基于物聯網的輸電線路智能監測系統研究與應用

賈培躍

（寧夏送變電工程有限公司，寧夏 銀川 750000）

0 引 言

目前，輸電線路運行狀態直接對電網運行安全性造成影響。在我國電網規模以及用電需求不斷提升的背景下，輸電線路運行監測工作的壓力以及難度也隨之提升，這就要求電力行業積極加強對輸電線路監測技術的研究力度，將物聯網、智能技術等現代高新技術融入監測系統，為提升輸電線路運行狀態監測質量以及效率提供有力保障。

1 物聯網技術概述

物聯網的實質是網絡通信技術的一種應用形態，實現各種物質的相互連接。由于全球定位系統和無線電頻率識別等技術普及，物體間具備交流條件，為實現物品跟蹤管理提供必要的條件支持，實際應用中呈現出全面感知、可靠傳遞以及智能處理等優勢。電力物聯網即物聯網技術在電力領域應用得出的成果，其實際運行過程中充分依托于電力系統運行各環節，并結合“大云物移智”通信架構以及技術，有效實現多層次、寬領域萬物互聯通信以及人機交互處理，為基于物聯網的輸電線路智能監測系統提供技術支持。

2 基于物聯網的輸電線路智能監測系統構成

根據傳輸線與物聯網相結合的信息流向，可以將基于物聯網的輸電線路智能監測系統分為監測控制層、信息路由層和采集應用層3 個層次，具體如圖1所示。

圖1 系統結構

監測控制層包括上層集控管理主機、監測管理主機和綜合存儲數據庫。該層的主要作用是對前端采集數據進行分析，監測控制工作周期，并在問題出現時發出報警信號。同時，監測控制層可以存儲、分析和處理數據，為系統后續應用提供支持。

信息路由層是由單一或多層次數據集中器構成。其作用是將前端采集的數據傳輸到監測控制層，并保證數據傳輸的穩定性和可靠性[1]。信息路由層的具體架構可以根據實際應用場景進行調整，以達到最佳的傳輸效果。

采集應用層由多種前端監測設備構成，可根據實際需求進行調節。主要作用是實時采集各種監測數據，并將其傳輸到信息路由層[2]。該層設備種類繁多，包括傳感器、監測儀器等，其選擇應根據具體應用場景和監測目標而定。

整個智能監測系統是一個完整的閉環，其可以通過定期發送詢問請求來實現網絡結構擴充，并實現自我維護目標。同時，整個系統的架構設計應該具有可擴展性和靈活性，能夠適應不同的應用場景和需求。

3 系統功能實現

3.1 邊緣智能終端

邊緣智能終端在系統中所承擔的職能主要為設備以及系統管理、數據分析、安全加密等。該終端設計采用的數據處理與策略如下。

一方面，數據智能處理。邊緣計算終端在實際運行過程中可匯總，并基于預設報警閾值集數據模型處理各監測終端所采集數據信息，最大限度地保障數據處理精準性。此外，邊緣計算終端會利用人工智能（Artificial Intelligence，AI）圖像檢測識別技術識別分析視頻監測終端所上傳的信息，自動判斷輸電線路通道部分是否存在異物入侵、人為破壞等情況，并自動發出相應警報[3]。

另一方面，數據上報策略。邊緣智能終端為滿足相關數據的可靠性以及安全性要求，在實際運行中針對經過處理的數據結果以及后端設置差異性上報策略，具體如圖2 所示。

圖2 數據上報策略

所有數據在上傳過程中，均需要經過加密模塊處理后傳輸至云端系統，最大限度地保障數據安全。這種加密方式可以有效防止數據泄露和被篡改的風險。在實時監控功能開啟的情況下，數據可直接上報以保障數據的實時性。實時監控功能可以使邊緣智能終端及時發現和處理數據異常情況，從而保證數據的準確性和及時性。在正常運行情況下，邊緣智能終端需要分析、識別并處理數據，依照正常周期進行上報。這種周期性上報方式使邊緣智能終端更好地掌握數據的變化和趨勢，從而更好地為用戶提供服務[4-5]。對于異常數據，邊緣智能終端會立即上報，其可以讓管理者及時發現和處理數據異常情況，從而避免數據損失和風險。

3.2 電源系統

該系統主要以太陽能電源為主，輔以風力發電機，以滿足不同地域的氣候差異條件，保障系統運行的穩定性以及可靠性。該系統配置有防雷擊、防毀保護設備以及具有較高環境適應性的蓄電池。該設備能保證在沒有額外的極限情況下連續工作15 d，增強了電力供應的可靠性和穩定性。另外，本設計不僅實現了對供電單元的智能化自我管理、遠程管理及工作監控等功能，還實現了對電力設備運行狀態、電量參數的監控。實際檢測過程中，系統將各功率單元視為一條線路，并在該基礎上對其工作狀況進行檢測，從而實現獲取精確地監控數據與管理工作開展狀況，確保供電的可靠性。

3.3 智能分析子系統

3.3.1 視頻圖像智能識別

（1）智能識別策略。針對目前輸電線信道監控長時段不發生改變的現狀，該系統設計過程中主要采用定時與實時、前端與云端融合的方法，以移動物體探測為觸發器，在降低傳輸寬帶及計算資源消耗率的同時全天候監測輸電線路通道。系統監測到有物體進入輸電通道后，會自動利用深度辨識模塊實現對進入物體的探測與辨識。若識別出外來物質侵入，則將識別結果以及圖像信息傳輸至云端開展深入分析處理，云計算平臺對報告的異常及圖片進行探測、辨識，判斷是否發布異常報警。該系統依照預設周期將輸電環內傳輸網絡中的視頻信號數據傳輸至上端，并通過云計算對其進行處理。

（2）運動目標監測。針對傳輸網絡中的視頻影像易受光照、氣象、背景等因素影響，以及邊緣智能終端運算與資源受限等問題，該系統采用基于幀間差分方法處理視頻圖像。運動目標監測技術具有對環境光照不靈敏、算法簡單、動態環境適應性強等特點，能夠實現對通道的實時監控。具體工作中，可利用差分運算檢驗相鄰幀之間的像素值差異，進而檢測圖像中運動或變化的目標，實際操作的主要步驟如下：第一，從視頻流中采集連續的圖像幀；第二，灰度化處理每一幀圖像，為后續像素值對比奠定基礎；第三，計算相鄰幀之間的像素值差分，具體為計算當前幀像素值與前一幀相應像素值的差值；第四，對差分圖像進行閾值處理，將差分值大于一定閾值的像素點視為運動目標，將差分值小于閾值的像素點視為背景；第五，根據閾值處理的結果，可以檢測出運動目標的位置、大小和形狀等信息。通過差分運算，可以有效檢測出圖像中的運動或變化，這在視頻監控、運動分析、目標跟蹤等領域具有廣泛的應用。在實際利用該技術的過程中需要基于輸電線路的實際情況對閾值進行設置。

（3）圖像智能識別模型。針對輸電線全線檢測中存在視頻數量眾多、探測目標尺寸不確定等問題，系統采用的算法不僅要對目標大小進行精確區分，還要滿足精度與速度要求。因此，該系統選取YOLOv3作為云端圖像智能識別的基本框架。該系統實際設計中針對基于邊緣智能終端的智能影像辨識問題，決定選擇以YOLO-LITE 為核心構建面向邊緣智能終端的圖像識別模型，以解決終端算力以及資源限制問題。YOLOv3 參照殘差神經網絡思路，由5 個參差塊組成53 層卷積網絡。利用3 種不同尺寸的物體特性圖實現所識別物體的自動分類，其中小特征圖提取物體的語義信息，而大特征圖則提取物體的空間位置信息。通過從小特征圖中采樣并與大特征圖結合，可實現對不同尺寸物體目標檢測識別的目的。YOLOv3 在實際應用中兼顧識別速度和及識別精度，適用于輸電線路中不同物體目標的探測與辨識。在實際設計中，為在中央處理器（Central Processing Unit，CPU）基礎上開展實時監測識別，簡化YOLO 模型，并修改網絡促使其具備相對較小的淺層網絡，消除批量標準化。

3.3.2 數據分析模型

由于輸電線路地理分布廣泛、故障關聯因素多以及人為因素多，輸電線路運行狀態復雜，無法建立高效準確的輸電線路監測系統。在當前大數據技術應用逐漸成熟的背景下，統計理論也越來越被人們所接受，而以深度學習為基礎的大數據分析和預測也越來越引起技術人員的重視。但現有研究成果中仍存在諸多不足。因此，技術人員構建出數據檢測告警模型，將各種監控信息進行歸類、統計，并將其依照重要程度結合起來構建出報警模型，以保證監控的可靠性和精度。

在此基礎上，通過分類統計生產中監控及失效信息，建立以閘門回路為基礎的智能預警模型，分類判斷異常設備、異常位置、嚴重程度和發展態勢，并對其進行報警，同時給出相應解決對策和方案。該模型還可以結合氣象環境監測數據、線路故障數據及裝備檢修數據，利用以大數據為基礎的智能分析方法，早期預警線路故障。

3.3.3 智能模型更新

智能化系統一般可劃分為運行系統和學習系統2個部分。運行系統使用預先訓練的智能模型進行智能化處理，主要負責對輸入數據進行分類、識別、預測等；而學習系統則具備自學功能，可通過累積數據進行訓練，不斷更新模型以提升精準度目標。學習系統通常需要大量的標注數據和計算資源，以支持模型的訓練和更新。一般來說，學習系統會采用深度學習等技術，通過反向傳播算法不斷優化模型的參數，提高其精準度和健壯性。模型更新后，系統會自動更新本地運行系統和邊緣智能終端的模型，持續提升精準度目標。這一過程通常需要考慮數據的隱私保護、帶寬和存儲等方面的限制，以確保更新過程的高效性和安全性。

4 結 論

通過在輸電線路檢測工程中的實際應用，基于物聯網的輸電線路智能監測系統取得了顯著的應用效果，對于提高輸電線路監測水平、保障電力安全具有重要意義。該系統實際應用表明，其具有較高的準確性和實時性，能夠實現對輸電線路故障和安全隱患的智能識別與預警。相關技術人員應注意繼續深入研究和完善該系統，提高其性能和應用范圍，為電力行業的發展作出更大的貢獻。