基于前端识别的架空输电线路在线监测技术研究

余盛达，叶保璇，冯毅强，易婷婷，韩旭君，施 超

（1.海南电网有限责任公司文昌供电局，海南 文昌 571300；2.广州市奔流电力科技有限公司，广东 广州 510635）

0 引 言

根据我国地势分布和城市发展情况，输电线路通常建设于人迹罕致地区，其极易受到各种外力因素的影响而处于不安全状态，如杆塔倾斜、线路断线或停电等，从而造成人身伤害和巨大的经济损失[1]。因此，采取有效手段对架空输电线路进行监测十分必要。

目前，基于视频图像的输电线路在线监测通常采用监控或无人机进行视频图像采集并传回后台[2]。架空输电线路视频监控装置运行寿命通常在5年及以上，一条线路需安装上百个监控摄像头以实现全面监测，长时间且多数量的应用需求会导致大量冗余数据传输，产生高额通信费用。同时，输电线路在线监测要求数据传输过程具备低时延和高保密性，基于前端识别的输电线路在线监测成为未来发展的趋势。

1 基于前端识别输电线路在线监测总体架构

架空输电线路在线监测一般由前端采集装置、通信网络以及后台主站3大部分组成，架构如图1所示[3]。

图1 架空输电线路在线监测系统架构

基于前端识别的监测系统将数据处理分析任务放置在靠近数据源的前端，其实现方式为一体化智能摄像头直接搭载嵌入式智能分析模块进行识别，或是构建含智能分析单元的前端汇聚子站系统。嵌入式智能分析单元的具体组成如图2所示。

图2 嵌入式智能分析单元

嵌入式智能分析单元集成了图像视频压缩处理模块、前端识别模块、通信模块、存储模块以及电源管理模块。其中，视频图像压缩处理模块接收视频数据并做一定的压缩和预处理，前端识别模块搭载深度学习网络用于图像训练和推理，存储模块用于储存前端采集数据和分析结果，通信模块是前端与后台连接的桥梁，电源管理模块对嵌入式智能分析的各模块进行电源管理。

2 基于前端识别输电线路在线监测关键技术

2.1 输电线路在线监测目标检测

深度学习技术在图像分类和目标检测等计算机视觉领域表现突出，被广泛应用于输电线路智能监测。目前卷积神经网络中的主流深度学习模型有RCNN、Fast RCNN、Faster RCNN、YOLO以及SSD等。研究适用于前端识别的深度学习网络是实现输电线路智能监测的重点。

由于供电和芯片能力的限制，基于前端识别的输电线路在线监测通常使用轻量型的深度学习网络。将这些算法直接迁移到输电线路监测场景中，其识别效果与实际情况存在一定差距，因此需要对算法模型进行一定的调整与改进[4]。在原深度学习网络的基础上，通过特征提取网络改进、目标检测网络改进、先验框改进、损失函数和非极大值抑制改进以及不同模型相结合等方法，有效提高输电线路场景中目标检测的精度。

2.2 前端AI芯片应用选型

基于前端识别的输电线路在线监测要求前端芯片具有体积小、功耗低、时延小以及成本低等特性。前端AI芯片的主要任务是推理，无法承受巨大的运算量，因此其选择主要以DSP和ASIC为主[5]。

选用DSP芯片时，可加入深度神经网络加速部件，如矩阵乘和累加器、全连接的激活层和池化层等，从而提高DSP在前端设备中的适用性。ASIC是一种全定制化芯片，通用性较差，但特定场景且数量需求较多地情况下使用定制ASIC具有较好的经济性。输电线路跨越距离长，所需监测范围大，因此基于前端识别的输电线路在线监测可选用ASIC芯片进行特定任务定制。

2.3 AI模型的压缩和加速

由于前端装置供电能力有限，前端AI芯片性能弱于服务器侧，而深度学习识别过程伴随庞大的运算量，因此深度学习算法模型的植入还应通过压缩和加速来实现。当前主要采用模型剪枝、参数共享以及简化卷积核。

模型剪枝是对冗余或不重要的网络结构和参数进行裁剪，具有加速、压缩存储空间及防止过拟合等优点，但其需要依靠经验手动判断每层网络的重要性。参数共享的主要思想是让网络中多个参数共享同一个值，其逐层量化过程较复杂，当神经网络层数过多时将增加预训练难度和工作量。简化卷积核是将网络中原始较大的卷积核分解成多个较小的卷积滤波（如图3所示），加速卷积计算同时获得较高的目标识别性能，但该方法得到的特征普适性及泛化性较弱。

图3 深度可分离卷积

事实上，各种深度神经网络压缩方法相互正交，根据实际进行多种算法的结合与应用能够有效提高识别的准确度、稳定性以及实时性。

3 输电线路在线监测前端识别的挑战与展望

3.1 前端识别的挑战

基于前端识别的架空输电线路在线监测技术能够有效提高外力破坏监测水平，但目前还存在各种挑战，具体有以下3点。

第一，深度学习网络样本训练难度大。输电线路外力破坏样本收集难度大，深度学习的训练样本不足会导致提取的图像特征匮乏、识别率降低以及过拟合等问题[6]。第二，目标物与输电线路本体距离判断。输电线路部分外力破坏属于距离类缺陷，前端固定在杆塔上的摄像头易将远处场景一同采集到画面中，误报对线路不构成威胁的物体。第三，外力破坏实时跟踪。目前多数监测装置通过定时拍照分析实现外力破坏的监测，但外力破坏行为是一段连续发生的过程，通常在1～20 min，若异常发生时刻并非定时拍照时刻，则容易产生漏判或报警延时。

3.2 前端识别的展望

从长远来看，基于前端识别的输电线路在线监测具有更高的经济性，其装置会朝着一体化、多集成、小体积以及全面感知等方向发展。未来基于前端识别的输电线路在线监测在硬件与功能上的发展方向如图4所示。

图4 发展方向

4 结 论

基于前端识别的输电线路在线监测能够准确判断输电线路通道中出现的危害物并标记目标位置，有效提高输电线路运维效率，满足实际工程应用中的识别速度和精度需求。本文主要介绍了前端识别中的嵌入式智能分析结构，然后针对前端识别涉及的3个关键技术进行现状分析，同时提出基于前端识别的输电线路在线监测存在的挑战与展望，详细归纳未来发展的方向，对研究输电线路在线监测具有指导意义。