葉保璇，王康堅，余盛達，易婷婷，黃廷城

（1.海南電網(wǎng)有限責任公司文昌供電局，海南文昌 570100；2.廣州市奔流電力科技有限公司，廣州 510670）

0 引言

近年來，中國輸電線路系統(tǒng)規(guī)模不斷擴大，但由于鳥害、山火、冰害、風偏以及外力破壞等因素，架空輸電線路時常受到損害。因此，為獲取輸電線路本體和走廊通道的信息，確保線路處于安全運行狀態(tài)，目前已有多種輸電線路在線監(jiān)測系統(tǒng)。系統(tǒng)一般由負責數(shù)據(jù)采集的邊緣端和數(shù)據(jù)處理的后臺系統(tǒng)2個部分組成[1]。根據(jù)監(jiān)測功能和對象的不同，在線監(jiān)測系統(tǒng)可劃分為微氣象監(jiān)測、外力破壞監(jiān)測、覆冰監(jiān)測、桿塔傾斜監(jiān)測等系統(tǒng)[2]，然而不同的監(jiān)測系統(tǒng)功能較為單一。大部分輸電線路同時有多種監(jiān)測需求，現(xiàn)有輸電線路在線監(jiān)測系統(tǒng)難以滿足。若在同一輸電線路安裝多套不同監(jiān)測終端，則存在安裝運維工作量大、設(shè)備配置冗余、經(jīng)濟成本高等問題。

另一方面，目前大部分輸電線路在線監(jiān)測系統(tǒng)將大量的設(shè)備監(jiān)測數(shù)據(jù)傳至后臺系統(tǒng)進行分析判斷，每隔一段時間傳輸一張圖片，導致通信壓力大、流量費用高，而且每隔一段時間傳一次圖片的模式難以達到在線監(jiān)測感知的需求。為解決上述問題，基于邊緣端智能識別的輸電線路在線監(jiān)測逐漸興起，但由于邊緣識別剛處于起步階段，且受限于邊緣端的算力和功耗，其識別準確率不高，不同識別對象的準確率在50%～90%[3]，仍無法滿足實際應(yīng)用的需求。同時，深度學習以其在特征提取與模式識別方面的獨特優(yōu)勢與潛力被廣泛應(yīng)用于輸電線路智能識別中，但深度學習的故障診斷方法和性能好壞很大程度上取決于數(shù)據(jù)集的規(guī)模和質(zhì)量[4]。目前，輸電線路故障樣本數(shù)量較少且難以采集，造成深度學習的模型訓練優(yōu)化困難，阻礙了識別效果進一步提升。

因此，本文針對輸電線路多種在線監(jiān)測識別需求，以及現(xiàn)有輸電線路在線監(jiān)測系統(tǒng)存在的低效率、弱實時性、低識別率等問題，研究設(shè)計了基于邊-云協(xié)同的輸電線路綜合在線監(jiān)測系統(tǒng)。通過邊緣端分析監(jiān)測裝置、深度學習模型以及系統(tǒng)架構(gòu)，深入分析基于邊-云協(xié)同的輸電線路綜合在線監(jiān)測系統(tǒng)的技術(shù)原理和應(yīng)用模式。

1 邊緣端分析監(jiān)測裝置

為實現(xiàn)邊緣端的綜合數(shù)據(jù)采集以及一次識別，本文所設(shè)計的輸電線路邊云協(xié)同綜合在線監(jiān)測系統(tǒng)邊緣端由傳感器、攝像頭、人工智能處理模塊等部分組成，如圖1所示。

圖1 邊緣端分析監(jiān)測裝置圖

通過安裝不同傳感器采集輸電線路覆冰、風偏等危害的相關(guān)監(jiān)測數(shù)據(jù)。微氣象傳感器用于采集環(huán)境濕度、風速、風向、雨量、氣壓等反應(yīng)氣象參數(shù)特性的數(shù)據(jù)；絕緣子串軸線上安裝雙軸角度傳感器采集絕緣子傾斜角實現(xiàn)導線風偏距離監(jiān)測；桿塔傾角傳感器用于采集輸電桿塔傾斜角度，判斷兩側(cè)受力情況，避免因受力不均導致桿塔的傾斜或倒塌；紅外測溫傳感器監(jiān)測線夾的溫度，避免線夾異常發(fā)熱；紅外熱成像傳感器通過紅外熱成像圖直觀觀察設(shè)備發(fā)熱狀況并實現(xiàn)山火的在線監(jiān)測和智能測距。

除常見傳感器監(jiān)測線路周圍環(huán)境和本體外，本文系統(tǒng)的邊緣端分析監(jiān)測裝置還融合了視頻監(jiān)控。采用具備嵌入式模塊的攝像頭，嵌入人工智能處理模塊，將實時采集的輸電線路本體和通道周圍圖像發(fā)送至人工智能處理模塊，通過目前快速發(fā)展的深度學習技術(shù)進行智能識別，得到輸電線路疑似缺陷圖像并傳至后臺。實現(xiàn)邊緣端視覺監(jiān)測輸電線路缺陷與山火、鳥害、漂浮物懸掛、大型機械物入侵、違規(guī)建筑、過高樹木觸碰等外力破壞。

2 深度學習的YOLOv3模型

深度學習技術(shù)被廣泛應(yīng)用于輸電線路圖像在線監(jiān)測中，具有高效、安全、快速等特點。綜合考慮網(wǎng)絡(luò)深度、模型復(fù)雜度、任務(wù)難度以及計算能力的限制等問題，基于邊-云協(xié)同的輸電線路綜合在線監(jiān)測邊緣端識別，采用YOLOv3作為深度學習模型。

2.1 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv3是YOLO（You Only Look Once）系列的最新檢測網(wǎng)絡(luò)。單級檢測YOLO 采用回歸策略的端到端目標檢測算法。網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化設(shè)計過的YOLOv2，利用殘差網(wǎng)絡(luò)結(jié)構(gòu)、多尺度訓練、特征融合、基于k-means 的先驗框生成等方法，改善了相對簡略的約束框處理帶來的低召回率和樣本不平衡問題，同時優(yōu)化了模型的深度特征提取能力[5]。

YOLOv3正是在YOLOv2基礎(chǔ)上，采用53層的DarkNet-53作為主干網(wǎng)絡(luò)，對輸入的圖像首先進行特征提取，構(gòu)建特征金字塔（Feature Pyramid Networks,FPN）。特征金字塔使用步長為2的卷積降采樣，分別在32、16、8倍降采樣時進行目標檢測，轉(zhuǎn)移層（Passthrough Layer）拼接三次降采樣得到的特征信息。在多尺度檢測（Multiscale Detection）中使用3 種不同尺度特征圖（13 Px×13 Px，26 Px×26 Px，52 Px×52 Px）融合，使YOLOv3可以學習到淺層和深層特征信息[6]。最后，使用Logistic 函數(shù)進行目標分類，令YOLOv3 能夠執(zhí)行目標的多標簽檢測，進一步提高檢測準確率。YOLOv3的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示，單級目標檢測框架直觀簡練，相對于兩級目標檢測框架速度更快，提高了實時性。

圖2 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 YOLOv3的損失函數(shù)

YOLOv3的損失函數(shù)是在YOLOv2基礎(chǔ)上進行改動，最大的變動是分類損失成了二分交叉熵，這是由于YOLOv3中剔除了softmax 改用logistic。將輸入的圖片劃分成S×S 個網(wǎng)格，每個網(wǎng)格生成B個候選框anchor box，每個候選框經(jīng)過網(wǎng)絡(luò)得到相應(yīng)的bounding box，最終得到S×S×B個bounding box，YOLO系列的核心是每個特征圖中的每一個網(wǎng)格都去預(yù)測一個物體，所以YOLOv3的損失函數(shù)公式如下。

本文采用YOLOv3 模型進行圖像智能識別。一是采用了Darknet-53 網(wǎng)絡(luò)結(jié)構(gòu)，在一些層之間設(shè)置快捷鏈路；二是采用多尺度特征融合進行目標檢測；三是采用回歸分類，提高分類的準確性[7]。因此在輸電線路在線監(jiān)測中，利用YOLOv3識別外力破壞、線路故障等目標檢測，具有較高的準確性和實時性。同時，為了提高識別準確率，解決深度學習需要大量負面樣本建模的問題，本文系統(tǒng)將通過后臺統(tǒng)一收集區(qū)域內(nèi)的負面樣本，進行定期迭代訓練優(yōu)化后，將訓練好的模型傳至邊緣端進行識別。

圖3 系統(tǒng)整體架構(gòu)

3 系統(tǒng)整體架構(gòu)

基于邊-云協(xié)同的輸電線路綜合在線監(jiān)測系統(tǒng)主要由邊緣端、無線通訊和云端3部分組成，整個系統(tǒng)架構(gòu)如圖3所示。

邊緣端主要負責多類型數(shù)據(jù)的采集和一次識別。實時監(jiān)控的攝像頭將采集的圖片傳至邊緣端的人工智能處理模塊中進行初次診斷，通過深度學習算法得出疑似缺陷圖片，并將疑似缺陷圖片經(jīng)無線通訊送至云端。同時，多種傳感器根據(jù)自身功能采集多類型數(shù)據(jù)，與邊緣端一次識別得到的疑似缺陷圖片一同傳至云端的后臺服務(wù)器中。

云端主要負責多類型數(shù)據(jù)的全面分析、二次識別和模型訓練。后臺服務(wù)器通過基于深度學習的圖像分析技術(shù)將疑似缺陷圖片進行二次識別，結(jié)合傳感器采集的多類型數(shù)據(jù)，綜合判斷線路運行周圍環(huán)境狀態(tài)，最后將識別結(jié)果送至可視化終端。同時，后臺系統(tǒng)匯集區(qū)域內(nèi)的負面樣本進行定期迭代優(yōu)化深度學習模型，并將訓練好的模型傳至邊緣端，提高邊緣端的識別準確率。

無線通訊主要是以虛擬無線專網(wǎng)方式進行通訊，為輸電線路在線監(jiān)測提供高可靠、高安全、高帶寬的數(shù)據(jù)傳輸通道。

邊緣端識別的產(chǎn)品將識別任務(wù)全部放置邊緣端進行，造成識別率不高等問題，本文所設(shè)計的系統(tǒng)是邊緣端將一次識別得到的疑似缺陷圖片傳至云端后臺服務(wù)器進行二次識別，提高識別準確率，減小誤報率，降低數(shù)據(jù)通信壓力和后臺服務(wù)器處理復(fù)雜難度。同時，系統(tǒng)依靠傳感器采集多類型數(shù)據(jù)，后臺可根據(jù)綜合數(shù)據(jù)進行智能統(tǒng)計、全面分析評估，方便運維人員回溯事故原因，提升系統(tǒng)識別精度，保護輸電線路安全運行。

4 結(jié)束語

本文提出一種基于邊-云協(xié)同的輸電線路綜合在線監(jiān)測系統(tǒng)，首先綜述了現(xiàn)有輸電線路在線監(jiān)測系統(tǒng)現(xiàn)狀，其次詳細分析本文系統(tǒng)的邊緣端監(jiān)測裝置，介紹了基于YOLOv3的深度學習模型，最后研究系統(tǒng)整體架構(gòu)以及各組成部分主要功能?；谶?云協(xié)同的輸電線路綜合在線監(jiān)測系統(tǒng)可實現(xiàn)全時段大范圍的輸電線路安全監(jiān)控，實現(xiàn)線路全面狀態(tài)感知，有效進行數(shù)據(jù)處理。邊-云協(xié)同提高檢測速度和準確率，不斷收集負面樣本進行深度學習模型的更新優(yōu)化，解決復(fù)雜背景下小目標檢測困難問題，同時YOLOv3模型具有高效快速特點，在工程上更具有使用價值。因此，基于邊-云協(xié)同的輸電線路綜合數(shù)據(jù)在線監(jiān)測系統(tǒng)對保障輸電線路穩(wěn)定運行具有重要意義。