基于邊-云協同的輸電線路綜合在線監測系統*

葉保璇，王康堅，余盛達，易婷婷，黃廷城

（1.海南電網有限責任公司文昌供電局，海南文昌 570100；2.廣州市奔流電力科技有限公司，廣州 510670）

0 引言

近年來，中國輸電線路系統規模不斷擴大，但由于鳥害、山火、冰害、風偏以及外力破壞等因素，架空輸電線路時常受到損害。因此，為獲取輸電線路本體和走廊通道的信息，確保線路處于安全運行狀態，目前已有多種輸電線路在線監測系統。系統一般由負責數據采集的邊緣端和數據處理的后臺系統2個部分組成[1]。根據監測功能和對象的不同，在線監測系統可劃分為微氣象監測、外力破壞監測、覆冰監測、桿塔傾斜監測等系統[2]，然而不同的監測系統功能較為單一。大部分輸電線路同時有多種監測需求，現有輸電線路在線監測系統難以滿足。若在同一輸電線路安裝多套不同監測終端，則存在安裝運維工作量大、設備配置冗余、經濟成本高等問題。

另一方面，目前大部分輸電線路在線監測系統將大量的設備監測數據傳至后臺系統進行分析判斷，每隔一段時間傳輸一張圖片，導致通信壓力大、流量費用高，而且每隔一段時間傳一次圖片的模式難以達到在線監測感知的需求。為解決上述問題，基于邊緣端智能識別的輸電線路在線監測逐漸興起，但由于邊緣識別剛處于起步階段，且受限于邊緣端的算力和功耗，其識別準確率不高，不同識別對象的準確率在50%～90%[3]，仍無法滿足實際應用的需求。同時，深度學習以其在特征提取與模式識別方面的獨特優勢與潛力被廣泛應用于輸電線路智能識別中，但深度學習的故障診斷方法和性能好壞很大程度上取決于數據集的規模和質量[4]。目前，輸電線路故障樣本數量較少且難以采集，造成深度學習的模型訓練優化困難，阻礙了識別效果進一步提升。

因此，本文針對輸電線路多種在線監測識別需求，以及現有輸電線路在線監測系統存在的低效率、弱實時性、低識別率等問題，研究設計了基于邊-云協同的輸電線路綜合在線監測系統。通過邊緣端分析監測裝置、深度學習模型以及系統架構，深入分析基于邊-云協同的輸電線路綜合在線監測系統的技術原理和應用模式。

1 邊緣端分析監測裝置

為實現邊緣端的綜合數據采集以及一次識別，本文所設計的輸電線路邊云協同綜合在線監測系統邊緣端由傳感器、攝像頭、人工智能處理模塊等部分組成，如圖1所示。

圖1 邊緣端分析監測裝置圖

通過安裝不同傳感器采集輸電線路覆冰、風偏等危害的相關監測數據。微氣象傳感器用于采集環境濕度、風速、風向、雨量、氣壓等反應氣象參數特性的數據；絕緣子串軸線上安裝雙軸角度傳感器采集絕緣子傾斜角實現導線風偏距離監測；桿塔傾角傳感器用于采集輸電桿塔傾斜角度，判斷兩側受力情況，避免因受力不均導致桿塔的傾斜或倒塌；紅外測溫傳感器監測線夾的溫度，避免線夾異常發熱；紅外熱成像傳感器通過紅外熱成像圖直觀觀察設備發熱狀況并實現山火的在線監測和智能測距。

除常見傳感器監測線路周圍環境和本體外，本文系統的邊緣端分析監測裝置還融合了視頻監控。采用具備嵌入式模塊的攝像頭，嵌入人工智能處理模塊，將實時采集的輸電線路本體和通道周圍圖像發送至人工智能處理模塊，通過目前快速發展的深度學習技術進行智能識別，得到輸電線路疑似缺陷圖像并傳至后臺。實現邊緣端視覺監測輸電線路缺陷與山火、鳥害、漂浮物懸掛、大型機械物入侵、違規建筑、過高樹木觸碰等外力破壞。

2 深度學習的YOLOv3模型

深度學習技術被廣泛應用于輸電線路圖像在線監測中，具有高效、安全、快速等特點。綜合考慮網絡深度、模型復雜度、任務難度以及計算能力的限制等問題，基于邊-云協同的輸電線路綜合在線監測邊緣端識別，采用YOLOv3作為深度學習模型。

2.1 YOLOv3網絡結構

YOLOv3是YOLO（You Only Look Once）系列的最新檢測網絡。單級檢測YOLO 采用回歸策略的端到端目標檢測算法。網絡結構優化設計過的YOLOv2，利用殘差網絡結構、多尺度訓練、特征融合、基于k-means 的先驗框生成等方法，改善了相對簡略的約束框處理帶來的低召回率和樣本不平衡問題，同時優化了模型的深度特征提取能力[5]。

YOLOv3正是在YOLOv2基礎上，采用53層的DarkNet-53作為主干網絡，對輸入的圖像首先進行特征提取，構建特征金字塔（Feature Pyramid Networks,FPN）。特征金字塔使用步長為2的卷積降采樣，分別在32、16、8倍降采樣時進行目標檢測，轉移層（Passthrough Layer）拼接三次降采樣得到的特征信息。在多尺度檢測（Multiscale Detection）中使用3 種不同尺度特征圖（13 Px×13 Px，26 Px×26 Px，52 Px×52 Px）融合，使YOLOv3可以學習到淺層和深層特征信息[6]。最后，使用Logistic 函數進行目標分類，令YOLOv3 能夠執行目標的多標簽檢測，進一步提高檢測準確率。YOLOv3的網絡結構圖如圖2所示，單級目標檢測框架直觀簡練，相對于兩級目標檢測框架速度更快，提高了實時性。

圖2 YOLOv3網絡結構圖

2.2 YOLOv3的損失函數

YOLOv3的損失函數是在YOLOv2基礎上進行改動，最大的變動是分類損失成了二分交叉熵，這是由于YOLOv3中剔除了softmax 改用logistic。將輸入的圖片劃分成S×S 個網格，每個網格生成B個候選框anchor box，每個候選框經過網絡得到相應的bounding box，最終得到S×S×B個bounding box，YOLO系列的核心是每個特征圖中的每一個網格都去預測一個物體，所以YOLOv3的損失函數公式如下。

本文采用YOLOv3 模型進行圖像智能識別。一是采用了Darknet-53 網絡結構，在一些層之間設置快捷鏈路；二是采用多尺度特征融合進行目標檢測；三是采用回歸分類，提高分類的準確性[7]。因此在輸電線路在線監測中，利用YOLOv3識別外力破壞、線路故障等目標檢測，具有較高的準確性和實時性。同時，為了提高識別準確率，解決深度學習需要大量負面樣本建模的問題，本文系統將通過后臺統一收集區域內的負面樣本，進行定期迭代訓練優化后，將訓練好的模型傳至邊緣端進行識別。

圖3 系統整體架構

3 系統整體架構

基于邊-云協同的輸電線路綜合在線監測系統主要由邊緣端、無線通訊和云端3部分組成，整個系統架構如圖3所示。

邊緣端主要負責多類型數據的采集和一次識別。實時監控的攝像頭將采集的圖片傳至邊緣端的人工智能處理模塊中進行初次診斷，通過深度學習算法得出疑似缺陷圖片，并將疑似缺陷圖片經無線通訊送至云端。同時，多種傳感器根據自身功能采集多類型數據，與邊緣端一次識別得到的疑似缺陷圖片一同傳至云端的后臺服務器中。

云端主要負責多類型數據的全面分析、二次識別和模型訓練。后臺服務器通過基于深度學習的圖像分析技術將疑似缺陷圖片進行二次識別，結合傳感器采集的多類型數據，綜合判斷線路運行周圍環境狀態，最后將識別結果送至可視化終端。同時，后臺系統匯集區域內的負面樣本進行定期迭代優化深度學習模型，并將訓練好的模型傳至邊緣端，提高邊緣端的識別準確率。

無線通訊主要是以虛擬無線專網方式進行通訊，為輸電線路在線監測提供高可靠、高安全、高帶寬的數據傳輸通道。

邊緣端識別的產品將識別任務全部放置邊緣端進行，造成識別率不高等問題，本文所設計的系統是邊緣端將一次識別得到的疑似缺陷圖片傳至云端后臺服務器進行二次識別，提高識別準確率，減小誤報率，降低數據通信壓力和后臺服務器處理復雜難度。同時，系統依靠傳感器采集多類型數據，后臺可根據綜合數據進行智能統計、全面分析評估，方便運維人員回溯事故原因，提升系統識別精度，保護輸電線路安全運行。

4 結束語

本文提出一種基于邊-云協同的輸電線路綜合在線監測系統，首先綜述了現有輸電線路在線監測系統現狀，其次詳細分析本文系統的邊緣端監測裝置，介紹了基于YOLOv3的深度學習模型，最后研究系統整體架構以及各組成部分主要功能。基于邊-云協同的輸電線路綜合在線監測系統可實現全時段大范圍的輸電線路安全監控，實現線路全面狀態感知，有效進行數據處理。邊-云協同提高檢測速度和準確率，不斷收集負面樣本進行深度學習模型的更新優化，解決復雜背景下小目標檢測困難問題，同時YOLOv3模型具有高效快速特點，在工程上更具有使用價值。因此，基于邊-云協同的輸電線路綜合數據在線監測系統對保障輸電線路穩定運行具有重要意義。