陳燕南

(國網(wǎng)江蘇省電力公司 常州供電分公司，江蘇 常州 213003)

0 引 言

輸電線路作為國家重要的基礎(chǔ)設(shè)施，其安全性和穩(wěn)定性關(guān)系到人們的生產(chǎn)生活。輸電線路在遠距離電能輸送過程中，承載高負荷且在不確定的自然環(huán)境中工作，容易遇到不同原因和不同類別的隱患威脅。因此，通道環(huán)境隱患排查是重要的運檢項。輸電通道隱患排查從最初人工巡視，到通過圖像采集設(shè)備定時抓拍并回傳圖像供人工巡視，發(fā)展到現(xiàn)在利用人工智能技術(shù)對抓拍的圖像做隱患自動識別，在圖像采集設(shè)備進行終端識別、無人機巡檢、視頻監(jiān)測、5G傳輸及匯集組網(wǎng)、物聯(lián)網(wǎng)等技術(shù)的應(yīng)用，極大提高了運檢效率和安全性[1-5]，尤其是在2020年新冠疫情防控期間發(fā)揮了巨大的作用。

隨著大部分地區(qū)已經(jīng)實現(xiàn)輸電線路通道可視化遠程巡視，且能自動識別輸電通道內(nèi)的隱患信息，如機械類、異物類、煙火類隱患，由此產(chǎn)生了大量帶有標(biāo)記的數(shù)據(jù)，而且可以預(yù)見隨著更多技術(shù)的引入和融合，積累的通道隱患數(shù)據(jù)量將會成倍或成指數(shù)級增加。但目前對這類數(shù)據(jù)的利用很少，大部分應(yīng)用停留在統(tǒng)計分析、報表展示的程度，如對單一設(shè)備或指定的多個設(shè)備的隱患信息統(tǒng)計分析，僅完成了從數(shù)據(jù)到信息的歸集，但更深層級利用大數(shù)據(jù)分析手段對信息進一步提升形成知識的工作開展得很少。這是因為通道隱患數(shù)據(jù)價值密度非常低，單點分析或短期數(shù)據(jù)分析無法產(chǎn)生實際的價值，但通道隱患數(shù)據(jù)自然帶有標(biāo)記屬性，這為通過大數(shù)據(jù)分析手段實現(xiàn)價值密度提升提供了可能[6-9]。

本文提出了一種利用輸電線路通道歷史隱患數(shù)據(jù)，實現(xiàn)輸電隱患高風(fēng)險區(qū)段識別的方法[10]，以便能為輸電線路智能運檢提供決策依據(jù)，可以實現(xiàn)對數(shù)據(jù)的更高層級利用，完成從信息到知識的提升，更好地發(fā)揮數(shù)據(jù)的價值。這在輸電通道智能運檢應(yīng)用場景下屬于開創(chuàng)性工作，能為檢修人員提供有效的數(shù)據(jù)支撐以便輔助決策，如加大對某些線路的巡檢力度，保障輸電線路的安全運行[11-14]。

1 輸電隱患高風(fēng)險區(qū)段識別數(shù)據(jù)基礎(chǔ)

1.1 隱患數(shù)據(jù)

本文所分析的隱患數(shù)據(jù)是指通過輸電通道可視化遠程巡視抓拍設(shè)備、視頻巡視設(shè)備、無人機等多途徑采集的輸電通道相關(guān)的隱患數(shù)據(jù)，其中絕大部分隱患數(shù)據(jù)是由AI圖像分析模型自動識別存儲的數(shù)據(jù)。因現(xiàn)階段技術(shù)限制，AI圖像分析模型無法達到零漏報和零誤報，部分?jǐn)?shù)據(jù)由巡查人員做過修正。

在收集的隱患數(shù)據(jù)中，出現(xiàn)的隱患種類包括起吊機、塔吊、推土機、挖掘機、水泥攪拌車、打樁機、水泥泵車、鏟車、消防車、采沙船、煙霧、山火、彩帶、其他懸浮物等14類不同種類的小類隱患數(shù)據(jù)。根據(jù)小類數(shù)據(jù)的特性又可劃分為機械類、煙火類、異物類3組大類數(shù)據(jù)。隱患數(shù)據(jù)相關(guān)字段包含隱患自增ID、隱患發(fā)生時間、隱患類型、隱患消除時間、隱患內(nèi)容、是否消除標(biāo)記、確認(rèn)時間、圖像存儲ID、設(shè)備編號、經(jīng)度信息、緯度信息、線路編號和桿塔編號等多個字段。

1.2 數(shù)據(jù)積累

采用大數(shù)據(jù)分析技術(shù)手段做數(shù)據(jù)挖掘分析，最為重要的是要有足夠多的高質(zhì)量數(shù)據(jù)，主要體現(xiàn)在：數(shù)據(jù)量要大，因為在采用大數(shù)據(jù)分析手段對數(shù)據(jù)價值密度提升時，會損失一部分信息，如果數(shù)據(jù)樣本過小，因信息損失可能會得出完全相反的分析結(jié)果；積累的時間跨度要大，只有時間跨度足夠大的情況下，才能通過數(shù)據(jù)清洗手段去掉數(shù)據(jù)中的異常數(shù)據(jù)，并能包含更多的影響因素。以輸電通道隱患數(shù)據(jù)為例，其存在明顯的季節(jié)性，所以只有在積累的數(shù)據(jù)為年計時，分析才會更準(zhǔn)確；數(shù)據(jù)源分布范圍要大，如果只有幾個點的數(shù)據(jù)，即便數(shù)據(jù)量很大、時間跨度足夠長，但仍無法橫向?qū)Ρ确治?，得到的分析結(jié)果將不具備實際價值。所以，本文中所依托的數(shù)據(jù)為某區(qū)域時間跨度為1年的歷史隱患數(shù)據(jù)，且隱患數(shù)據(jù)是完整和分布均勻的，在傳入模型前沒有抽樣。

2 輸電隱患高風(fēng)險區(qū)段識別方法

2.1 數(shù)據(jù)處理

2.1.1 數(shù)據(jù)清洗

數(shù)據(jù)清洗是為了讓數(shù)據(jù)合理且具備可分析的基礎(chǔ)。在收集的歷史隱患數(shù)據(jù)中，存在少量同一圖像有兩種不同隱患結(jié)果的數(shù)據(jù)。這類數(shù)據(jù)是因為巡查人員對AI圖像分析模型識別結(jié)果確認(rèn)時，發(fā)現(xiàn)存在誤報，巡查員確認(rèn)時會產(chǎn)生一條新的隱患數(shù)據(jù)，并且會在相應(yīng)字段標(biāo)記。對于有兩種不同結(jié)果的數(shù)據(jù)，以巡查員確認(rèn)的結(jié)果為準(zhǔn)，剔除該條數(shù)據(jù)對應(yīng)的AI圖像分析模型識別結(jié)果數(shù)據(jù)。另外，有少量AI圖像分析模型沒有準(zhǔn)確識別，由巡查人員發(fā)現(xiàn)的隱患數(shù)據(jù)應(yīng)正常保留。

其次，所收集的歷史隱患數(shù)據(jù)中大部分是由輸電通道可視化遠程巡視抓拍設(shè)備定時采集的圖像，經(jīng)圖像識別模型分析后，確認(rèn)有某類隱患而產(chǎn)生的。但由于不同圖像采集設(shè)備所設(shè)定的圖像采集間隔不一致，如30 min、15 min、10 min、5 min等，而且同一設(shè)備在不同時間段因人為調(diào)整、智能告警策略自動調(diào)整等原因?qū)е缕渥ヅ拈g隔也存在不一致情況。對此，需要對數(shù)據(jù)進行權(quán)重處理。本論文所對應(yīng)模式嘗試了兩種處理方法：(1)將隱患數(shù)據(jù)統(tǒng)一按30 min抽樣；(2)將不同圖像抓拍時間間隔的隱患數(shù)據(jù)設(shè)置不同的權(quán)重，具體為抓拍時間間隔為30 min的隱患數(shù)據(jù)其權(quán)重設(shè)定為1,間隔為15 min的隱患數(shù)據(jù)權(quán)重設(shè)定為0.5，間隔為10 min的隱患數(shù)據(jù)權(quán)重設(shè)定為0.33，間隔為5 min的隱患數(shù)據(jù)權(quán)重設(shè)為0.17，其他非圖像抓拍設(shè)備產(chǎn)生的隱患數(shù)據(jù)權(quán)重均為1。

本文在數(shù)據(jù)分析時，對兩種不同的處理方式多次對比驗證發(fā)現(xiàn)兩種不同的數(shù)據(jù)清洗方法并無明顯的優(yōu)劣之分?；诖嗽虮疚倪x定了第一種方式，即按等時間間隔采樣的方式，其優(yōu)點是相較第二種方法數(shù)據(jù)清洗后的數(shù)據(jù)量會減少約27%，且不需要額外的權(quán)重信息，在大數(shù)據(jù)分析時可以減少計算量，提高實時性。

2.1.2 數(shù)據(jù)預(yù)處理

經(jīng)數(shù)據(jù)清洗后的數(shù)據(jù)包含有1.1節(jié)中提到的所有字段，實際模型分析時只需要其中部分字段。本文所對應(yīng)的初版模型中，選用了隱患發(fā)生時間、隱患類型、經(jīng)度信息、緯度信息、線路編號、桿塔編號、設(shè)備編號7個字段。經(jīng)幾次優(yōu)化迭代，發(fā)現(xiàn)可以對字段進一步過濾，其中，隱患發(fā)生時間，可以在傳入數(shù)據(jù)時過濾，保證傳入的是預(yù)期時間段內(nèi)的數(shù)據(jù)，如近一年數(shù)據(jù)，以便時間屬性可以略去；隱患類型也采用類似的處理方法，在數(shù)據(jù)傳入時過濾。因為桿塔編號跟實體桿塔的地理位置有臺賬對應(yīng)，且編號按遞增規(guī)律排布，所以可以去掉經(jīng)緯度信息，在可視化展示時，從臺賬查詢后并在地圖上標(biāo)注即可。本文模型最終選定線路編號、桿塔編號、設(shè)備編號3個字段，大幅提高了大數(shù)據(jù)分析效率，字段名、數(shù)據(jù)類型、樣例數(shù)據(jù)以及釋義如表1所示。

表1 字段及樣例數(shù)據(jù)

數(shù)據(jù)分析時，巡檢人員比較關(guān)心具體某類隱患分布。該類隱患可以是大類隱患也可以是小類隱患，需要在傳入模型前對隱患數(shù)據(jù)過濾分離，如果希望得到全部的隱患分布，則不過濾。

2.2 數(shù)據(jù)分析

2.2.1 數(shù)據(jù)融合

在模型計算時需要進一步進行數(shù)據(jù)關(guān)聯(lián)融合，本文對經(jīng)數(shù)據(jù)處理后的隱患數(shù)據(jù)按線路編號及桿塔編號分組、計算權(quán)重并對沒有隱患數(shù)據(jù)的桿塔0值填充，獲得參與計算的數(shù)據(jù)。其中，分組并計算權(quán)重包括以下具體工作：將數(shù)據(jù)集中具有相同設(shè)備編號的數(shù)據(jù)合并為一條數(shù)據(jù)，記錄隱患數(shù)量；基于該類數(shù)據(jù)將具備相同桿塔編號的數(shù)據(jù)合并，并增加權(quán)重屬性，取該部分?jǐn)?shù)據(jù)隱患數(shù)量之和作為該條數(shù)據(jù)的權(quán)重值。

某些桿塔的圖像采集與設(shè)備采集的圖像中沒有出現(xiàn)隱患物體，所以沒有對應(yīng)的隱患數(shù)據(jù)，但動態(tài)滑窗算法需要數(shù)據(jù)間距分布均勻，所以需要對沒有隱患數(shù)據(jù)的桿塔0值補充。經(jīng)以上操作后能得到參與計算的數(shù)據(jù)，包含以下屬性：桿塔編號、權(quán)重值、詳情。其中，權(quán)重值為該桿塔對應(yīng)的設(shè)備隱患數(shù)之和，詳情包含設(shè)備編號、所屬桿塔編號、隱患數(shù)三個屬性，將此三個屬性以逗號連接拼接成一個屬性，并用分號拼接多個設(shè)備。

為能更好地說明數(shù)據(jù)融合過程，本文以某地時間跨度1年的隱患數(shù)據(jù)處理過程進行說明。以識別該地區(qū)機械類輸電隱患高風(fēng)險區(qū)段為例，該地區(qū)共積累了240 483條隱患數(shù)據(jù)，在調(diào)用本模型時傳入的數(shù)據(jù)只保留隱患內(nèi)容中出現(xiàn)機械設(shè)備隱患數(shù)據(jù)的線路編號、桿塔編號、設(shè)備編號信息，共計213 429條數(shù)據(jù)，部分?jǐn)?shù)據(jù)見表2。

如圖1所示，在GPR測量過程中，雷達信號通過多種方式到達接收天線并被捕獲，通過提取其中部分雷達信號并確定其傳播速度即可計算上層土壤的介電常數(shù)ε1。本文主要考慮地面直達波和反射波部分。

表2 過程數(shù)據(jù)

將數(shù)據(jù)按線路分組，具有相同線路編號的數(shù)據(jù)作為一組，共計獲取到164個分組，即164條線路及對應(yīng)數(shù)據(jù)。線路編號不再記錄到每條數(shù)據(jù)中。以線路編號為611為例，該分組內(nèi)共有7649條數(shù)據(jù)。線路編號為611的分組，部分?jǐn)?shù)據(jù)見表3。

表3 過程數(shù)據(jù)

對每組數(shù)據(jù)按設(shè)備編號合并，標(biāo)記方法為將設(shè)備編號相同但序號不同的數(shù)據(jù)保留一條，并新增一個字段記錄該條數(shù)據(jù)重復(fù)次數(shù)即隱患數(shù)，如表3處理中的樣例數(shù)據(jù)中的1～4條數(shù)據(jù)會生成一條新的數(shù)據(jù)“1 4 99000843139835”，仍以線路編號為611的分組數(shù)據(jù)進行說明，對以上處理中的數(shù)據(jù)處理獲取到260條帶有隱患數(shù)的數(shù)據(jù)，部分?jǐn)?shù)據(jù)見表4。

表4 過程數(shù)據(jù)

對表4處理所得的數(shù)據(jù)按桿塔編號合并，隱患數(shù)之和作為權(quán)重值，并將沒有隱患數(shù)據(jù)的桿塔用0值填充。從以上處理的數(shù)據(jù)樣例可以看出序號和桿塔編號不是一一對應(yīng)的，因為部分桿塔有多個設(shè)備，部分桿塔沒有隱患數(shù)據(jù)。將設(shè)備編號、所屬桿塔編號、隱患數(shù)拼接成一個字符串，作為詳情屬性。仍以線路編號為611的分組數(shù)據(jù)說明，對以上處理中的數(shù)據(jù)處理獲取到268條數(shù)據(jù)，部分?jǐn)?shù)據(jù)見表5。

表5 過程數(shù)據(jù)

2.2.2 模型計算

經(jīng)過數(shù)據(jù)融合處理后，對某一條線路基于分組并權(quán)重標(biāo)記后的數(shù)據(jù)使用動態(tài)滑窗算法從最小步長開始迭代，直至權(quán)重最大的窗口內(nèi)的隱患權(quán)重和值與隱患總數(shù)的比值超過指定閾值，那么該窗口所對應(yīng)的信息即為該線路的隱患高風(fēng)險區(qū)段。參與計算的數(shù)據(jù)帶有權(quán)重，按一定步長從某線路里桿塔號最小的數(shù)據(jù)開始從左向右滑動，每次增加一條右側(cè)相鄰數(shù)據(jù)，并刪掉一條最左側(cè)數(shù)據(jù)。迭代時，從步長為2開始計算，若結(jié)果不滿足指定閾值，步長加1后再次計算。其中閾值為初始化參數(shù)，其經(jīng)驗值依據(jù)不同的巡檢需求確定，一般確認(rèn)方法為：將多個不同閾值對應(yīng)的計算結(jié)果交由巡檢人員評估，將巡檢人員認(rèn)可的計算結(jié)果所對應(yīng)的閾值作為經(jīng)驗值輸入。

為能更準(zhǔn)確地說明模型計算過程，仍以2.2.1節(jié)中的案例進行說明，該地區(qū)巡檢標(biāo)準(zhǔn)與閾值0.2所處理的結(jié)果一致，所以后續(xù)所有處理均以0.2為參照標(biāo)準(zhǔn)。

對具體某一條線路處理后的數(shù)據(jù)，得到數(shù)據(jù)如表5所示，使用動態(tài)滑窗算法從最小步長2開始迭代，直至權(quán)重最大的窗口內(nèi)的隱患權(quán)重和值與隱患總數(shù)的比值超過指定閾值0.2，該窗口內(nèi)的數(shù)據(jù)即為該線路的隱患高風(fēng)險區(qū)段。首先計算總隱患數(shù)，其值為7 649，從桿塔編號最小的端開始按步長遍歷，每次右移一個數(shù)據(jù)，對應(yīng)上處理中數(shù)據(jù)窗口內(nèi)的權(quán)重和依次為{95,93，6，…,698,…,44,28}，則權(quán)重和值最大的窗口權(quán)重和為698，因698<7 649×0.2=1 529.8，沒有達到閾值，將步長增大1重復(fù)上述計算。在步長為13時，獲得的權(quán)重和值最大的窗口權(quán)重和為1 588>7 649×0.2=1 529.8，此時窗口內(nèi)對應(yīng)的信息即為該線路所需識別的隱患高風(fēng)險區(qū)段。整理出的具有以下屬性：線路編號、窗口內(nèi)最大隱患數(shù)、隱患總數(shù)、起始桿塔編號、截止桿塔編號、設(shè)備隱患詳情，包括設(shè)備編號、桿塔編號和隱患數(shù)。部分?jǐn)?shù)據(jù)見表6。

表6 結(jié)果樣例數(shù)據(jù)

表7 結(jié)果數(shù)據(jù)

2.3 可視化展示高風(fēng)險區(qū)段

通過模型獲取到最終結(jié)果后，可進行可視化展示。如2.1.2所介紹的字段分析，可以采用兩種可視化展示方式：一是根據(jù)設(shè)備隱患詳情中的設(shè)備編號臺賬信息，查詢到設(shè)備的經(jīng)緯度信息，并在地圖上做點標(biāo)記，同一條線路上的點組成的線路段即為隱患；二是可以使用起止桿塔編號的臺賬信息，以桿塔為對象做標(biāo)記，兩者標(biāo)注效果一致?？梢暬故緯r可以做相應(yīng)的條件過濾，包括時間區(qū)間，可按天、周、月、年定制；隱患類別包括大類和小類，大類如機械類、異物類，小類如挖掘機、彩帶等；電壓等級；具體某條線路等。

3 輸電隱患高風(fēng)險區(qū)段識別效果與討論

本文對應(yīng)模型的處理方法能實現(xiàn)對輸電線路隱患高風(fēng)險區(qū)段識別，基于動態(tài)滑窗大數(shù)據(jù)處理手段，無需數(shù)據(jù)標(biāo)記，數(shù)據(jù)處理后，經(jīng)自動流程控制，可準(zhǔn)確地找出某線路的隱患高風(fēng)險區(qū)段。通過對數(shù)據(jù)分組和權(quán)重處理，大幅降低了計算量，計算耗時為毫秒級。采用本文中的大數(shù)據(jù)分析手段，歷史隱患數(shù)據(jù)實現(xiàn)了從信息到知識的提升，在輸電智能巡檢領(lǐng)域?qū)儆陂_創(chuàng)性工作，能為檢修人員決策提供有效的數(shù)據(jù)支撐，為加大對某些線路段的巡檢力度提供了依據(jù)，進而保障輸電線路的安全運行。

本文中的方法能很好地得到預(yù)期效果，對應(yīng)的模型系統(tǒng)已在幾個地區(qū)部署使用，但也存在一些不足之處：(1)在隱患數(shù)據(jù)源方面，有些地區(qū)的隱患數(shù)據(jù)并沒有長期保存，或者數(shù)據(jù)源雜亂，很難有效地融合或采樣。對于該類問題，需要對隱患數(shù)據(jù)做長期有效的收集、梳理并整合數(shù)據(jù)源，如添加有效的時間標(biāo)記，標(biāo)注好采集方式、人工確認(rèn)情況等；(2)部分地區(qū)電力互聯(lián)網(wǎng)大區(qū)中存在臺賬不完整或臺賬錯誤問題，導(dǎo)致現(xiàn)有的模型分析出的數(shù)據(jù)無法有效地進行可視化展示，針對該類情況雖然對模型做了相應(yīng)的調(diào)整，但因缺少必要的經(jīng)緯度信息，雖然分析出了結(jié)果，也僅限于報告分析，無法提供直觀的運維指導(dǎo)。對于該類問題，需要逐步完善臺賬信息；(3)隱患數(shù)據(jù)采集不完整。因為大部分隱患數(shù)據(jù)是輸電通道桿塔上安裝的圖像抓拍設(shè)備所采集的圖像，是經(jīng)AI圖像分析模型識別后的結(jié)果，但有些地區(qū)存在部分桿塔沒有安裝圖像采集設(shè)備，或圖像采集設(shè)備安裝密度不均勻等問題，導(dǎo)致分析的結(jié)果與實際運檢存在差異。對于該類問題需要數(shù)據(jù)源的持續(xù)完善和更完善的隱患數(shù)據(jù)采樣策略，這也是本模型后續(xù)迭代升級的重點工作之一。

4 結(jié) 語

本文基于輸電通道歷史隱患數(shù)據(jù)，結(jié)合大數(shù)據(jù)分析手段實現(xiàn)了輸電隱患高風(fēng)險區(qū)段的識別，可用于智能運檢輔助決策，后續(xù)會對模型進行持續(xù)的迭代優(yōu)化，結(jié)合隱患分布圖，風(fēng)區(qū)、冰區(qū)、污區(qū)、雷區(qū)、舞動、鳥害熱力圖，針對不同地區(qū)的隱患特性進行相應(yīng)的權(quán)重定制，在保證模型泛化能力的前提下達到不同區(qū)域差異化的效果。

基于輸電通道歷史隱患數(shù)據(jù)的分析遠不止隱患高風(fēng)險區(qū)段分析，在其他方面還有大量的數(shù)據(jù)挖掘分析工作可以開展，這需要在后續(xù)的工作中挖掘更多的需求，結(jié)合輸電線路智能運檢需求和實際數(shù)據(jù)，找到更多的應(yīng)用點。可以預(yù)見，當(dāng)數(shù)據(jù)源和數(shù)據(jù)量進一步增加后，基于電力互聯(lián)網(wǎng)大區(qū)數(shù)據(jù)的大數(shù)據(jù)分析會有更多的工作可以開展，能提供更多的決策信息，產(chǎn)生越來越多的價值。