基于智能视觉的高压电力网络的线路监测

金显华，陈卫军

（ 1. 安阳师范学院 网络与教育技术中心， 河南 安阳 455000； 2. 安阳师范学院 软件学院，河南 安阳 455000）

随着科学技术水平的提高，越来越多的电气设备应用于人们日常工作生活之中，因此对电力传输稳定性的要求随之增高。 安全、可靠、高效、优质的高压电力网络才能适应迅猛发展的社会要求。

高压电力网络一般建于远离市区的山野丛林，条件恶劣[1-2]。 传统的高压电力网络监测由电力工作人员来执行，在监测过程中，会因为工作人员自身的因素，如对工作责任心不强、工作时身体状态不佳等原因导致工作效率低下，降低电力网络检测标准。 并且，在野外进行高压电力网络检测必须投入大量人力、物力，才能保证对网络监测要求[3-5]。

针对上述问题的出现，提出基于智能视觉的高压电力网络线路监测方法，通过在电力网络线路中安装监控设备，提取线路环境实时图像，对采集的图像数据进行预处理，去除噪声和扰流。 建立帧间差分比对方法， 发现采集图像集合各帧间差异，提取出异常情况，及时报警的监测方法。 仿真实验表明，基于智能视觉的高压电力网络线路监测方法能够适应恶劣的自然环境，在发现和处置电网线路异常情况时比传统人工方法高出500个百分点， 能够广泛应用，并且基于智能视觉的高压电力网络线路监测方法减少了人力、物力投入，降低了电力网络维护成本。

1 视觉图像预处理

在高压电力网络中，运用智能视觉监测的前提是将问题电力网络从视频图像中提取出来，提取出的问题电力网络图像是系统分析技术的基础，是智能视觉处理的重要环节[6]。

1.1 问题电力网络检测

高压电力网络中安装智能视觉监控系统，主要是从监控摄像头中对获得的实时图像进行分析和处理，提取出电力网络实时状态，跟踪其变化轨迹，判断电网实时状态下是否正常，并对产生的异常数据进行进一步处理。 处理过程如图1所示。

图1 智能视觉高压电力网络处理流程Fig. 1 Process flow of the intelligent visual high-voltage power network

1.2 采集图像预处理

在高压电力网络中，必须要求实时、准确进行网络异常检测和问题目标提取，但由于高压电力网络存在的恶劣环境， 致使采集的图像劣化严重，所以必须先对监控头采集的图像数据进行预处理，为智能视觉系统下一步判断是否存在电力网络异常做好前期工作[7]。

高压电力网络监控采集的图像数据是连续性的，但因电力网络存在的恶劣环境导致采集图像噪声较大，图像明亮度、均匀度、媒体流都会变质，形成虚假的图像边缘，影响视觉系统对图像处理。

根据监控头采集图像噪声与传输信号的关系，可将高压电力网络视频噪声分为加性噪声和乘性噪声。当电力网络智能视觉系统采集图像信号为（ x，y），噪声信号为n（ x，y），恶劣环境下加入干扰的图像信号为g（ x，y），加性噪声模型为

乘性噪声模型为

由式（ 2）可知，在高压电力网络中乘性噪声信号与监控头采集视频信号相关。 电力网络智能监控系统采集图像信号越强， 伴随采集图像的噪声越大。 提高采集图像质量方法一般采用图像增强恢复技术。

在图像增强恢复过程中，设高压电力网络监控头采集图像大小为N×N，像素灰度值为f（ x，y），经滤波后f（ x，y）输出为

式中：x，y=0，1，…，N-1，i，j为采集图像像素集合，不包含（ x，y），M为电力网络监控头采集图像像素总和。

常用滤波模板为：

对于高压电力网络监控头采集的M×N的数据，经过m×n个加权滤波的过程，输出为：

式中，a=（ m-1）/2，b=（ n-1）/2，分母是电力网络智能监控模板系数总和；w（ s，t）为加权滤波处理后的信号。

1.3 高压电力网络图像异常检测

异常电力网络检测就是从高压电力网络监控中将异常图像从采集的图像背景中分离出来， 进一步判断，辨明真实性后再进行后续工作。

异常检测就是通过监控头采集到的图像帧集合进行比较，通过求相邻帧的像素比值得到差分图像，判定阈值大小，当大于阈值取1，否则取0。得到的非0图像数据就是电力网络异常数据。

式中：fk（ x，y）和fk-1（ x，y）是网络监控头采集的相邻两个帧图像；Dk（ x，y）是高压电力网络帧差图像。

式中：T为阈值；Rk（ x，y）为经过阈值判断后养分图Dk（ x，y）的二值化图像。高压电力网络帧差分检测流程如图2所示。

图2 帧间差分算法流程Fig. 2 Inter-frame difference algorithm process

对于在高压电力网络阈值T的统一标准， 通过情况下，阈值分别为30，80。

2 智能视觉的高压电力网络线路监测

智能视觉系统对高压电力网络监控是将监控头采集的连续图像应用Mean Shift 序列算法，利用电力网络图像区域内颜色信息对运动目标进行判别。

Mean Shift是对于高压电力网络采集集合在D维空间RD的样本S， 在整个高压电力网络RD空间中某点x（ x∈RD）的均值偏移基本定义为：

式中：Sh为高压电力网络半径RD中，h半球的高维度球；k为在高压电力网络中异常数据落入Sh区域个数，并满足以下应用条件：Sh={y∶（ y-x）T（ y-x）≤h2}。（ xi-x）为高压电力网络中异常数据相对于点x的偏移量；Mean Shift向量Mk（ x）为整个电力网络中在Sh图像像素集合中k个异常数据点向x偏移量的平均值。 因此从概率角度来说，Sh区域样本Mean Shift点沿概率密度增加最大方向呈梯度显示。

对于高压电力网络Sh异常数据集合中，无论x偏移多大，离x较近的异常数据对统计网络中的异常数据监测越有效。 因此，在Mean Shift中引入核函数。

即一个函数K：RD→R存在，即

式中：点x数据是高压电力网络RD中随机一点，x模为‖x‖2=xxT，并同时满足k为非负数，如a>b那么k（ a）>k（ b）；k为不连续性的，并且k（ r）dr<∞。

由于高压电力网络异常数据都不一样，因此，每一个异常数据引入一个权重系数w（ xt），式（ 8）可以扩展为

可知，Mh（ x）=Mh（ x）+x。 若在高压电力网络中给定一个初始点x，核函数K（ x）允许实际环境中误差系数ε，则均值偏移算法由以下迭代计算后，直到满足条件。

A.计算获取数据偏移量mh（ x）的均值；

B.把mh（x）赋给高压电力网络初始点x；

当mh（ x）-x<ε，此次迭代计算结束，否则继续执行A。

Mean Shift是高压电力网络监测中通过获取采集图像来预测下一时刻状态的过程， 根据异常数据的时间预测和状态预测， 得到整个电网的协方差估计。加入观测值状态方程来更新预测，从而得到最优估计值。 包括对高压电力网络的增益系数kgk=Pk-1HT（ HPk-1HT+R）-1和状态预测值pk=APk-1A+Q。

本文提出的Mean Shift算法是高压电力网络最优递推算法，计算量低、存储量低，实时性好。

3 仿真实验

为验证本文方法的有效性， 建立一个仿真系统进行实验测试。一个模拟高压电力网络图像采集端，一个是PC监测终端。

技术参数：

监控头像素500万， 分辨率2 560×1 920DPI，最大帧频60frame/s，10倍高清镜头，USB2.0传输接口。

在100 s内通过智能视觉监控系统对高压电力网络实际环境数据进行采集， 具体采集数据如图3所示。

图3 智能视觉监测采集数据图Fig.3 Intelligent visual monitoring collecting data diagram

通过图3可以看出，智能视觉监测系统在100 s内采集到6 436条图像数据信息，通过本文方法计算，筛选出132条异常数据信息，本文提出的方法比传统方法采集数据时间更短，发现异常数据效率更高[10]。

在相同高压电力网络环境下，使用传统方法和智能视觉系统的处置电力网络异常情况比较如图4所示。

图4 传统方法和本文监测异常情况比较图Fig. 4 Comparison of the traditional method and the monitoring of abnormal situations as proposed in this paper

通过图4可以发现， 基于智能视觉高压电力网络监测系统比传统人工方法进行电网异常情况处理时效和监测异常数据数量都有明显优势，能够比传统人工方法提高500个百分点。

仿真实验表明，传统的人工高压电力网络监测方法成本高，效率低，无法真正及时解决电力网络出现的故障。 而基于智能视觉电力网络的监测系统能够提高工作效率和工作质量。

4 结论

提出一种基于智能视觉的高压电力网络线路监测方法， 通过在电力网络线路中安装监控设备，提取线路环境实时图像，对采集的图像数据进行预处理，去除噪声和扰流。 建立帧间差分比对方法，发现采集图像集合各帧间差异， 提取出异常情况，及时报警的监测方法。 仿真实验表明，基于智能视觉的高压电力网络线路监测方法能够适应恶劣的自然环境，在发现和处置电网线路异常情况时比传统人工方法高出500个百分点，能够广泛应用，并且基于智能视觉的高压电力网络线路监测方法减少了人力、物力投入，降低了电力网络维护成本。

[1] 陈玉林， 陈允平， 孙金丽. 电网故障诊断方法综述[J]. 中国电力， 2006， 39（ 5）: 27-31.CHEN Yulin， CHEN Yunping， SUN Jinli. Power grid failure li break method review[J]. Journal of China Power，2006， 39（ 5）: 27-31（ in Chinese）.

[2] 崔云飞， 刘东， 李向. 云计算: 一种新型服务计算模式[C].2008年中国高校通信类院系学术研讨会论文集（ 下册）:121-127.

[3] 周黎莎， 于新华. 基于网络层次分析法的电力客户满意度模糊综合评价[J]. 电网技术， 2009， 35（ 17）： 191-197.ZHOU Lisha， YU Xinhua. Analytic hierarchy process based on network of electric power customer satisfaction fuzzy comprehensive evaluation[J]. Power Grid Technology，2009， 35（ 17）: 191-197（ in Chinese）.

[4] VAR IA J.Cloud architectures-amazon web services[EB/OL].[2009-03-01]. http://acmban galore.orgevents/monthlytalk/may-2008-cloud-architectures-amazon-web-services，html.

[5] BRYANT RE. Data-intensive supercomputing: The case for DISC， CMU-CS-07-128[M]. Pittsburgh， PA， USA:Carnegie Mellon University， Department of Computer Science， 2007.

[6] 陈全， 邓倍妮. 云计算及其关键技术[J]. 计算机应用，2009，29（ 9）: 2562-2567.CHEN Quan， DENG Beini. Cloud computing and its key technology[J]. Journal of Computer Applications， 2009， 29（ 9）: 2562-2567（ in Chinese）.

[7] 软通动力. 浅谈“ 计智能视觉计算”[J]. 中国外资，2009（ 8）: 34-36.SOFT POWER. Discuss about “ intelligent visual calculation[J].” Foreign Investment in China，2009（ 8）:34-36（ in Chinese）.