基于PSO-BP特征识别的输电线路外力破坏检测方法

谢伟，沈晓峰，李轶，张成，贺润平，王哲斐

(1.国网上海市电力公司青浦供电公司, 上海 201799；2.上海四量电子科技有限公司，上海 201315)

随着经济的不断发展，我国电网规模日益庞大，输电环节作为其中电压等级相对最高、横跨物理距离最远的部分，一直都是构筑坚强电网过程中的重中之重[1-4]。

在中高压输电通道中，架空线作为主要的传输载体，具有分布广泛、通道情况复杂的特点[5-6]。因此，针对输电线路的安全巡视与防护较为困难。常见的输电线路安全威胁主要包括冰雪雷电等恶劣天气、林区高树、违章建筑、大型工程机械等，其中人为的外力撞击占比接近25%，在这些外力撞击中工程机械占比接近80%[7-8]。外力撞击不仅会产生永久故障点使得输电线路跳闸，造成系统稳定性下降甚至负荷丢失，并且会对当事人的人身安全产生严重威胁，危害极大[9]。因此，对输电线路采取有效的状态监测措施是非常必要的。

目前，各输电运检单位采取的状态监测措施主要包括3种：

a)人工巡视线路。这种方式虽然防护效果较好，但由于输电线路跨度太大，需要的人力成本非常高，难以保证防护覆盖面。

b)线路周围架设红外、激光传感器。当有异物进入监测范围时，即触发报警设备。这种设备虽然灵敏度高，但容易受到环境影响造成误报，使得运检人员无法判断是否需要进行现场处理。

c)在输电通道内架设摄像头，将通道内画面实时传输到监控中心，由工作人员进行实时监控。这种方式虽然较人工巡视线路显著提升了效率，但仍需工作人员时刻观看监控画面，难以保证监控的可靠性。

随着物联网技术和人工智能技术的发展，输电线路状态监测逐渐实现了由人工离线监测向机器智能在线监测的转变。例如：通过激光监测技术实时监测外来物体引起的高压线磁场强度变化，进而关联人工智能算法实现安全预警，但这种方法对于外来物体类型的识别精度较低，难以为工作人员提供准确预警信息[10]；通过红外传感器进行异物探测，但这种方法受环境影响较为明显[11]；使用摄像头采集图像，然后利用图像处理及识别算法实现防撞预警，其效果相比其他方法有了显著的提升，但仅使用视频图像作为特征参量，识别精度仍有提升空间[12-13]。

本文针对输电线路状态监测方法存在的问题，提出基于粒子群优化(particle swarm optimization，PSO)算法-反向传播(back propagation，BP)神经网络特征识别的输电线路外力破坏检测方法。该方法通过监控摄像、微波测距2个模块，识别输电线路周边的运动目标，进而提取该目标的三维特征量——H直方图、样本最小矩形和微波测距结果，通过这3个特征量完成PSO-BP模式识别算法的学习与识别，从而精准判断检测到的异物是否对线路产生安全威胁，方便工作人员及时进行处理。最后，通过实验对本文方法用于输电线路状态监测的有效性进行验证。

1 系统概述

基于PSO-BP特征识别的输电线路外力破坏检测系统硬件主要包括2个部分：输电线路现场部分，包括微波测距模块、监控摄像模块、前端处理模块、感应取电模块和通信模块；后台部分，包括后台处理系统。系统结构如图1所示。

图1 系统结构

该系统在运转过程中，首先通过微波测距模块和监控摄像模块获取目标样本信息，然后通过前端处理模块检测运动目标，提取H直方图、样本最小矩形和微波测距结果三维特征量，最终通过通信模块进行数据传输。以上硬件模块的供能通过感应取电模块实现，输电线路的感应电可以有效解决前端硬件的供能问题。

本文输电线路现场部分装置实物如图2所示。装置各模块通过有线方式级联，整合封装后体积较小，可适应各类输电线路现场环境的安装。

图2 装置实物

三维特征量信息传输到后台，通过后台处理系统中内置的PSO-BP算法进行模式识别，即可输出识别结果。输出的结果可以直接用于设定好的威胁处理机制，方便机器或工作人员对输电线路周围具有威胁的物体进行及时处置，实现输电线路的防撞。工作人员可以对本次识别过程进行确认，将确认的结果输入到PSO-BP模型中，作为模型的一次学习，逐渐提升模型输出结果的可靠性。采用前后端配合的系统模式，系统仅储存并传输检测到的运动目标的三维特征量，节约前端处理系统的内存资源和前后端之间的通信资源；采用感应取电的供电模式，解决前端系统的供能问题。以上措施减少了系统的造价及运营费用，提升了系统应用的经济性。

2 运动目标检测

对目标区域进行不间断的实时监测会占用大量内存资源，目标区域的背景也会对威胁样本的识别产生影响。因此，对目标区域中的运动目标进行检测是必要的，可以使系统仅针对运动目标进行图像存储、处理与识别，节约系统资源，提高识别精度。

运动目标检测方法主要包括背景帧差法、相邻帧差法等。其中，相邻帧差法的检测实时性更好，其主要算法原理是通过将连续2帧图像进行差分运算，然后利用阈值设定来识别发生变化的像素，这些像素构成的集合即为运动目标的图像。

设st(x,y)为t时刻图像中(x,y)坐标处的像素值，则t时刻的像素差

Dt(x,y)=|st(x,y)-st-1(x,y)|.

(1)

设定阈值M，可得用以判定该像素是否为运动目标像素的结果值rt(x,y)：

(2)

rt(x,y)=1时，将该像素点加入运动目标像素集合。

(3)

rt′(x,y)=1时，在t时刻的像素点(x,y)为运动目标像素集合S的元素。

运动目标像素集合S生成后，即可缩小样本目标范围，方便下一步对样本目标进行H直方图、样本最小矩形等特征量的提取。

3 多维目标特征提取

为了提升识别精度，设置目标的三维特征量——H直方图、样本最小矩形和微波测距结果，分别描述识别目标的颜色特征、形状特征和动态特征，使机器学习算法可以精准识别输电线路周围异物类型，及时预警。

3.1 微波测距

视觉传感器采集的图像只能识别目标类型，无法判断目标与线路之间的距离，容易误判尚未构成威胁的目标。因此，本文的系统中加入微波测距模块，对线路周边的异物进行实时微波测距。

微波测距结果作为目标特征量之一，在数据库建立及模式识别的过程中均作为输入量，以保证易产生威胁目标处于威胁范围之内时，系统再进行精准报警，减少系统误报次数，提高输电线路防撞在线监测的可靠性。

3.2 最小矩形提取

架空输电线路与地面之间的距离较远，因此人为外力撞击通常都是由于附近高大作业机械违规施工造成的，该类机械在作业时的形状具有显著特点。例如图3所示的大型吊车，其长宽比显著区别于其他可移动目标。

因此，本文对运动目标检测环节识别出的样本进行最小矩形外框提取。具体做法为：对运动目标像素集合S中的像素点进行两两欧氏距离遍历求和，取其中距离最大的2个像素点作为对角线两端端点，绘制出目标样本的最小矩形。最小矩形提取的效果如图3所示，本文算法较为准确地提取到了吊车机械臂的形状。

图3 最小矩形提取

提取到最小矩形后，即可计算矩形的长宽比例，该数据作为数据库和模式识别过程中的输入量，可以有效识别大型机械吊车的存在。

3.3 H直方图

在可能威胁到输电线路的大型作业车辆中，黄色涂装和绿色涂装的车辆占比较高。据江苏某输电运检部门统计，造成输电线路故障的大型作业机械中，95%的涂装颜色为黄色和绿色。因此，通过识别运动目标颜色这一特征量，可以有效提高大型作业机械的识别精度，提升防撞在线监测的可靠性。

本文针对运动目标像素集合S中的像素点，进行色调-饱和度-强度(hue-saturation-value，HSV)分析。在颜色分析中，根据色调值H绘制集合S的H直方图。

通常图片的像素点是由红-绿-蓝(red-green-blue，RGB)三基色像素描述的，每种基色取值范围为0～255。RGB像素转化为H值的公式为：

(4)

式中：R为红色色调值；G为绿色色调值；B为蓝色色调值；V为红、绿、蓝色调最大值；Q为红、绿、蓝色调最小值。

以图3中的运动物体为例，其H直方图如图4所示。该图展示了图3中运动物体的像素集合中，不同H值对应的像素点个数。其中，每个像素点都可用式(4)计算出其对应的H值。

图4 H直方图

在数据库建立及模式识别过程中，将H直方图对应的H值分布向量作为输入量，利用颜色特征进一步提升威胁样本的识别精度。

4 基于PSO-BP的特征识别与学习

4.1 算法策略

在威胁样本的识别环节，本文选取BP神经网络作为模式识别算法[14-15]。同时，为了提升算法性能，在神经网络初值选取的过程中，使用PSO算法进行优化选取，构成了PSO-BP模式识别算法。

在算法实现过程中，首先需要准备一定数量的样本示例，包括威胁样本与非威胁样本，对BP神经网络进行训练。当系统在实际运行过程中发现运动目标时，即自动生成目标的多维特征并输入训练好的神经网络中进行识别。工作人员将该识别结果反馈给系统，使该次识别过程可以作为神经网络的一次学习过程，逐渐增强系统的识别精确度。

4.2 BP神经网络算法架构

BP神经网络包含输入层、隐含层和输出层3层数据结构[16-19]。输入层输入的数据包含H值分布向量、最小矩形长宽比和微波测距结果，输入层神经元的个数与输入的数据维度一致；隐含层的神经元数目并不固定，通过实验进行优化调节；输出层输出的数据是输入样本与数据库中与之最相似样本的相似度。识别结果有2种情况：

a)识别出的样本为非威胁样本，那么该次识别结果为非威胁样本。

b)识别出的样本为威胁样本，那么：当相似度超过了设定的阈值时，则识别结果为威胁样本；当相似度低于设定的阈值时，则识别结果为非威胁样本。

本文BP神经网络结构如图5所示。

图5 BP神经网络结构

输入层-隐含层、隐含层-输出层的链接函数分别使用sigmoid函数和线性传播函数。

本文神经网络的训练算法使用牛顿法的改进算法——Levenberg-Marquardt算法，具有收敛快、精度高的特点，训练迭代公式为

xk+1=xk-[JTJ+μI]-1JTe.

(5)

式中：J为雅克比矩阵；μ为权重系数；e为误差向量；I为单位向量；xk为算法第k次迭代输出结果。

4.3 基于PSO的网络初始化

BP神经网络每层结构都包含若干神经元，这些神经元在迭代计算的过程中代表某一权重值参与计算。因此，神经元初值的选取对于神经网络的寻优精确度和收敛速度有较大的影响。为了提升本文BP神经网络的算法性能，使用PSO算法对各神经元的初值进行优化设置[20-22]。

用向量L表示粒子，那么L中包含所有神经元的权重值，同时L也是粒子在空间中的坐标。设粒子在空间中的速度为P，PSO算法的迭代方程为：

Pid(m+1)=

wPid(m)+c1a(pbest(m)-Lid(m))+

c2a(gbest(m)-Lid(m)),

(6)

Lid(m+1)=Lid(m)+Pid(m+1).

(7)

式中：Pid(m)为第m次迭代时粒子i在维度d上的速度；Lid(m)为粒子位置；pbest为局部最优值；gbest为全局最优值；a为[0，1]间的随机数；c1、c2、w为调节系数。

为了提升PSO算法的寻优能力与速度，本文对w值进行修正，表达式为

(8)

式中：mmax为最大迭代次数；wmax、wmin分别为w的最大值、最小值。

通过式(8)的修正，可以使PSO算法在寻优初期时步长较大，在寻优后期逐渐缩小步长，同时兼顾寻优速度及精确度。

5 实验验证

5.1 实验设置

为了验证本文输电线路状态监测方法的有效性，在现场使用摄像模块和微波测距模块采集样本，结合历史数据留存的样本，共建立包含不同机械设备、不同区域、不同角度的976个数据库样本。其中含有威胁样本和非威胁样本，用以训练BP神经网络模型。样本示例如图6所示。

图6 实验样本示例

BP神经网络训练完成后，另外准备273个样本用以进行算法测试，其中威胁样本76个，非威胁样本197个，较为符合现实中样本分类的比例。

5.2 实验结果及分析

现场使用摄像模块采集运动目标图像，利用本文运动目标检测算法生成各运动目标的像素集合S。为了检验算法有效性，同步对运动目标图像进行人工框取，生成检验集合S′，将其与集合S进行像素相似度对比，结果见表1。

表1 不同类型运动目标检测准确率

从表1可以看出，本文运动目标检测算法对于大型吊车的检测准确率可达95%左右，这是因为吊车吊臂高度较高，其背景图像较为干净，易于识别，并且检测准确率与运动物体的颜色关联性较小。对于普通作业车辆和其他物体，其所占像素数量较少，且对应的背景较为复杂，因此检测准确率稍低。

5.3 多维特征识别结果及分析

通过5.1节中设置的实验，对本文基于PSO-BP特征识别的输电线路外力破坏检测方法的有效性进行测试。如4.2节中所述，判定监测样本是否为威胁样本，需要将系统输出的相似度与阈值进行比对，因此该阈值的设置对于识别准确率的影响是较为明显的。图7展示了在不同阈值下识别准确率的变化趋势。为了验证本文PSO-BP算法的性能，选取BP神经网络算法和K值邻近(K nearest neighbor，KNN)算法进行对比测试。

图7 算法测试准确率

从图7可以看出，各算法的识别准确率随着阈值的增长先增后降，PSO-BP、BP神经网络、KNN算法的最大识别准确率分别为95.97%、91.94%、87.55%，对应的阈值分别为86%、80%、78%。当阈值为极大值或极小值时，失去了筛选作用，识别准确率均分别归于威胁样本占比和非威胁样本占比。

以上结果说明，本文使用的PSO-BP算法性能最优，不仅识别准确率高，且对应的阈值最大，说明模式识别过程输出的样本相似度高，需要高阈值来进行筛选。对于PSO-BP算法，使用低阈值反而会增加误检数量，降低识别准确率；而高阈值并不会带来过多的漏检数量，保证了识别准确率。

为了验证本文多维特征识别策略的有效性，分别单独使用1个特征量进行识别测试，测试结果如图8所示。从图8的结果可以看出，单一使用H值分布向量、最小矩形长宽比和微波测距结果作为特征量进行识别，最大识别准确率分别为83.88%、79.49%、77.29%，对应的阈值为73%、62%、57%。H值分布向量、最小矩形长宽比2个特征量可以较好地描述大型作业车辆的特点，因此具有相对较高的识别准确率，但与本文的多维特征识别方法相比仍有明显差距，验证了本文算法测试的有效性。

图8 单维特征识别准确率

图9展示了本文算法对于不同类型样本的识别准确率。从图9可以看出，黄色涂装吊车、绿色涂装吊车和其他物体的识别准确率分别达到97.56%、96.77%、92.17%，说明本文算法对于大型吊车的识别准确率较高。这是因为在3个特征量中，H值分布向量、最小矩形长宽比可以直接反映大型机械的颜色特点和形状特点。如前文所述，输电线路人为撞击故障中80%的故障来源于大型机械，因此本文在实际应用中的识别作用较为可靠。

图9 不同类型样本识别准确率

6 结论

本文针对输电线路状态监测，提出了基于PSO-BP特征识别的输电线路外力破坏检测方法。该方法通过摄像头模块和微波测距模块等，实现运动目标检测和三维特征提取，包括H直方图、样本最小矩形、微波测距结果。特征量在作为识别输入量的同时，也作为数据库对PSO-BP模型进行训练。采用PSO-BP算法计算输出威胁样本相似度，通过阈值的筛选即可准确识别该目标物体是否为威胁物体。通过实验的验证，得到以下结论：

a)本文算法主要针对人为撞击因素进行识别，可以实现95.97%的识别精确度，对于吊车等大型机械的识别精确度可达97%左右，说明本文选取的三维特征可以较好地描述大型机械的特点。

b)3个特征量单独用于识别时，其精确度明显低于三维特征识别，验证了本文多维特征识别算法策略的有效性。

c)在输电线路的外力撞击事故中，80%来源于大型工程机械，这正是本文算法识别精度最高的威胁样本类型。因此，本算法在输电线路运检工作中的实用性较好。