输电线路智能监控系统重复报警自动抑制模型应用分析

宋敬良,岳国良,何瑞东,苗 靓,范学军

(1.国网河北省电力有限公司邯郸供电分公司,河北 邯郸 056002;2.国网河北省电力有限公司,河北 石家庄 050021)

0 引言

近年来,随着我国城市化进程不断加快,电网设备投资规模不断加速,电网设备中尤以输电线路(包括电缆)设备遭受外力破坏的频率最高[1]。110 k V及以上电网的中性点接地方式一般采用大电流接地,主要是应对接地故障后中性点电压升高带来的绝缘成本。此外,架空输电线路导线也一般采用裸导线,也是为了选取较为经济的绝缘配置设计[2]。

绝缘配置的经济性直接导致架空输电线路在长期运行中存在以下2个显著特点:一是选择裸导线,同时需要地电位的物体(包括特种施工作业机械、建筑物、植物等)对其保持足够的安全距离,如小于安全距离会导致放电,从而造成居民财产损失,甚至危及生命安全。二是大电流接地系统发生接地故障后一般不允许持续运行,此时,重合闸机制就会介入,如果接地故障不能有效解除又会导致线路跳闸,而导致大面积停电事故。

因此,对通道环境的巡视是输电线路巡视的主要内容之一,DL/T 741-2019《架空输电线路运行规程》(简称“《运规》”)规定,通道环境巡视是对线路通道、周边环境、沿线交跨、施工作业等进行检查,以便及时发现和掌握线路通道环境的动态变化情况。同时,物联网、人工智能、5G、区块链、无人机等产品的不断兴起,可实现通道环境智能监控[3],本文对通道智能监控系统告警图像进行“图像识别+数据挖掘”,提出重复报警自动抑制模型。最后结合国网河北省电力有限公司邯郸供电分公司(简称“国网邯郸供电公司”)智能运检管控中心和输电运检中心具体业务开展模型实践。

1 智能监控重复报警问题分析

1.1 报警原理

输电线路智能监控系统是采用人工智能图像识别技术,针对可能出现的威胁到输电线路安全稳定运行的物体进行智能识别,同时发出报警,以提醒监控值班人员采取有效的防范措施。

智能监控系统的软件核心部分如图1所示,通过前期采集大量的吊车、挖掘机、水泥罐车等特种作业车辆样本,进行机器学习训练。如果监测区域存在相应的特种车辆会在识别后第一时间进行报警,现代化的服务器集群部署使得每张图片的识别耗时在几ms以内,识别准确率高达90%以上,完全满足商业化应用需求[4]。

图1 人工智能图像识别技术神经网络模型

考虑到输电线路设备分布点多面广的特点,智能监控系统应用方案不仅能规避传统人力沿线巡视伴随的舟车劳顿、人身安全、车辆物资,提高巡视效率。而且智能识别的引入又能进一步减少人工长期盯守屏幕引发的警惕降低问题,提高处置效率。因此,应用智能监控系统后外力破坏跳闸率逐年降低。

智能监控系统不同于传统的“视频”模式监控装置,输电线路用的智能监拍装置除了很明显的由太阳能供电特征外,还采用以拍照为主,视频为辅的工作模式,对输电线路铁塔的作用显著。监拍装置在无光照条件下,每1 min拍摄1张照片,每10 min上传1张照片,电池可以支撑连续供电7 d。如果海量监拍装置传送图片,“拍照”模式无论对于通信成本控制还是对于服务器接收能力限制来说会更加适宜[5]。

输电线路智能监控系统的原理正是通过监拍装置以固定的频率拍摄图像并上传至监控中心服务器,监控中心服务器迅速进行图像识别。一旦图像中含有特种作业车辆时会在第一时间发出报警,大大缩小外破隐患处理时长,有效减少外力破坏跳闸事故的发生。同时,监拍装置的拍摄频率可自行调节,也可短时间在“视频”模式下工作。甚至更为先进的监拍装置加入了云台、对讲、夜视、前端计算、激光测距等功能。

1.2 重复报警

经过运行实践,智能监控系统能较好地识别监控范围内出现的各种特种作业车辆,其识别准确率长期保持在较高水平。但是,报警数量也一直居高不下,由国网邯郸供电公司智能运检管控中心2021年2月监测到的报警数据可知,平均每天收到的智能监控报警数量都在1万条左右,相当于每小时(不具备夜视功能的监拍装置只在白天工作)都要处理1 000多条数据,折合每分钟需要处理10多起通道报警,显然超出了常规人力所能应对的极限。

对报警数据进一步分析发现,虽然智能监控系统报警数量长期居高不下,但是主要还是一些固定施工点所致。例如房地产开发、修路筑桥等需要持续相当长一段时间的施工点一般称之为固定施工点。而与之相对的为流动施工点,见图2。

图2 220 k V尚来I、II线004号杆塔大号侧报警

固定施工点与流动施工点之间没有严格的界限,一般,固定施工点的持续时间会长于输电线路的巡视周期,每次拍摄的机位又比较固定,其被识别的概率会高,甚至100%,相对比较安全。流动施工点的持续时间则远小于输电线路的巡视周期,其具有不可控性,进而成为导致输电线路故障跳闸的主要原因[6]。如何对固定施工点的重复报警进行有效抑制,而又能第一时间发出流动施工点的报警是问题研究的关键。

2 智能监控重复报警抑制模型

2.1 数据挖掘

大数据分析侧重的是数据的混杂性,而不是精确性,在宏观层面拥有更好的判断与认知。大数据分析侧重的是寻找数据之间的相互关系,而不是挖掘其中的因果关系[7],这对于综合研判各类报警信息用于固定施工点的自动抑制至关重要。大数据分析提供了另一个角度去观察智能监控系统产生的各类数据。

在1.1节中提到智能监控系统软件部分的核心是人工智能图像识别技术,其识别的是图像中的某一部分区域在神经网络模型中的响应最高。识别的结果通常会以识别框的形式输出并标注在图像上,如图2所示,每一个识别框就代表1次图像识别输出,一般是由6个参数组成:(x,y,w,h)+(c,p),前4个参数分别代表识别框起点横坐标、纵坐标和识别框的宽度、高度,后2个参数代表当前识别的分类和置信度[8]。对每一次的报警数据信息进行搜集整理,存入数据库,以进行深入的数据挖掘。如图3所示,某一台监拍装置的历史报警信息存储,还包括其发生的时间、朝向等一些辅助信息。

图3 220 k V邯来III线024号杆塔大号侧报警数据

2.2 抑制模型

针对重复报警问题,使固定施工点的重复报警得到有效抑制,而流动施工点的报警又能在第一时间发出。仅凭单次识别还不足以判断其是否为固定施工点,即便流动性比较强的挖掘机、水泥罐车等也有可能仅是因为线路下方是1个特种车辆的停车场、集散地甚至车辆交易市场。这就需要从分析历史数据的角度去挖掘其是否具备固定施工点的特征,参考人工智能神经网络模型建立了相对应的模型,用于预判其是否为固定施工点。首先以图像长和宽的大小建立1个全0矩阵,矩阵的行数就是图像像素的行数,矩阵的列数就是图像像素的列数,初始情况下就是和图像相对应的全0矩阵,如式(1)所示。当图像中某个区域内发生报警时,就根据其报警接口中的盒模型信息,找到与图像中相对应的区域,如图4所示,在这个区域内统一加上一定的权值,当把近1个月的报警数据全部按照这种逻辑去驱动该模型时,就和历史数据之间建立了一种对应联系。

图4 220 k V邯来III线024号杆塔大号侧报警图像

式中:Model为抑制模型参数;m为图像高度;n为图像宽度。

通过抓取近1个月的所有报警数据去驱动模型,最终会得到规律,图像中经常发生报警的区域,其权值(即响应值)就会很高,不经常发生报警的区域其响应值又会很低。将矩阵中所有数据(x,y,F(x,y))映射至三维立体空间就得输电线路智能监控系统重复报警自动抑制模型,如图5所示,左上角的最高的区域正是项目工地塔吊的位置,而铲车部位的响应值较低些,既反映出其属于经常流动的施工车辆特征,又反映出其已经不是第一次在这个位置上被识别到。这里x的取值范围为0～n,y的取值范围为m～0,y的取值范围递减是因为图像坐标系与常规的平面坐标系坐标原点稍有不同,其坐标原点在左上角。

图5 220 k V邯来III线024号杆塔大号侧报警模型

基于每台报警装置驱动出的模型,当发生新的报警信息时,将其盒模型信息输入到自动抑制模型中,获取该区域的响应值大小。如果该区域的响应值很高就可基本判定其为固定施工点,相应地,在报警列表排序就应靠后些甚至直接抑制;如果相应区域的响应值很低就可判定其为流动施工点或者新出现的施工点,要高度引起注意。这样即使特种车辆长期存在也不担心其会干扰正常判断,而一旦特种作业车辆开始移动作业时,系统又可基于报警模型中其响应值的降低,第一时间发出报警,可大大提高监控值班工作对于输电线路运维防范外力破坏的管控力。

3 模型应用及其效果

引入自动抑制模型后,智能监控系统发出的报警信息,首先进入自动抑制模型进行预判,根据其响应值的大小决定其是否要发出报警,或者将其在报警列表中排在后面,监控值班员更多处理流动施工点。经过模型预判后的有效报警信息能缩减至1/8左右,如图6所示。明显减轻监控值班员的工作量,提高应对突发流动施工点的应急处置效率。

图6 2021年2月1-28日报警数量对比

大型政治保电、重大节假日保电时,国网邯郸供电公司智能运检管控中心根据其近1周、近1月、近半年的报警历史数据进行研判,发布施工点外力破坏多发区域,以辅助运维人员对输电线路智能监控系统的运行分析情况进行监测分析、数据挖掘。经过模型的预筛选机制,更加精准地掌握流动施工的规律,及时发布施工外力破坏多发趋势图,协助运维人员、属地人员制定更加有针对性的差异化运维策略。

大数据处理技术的应用,不仅实现了数据的可视化分析,其预测性的分析还可以让运维人员更好地理解数据,依据数据做出预测性的判断。如图7所示,颜色较重的区域表明该区域经常发生流动施工,无论是监控值班还是现场巡视都是需要重点关注的地方,这为开展差异化巡视提供有力依据[9],与图5之间具有对应关系。

图7 2021年2月外力破坏多发区段分布

4 结束语

本文深入挖掘固定施工点在数据层面表现出的特征,建立智能监控系统重复报警的抑制模型,结合国网邯郸供电公司智能运检管控和输电运检业务进行应用分析,有效解决重复报警问题给输电运检中心监控值班业务带来的干扰,同时结合智能运检管控中心预警研判业务,精确绘制输电线路外力破坏多发区段分布图,指导运维人员更好地开展差异化巡视,进而提升输电线路运维管理水平,助力供电企业持续供电,更好地服务社会发展。

同时,模型还存在以下不足:响应值的大小与施工点类型之间的对应关系不够明确,需要一定的实践经验辅助判断;响应值的大小与历史数据时间的对应关系不够明确,还需要深入实践验证;模型还是基于线性叠加理论,没有引入非线性的神经网络;模型的前提是基于固定机位,当拍摄角度发生变化时,未提出应对方案。

下一步,通过大量的试验得到典型值或研究自适应机制,并应加强模型理论深度,将线性模型改为非线性的神经网络模型,同时引入时长、施工点类型等特征来增加模型的非线性度,可通过图像的透视变换进行坐标系变换,以增强自动抑制模型的泛化能力。