輸電線路智能監控系統重復報警自動抑制模型應用分析

宋敬良,岳國良,何瑞東,苗 靚,范學軍

(1.國網河北省電力有限公司邯鄲供電分公司,河北 邯鄲 056002;2.國網河北省電力有限公司,河北 石家莊 050021)

0 引言

近年來,隨著我國城市化進程不斷加快,電網設備投資規模不斷加速,電網設備中尤以輸電線路(包括電纜)設備遭受外力破壞的頻率最高[1]。110 k V及以上電網的中性點接地方式一般采用大電流接地,主要是應對接地故障后中性點電壓升高帶來的絕緣成本。此外,架空輸電線路導線也一般采用裸導線,也是為了選取較為經濟的絕緣配置設計[2]。

絕緣配置的經濟性直接導致架空輸電線路在長期運行中存在以下2個顯著特點:一是選擇裸導線,同時需要地電位的物體(包括特種施工作業機械、建筑物、植物等)對其保持足夠的安全距離,如小于安全距離會導致放電,從而造成居民財產損失,甚至危及生命安全。二是大電流接地系統發生接地故障后一般不允許持續運行,此時,重合閘機制就會介入,如果接地故障不能有效解除又會導致線路跳閘,而導致大面積停電事故。

因此,對通道環境的巡視是輸電線路巡視的主要內容之一,DL/T 741-2019《架空輸電線路運行規程》(簡稱“《運規》”)規定,通道環境巡視是對線路通道、周邊環境、沿線交跨、施工作業等進行檢查,以便及時發現和掌握線路通道環境的動態變化情況。同時,物聯網、人工智能、5G、區塊鏈、無人機等產品的不斷興起,可實現通道環境智能監控[3],本文對通道智能監控系統告警圖像進行“圖像識別+數據挖掘”,提出重復報警自動抑制模型。最后結合國網河北省電力有限公司邯鄲供電分公司(簡稱“國網邯鄲供電公司”)智能運檢管控中心和輸電運檢中心具體業務開展模型實踐。

1 智能監控重復報警問題分析

1.1 報警原理

輸電線路智能監控系統是采用人工智能圖像識別技術,針對可能出現的威脅到輸電線路安全穩定運行的物體進行智能識別,同時發出報警,以提醒監控值班人員采取有效的防范措施。

智能監控系統的軟件核心部分如圖1所示,通過前期采集大量的吊車、挖掘機、水泥罐車等特種作業車輛樣本,進行機器學習訓練。如果監測區域存在相應的特種車輛會在識別后第一時間進行報警,現代化的服務器集群部署使得每張圖片的識別耗時在幾ms以內,識別準確率高達90%以上,完全滿足商業化應用需求[4]。

圖1 人工智能圖像識別技術神經網絡模型

考慮到輸電線路設備分布點多面廣的特點,智能監控系統應用方案不僅能規避傳統人力沿線巡視伴隨的舟車勞頓、人身安全、車輛物資,提高巡視效率。而且智能識別的引入又能進一步減少人工長期盯守屏幕引發的警惕降低問題,提高處置效率。因此,應用智能監控系統后外力破壞跳閘率逐年降低。

智能監控系統不同于傳統的“視頻”模式監控裝置,輸電線路用的智能監拍裝置除了很明顯的由太陽能供電特征外,還采用以拍照為主,視頻為輔的工作模式,對輸電線路鐵塔的作用顯著。監拍裝置在無光照條件下,每1 min拍攝1張照片,每10 min上傳1張照片,電池可以支撐連續供電7 d。如果海量監拍裝置傳送圖片,“拍照”模式無論對于通信成本控制還是對于服務器接收能力限制來說會更加適宜[5]。

輸電線路智能監控系統的原理正是通過監拍裝置以固定的頻率拍攝圖像并上傳至監控中心服務器,監控中心服務器迅速進行圖像識別。一旦圖像中含有特種作業車輛時會在第一時間發出報警,大大縮小外破隱患處理時長,有效減少外力破壞跳閘事故的發生。同時,監拍裝置的拍攝頻率可自行調節,也可短時間在“視頻”模式下工作。甚至更為先進的監拍裝置加入了云臺、對講、夜視、前端計算、激光測距等功能。

1.2 重復報警

經過運行實踐,智能監控系統能較好地識別監控范圍內出現的各種特種作業車輛,其識別準確率長期保持在較高水平。但是,報警數量也一直居高不下,由國網邯鄲供電公司智能運檢管控中心2021年2月監測到的報警數據可知,平均每天收到的智能監控報警數量都在1萬條左右,相當于每小時(不具備夜視功能的監拍裝置只在白天工作)都要處理1 000多條數據,折合每分鐘需要處理10多起通道報警,顯然超出了常規人力所能應對的極限。

對報警數據進一步分析發現,雖然智能監控系統報警數量長期居高不下,但是主要還是一些固定施工點所致。例如房地產開發、修路筑橋等需要持續相當長一段時間的施工點一般稱之為固定施工點。而與之相對的為流動施工點,見圖2。

圖2 220 k V尚來I、II線004號桿塔大號側報警

固定施工點與流動施工點之間沒有嚴格的界限,一般,固定施工點的持續時間會長于輸電線路的巡視周期,每次拍攝的機位又比較固定,其被識別的概率會高,甚至100%,相對比較安全。流動施工點的持續時間則遠小于輸電線路的巡視周期,其具有不可控性,進而成為導致輸電線路故障跳閘的主要原因[6]。如何對固定施工點的重復報警進行有效抑制,而又能第一時間發出流動施工點的報警是問題研究的關鍵。

2 智能監控重復報警抑制模型

2.1 數據挖掘

大數據分析側重的是數據的混雜性,而不是精確性,在宏觀層面擁有更好的判斷與認知。大數據分析側重的是尋找數據之間的相互關系,而不是挖掘其中的因果關系[7],這對于綜合研判各類報警信息用于固定施工點的自動抑制至關重要。大數據分析提供了另一個角度去觀察智能監控系統產生的各類數據。

在1.1節中提到智能監控系統軟件部分的核心是人工智能圖像識別技術,其識別的是圖像中的某一部分區域在神經網絡模型中的響應最高。識別的結果通常會以識別框的形式輸出并標注在圖像上,如圖2所示,每一個識別框就代表1次圖像識別輸出,一般是由6個參數組成:(x,y,w,h)+(c,p),前4個參數分別代表識別框起點橫坐標、縱坐標和識別框的寬度、高度,后2個參數代表當前識別的分類和置信度[8]。對每一次的報警數據信息進行搜集整理,存入數據庫,以進行深入的數據挖掘。如圖3所示,某一臺監拍裝置的歷史報警信息存儲,還包括其發生的時間、朝向等一些輔助信息。

圖3 220 k V邯來III線024號桿塔大號側報警數據

2.2 抑制模型

針對重復報警問題,使固定施工點的重復報警得到有效抑制,而流動施工點的報警又能在第一時間發出。僅憑單次識別還不足以判斷其是否為固定施工點,即便流動性比較強的挖掘機、水泥罐車等也有可能僅是因為線路下方是1個特種車輛的停車場、集散地甚至車輛交易市場。這就需要從分析歷史數據的角度去挖掘其是否具備固定施工點的特征,參考人工智能神經網絡模型建立了相對應的模型,用于預判其是否為固定施工點。首先以圖像長和寬的大小建立1個全0矩陣,矩陣的行數就是圖像像素的行數,矩陣的列數就是圖像像素的列數,初始情況下就是和圖像相對應的全0矩陣,如式(1)所示。當圖像中某個區域內發生報警時,就根據其報警接口中的盒模型信息,找到與圖像中相對應的區域,如圖4所示,在這個區域內統一加上一定的權值,當把近1個月的報警數據全部按照這種邏輯去驅動該模型時,就和歷史數據之間建立了一種對應聯系。

圖4 220 k V邯來III線024號桿塔大號側報警圖像

式中:Model為抑制模型參數;m為圖像高度;n為圖像寬度。

通過抓取近1個月的所有報警數據去驅動模型,最終會得到規律,圖像中經常發生報警的區域,其權值(即響應值)就會很高,不經常發生報警的區域其響應值又會很低。將矩陣中所有數據(x,y,F(x,y))映射至三維立體空間就得輸電線路智能監控系統重復報警自動抑制模型,如圖5所示,左上角的最高的區域正是項目工地塔吊的位置,而鏟車部位的響應值較低些,既反映出其屬于經常流動的施工車輛特征,又反映出其已經不是第一次在這個位置上被識別到。這里x的取值范圍為0～n,y的取值范圍為m～0,y的取值范圍遞減是因為圖像坐標系與常規的平面坐標系坐標原點稍有不同,其坐標原點在左上角。

圖5 220 k V邯來III線024號桿塔大號側報警模型

基于每臺報警裝置驅動出的模型,當發生新的報警信息時,將其盒模型信息輸入到自動抑制模型中,獲取該區域的響應值大小。如果該區域的響應值很高就可基本判定其為固定施工點,相應地,在報警列表排序就應靠后些甚至直接抑制;如果相應區域的響應值很低就可判定其為流動施工點或者新出現的施工點,要高度引起注意。這樣即使特種車輛長期存在也不擔心其會干擾正常判斷,而一旦特種作業車輛開始移動作業時,系統又可基于報警模型中其響應值的降低,第一時間發出報警,可大大提高監控值班工作對于輸電線路運維防范外力破壞的管控力。

3 模型應用及其效果

引入自動抑制模型后,智能監控系統發出的報警信息,首先進入自動抑制模型進行預判,根據其響應值的大小決定其是否要發出報警,或者將其在報警列表中排在后面,監控值班員更多處理流動施工點。經過模型預判后的有效報警信息能縮減至1/8左右,如圖6所示。明顯減輕監控值班員的工作量,提高應對突發流動施工點的應急處置效率。

圖6 2021年2月1-28日報警數量對比

大型政治保電、重大節假日保電時,國網邯鄲供電公司智能運檢管控中心根據其近1周、近1月、近半年的報警歷史數據進行研判,發布施工點外力破壞多發區域,以輔助運維人員對輸電線路智能監控系統的運行分析情況進行監測分析、數據挖掘。經過模型的預篩選機制,更加精準地掌握流動施工的規律,及時發布施工外力破壞多發趨勢圖,協助運維人員、屬地人員制定更加有針對性的差異化運維策略。

大數據處理技術的應用,不僅實現了數據的可視化分析,其預測性的分析還可以讓運維人員更好地理解數據,依據數據做出預測性的判斷。如圖7所示,顏色較重的區域表明該區域經常發生流動施工,無論是監控值班還是現場巡視都是需要重點關注的地方,這為開展差異化巡視提供有力依據[9],與圖5之間具有對應關系。

圖7 2021年2月外力破壞多發區段分布

4 結束語

本文深入挖掘固定施工點在數據層面表現出的特征,建立智能監控系統重復報警的抑制模型,結合國網邯鄲供電公司智能運檢管控和輸電運檢業務進行應用分析,有效解決重復報警問題給輸電運檢中心監控值班業務帶來的干擾,同時結合智能運檢管控中心預警研判業務,精確繪制輸電線路外力破壞多發區段分布圖,指導運維人員更好地開展差異化巡視,進而提升輸電線路運維管理水平,助力供電企業持續供電,更好地服務社會發展。

同時,模型還存在以下不足:響應值的大小與施工點類型之間的對應關系不夠明確,需要一定的實踐經驗輔助判斷;響應值的大小與歷史數據時間的對應關系不夠明確,還需要深入實踐驗證;模型還是基于線性疊加理論,沒有引入非線性的神經網絡;模型的前提是基于固定機位,當拍攝角度發生變化時,未提出應對方案。

下一步,通過大量的試驗得到典型值或研究自適應機制,并應加強模型理論深度,將線性模型改為非線性的神經網絡模型,同時引入時長、施工點類型等特征來增加模型的非線性度,可通過圖像的透視變換進行坐標系變換,以增強自動抑制模型的泛化能力。