針對輸電線路周邊工程機械的防撞在線預警方法

陳超杰，謝偉，何林巍，田強，賀潤平，王哲斐

（1. 國網上海市電力公司青浦供電公司，上海 201799；2. 上海四量電子科技有限公司，上海 201415）

0 引言

隨著各類傳感器以及人工智能算法的不斷發展，電力設備狀態監測的方式也實現了高度的自動化與智能化[1]。在眾多狀態監測方式中，在線監測方法是最為有效的方式之一，其不僅能夠反映電力設備的運行狀態，同時具備較高的實時性，可以起到設備異常預警的功能，方便工作人員提前發現設備缺陷。目前，在線監測方法已經在變電、配電領域大規模應用，效果顯著[2]。

輸電環節作為電力傳輸過程中距離最遠、電壓等級最高、環境最為復雜的部分，一直以來飽受各類安全威脅的困擾[3-6]。據統計，在引發輸電線路跳閘因素中，主要包括極端天氣、高大樹木、違章施工等，其中，人為的外力撞擊占比達到近四分之一[7-8]。在人為外力撞擊事件中，近80%是大型工程機械違章施工導致的，并且往往會產生永久故障點，不僅對電網安全穩定運行產生嚴重威脅，而且對施工人員的人身安全危害極大[9-10]。因此，對輸電線路采取防撞預警措施是非常必要的。

一直以來，智能化的在線監測方法在輸電領域的應用一直較為薄弱。目前，輸電線路的防撞主要依靠人工現場巡線、人工后臺視頻監控等方式，均需要耗費較多的人力資源，并且監測覆蓋面較為有限[11]。目前已有多種關于輸電線路防撞在線預警的方法有多位學者提出了相關方案，如通過激光技術、紅外檢測技術等監測輸電線路周圍異物的存在，但受環境影響較大，容易產生誤判[12]；通過視頻監控設備獲取異物圖像并分析進行結果研判，但單一使用圖像數據，其識別精度有待提升[13-15]。

本文針對輸電線路防撞工作的現狀，提出了針對輸電線路周邊工程機械的防撞在線預警方法。該方法通過微波測距傳感模塊、攝像模塊等對被監測區域進行實時監測，當監測到運動目標時，即提取該目標的像素分布特征、形狀特征以及距離特征，并傳輸到后臺服務器。后臺服務器接收到數據后，即通過特征數據庫以及模式識別算法對目標的特征數據進行識別，進而輸出識別結果。

本文的創新點在于， 使用壓縮感知（compressed sensing，CS）算法實現異物目標的高精度自動在線監測與識別。CS 算法指出，對于一個具有稀疏性的信號，可以降頻采集并完整重構。本文的識別結果數據具有較高的稀疏性，因此選用CS 算法完成模式識別環節，保證識別結果的高精度[16-17]。結果表明，本文提出的防撞在線預警方法，對于異物預警研判的準確率可達96.34%，驗證了其有效性。

1 系統概述

本文提出的針對輸電線路周邊工程機械的防撞在線預警方法，在結構上主要分為兩個部分：前端監測模塊和后臺處理模塊，系統結構如圖1 所示。

圖1 系統結構

前端監測模塊包括監測傳感器、處理器以及通信模塊。監測傳感器包含攝像模塊以及微波測距模塊，分別進行異物的圖像以及與線路距離數據的采集。當前端處理器利用采集的被監測區域的圖像數據，通過運動物體檢測算法識別出被監測區域存在運動物體時，即通過該圖像提取異物的像素分布特征數據以及形狀特征數據，并記錄此時的測距數據，一起通過4G 通信模塊傳輸至后臺服務器。

后臺處理模塊包括后臺服務器以及預警模塊。后臺服務器接收到異物的特征數據時，即調取離線特征數據庫以及建模完成的壓縮感知識別算法，對異物是否具有威脅進行研判，并根據結果輸出預警結果，通過預警模塊執行相應的處理流程。

離線特征數據庫中為歷史上采集的異物目標特征數據，其數據結構與前端處理器采集的特征數據一致，并且包含異物的研判結果。每一次的識別均可對離線特征數據庫進行數據更新與學習，增強算法的識別能力。

2 識別目標特征量提取

異物目標特征量的有效提取是目標精確模式識別的基礎，也是能否對撞擊威脅進行有效預警的關鍵。但系統檢測到監測范圍內存在運動物體時，即對該物體進行抓取，并提取其3 種特征：像素分布特征、形狀特征以及距離特征，為模式識別環節提供數據基礎。

2.1 運動目標檢測

為節約系統軟、硬件資源，使特征量過程更為精確，系統利用攝像模塊進行監測范圍內運動目標的檢測。

本文利用幀差法實現運動目標檢測，即對比連續兩幀圖像的像素值差異，若差異像素點個數大于設定好的閾值，則認為在這一時刻圖像中有物體在運動，并且變化像素點的集合即運動物體的像素點集合。這樣便完成了運動目標檢測，同時也輸出了運動物體的像素點集合，后續的特征量提取也是在該集合范圍內進行的。

2.2 像素分布特征提取

據輸電運檢單位統計，造成輸電線路撞擊事故的大型施工機械以大型吊車為主，其中，95%的吊車涂裝顏色為黃色或綠色。因此，本文抓住目標的顏色特征，將目標像素分布特征作為主要特征量之一。

圖像中的顏色通常由紅、綠、藍（RGB）三基色像素描述，每一種基色取值范圍為0～255。為了用一個值表征像素的顏色特征，本文將像素由RGB 空間轉換為HSV（hue、saturation、value）空間，即色調、飽和度、強度，取其中的色調（H）。RGB 與H值之間的轉換式如（1）式所示。

通過式（1）的轉換，每一個像素點均對應一個H值。由此可以繪制出像素點分布特征圖。以圖2中抓取的吊車為例，像素分布特征圖如圖3 所示。

圖2 目標形狀特征提取示意圖

圖3 像素分布特征圖

為更好地表征像素分布特征，并且使得像素總數不同的圖像之間有可比性，本文對像素點個數進行歸一化處理，即每一個H值對應的像素點個數均除以像素點個數最大值。

2.3 形狀特征提取

對于吊車等大型機械，其形狀特征顯著區別于其他運動物體。因此，本文將目標的形狀特征也作為主要特征量之一。

形狀特征的提取首先要繪制出目標的最小矩形外框。將運動目標像素集合中的像素點進行歐氏距離計算，將遍歷結果中最大值對應的兩個像素點設為對角線端點，以此為基礎繪制最小矩形外框。然后，對矩形的長寬比進行計算，即可得到運動目標的形狀特征數據。

2.4 距離特征提取

若監測范圍內出現的大型機械與輸電線路之間的距離處于安全范圍，此時針對該目標發出防撞預警就會造成威脅處置資源的浪費。因此，本文將目標的距離特征作為主要特征量之一。

距離特征的獲取通過成熟的微波測距模塊實現，輸出的值即目標與輸電線路之間的距離值。

3 基于壓縮感知的目標特征識別

本文算法在進行目標特征識別時，是識別離線特征目標數據庫中與本次目標最為相似的目標，包括以下兩種情況。

· 識別出的目標類型為無威脅，那么本次目標特征識別的結果為無威脅，無須工作人員對其進行確認與處理。

· 識別出的目標類型為有威脅，則對目標的相似度設置閾值進行二次判斷，若超過閾值則本次目標特征識別結果為威脅，需要工作人員進行處理，否則判定無威脅。

以上為本文目標特征識別算法整體邏輯架構。其中，最為核心的部分是離線特征目標數據庫的識別，此步驟的精度直接影響最終結果的判斷。壓縮感知（CS）理論指出，若信號可以滿足稀疏性要求，則利用低于奈奎斯特采樣頻率采集的部分數據，恢復信號的完整數據。本文將CS算法進行重新設計，利用其重構數據的功能實現目標特征的高精度識別。

3.1 CS 算法設計

對于一次目標識別過程，系統需要采集由形狀特征、距離特征以及像素分布特征所構成的302 維特征向量，如式（2）所示。

其中，第j個元素為1。

其中，Θ稱作傳感矩陣，維度為m×N。為體現CS算法的壓縮性，m遠小于302。

式（7）即CS 算法的標準形式。已知T與Θ，即可重構S。但是，高精度的重構需要對Θ矩陣進行特殊的處理與構建。

3.2 基于奇異值分解的傳感矩陣構建

根據CS 算法原理，高精度的數據重構需要Θ矩陣滿足限制等距性質（restricted isometry property，RIP）[18]，即滿足：

F為變換后的傳感矩陣，由式（17）可得，F是一個部分正交矩陣，因此可以滿足RIP 條件。

綜上所述，利用檢測得到的x、高斯隨機矩陣Φ、離線數據庫Ψ，即可根據式（18）重構特征數據提取向量S。

3.3 識別目標優化重構

如上文所述，式（18）是一個欠定方程，因此無法直接解方程。由于被重構向量S是稀疏度為1 的向量，本文將重構問題轉化為最小l1范數優化求解問題[21]，求解模型為：

優化求解過程通過多次迭代逐步逼近原數據向量的原理，常用求解算法主要包括正交匹配追蹤（orthogonal matching pursuit，OMP）算法[22]、子空間追蹤（subspace pursuit，SP）算法[23]壓縮采樣匹配追蹤（compression sampling matching pursuit，CoSaMP）算法[24]以及廣義正交匹配追蹤（generalized orthogonal matching pursuit，GOMP）算法[25]等。本文使用這4 種求解算法以進行對比。

重構得到的向量S可計為S′：

重構的過程存在誤差，因此 ′S稀疏度并不是1，而是由一個接近1 的值加上若干較小非0 值組成的向量。本文選取向量中最大值對應的元素位置選擇數據庫中最相似向量，并用該值與1 之間相似度作為目標之間的相似度。

4 實驗驗證

4.1 實驗設置

為了驗證本文防撞在線預警方法的有效性，首先建立識別使用的離線特征數據庫以及用以驗證算法的測試數據庫。通過現場采集以及歷史留存樣本的處理，共建立了包含976 個樣本的離線特征數據庫以及包含273 個樣本的測試數據庫。數據庫中包含多種機械設備在多種環境下的樣本，可以涵蓋大多數的輸電線路大型機械撞擊事故的類型。實驗樣本圖像示例如圖4 所示。

圖4 實驗樣本圖像示例

在測試數據庫的273 個樣本中，具有威脅的樣本共有76 個，無威脅的樣本共197 個。

4.2 運動目標檢測有效性驗證

本文在現場進行了運動目標圖像采集，然后利用本文運動目標檢測算法生成各運動目標像素集合。為了檢驗算法有效性，同步對運動目標圖像進行人工框取，生成檢驗集合，將其與運動目標像素集合進行像素相似度對比，不同類型運動目標檢測準確率見表1。

表1 不同類型運動目標檢測準確率

從表1 可以看出，本文運動目標檢測算法對于大型吊車的檢測準確率可達95%左右，這是因為吊車吊臂高度較高，因此該部分的背景圖像較為單一，幀差法檢測效率更高。

4.3 壓縮感知目標特征識別結果及分析

從第2 節算法策略的描述可得出，壓縮感知算法直接輸出的是相似度值，最終結果的判定需要相似度值與設定的閾值進行對比。因此，不同的閾值對算法輸出結果的準確性影響是較為顯著的。因此，本文在測試時針對不同閾值下的識別準確度進行統計。為了驗證本文CS 算法的有效性，在測試中選取了BP（back propagation）神經網絡以及K-近鄰（K-nearest neighbor，KNN）兩種模式識別算法，用以進行對比驗證。識別測試結果如圖5 所示。

圖5 識別測試結果

從圖5 可以看出，3 種算法識別準確率的變化趨勢均是隨著閾值的增加先升后降的。CS、BP、KNN 3 種算法達到準確率最大值的閾值分別為86%、80%、78%，對應的識別準確率分別為96.34%、91.94%、87.55%。

由以上結果可以看出，本文CS 算法的識別效果是具有一定優勢的，其不僅有最大的準確率，同時對應的閾值也是最大的。這說明CS 算法在識別目標時，均能夠輸出較高的相似度值，那么當閾值變低時，就會使得“誤判”的情況變多，而當閾值變高時，并不會造成過多“漏判”。因此，CS 算法具有最高的魯棒性。

為了探究CS 算法中重構優化求解算法的選取對算法識別準確度的影響，本文選取OMP、SP、CoSaMP、GOMP 4 種求解算法進行對比驗證。相似度閾值選取86%，測試各算法在不同m值下的十倍準確率，4 種求解算法準確率對比如圖6 所示。

圖6 4 種求解算法準確率對比

從圖6 可以看出，當m＜5 時，識別準確率較低，當m＞10 后，識別準確率區域穩定值。OMP 算法的識別準確率顯著高于其他3 種求解算法，因此本文CS 算法中的求解算法選取OMP算法。

4.4 針對不同工程機械樣本的識別結果及分析

為探究本文算法對于不同類型工程機械的識別性能，使用317 個黃色涂裝吊車樣本、265 個綠色涂裝吊車樣本以及283 個其他工程機械樣本，對本文算法進行測試，不同類型樣本識別準確率如圖7 所示。

圖7 不同類型樣本識別準確率

從圖7 可以得到，黃色涂裝吊車、綠色涂裝吊車以及其他物體的識別準確率分別達到了97.56%、96.77%、92.17%，說明本文算法對于大型吊車的識別準確率較高，這是因為在3 個特征量中，H值分布向量、最小矩形長寬可以直接反映大型機械的顏色特點和形狀特點。因此，本文算法在實際應用中的識別作用是較為可靠的。

5 結束語

本文針對輸電線工程機械路防撞問題，提出了針對輸電線路周邊工程機械的防撞在線預警方法。該方法利用攝像機、微波傳感器對監測范圍內的運動目標進行特征量提取，包括像素分布特征、形狀特征以及距離特征，然后利用壓縮感知算法對目標進行研判，輸出預警結果。通過本文設計的實驗，可以得到以下幾個結論。

（1）本文算法在設計上主要針對大型的施工機械進行識別，識別精度可以達到96.34%，有效保證了輸出的預警信息可靠性，為運檢部門及時做出相應處置措施、提前消除隱患建立了基礎。

（2）本文使用的壓縮感知算法識別準確率顯著高于其他模式識別算法，并且具有最高的魯棒性，算法性能優異。

（3）在輸電線路的外力撞擊事故中，近80%來源于大型施工機械，這正是本文算法主要針對的識別類型。因此，本算法在輸電線路運檢工作中具有較好的可推廣性。