基于多源異構數據融合的線路隱患識別技術及應用研究

李瑛　張曉穎　徐汀　王智　周爽　白爍　趙留學

摘 要：研究分析了與輸電線路隱患識別相關的數據，在狀態特征提取和歸一化處理的基礎上，以輸電線路隱患識別為例，引入D-S證據理論實現多源數據的融合。基于現有的業務系統，搭建了統一的輸電全景智慧平臺，并在此平臺上驗證了數據融合識別輸電線路隱患的有效性。提出的輸電線路隱患識別方法，實現了多源數據的共享與融合，提升了輸電線路的隱患識別的準確率，改善了輸電線路的運維現狀。

關鍵詞：隱患識別；多源數據融合；全景智慧平臺

中圖分類號：TM712;TP391文獻標志碼：A文章編號：1001-5922（2023）06-0175-04

Research of techniques and application of? transmission hidden danger identification based on multi-source data sharing

LI Ying1，ZHANG Xiaoying1，2，XU Ting1，2，WANG Zhi1，2，ZHOU Shuang1，2，BAI Shuo1，2，ZHAO Liuxue3

（1.Beijing Electric Power Economics and Technology Research Institute CO.，LTD，Beijing Xicheng District100055，China;2.Beijing Gold Team Power Supply consulting LTD，Beijing Chaoyang District 100012，China;3.State Grid Beijing Electrics Power Company，Beijing Xicheng District 100031，China）

Abstract：This paper analyzes the data related to transmission line hidden danger identification.Based on state feature extraction and normalization，D-S theory was introduced to achieve the fusion of multi-source data taking the identification of hidden dangers in transmission lines as an example.Based on the existing business system，a unified transmission panoramic smart platform had been built.The effectiveness of data fusion on identifying hidden dangers of transmission lines had been verified on this platform.The proposed method for identifying hidden dangers of transmission lines achieved the sharing and fusion of multi-source data，improved the accuracy of hidden danger identification in transmission lines，and enhanced the current operation and maintenance status of transmission lines.

Key words：hidden danger identification;multi source data fusion; panoramic intelligent platform

當前，輸電線路對于電力系統的安全影響越來越大，通過全景智慧平臺進行線路運行監測也成為學者研究的熱點，國內外研究人員針對電網系統的數據融合展開了系列研究[1-5]。根據輸電線路需求，構建了線路檢測系統，為高壓的輸電線路的監測提供了一定參考[6]；李分析了數字化電網與信息化企業的相互關系，介紹了數字化電網構建進程與發展前景[7]。實現線路運行的實時監測，并對可能的隱患進行快速響應，不僅需要找到合適的方法處理大量數據，還需要設計集成的平臺進行管理。基于此，本文提出了一種基于多源數據融合對配電網故障進行輔助研判方法，為調度人員故障診斷提供借鑒；采用BP神經網絡融合技術對數據進行據融合，用于對高速公路的施工安全進行監測；使用改進卷積神經網絡的方法對多源異構信息數據進行融合，根據融合后的信息對旋轉機械進行診斷，為旋轉機械的故障診斷提供了一定的參考；D-S證據理論也被廣泛用于數據融合，采用該方法對輸電線路的智能化建設提供了思路。

1 數據預處理與特征提取技術

1.1 輸電線路隱患類型

經過統計某省輸電線路2021年度的隱患數據，可以將隱患分為異物隱患、樹木隱患、建筑隱患、施工隱患和一般隱患等，其占比如圖1（a）所示。其中異物隱患占比58%，分析異物隱患，得到其各類型占比如圖1（b）所示。隱患年度數據量大，類別多，且不具有標準性，識別難度大，因此，以5大類隱患為識別對象，提出了多源數據融合的方法，從中提取出有效的安全狀態特征，以確保輸電線路的安全運行。

1.2 輸電線路的空間數據源

1.2.1 無人機巡檢系統數據

巡視結果主要包括激光點云、傾斜攝影、巡視軌跡、缺陷、隱患及巡視報告。實現無人機巡視任務信息、巡視報告、無人機巡視發現缺陷、隱患等數據的查看。

1.2.2 特巡人員巡檢系統

特巡人員主要針對特定項目進行巡視，例如防風、防汛、防冰等專項管理。通過智能系統上傳特巡作業動態、展示特巡任務清單及特巡任務結果，展示特巡相關隱患數據。

1.2.3 氣象預警

實時獲得監控所在區域周邊的氣溫、濕度、降水量、風速風向在內的連續氣象變化數據，實現對雷電、降雨、大風特殊預警。

1.2.4 視頻監控

對數據進行匯總并形成隱患清單，通過視頻監控功能查看隱患現場的狀況。可遠程觀察各現場監控畫面，提供實時視頻及歷史回放功能。

1.3 數據預處理

隱患識別的數據存在大量異構數據，例如巡檢人員每日上傳的大量尋訪記錄、日志等信息與巡檢無人機處獲得圖像信息其結構不同，不能直接進行數據融合，需要對這些數據進行預處理。

1.3.1 結構化數據預處理

針對結構化隱患數據中的異常數據，包括不合理數據、空缺數據、離群數據等，分別采用刪除法、填充法、插補法進行修正。為消除數據量綱對數據融合結果產生負面影響，對所得樣本數據采用歸一化處理方法，將數據向量映射到［0，1］。

1.3.2 半結構化數據預處理

針對半結構化隱患數據文件，選取隱患發生時間、隱患類型、經度信息、緯度信息、線路編號、桿塔編號、設備編號７個字段。這些字段可實現信息過濾功能，例如，隱患時間可以保證存入數據是所需時間段內的數據，篩選出該類數據后即可將時間屬性過濾；隱患類型及其他字段均有類似方法可以實現相應的字段過濾，保證信息使用的便利性。

1.3.3 圖像預處理

首先對圖像進行雙線性插值處理，縮小圖像；其次，為防止戶外自然光照射下拍攝的圖像受噪音干擾導致圖像模糊、圖像識別困難等問題，在隱患識別前需要用高斯濾波器平滑圖像；最后，針對遠距離拍攝圖像中小目標與圖像背景灰度相似對圖像識別產生的影響，采用灰度壓縮算法進行處理。針對逆光與攝像頭掉電等現象導致的圖像亮度過高或過低現象，可通過圖像均值進行判斷；由于大霧天氣影響導致圖像模糊問題，采用Sobel算子對圖像的灰度變化程度進行倒數計算，灰度變化的幅值大于75，則為有效像素，如果有效像素的數目不足30%，則為異常圖像。之后采用圖像匹配算法，對圖像進行差分。

1.4 特征提取

對非結構化數據預處理時所選取的7個字段進行標記，根據標記結果提取段落中所提到的實體，如地區、編號等，并將不同的實體對象分別儲存在預先建立對應類型的關系數據表中，并將實體所在文本源、段落所在文本位置等信息作為關聯關系存儲起來，將一段話中出現多個非重復的實體提取為實體對進行儲存，作為更高層次的關聯關系屬性［8］。

在對無人機所采集到的圖像信息的特征進行提取時，需要提取圖像中的顏色、形狀、紋理3個特征。顏色特征選擇在HSV空間提取顏色矩特征，分別計算出顏色分量圖的平均值、標準差、偏斜度，一共9個特征值，將其歸一化后將其作為顏色特征［9-10］。形狀特征采用形狀不變法進行特征提取，通過計算中心矩和Hu特征，將Hu特征計算的輸電線路隱患目標的17特征值進行歸一化，將其作為形狀特征［11-12］。

采用灰度共生矩陣來描述灰度圖像中的分布規律，分別提取角二階矩、對比度、熵、反差分矩陣、相關性的均值、標準差，一共10個特征值，歸一化作為空間域提取信息［13］。采用小波域低頻低階矩、高頻低階矩、高頻低階矩與低頻低階矩的方法提取均值、標準差、標準偏斜度，本文采用4層分解后得到的數據進行歸一化作為小波域低頻特征［14］。

2 多源異構數據的融合

多源數據融合后的數據信息在識別分類中獲得的結果比單個數據更加準確和可靠，一般分為數據級融合、特征級融合和決策級融合。其融合方式如圖2所示。

數據微融合首先從所采集到的數據信息中過濾出相關信息傳遞給數據層進行融合，進而進行特征提取和屬性的判斷，最后進行聯合屬性判斷輸出相關數據。特征微融合是利用所采集到的特征信息，提高目標的識別能力，利用特征融合方法將不同類型的隱患特征結合起來，然后對其進行綜合性的判斷。決策級融合則需要數據庫和專家決策系統對原始的數據或者中間層數據進行分析和推理，得到專家級決策結果。根據不同的應用場合，需要選擇合適的融合方法。

D-S證據理論是一種能解決不確定性和多源信息整合的有效方法［15］，能夠較好的將0-1區間可能發生的事件給描述出來。D-S證據理論能夠獲得準確性較高的融合結果，它已經成為信息融合、模式識別和決策分析等領域的重要方法［16-17］。證據理論無論是在融合建筑隱患、施工隱患等單類特征數據，還是融合綜合隱患特征數據中，都能得到較好的結果。其基本思路［18-19］；

（1）建立識別框架。根據隱患特征分析，將可能出現的結果劃分為異物隱患、樹木隱患、建筑隱患、施工隱患和一般隱患等，構成證據理論中的識別框架；

（2）建立初始信任分配。例如當對桿塔1進行判別時，可能出現上述隱患，利用所處理后得到的數據對可能出現的隱患進行初始信任度的分配；

（3）計算所有命題的信任度。對每個可能出現的隱患根據所分配到的證據計算出信任度總和；

（4）證據合成。利用D-S證據，將每種隱患的信任度進行合成；

（5）決策。根據證據合成后的信任度，將識別框架中的某個隱患作為決策。通常將信任度最大的結果作為隱患的輸出結果。

3 數據融合的隱患識別在輸電全景智慧平臺系統中的應用

3.1 全景智慧平臺的框架

輸電全景智慧平臺基于中央控制平臺建設，集中部署在北京總公司。一是針對電網資源中現有的子服務，交匯信息實現內網聚合，實時共享數據存儲在中間站；二是對于電網資源無法支持的業務，如統一控制，實現互聯網區域所有信息控制，構建各種監控服務，支撐互聯網區域的前端應用功能實現，實現互聯網區域內各城市公司人員的接入平臺。全景智慧平臺架構如圖3所示。

3.2 全景智慧監控平臺的實施與應用

隱患自動識別系統可實現多源數據融合、隱患類型識別、危險報警與臺賬記錄等功能。充分發揮輸電全景智慧平臺的數據價值，將無人機系統圖像、半結構化隱患文件、結構化隱患數據三者融合，實現隱患類型識別，降低輸電運維人工成本。隱患報警可實現區域化隱患管理，提高隱患排查效率，避免隱患漏洞，縮短解決隱患問題的時間；之后排查人員進行在手機端臺賬記錄平臺完成記錄，為后續隱患識別系統的運維提供數據支持。該系統對保電范圍內容的施工、異物等隱患設備，進行實時視頻監控、識別、告警，實現多屏聯動。

該輸電全景智慧平臺不僅可以實現供電保電業務，還可對特殊氣象環境做出預警。另外，針對輸電運行情況，實現自動化的巡視、缺陷、隱患、故障、檢測、值班等多方管理，提高輸電效率，確保輸電隱患及時排查，電力缺陷及時補救，電力故障快速搶修，保障企業經濟效益并對社會產生優良影響。

4 結語

研究對多源數據進行預處理，并引入D-S證據理論融合方法進行隱患識別，建設輸電全景智慧平臺，實現現有各專業系統的耦合，構建了單系統、多功能的智慧平臺新模式，實現多源數據的融合，提高了電力故障、隱患事前預警能力。將手機APP與系統中臺進行關聯綁定，確保數據實時共享，實現快速響應及時處理。輸電全景智慧平臺的實施表明，該平臺建設實現了現有多專業平臺集成及多源數據的融合，可以有效減少數據的重復采集，實現多業務功能的一體化控制，保障電力系統輸電運維高效管理，進一步提高企業效益。

【參考文獻】

［1］仝杰，劉艷麗，楊德龍，等.基于LDPC編碼的OFDM無線專網通信在輸電線路在線監測的應用研究［J］.現代電子技術，2017，40（17）：162-166.

［2］王臻，劉東，徐重酉，等.新型電力系統多源異構數據融合技術研究現狀及展望［J］.中國電力，2023，5（4）：1-15.

[3］[JP2]張春梅，許興雀，劉思麟. 基于多源數據融合的配電網故障診斷技術[J]. 上海交通大學學報：2023（6）：1-17.[JP]

［4］XIAO D ，ZHANG T ，ZHOU X ，et al. safety monitoring of expressway construction based on multisource data fusion［J］. Journal of Advanced Transportation，2020（5）：1-11.

［5］段禮祥，李濤，唐瑜，等.基于多源異構信息融合的機械故障診斷方法［J］.石油機械，2021，49（2）：60-67.

［6］周立國，王勇，李明，等.基于多源數據融合的油氣管道診斷預警技術［J］.石油化工自動化，2022，58（2）：68-72.

［7］葉國慶，鮑翔，蔡正宜.高壓輸電線路在線監測智能化研究［J］.微型電腦應用，2020，36（12）：97-99.

［8］李向榮，郝悍勇，樊濤，等.構筑數字化電網建設信息化企業［J］.電力系統自動化，2007（17）：1-5.

［9］李立浧，彭蓉.智能化平臺在輸電線路運檢系統中的應用研究［J］.電工技術，2020（3）：110-111.

［10］薛亮.均質油藏水驅油物理模擬驅替規律實驗分析[J].粘接，2021，45（03）：132-136.

［11］王思麗，劉巍，楊恒，等. 基于自然語言處理和機器學習的實體關系抽取方法研究［J］. 圖書館學研究，2021（18）：39-48.

［12］王海強. 高壓輸電線路重要部件典型故障特征融合與識別算法研究.［D］.呼和浩特：內蒙古工業大學，2021.

［13］雷晨光. 基于區域不變矩的形狀匹配技術的研究及應用［D］. 大連：大連理工大學，2014.

［14］吳景濤. 機器視覺技術在煤矸石智能識別中的應用研究［D］.北京：中國礦業大學，2019.

［15］劉姝.低頻輻射源特征提取及識別方法研究［D］.南京：南京航空航天大學，2019.

［16］高騫，楊俊義，洪宇，等. 基于改造措施的智能配電系統優化模型分析［J］. 粘接，2022，49（12）：178-181.

[17］吳松平，王天一.基于神經網絡和遷移學習的視頻人體行為識別[J].智能計算機與應用，2021，11（12）：153-157.

［18］魏星，舒乃秋，崔鵬程，等. 基于改進PSO-BP神經網絡和D-S證據理論的大型變壓器故障綜合診斷［J］. 電力系統自動化，2006，30（7）：46-50.

［19］鄒紅波，宋璐，張馨煜，等.基于PSO-GRNN和D-S證據理論的電網分區故障診斷［J］.智慧電力，2023，51（3）：25-30.

［20］鄭勝潔，劉留，胡祖翰，等.基于改進D-S證據理論的城市軌道交通設備預警方法［J］.交通工程，2022，22（6）：28-35.

收稿日期：2023-01-23；修回日期：2023-04-20

作者簡介：李 ? 瑛（1973-），男，高級工工程師，主要從事電網數字化研究；E-mail：liy@bj.sgcc.com.cn。

引文格式：李 瑛 ，張曉穎，徐 汀，等.基于多源異構數據融合的線路隱患識別技術及應用研究[J].粘接，2023，50（6）：175-178.