基于可视化技术的输电走廊高危物体状态检测与识别系统构建

基于可视化技术的输电走廊高危物体状态检测与识别系统构建

王骏，陈超，杨琦

云南电网有限责任公司临沧供电局 云南临沧 677000

摘要：由于线路走廊非正常运行而引起的线路失效，已成为引起输电线路事故的重要因素，给社会带来了巨大的经济损失。但是，在传输线的边界端，由于设备的算力、电力和通信等资源的限制，仍然需要以50分钟为单位定时传送到数据中心，这就造成了数据中心负载过大，漏警率高，紧急情况下的处理能力严重不足。因此，本文拟以输电线通道为研究对象，研究一种基于边缘智能的输电线通道异常对象探测框架，在此基础上，采用改进的MobileNetv5网络对异常对象进行精细提取，并采用YOLOv5多尺度对象探测网络对高、低维度特征进行融合，提高其辨识准确率。在此基础上，本文拟采用贡献值敏感的信道裁剪方法，对网络中的节点进行轻量化压缩，从而形成轻量化的输电线异常对象探测模型。

关键词：输电走廊；可视化；边缘智能

引言：作为电力传输与分布的载体，输电线的安全可靠运行对智能电网的持续稳定运行具有重要意义。电网线路跨度大、电压等级高、地形复杂，易遭受山火、异物、塔吊、吊车等异常目标的干扰，引起相间短路或输变电设备损坏，造成线路非计划停电，严重威胁线路的安全稳定运行。南方电网公司近年来发现，在550 kV及以上的输电线路中，输电线路走廊异常目标引发的故障次数占总故障数量的18.7%，达到了456次。这些故障导致了274次停运，占停运总次数的55.12%。这个问题的严重性不断上升，成为导致输电线路停运的主要原因。为确保电力系统的安全运行，必须加强对电力系统的巡检工作。然而，传统的人工巡检和维护方法存在工作量大、难度大、效率低和精度低的问题，难以满足电网的需求。为解决这个问题，自2015年起，我国电网开始对输电线路进行监控，但目前仅能进行简单的图像采集。近年来，基于深度学习的目标检测技术得到了快速发展，成为研究的热点。

为此，本文拟开展基于边界智能的输电线异常对象识别方法和现场、现场、高效率地处理输电线图像，以减少输电线失效率。针对这一问题，本文拟研究一种利用边界智能技术对输电线中的异常对象进行有效探测的新方法。本文首先研究基于边界智能的输电线异常对象识别框架；其次，研究适用于输电线等复杂背景和外形物体（如山火、导线异物等）的改进移动网络；最后，研究基于贡献有效信道修剪的输电线快速识别方法，研究输电线等复杂环境下的输电线异常对象识别方法。通过与其他一些优秀的边界面模型的比较，我们提出的边界面模型的识别精度和速度都是最优的，并且具有很好的稳健性和推广能力。

1输电线路异常目标轻量化辨识模型

1.1改进型 MobileNetv5 的精细化特征提取网络

1.1.1模型复杂度分析

MobileNetv5模型使用的是一个深度可分卷积，它包括一个对输入的各个通道起到滤波作用的逐点卷积；逐点卷积实现了信道转换与特征融合，并对其结果进行了有效的表征。标准卷积的计算复杂度O(Hi×Wi×Ci×Co×K×K)，而可深分卷积相比常规卷积计算量降低到大约1/K2。在这个模型中，由于K≥5，使用深度可分卷积可以将参数个数减少到1/9。

图1 深度可分离卷积原理图

1.1.2轻量化注意力机制模块

在移动Netv5模型中，引入了一个即插即用的通道注意机制——SENet，以提高模型的识别精度。本文计划使用5x5可分深度卷积方法来提取输电线异常目标的特征，并通过全局平移操作获取整体空间信息。接着，采用1x1卷积核构建两个完全连通层，用于降低和增加通道规模，实现通道信息的非线性交互融合，从而提升模型的泛化性能。然而，SENet的维数约简方式虽然降低了模型的复杂性，但也对通道注意力机制产生了一些负面影响。为了解决这个问题，我们引入了一种名为ECANet的轻型通道注意力机制，以实现通道的高效融合。如图2（b）所示，ECANet利用一维卷积来实现每个通道及其k个近邻之间的操作，从而快速地互动融合通道信息。参数k是通过自适应的方式确定的，其计算公式如下（1）所示：公式通过引入ECANet，我们能够更高效地融合通道信息，提升模型的性能。

为通道数；取值为 2；取值为 1。

图2 SENet 和 ECANet 模块对比

1.2基于贡献度感知的异常目标检测模型通道剪枝

通道剪枝的目的是去除模型参数 W中的冗余信道，减少对计算存储空间的占用，提高推理效率。本文将基于 Mb的输电线异常目标检测模型，在对其进行信道修剪时，首先要考虑信道的重要度，然后才能决定是否保持信道。在此，我们使用一个修正的L2范数来构造信道修剪的目标函数，根据公式（2)，假定在输入信道 i与输出信道 j之间的模型参数是 W，可以得到：

公式中：是一个改良的L2范数；是一个轻量化的函数，当x≠0时，；当 x=0 时，；弗罗贝尼乌斯范数；是最后的通道剪枝率， 是修剪之前槽道数目。

现有的通道剪枝方法大多是以重建错误为代价，通过对已有信道裁剪方法进行裁剪，如公式（5）所示。

然而，单纯利用重建误差对通道进行剪枝并不能获得最优结果，主要表现在：受电网异常目标检测前训练基模型质量的制约，裁剪后的信道往往不能获得理想裁剪率。其次，为使重建误码损失最小，需要在中层多个信道上适当地保持部分冗余信道，但这些信道的实际贡献并不大，这一问题随深度增加而变得更为突出。针对该问题，本文提出一种基于贡献的信道修剪算法。在图5中可以看到。

图3 贡献度感知通道剪枝

2实验结果与分析

2.1数据集

某电力公司监测到的输电线路异常对象的影像资料，包括55,110,220,550 kv等级的输电线路。经过清理后，共有20000幅影像，其中包括山火、导线异物、塔吊和吊车。这些影像经过标记，用于提高输电线路异常对象辨识模型的准确率和推广能力。影像中可能存在遮挡目标、模糊目标、近似目标和低亮度目标。

2.2性能分析

通过试验，证明了提出的方法是有效的。以英伟达GeForceGTX2080 Ti为训练 GPU，以 Ubuntu16.04为操作系统，以 Pytorch为深度学习框架，以0.001、最优学习率、500次迭代次数、16次周期，并进行训练。比较YOLOv5-Tiny,YOLOv4-Tiny,YOLOv5s,MobileNet-SSD,YOLO-Nano, NanoDet，预修剪基本模型，神经元节点修剪模型，信道稀疏修剪模型，重构误差修剪模型，以及改进后的算法。每一种模型都以80%的样本为训练样本，10%的样本为验证样本，10%的样本为测试样本。

通过对不同模型的对比分析，研究不同模型下输电线异常对象的识别准确率。从图4中可以看出，在对输电线异常对象进行修剪之前，基本模型采用改进的移动网络，能够对其进行精细的特征信息提取。为了提高起重机和塔吊的识别准确率，我们进行了多个模型的比较。经过实验发现，YOLOv5-Tiny, YOLOv4-Tiny，移动网络 SSD, YOLO和 NanoDet等模型的识别率相对较低。然而，通过引入YOLOv5网络的多尺度特征融合，我们成功提高了对背景模糊、形状复杂的山火和导线异物的识别精度。

尽管YOLOv5模型对起重机、塔式起重机等的识别精度较高，但由于未引入注意机制到特征抽取过程中，其对山火、导线等复杂物体的识别精度较低。因此，我们需要进一步改进模型，以提高对这些复杂物体的识别能力。

图4 各个模型输电线路异常目标辨识精度对比

总结

本文拟以输电线走廊为研究对象，针对输电线端设备在算力和能量等方面受到限制而难以实现的问题，研究一种基于边缘智能的输电线走廊高效率异物识别方法：通过研究基于贡献的信道裁剪方法，建立输电线端异常对象识别的轻量化模型，并在识别精度和推理速度上有较好的提升。

参考文献

[1]黄然,方正云,马御棠,等.基于变化检测的输电走廊外力破坏隐患区域识别[J].航天返回与遥感, 2022(005):045.

[2]杨罡,王大伟,黄文龙.基于双曲线特征似然比检验的输电走廊采空区探地雷达目标检测方法[J].南方电网技术, 2021, 15(5):8.

[3]李宇,郭裕钧,刘凯,等.基于三层DS-RVoG模型的输电走廊植被高度检测方法[J].高电压技术, 2021.

[4]郝飞,雷鹏,张彦斌,等.基于WebGIS的高压线输电走廊地质监测系统研究及应用[J].地理信息世界, 2022(004):029.

[5]高振宇,刘亮,潘浩,等.基于改进语义分割网络的输电走廊遥感变化检测[J].航天返回与遥感, 2021.

王骏（1988年11月19日），男，汉族，云南临沧，江西南昌大学，本科，工程师，输电运检管理，

陈超（1992年6月24日），男，汉族，贵州清镇，宁德师范学院，本科，工程师，电网建设

杨琦（1989年2月22日），女，黎族，云南临沧，云南财经大学，本科，助理会计师，资产核算管理，中级经济师