池, 较铅酸蓄电池体积及重量可减少1/3以上, 在无光照情况下仍可满足设备正常供电5天以上, 供电可靠性得到有效保障, 蓄电池箱体外观如图 1所示。

图  1  箱体正向图

下载: 全尺寸图片 幻灯片

1.2   多维精细化巡检

研究基于云台视频设备的精细化巡检方案。通过与平台配合设置摄像机预置位、放大倍数, 可按预先设定的巡检时间和路径进行自动变倍巡航, 能够同时实现对输电线路通道外力隐患以及杆塔本体缺陷、异物等的可视化监测, 实现“一机多用”。

输电杆塔上加装高倍率云台摄像机, 摄像机采用500万像素、37倍光学变焦, 水平方向360°连续旋转, 垂直方向+40°~-90°旋转。如将高倍率云台摄像机安装于220 kV T管东33号塔(距34号塔距离约为350 m), 可通过摄像机清晰的看到通道情况, 并回传图片至主站中心; 通过摄像机云台和变倍功能可清楚的看到T管东34号杆塔(测试杆塔)的整体情况, 并能通过设置的①~⑧的预制位置对34号塔各相位线路挂点定时开展巡航抓拍, 设备上的防尘网及风筝线清晰可见。此外, 云台摄像机也可通过角度上扬实现对T管东33号塔本体绝缘子等设备的巡航抓拍。通过合理选择安装位置, 单台高倍率云台摄像机巡航范围可覆盖本塔、本塔前后1~2基杆塔或邻近并行杆塔, 如图 2所示。

图  2  对端塔巡检测试效果图

下载: 全尺寸图片 幻灯片

支持通道图像抓拍。按照预设抓图周期(灵活配置, 当前为5 min), 定时开展图像抓拍, 结合主站吊车机械等隐患人工智能图像识别功能, 监控及巡视人员可及时掌握通道隐患情况。此外, 通过视频实时监视与5~7天录像存储调用, 为故障回溯等提供依据。

支持本体定期巡视。按照预设抓图周期及预置位, 定时对对端杆塔、相邻杆塔以及本基杆塔部分无遮挡部位开展变焦巡检和图像抓拍, 监控及巡视人员可及时掌握风筝线等本体细小异物隐患、缺陷等情况, 如图 3~4所示。

图  3  本塔巡检测试效果图

下载: 全尺寸图片 幻灯片

图  4  邻近杆塔巡检抓拍图

下载: 全尺寸图片 幻灯片

2.   算法模型

2.1   场景分析

2.1.1   输电通道环境分析

输电通道环境一般比较复杂, 如有房屋、厂房等建筑, 也会有树木、信号塔、灯杆等形状特别接近吊车等机械的物体; 并且在一年四季, 树木、草丛等背景会发生变化; 每天不同时间段, 摄像机的采光条件各不相同。

2.1.2   识别目标特点分析

所要识别的目标包括吊车、泵车、挖掘机、推土机、渣土车等施工机械, 目标与背景一般比较难于拆分; 并且随着目标离摄像机远近的不同, 其大小也会发生明显的变化; 施工机械的状态、颜色及姿态也各不相同; 另外, 也常常会出现比较严重的遮挡或光线不好的情况, 识别困难。

综合对输电通道环境及所识别目标特点的分析, 需要建立的模型能够识别大、小目标, 并对遮挡、姿态、光线及相似物体具有良好的适应性, 本文针对场景特点, 对YOLOv3算法进行了优化。

2.2   数据处理

图像数据数量和质量为识别模型准确性的重要基础。本项目所有训练素材及验证素材均从系统前端摄像机抓拍的实际场景图像中采集。通过人工筛选、分类, 并对负样本、无效样本进行梳理剔除。共收集各类场景、各种形态机械隐患有效正样本素材超过100000张。为了提高模型对输电通道环境及检测目标的适用性, 针对图像素材进行预处理, 进一步丰富深度学习样本数据场景, 主要包括裁剪、色彩抖动等。

2.3   模型优化

近年来, 深度学习技术受到社会各界的广泛关注, 并在机器视觉、语音识别、自然语言处理(NLP)等领域展现出巨大的应用潜力。基于卷积神经网络(convolutional neural networks, CNN)的目标检测算法模型可分为双阶(Two stage)和单阶(One stage)两类。其中, Two stage算法一般要先存在目标概率比较高的候选区域, 再应用卷积神经网络对这些候选区域进行分类, 并使用边界框回归对目标边界进行调整, 得到图像中的目标类型及边界框。Two stage算法主要包括R-CNN^[6]、Fast RCNN^[7]和Faster R-CNN^[8]等, 经过不断地优化提升, 其运算速度和精度也依次递增。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算法不须提取可能存在目标的候选区域, 计算速度加快。2016年, YOLO系列算法提出后先后经过了YOLOv1、YOLOv2到YOLOv3等阶段的发展, 网络通过使用多个尺度的特征来进行目标检测, 能够提升全图的目标检测性能, 保障目标检出的精准度。集中类型的算法检测性能指标如图 5所示。输电通道图像为大场景图片, 施工隐患机械中包含远处成像尺寸较小的吊车等, 同时考虑到目前One stage算法和Two stage算法在适用性、泛化性和准确性等方面的特点, 系统最终采用基于YOLOv3算法的输电线路巡检目标检测模型。

图  5  隐患识别效果图

下载: 全尺寸图片 幻灯片

为了解决各机械因种类或者拍摄距离不同, 导致的大小差别较大的问题, 基于YOLOv3目标检测算法, 并在整个YOLOv3模型设计中, 分别设计8倍、16倍、32倍降采样特征图, 对不同尺度目标进行学习与预测, 8倍特征图主要用于小目标的检测, 16倍特征图用于中等目标的检测; 32倍特征图用于大目标的检测。整体上全面提升大、中、小目标的检测性能。此外, 对YOLOv3算法通常所使用的主干网络进行优化, 通过NAS网络自动搜索技术搜索得到最匹配的网络主干。

2.4   效果分析

为了便于分析机械等外力隐患识别的实际应用效果, 对模型上线后的检出率和正报率数据进行了统计。

2.4.1   检出率分析

随机抽取应用该识别模型的8000基输电杆塔中的100基(约12000张图片)进行核验, 模型算法经过多轮迭代优化, 目标综合检出率(吊车、泵车等多类机械综合检出率)由2017年的48.76%提高为88.62%, 提升效果明显。此外, 为了进一步分析模型对隐患的检出能力, 对检出的杆塔情况进行了周统计, 系统及时报警的点位记为检出点位、未能及时报警的点位记为漏报点位, 统计发现, 隐患点位检出率均在90%以上, 最高达97%, 此指标可代表实际应用情况。

2.4.2   正报率分析

对100基杆塔约5000张告警检出图片进行统计分析, 正确识别出吊车等5类机械隐患的告警视为正报, 错误识别为吊车等5类机械隐患的告警视为误报。模型经过多轮优化, 目标综合正报率(吊车、泵车等多类机械综合正报率)由2017年的69.12%提高为91.22%, 提升效果明显。此外, 对系统8000余基杆塔1天全量告警图片进行了统计, 当天总告警量约为19000张, 正报率约为93%, 该结果与100基输电杆塔告警图片的抽样统计数据基本一致。

3.   功能应用

输电线路智能安防系统基于“图像识别+变倍巡航”技术, 能够实现对输电通道外力隐患、异物搭挂、本体设备的可视化管控, 实现对通道外力隐患的智能判别和主动告警等功能。

3.1   通道远程巡检

输电前端视频模块能够定时回传图像, 监控人员能够通过轮巡功能对所辖输电通道进行24 h远程监控, 一方面, 实现外力隐患第一时间发现、第一时间处置、第一时间解决, 提高输电通道运维管控效率; 另一方面, 通过云台摄像机预置位功能, 实现对本基杆塔及邻近杆塔重点部件运行情况的远程检查, 及时掌握设备运行情况。

3.2   告警智能推送

主站智能分析服务器加载深度学习算法, 利用基于YOLOv3的外力隐患识别模型, 实现对输电通道中的塔吊、吊车、泵车、挖掘机、渣土车等大型施工隐患车辆的智能识别, 并将外力隐患告警图片推送至平台, 供运维监控人员第一时间审核、处理。相对于人工远程巡检, 智能告警功能能够对输电线路运行状态24 h后台监控, 避免人工巡检漏查漏看现象, 大大缩短检查、整改时间, 提高运维巡检质量和效率。

3.3   隐患闭环管控

输电线路智能安防系统与移动巡检作业系统实现融合应用, 现场巡视人员可通过移动巡检App查看巡视线路的图片及视频, 同时可以实时接收监控中心核实下发的告警信息。巡视人员接到看护任务到达现场后, 通过移动巡检App操作开始任务, 主站可实时获取现场看护状态信息, 包括工作人员姓名、联系方式等; 隐患解除后, 系统将重新启动告警识别推送, 实现故障隐患处置全过程闭环管控。

3.4   应用成效

输电线路智能安防系统采用先进的技术手段, 实现输电线路故障隐患发现、预警、处置功能, 具有良好的经济和社会效益。

输电线路分布广、地形复杂, 人工巡检难度大, 耗时耗力, 巡检效率低, 处置及时率难以保证。采用“图像识别+变倍巡航”的智能化巡视模式可实现对输电线路通道隐患、异物及本体设备的智能巡检, 可有效降低巡检的人力、物力和时间成本, 缓解巡检运维压力, 实现通道及本体设备全天候可视化线上闭环管控, 能够及时发现故障隐患, 有效减少输电线路故障事件, 管控效率可提高10倍以上, 有效提升输电线路安全管控能力。

4.   结束语

国网北京市电力公司近年来积极探索利用技术手段提升输电线路管控质效, 构建了基于视频采集与图像识别的输电线路智能安防系统, 并通过不断优化采集终端、迭代模型算法、深化功能应用等方式持续提高系统与业务的融合深度, 实现了输电线路隐患的全流程线上化智能管控。

下一步, 将持续充分挖掘、利用生产系统产生的海量图像数据价值, 对输电通道机械识别模型进行优化迭代, 继续提升识别效果。深入开展轻量化图像识别模型研究, 研究基于视频识别的边缘计算方法和低功耗装置, 探索云边协同识别模式, 提高输电运行场景图像识别精度和效率。

积极拓展应用场景, 充分挖掘云台设备巡检能力拓展本体缺陷识别维度, 充分利用三维点云等信息提升对通道环境的理解能力, 探索基于气象、隐患等多源数据融合实现输电线路运行态势研判, 进一步提高系统智能化水平。