基于mesh的電網施工現場智能風險識別技術研究

韓冰洋，張亞南

（北京中電飛華通信有限公司，北京，100071）

0 引言

2020 年2 月國家電網公司印發的《公司2020 年重點工作任務》，提出強化現場安全管控，加強安全監督體系建設，開展安全巡查，推行遠程監控與現場督查互為補充的工作機制。輸電線路和變電站作為電網最主要的組成部分，保證其安全穩定運行至關重要。因此，利用各種傳感以及監測設備來實時地監測其運行狀況勢在必行。而移動作業作為電網最主要的臨時作業場景，安全問題突出，所以非常有必要運用最新的技術手段提升現場作業管理水平、保障作業人員安全。

1 研究必要性

近年來我國電力行業規模不斷擴大，電網“調控一體化”運行模式不斷深化，為了提高電力系統生產的自動化水平，電力系統正在大力建設無人值守通信站和變電站，許多電力企業已經建設遠程視頻監控系統，但偏遠地區施工現場網絡覆蓋難，數據回傳難，風險識別難。而且雖然視頻監控能夠將采集的信息進行直觀化顯示，提升了信息處理的便捷性，但是采用大量的人力資源對視頻監測進行二次監控的工作方法是十分不科學且不合理的，不僅造成的人力的浪費，也是的漏報等情況頻頻發生；在系統儲存中，錄像資源是十分龐大的，如果根據一個特性進而對整個數據系統進行篩查，采用人工作業的方式，不僅需要配備大量的人員，而且隨著工作量的不斷增加，人工會出現視覺疲勞，導致工作的準確率直線下降，產生漏檢的概率也會大大提升，無法發揮視頻監控系統的效力。

Mesh 自組網技術非常適合施工現場通信需求，本研究基于mesh 自組網技術實現偏遠地區廣覆蓋、低時延網絡建設，達到電網數據的有效傳輸，在現有視頻監控的基礎上，以智能視頻識別技術作為主要應用，對現場的施工環境進行全面的分析，從而對判決準則進行科學合理的構建，對非正常請款進行捕捉，對電力系統施工現場的人員行為進行監控，為電網施工作業提供及時有效的安全風險防范手段。

2 面向視頻監控的高帶寬無線mesh 自組網技術

■2.1 無線多跳自組網技術

本研究基于無線MESH 自組網技術，利用OmniAir 無線Mesh 傳輸設備，并且融合了其他相關的傳輸技術，具備分布式多跳功能，能迅速實現無線覆蓋，是一款高性能高速無線自組織網絡。利用多模塊技術解決了高速無線自組織網絡多跳損耗過大的問題。自主研發的SOAPMAN 自組網通信協議改善無線傳輸和無線組網性能，如傳輸距離、移動速率、抗干擾、穿透能力以及無線網絡安全等方面的性能得以增強，并且還可作為光纖提供備份鏈路，自動檢測光纖鏈路狀態，一旦光纖故障可快速切換無線通信。實現了遠距離高帶寬的數據傳輸，并且MESH的自愈合技術，保證了網絡傳輸的高可靠性，其次MESH 成本較低，快速部署等特點，只需一次性投入，適合大規模快速部署。

圖1 無線多跳自組網

無線多跳自組網作為一種特殊的自組織、對等式、多跳、無線移動網絡，它是在無線分組網的基礎上進一步發展而形成的新技術。以一組無線收發裝置的可移動節點作為臨時性多跳自治系統，這樣網絡節點在進行無線信號接受的過程中能夠迅速的接收到臨近節點的信號，而節點的路由器能夠根據連接的無線網絡自動的進行算法計算，將節點之間的通信關系進行更新調節，從而形成一個全新的網絡拓撲結構。無線多跳自組網與傳統的網絡連接相比，其對于基礎設施并沒有強烈的依賴性，同時具有展開快速、抗毀性能強、可臨時組網等優點，大大增加了便捷性和安全性，因此無論是在民事、軍事還是民用方面都具有巨大的發展強力，是目前網絡研究中一個重要的研究課題。

由于無線多跳自組網克服無線傳輸易受干擾痛點，網絡形態由“集中式”向“分布式”轉變，物聯網“最后一公里接入”核心技術之一。無線多跳自組網的核心理念是使網絡中的每一個節點都具有接受和發送信號的能力，都能夠具有自動路由的功能，并且能夠限制每個網絡節點只與相鄰的節點之間建立通信聯系，在整個運行的過程中不需要主干網絡的參與也能夠建立富有彈性的網絡結構。泛在電力物聯網不可或缺的通信技術之一。無需基站，掃除盲點，自組互聯，自動愈合，穩定可靠。

■2.2 無線多跳自組網特點

2.2.1 快速部署，易擴展

無需網絡運營商參與，感知終端即放即用、隨意增減，部署簡單靈活。依托于無線多跳自組網絡建立無線專網，極大地減少了部署的困難，增加了靈活性，當需要在原有網絡基礎上添加感知終端的時候，只需在原有的網絡覆蓋范圍內添加無線自組織傳輸節點，網絡拓撲將會自動更新，自動完成新設備的添加。

圖2 無線多跳自組網增加節點

2.2.2 多跳傳輸，覆蓋廣

基于無線多跳自組網絡的分布式通信系統中，無線自組織網絡設備能夠通過自組織協議動態組網，具有多跳傳輸的能力，可以有效擴展傳輸距離。同時，組網協議會根據鏈路質量自動選擇最佳路徑，保證感知終端有多條傳輸路徑暢通，確保無線信號覆蓋穩定，解決傳統無線網絡信號覆蓋不穩定情況。

2.2.3 魯棒性強

與傳統的基站式網絡中基站癱瘓即導致全網癱瘓的特點相比而言，無線多跳自組織網絡中單點損壞并不會導致網絡中斷，因此具有較強的魯棒性。

2.2.4 移動性強

無線多跳自組織網絡組網節點適用于動態環境下的移動數據傳輸，如果監控終端需要經常變換部署位置，不影響設備之間的組網連接和通信。

圖3 無線多跳自組網切換路由

3 基于邊緣計算的安全風險識別

■3.1 基于深度學習的行為識別

在計算機視覺中一個重要的研究任務便是對視頻序列中的人體動作，進行自動的分析，檢索以及識別，這項任務同時在機器視覺，AI 技術以及人機交互等多個領域中引起強烈的重視，目前在很多領域已經進行了廣泛的應用，如VR 領域，視頻監控領域以及智能機器人等領域。當然計算機在進行相關動作分析檢索等過程中，需要對其提供特定的動作特征，以動作識別為例，如果要對人體的運動動作進行分析，首先要在視頻序列和動作類型之間建立其有效的鏈接，使計算機能夠對視頻中所展現的動作加以理解。由此可見，想要實現計算機對動作的分析檢索和計算，需要對動作特征進行有效提取，同時特征提取的準確性和精確性直接會對分析結果產生影響。在以往的幾十年中，對視頻動作識別的方式層出不窮，同時動作識別數據也在飛速的進行增長。如今在圖像領域（圖像分類、目標檢測、場景分類）中神經網絡取得了非常成功的應用，因此越來越多的人開始在視頻動作識別中引入神經網路技術，這在一定程度上肯定了神經網絡模型的科學性和全民性。目前，在行為識別中應用神經網絡已經成為了重要的研究方向。

人體動作識別（Human Action Recognition）的分類是以動作特征模態作為標準的，其主要分為4 大類：分別是人體骨架（body skeletons）、深度圖（depth map）、圖像人體輪廓特征（appearance）以及視頻人體運動光流（optical-flow）。同時人體圖像視頻中，除去繁雜的運動背景，還包括不斷變化的光照，人體的外貌特征不固定等，種種因素都增加了因素的不確定性，因此在對圖像視頻中的行為進行識別時將會受到一定的限制。而深度圖與圖像視頻相比較而言，能夠將這些不確定因素進行較好的降低。同時在深度圖中應用神經網絡也受到研究界的廣泛關注。人體行為識別的主要任務是能夠在一段含有人體單一運動的視頻中，將人體動作進行推斷進而為其打上動作標簽（如走、跑、跳等）。

在圖像問題處理中，深度神經網絡取得了優異的成績，因此更多的研究者試圖在視頻動作行為識別中也將深度神經網絡進行應用。在眾多的深度學習的模型中，卷積神經網絡（CNN）受到了學者們廣泛的關注，因此在圖像識別中該模型發揮了重要的作用。此外在自然語言處理（NLP）中，循環神經網絡（RNNs）的應用取得了大規模的成功，這是基于其具較為強悍的時序建模能力。循環神經網絡顧名思義其是能夠進行不斷循環的網絡，即對同一神經網絡能夠不斷進行重復的操作，信息的傳遞性在此過程中得到了較好的發揮。循環神經網絡在對長序列進行學習的過程中會存在較多的問題，這是由于梯度的消失和爆炸所導致的。為了解決這一問題，Hochreiter 等人提出了一個新的循環神經網絡單元（Long Short-term Memory，LSTM），主要目的是為了減少長期依賴的問題的出現。Donahue 等提出了將卷神經網絡與LSTM 相互結合的網絡構想，通過將預處理的深度圖像數據傳送到事先設計好的卷神經網絡當中，從而對空序特征進行獲取，隨后再將視頻中的數據傳送到LSTM 當中，對時序特征進行獲取，將后采用Softmax 映射空序與時序相融合后的類別。現階段對于人體三維模型的研究越來越受到關注，并在廣泛的進行中，Shao 等提出了身體部分動作識別的層次模型，即以人體的運動特性作為標準，將人體骨架進行拆解，將其列為多個運動剛體，提出旋轉速度不變量描述子RRV（Rotation and Relative Velocity），用其對剛體的轉速和速度的不變量進行表示，進而得到動作表示。

使用深度學習方法解決視頻中行為識別（動作識別）的問題有兩大類思路：（1）以抽取并分類時空特征為目的的視頻識別方法；（2）以提取骨架信息進行再訓練為目的的姿態估計方法。由于神經網絡可以從數據中學習到特征，這種學習方式也符合人類認識世界的機理，因此，通過神經網絡學習到的語義特征往往可以用于行為識別。神經網絡模型按照網絡結構主要劃分為3個分支：雙流（Two-Stream）方法、3D-ConvNet 方法以及融合（CNN-LSTM）方法。

■3.2 智能視頻分析技術

現階段，在一些行業中雖然視頻分析技術的應用取得了一定的成績，但很多算法仍然只能在固定場景中獲得較高性能，在實際應用中性能下降嚴重，無法實用。基于此，本研究針對電力作業中少量較為突出的違章行為，使用視頻分析技術進行檢測分析，主動發現安全隱患，減少安全事故的發生。

智能視頻分析技術采用圖像處理、模式識別和計算機視覺技術，以計算機技術中數據處理能力的強大性作為基礎，自動識別物體能力進行輔助，在進行視頻源信息提取的過程中，能夠對關鍵信息進行快速鎖定分析，對事故現場進行準確定位，對監控中的異常情況進行全方面的分析以及展示，并且能夠快速進行報警操作，以通知技術控制中心進行搶救。此外該研究還將對邊緣計算的視頻圖像預處理技術進行研究，以預處理的方式對視頻圖像進行操作，將圖像中多余的信息進行去除，將精準的視頻圖像內容進行遷移到邊遠設備之中，通過此項操作，能夠有效的對云中心的計算、儲存、網絡寬帶等需求進行降低，將視頻分析的效率進行有效的提高，同時，預處理使用的算法采用軟件優化、硬件加速等方法，是視頻圖像分析的工作效率得到有效的提升，從而有效進行電網施工現場風險預警。

4 結語

綜上所述，無線多跳自組網技術具有快速部署易擴展，多跳傳輸覆蓋廣，魯棒性強，移動性強的特點，使用深度學習方法解決視頻中行為識別。智能視頻分析技術采用圖像處理、模式識別和計算機視覺技術，以計算機技術中數據處理能力的強大性作為基礎，自動識別物體能力進行輔助，在進行視頻源信息提取的過程中，能夠對關鍵信息進行快速鎖定分析，對事故現場進行準確定位，對監控中的異常情況進行全方面的分析以及展示，并且能夠快速進行報警操作，以通知技術控制中心進行搶救有效進行電網施工現場風險預警。