基于回歸模型的電力線路三維全景監測方法

陳赟,朱超杰,周亮

(國網上海市電力公司 經濟技術研究院,上海 200002)

0 引言

隨著電力系統信息化的飛速發展以及電網結構的復雜化[1],用信息化方式治理電力線路逐漸成為電力行業發展趨勢。為了提升電力行業的信息化管理水平,電力行業逐漸采用智能信息技術,提高電力線路的監測能力,從而提升電力管理效果。但是現有的電力線路信息監測方法效果差,影響工作效率。

為了有效解決上述問題,凌曉波等[2]研究了基于激光三維掃描設備全景電力監控數據應用模型,獲取電力線路點云數據,構建獨立坐標系,完成全景掃描,以“數據—模型—應用”為設計思路,構建電力監控數據應用模型,但是電力監測方法由于異構數據特征提取效果差,導致三維全景圖像清晰度低。楊劍鋒等[3]研究了基于深度學習網絡的輸電線路異物入侵監測和識別方法,采用條件生成對抗網絡算法擴充異物入侵的輸電線路圖像樣本,并且采用Dense-net網絡替代YOLOv3網絡中倒數第二層網絡,建立Dense-YOLOv3深度學習網絡模型,通過該模型實現電力線路異物入侵監測和識別,但是該監測方法的異常報警率低。

針對上述問題,為了提高電力線路監測效果,提出一種基于回歸模型的電力線路三維全景監測方法。該方法引入了回歸模型,以提高監測效果。

1 電力線路三維全景監測硬件設計

電力線路三維全景監測方法主要通過采集模塊和攝像機等硬件獲取監測對象的圖像或者視頻,通過軟件實現全景監測。三維全景監測方法硬件架構如圖1所示。

圖1 電力線路三維全景監測方法硬件結構

通過圖1可知,硬件主要由遠程控制和本地控制組成,其中遠程控制通過本地控制發送的信號實現。結合電力線路三維全景監測方法[4]的實際需求和硬件結構,設計電力線路三維全景監測方法相關硬件,硬件部分中的模塊主要分為以下幾種,如圖2所示。

圖2 電網線路三維全景系統硬件組成模塊

通過各個模塊之間的相互協作,實現系統的監測功能。以下對各個模塊展開詳細的分析和描述。

1)主控器

主控器是電力線路三維全景監測方法硬件的核心,主要負責處理三維全景監測視頻,實現編程、數據存儲等功能。主控器采用DSP處理芯片和FPGA處理芯片相結合的形式構建,核心是DM6446。ARM子系統負責DM6446控制系統的頻率設置。DSP子系統負責電力線路數據的計算和處理,并且處理復雜圖像。

2)設備管理模塊

為主控器搭建多個不同的外圍設備,并借助設備資源分配完成電力線路圖像采集和顯示等相關操作。設備管理通過操作系統的設備驅動程序完成。根據設備驅動程序,保證設備的獨立性和可移植性。同時,用戶主要通過標準化的功能完成對界面設備的管理。

3)電網線路圖像處理模塊

電網線路圖像處理模塊包含3個單元,分別為圖像采集單元、圖像算法單元和圖像顯示。圖像采集單元由CCD模擬攝像機和數字視頻解碼芯片組成,將原始圖像信號設置為模擬信號,采用柵格線圖像格式,將圖像細節信息傳輸到主控器緩沖區,完成網格線圖像壓縮處理;圖像算法單元負責完成電路線路圖像的拼接工作;圖像顯示單元負責采集電力線路圖像,信息主要通過ARM終端采用管道的形式將圖像傳遞至圖像顯示程序。

4)終端管理模塊

終端管理模塊主要是由服務器和手機客戶端兩個部分組成,將需要保存的文件存儲于文件服務器,以完成系統的終端管理工作。

5)電網線路三維全景監測模塊

設計了相應的手機客戶端,具有用戶登錄和安全認證功能,支持當前電網線路三維全景圖像的查詢工作并提供相關參數接口,便于三維全景監測系統相關功能的擴展。

6)電力線路異常報警模塊

電力線路異常報警模塊采用統一的信息描述格式匯總各類基礎報警信息,按照信息處理規則過濾和分類管理報警信息,通過預先設定的傳統推理計算法模型計算報警結果。通過報警模塊提取關鍵信息,并判斷出異常結論及處理建議。

2 基于回歸模型的監測方法改進

2.1 構建監測回歸模型

隨著電力行業應用信息技術的程度越深[5-6],從電力視頻數據中提取異構數據變得越困難。為了有效解決異構數據的問題,選擇敏感有效的特征,可以提高電力線三維全景監測結果的準確性和有效性。以下通過局部保持投影方法需要考慮電力線路圖像數據和物理變量之間的結構相似性,在改進后,可以將協同特征回歸目標函數H表示為式(1)的形式。

(1)

(2)

式中:σ為核參數;e為任意常數;ε′為輸出特征閾值。

通過求解式(1),可以得到對應的投影矩陣,同時完成協同回歸模型的特征提取。則式(1)中的目標函數可以表示為如下回歸模型形式:

(3)

式中t代表測試樣本采樣周期。至此完成回歸模型的構建,但是此時無法實時監測電力線路,并且監測效果無法得到保障。因此,需要進一步優化監測回歸模型,提高監測質量。

2.2 基于回歸模型的監測方法優化

回歸模型可以利用構建的映射矩陣快速計算網格線的圖像特征,并將物理變量共享至電力線路三維全景監測過程,有效地減少了監測過程的時延問題。但是監測數據中存在高斯數據,影響監測效果。因此,通過ICA-PCA方法有效區分電力線路數據的非高斯數據和高斯數據,保障三維全景監測結果的準確性。

首先,通過ICA-PCA處理電力線路視頻幀圖像特征變量,即線路數據,獲得以下形式的公式:

(4)

式中:U為獨立元處理后得到的獨立元;V為解混矩陣;X為電力線路圖像的剩余特征;Xe為處理后的電力線路圖像特征。

在上述基礎上,通過信息共享方法獲取非高斯的獨立元信息以及高斯分布特性的主元信息和殘差信息,從而通過不同的統計量完成實時三維全景監測處理。其中,不同統計量對應的表達式如式(5)所示。

(5)

式中:x、y、z分別代表不同的統計量;st代表方差矩陣;τ代表樣本向量;lm,n、bm,n以及cm,n分別代表不同組成部分的信息特征矩陣。

在采集到全新的電力線路圖像和物理變量樣本后,經過控制回歸模型,獲取對應的圖像特征,進而通過式(6)監測全新樣本的實時運行狀態。

SPE=fnew×Snew×tnew

(6)

式中:SPE代表電力線路三維全景監測結果;fnew代表最新的電網線路圖像樣本特征;Snew代表概率密度;tnew代表電網線路密度圖像的主元信息。

3 實驗

3.1 實驗方案

為驗證基于回歸模型的電力線路三維全景監測方法的可行性,設計了實驗驗證方案。具體實驗方案如下:

1)明確實驗中具體的三維全景制作過程,主要涉及圖采集、拼接、三維場景制作等步驟;

2)實驗準備,明確研究對象,介紹實驗參數,展示三維全景系統;

3)驗證所設計的三維全景系統的組成模塊是否正常運行,為后續實驗提供實驗基礎,避免硬件環境對實驗有效性的影響;

4)分析設計方法的性能。

3.2 實驗三維全景制作過程

電力線路三維全景監測方法除了監測功能外,仍需根據下述制作流程,完成實驗,分析監測方法性能:

1)圖像采集,采用攝像機采集電力線路圖像;

2)圖像拼接,包含圖像投影、融合等,將采集的圖像通過數字視頻解碼器進行解碼,然后根據需求拼接電力線路圖像;

3)三維場景制作,包含場景播放器、圖像切片等;

4)三維場景發布,主要是顯示電力線路三維全景圖像,提供人機交互功能,為工作人員的操作提供操作界面。

3.3 實驗準備

實驗以某城市的部分電力線路為研究對象,該段線路處于城市郊區,電力線路的全景圖像如圖3所示。

圖3 電力線路全景圖像

在實驗過程中采用了1個全景相機、1個全景攝像頭、1臺計算機、1個處理器等設備。其中全景相機和全景攝像頭均安裝在研究對象場所,利用原來的全景相機支架固定實驗用的相機和攝像頭,并且通過以太網連接計算機,通過計算機處理和展示電力線路圖,遠程控制的手機客戶端通過計算機發送的信號實現監測。實驗中采用的具體設備和參數如表1所示。

表1 實驗設備和參數

設計電力線路三維全景監測系統界面,使監測方法具備人機交互功能,便于工作人員操作,具體界面如圖4所示。

圖4 電力線路三維全景監測系統

3.4 三維全景監測系統組件模塊檢測

應用本文設計的三維全景監測系統,在完成設計安裝后,檢測系統的運行情況,驗證各個模塊是否正常運行。主要檢測的功能有三維圖像采集、電力線路異常報警等。檢測三維監測系統在60 min內,系統各項功能均能正常使用,并且不出現卡頓、功能缺失等情況。在實際焊接過程中,主要通過試塊法,將組件和信號接口等作為焊接順序,在完成各個模塊的焊接工作后,需要測試不同模塊的性能。

首先單獨依次檢測系統的各個模塊功能,檢測結果為全部正常后,將檢測所用模塊安裝在一起,同時運行的功能和具體檢測結果如表2所示。

表2 三維全景監測系統組件模塊檢測

根據表2的檢測結果可知,設計的電力線路三維全景監測系統各項功能運行正常,可以進行后續的實驗分析,驗證本文方法的性能。

3.5 性能分析

驗證監測方法的性能,需要以性能指標衡量監測方法,否則無法體現監測方法的性能。因此,選擇電力線路三維全景圖像特征提取數量、監測效果圖的清晰程度(直觀效果圖)和電力線路異常報警率為實驗指標,分析監測方法的應用效果。應用3種方法監測電力線路,分別為本文方法、文獻[2]方法和文獻[3]方法。

1)電力線路三維全景圖像特征提取數量

電力線路三維全景圖像特征提取數量越多,表明監測方法監測到的電力線路越準確,三維全景圖像越好,其提供的參考價值更高。因此,隨機采集100張電力線路三維全景圖像,以此為實驗樣本,應用3種監測方法提取特征,特征提取數量為當前監測樣本數的平均值,實驗結果如表3所示。

表3 不同監測方法的特征提取數量 單位:個

根據表3數據可知,本文方法提取電力線路三維全景特征數量均在500個以上,最高值達到了532個,文獻[2]方法和文獻[3]方法的特征提取數量均在300個左右,其中文獻[3]方法的提取數量相對較多,最高值達到了378個,但是3種方法相比,文獻方法的最高值都低于本文方法的最低值,兩者相差134個。由此可知,本文方法的特征提取效果最好,其能夠為電力線路提供更加準確的三維全景圖。提取特征點如圖5所示。

圖5 特征點采集

2)監測效果圖的清晰程度

通過直接觀察的形式,分析應用本文檢測方法后監測效果圖的清晰程度,將本文方法檢測的效果圖和原圖進行對比,應用后的監測效果如圖6所示。

圖6 電力線路三維全景監測結果

分析圖6的監測效果圖,并且與圖3對比可知,從監測范圍角度分析,本文方法監測到了全部電力線路,而應用本文監測方法之前監測的范圍較小。從監測效果圖的清晰度分析,通過直接觀察的方式發現,本文監測方法的三維全景監測效果圖更加清晰,顏色更加鮮明,而應用本文方法之前的監測效果圖相對模糊。因此,本文設計的電力線路三維全景監測方法的監測效果圖呈現的效果更佳,具備了更優越的性能。這是因為本文引入了回歸模型,可以有效地通過構建的映射矩陣獲取網格線的圖像特征,從而提高了圖像的質量。

3)電力線路異常報警率

本文的電力線路三維全景監測方法主要是展示電力線路的實景情況和報警電力線路異常情況。因此,以電力線路異常報警率為實驗指標,分析監測方法的報警性能,測試樣本仍為3.4章節中的100個電力線路樣本,該樣本中存在20張電力線路異常的三維全景圖,平均20張中含有4個異常圖,實驗結果如表4所示。

表4 電力線路異常報警率測試結果

根據表4的數據可知,本文方法的電力線路異常報警率均在96.0%以上,最高值達到了97.3%;文獻[2]方法的電力線路異常報警率低于90.0%,最高值為89.3%,最低值為87.3%;文獻[3]方法的電力線路異常報警率最高值為94.1%,最低值為80.3%,該監測方法的報警率最高值雖高,但是其波動較大,電力線路異常報警不夠穩定。3種方法相比可知,本文方法在監測電力線路異常時,可以有效報警,其異常報警率最高,有效識別出電力線路的異常情況,并且發出報警信號。

4 結語

針對傳統三維全景監測方法存在的弊端,設計并提出一種基于回歸模型的電力線路三維全景監測方法。該方法應用了回歸模型,結合其他方法,進一步提高監測效果。經大量實驗測試結果證明,所提監測方法提取電力線路特征數量最多,并且三維全景圖像更加清晰,同時其電力線路異常報警率達到了97.3%,本文方法有效提高了電力線路三維全景監測效果。