翟兵，朱龍昌，秦雄鵬，黃緒勇，曹俊，耿浩，趙順

（1.云南電網有限責任公司電力科學研究院，云南 昆明 650217；2.云南華晉科技有限責任公司，云南 昆明 650051；3.云南電力技術有限責任公司，云南 昆明 650012；4.北京國遙新天地信息技術股份有限公司，北京 朝陽 100020）

0 前言

在當前中國經濟社會現代化與蓬勃發(fā)展的大歷史背景下，國際社會對電能的供給、傳輸的安全及其運行可靠性的要求愈來愈高，架空輸電線對供電系統(tǒng)的運行可靠性與安全起到了關鍵性的影響。近年來，我國關于鳥類保護的相應規(guī)范不斷確立并完備，中國鳥類的數量種類及其活動場所已擴至了前所未有的規(guī)模，給輸電線路的安全運營帶來了一定的影響。

為解決架空輸電線和鳥類保護之間的問題，一些學者進行了研究。文獻[1]主要研究輸電線路鳥害綜合防治的技術，系統(tǒng)分析鳥害類型與機制，按區(qū)域分布狀況與規(guī)律，給出鳥害識別的經典圖例；同時研究了常用的鳥害預防方式，并針對缺點設計新的抗鳥措施，以進一步提高輸電線路抗鳥害技術水平，降低輸電線路重合閘率，提升供電系統(tǒng)安全穩(wěn)定性，但此方法防治費用較高，不適用于普遍使用。文獻[2]提出超高壓輸電線路鳥害預防及處理的對策研究方向，從超高壓輸電線路鳥害重合閘與故障特點入手，系統(tǒng)總結傳統(tǒng)預防鳥害設備的使用方法與優(yōu)點，介紹可以高效預防鳥害的新型預防鳥害設備，并通過對便拆式防鳥罩與風車刺鳥設備的剖析來探究創(chuàng)新型設備對減少鳥害事件所產生的效果，但此方法裝置拆卸困難。

為了彌補傳統(tǒng)方式中存在的不足，本文提出了一種基于改進模糊小波域的架空輸電線路鳥害監(jiān)測響應模型。通過改變隸屬度函數取值范圍，提高圖像的清晰度，精準判斷鳥害距離，啟動雷達聲波驅鳥裝置對鳥害進行驅逐，該方法對于架空輸電線路鳥害的防治有較強的應用性。

1 改進模糊小波域算法

1.1 模糊小波域算法原理

在傅里葉區(qū)域消除點存在擴散現象，根據擴散現象建立擴散函數，處理消除后的模糊效果，對圖像本身所在的小波區(qū)域進行降噪處理[3-4]。在成像過程中，由于受到模糊度與噪音的影響，其所獲得的圖像y可表示為：

式中，x為原始像素大小，*表示模糊小波域算法中的卷積操作；h算法中的光點擴散函數值；n表示在圖像成像過程中產生的具有隨機性的白噪聲[5-6]。基于模糊小波域算法的處理公式表達為：

其中，Y、X、H和N分別為y、x、h、n的傅里葉變換結果[7-8]。

1.2 模糊小波域算法誤差兼容改進

利用模糊小波域算法提取傅里葉域內部的維納濾波，確定維納濾波在傅里葉域的誤差范圍，計算過程如公式（3）所示：

其中，f(x,y)代表了維納濾波器在x,y處的誤差范圍，δ為信噪比的方差系數。

計算出誤差后，對誤差進行兼容改進，該誤差的來源為傅里葉域在進行變換時產生的濾波參量變化，因此需要對維納濾波參量進行修正，修正過程如公式（4）所示：

其中，M表示修正后的誤差。分別在傅里葉域以及小波域進行求解，對比變化差異，利用迭代變換對其進行修正，完成對誤差的兼容改進[9-10]。

2 架空輸電線路鳥害識別模型

2.1 實時監(jiān)控原始圖像采集

本文采用YOLO 算法對實時監(jiān)控原始圖像進行采集，通過YOLO 算法分析從端到端的對象。將入口圖像分為S×S的網格，篩選信息網絡，分析目標的信息中心所處網格位置[11]。在確定隸屬網格后，檢測該網格內部所有信息[12]。在檢測的過程中，計算網格邊界框信息置信率。計算公式為：

其中，c表示信息采集過程的置信度；P表示目標是否存在，存在取值為1，不存在取值為0；i表示邊界框之間的重疊范圍，通過i判斷預測邊界框是否正確，當i為1 時，則表示實際標注框和預測框出現重疊。設定閾值，比較對邊界框，將數值低于閾值的類置歸為0，用非極大值的方法去除重復度最大的邊界框，統(tǒng)計剩余邊界框信息，該信息為實時監(jiān)控原始圖像信息，輸出采集結果并記錄[13-14]。

2.2 圖像深層次特征提取

為防止出現特征提取流程中會形成階梯消失和階梯破壞等問題，本文提出圖像深層次特征，確定最小波系數的過濾值，對維納濾波進行過濾處理，其計算如公式（6）所示：

其中，Yw(x,y)表示圖像信息深層次提取后階梯信號經維納濾波后在頻域f(x,y)上的取值；Yw表示逆傅里葉變換；yw表示過濾處理后最小波系數的過濾值。經過過濾后，圖像不會發(fā)生階梯消失或破壞。

利用經維納濾波后的yw信息對圖像進行深層次提取，提取過程如公式（7）所示：

式中，λj(x,y)為WWF 過濾器在圖像j尺寸下x,y處的深層次特征提取位置；Wj(x,y)代表了原圖在j尺寸下(x,y)處的最小波系數。同時確定特征位置和特征量，根據分析結果實現深層次提取。

2.3 架空輸電線路鳥害網格識別模型

在監(jiān)測輸電線路的鳥類過程中，監(jiān)測設備拍攝目標數量一般較小，容易出現多目標集中和小目標的問題，為此，本文建立架空輸電線路的鳥害網格識別模型，通過多尺度融合對鳥害進行了網格化辨識，以便滿足特殊的輸電線路鳥類監(jiān)測任務。將信號圖像劃分為416×416的網格，對網格實施多次卷積操作，通過卷積操作得到硬閾值處理的濾波系數，計算過程如公式（8）所示：

式中，λj(x,y)表示處理得到的閾值系數；Wj(x,y)處理的額定數值。

為提高計算速度，保證任務的實時性，通過兩個多尺度特征同時預測鳥類位置與種類，通過3×3 和1×1 等卷積后獲得26×26 的特點網格，并與信號圖像網格整合成為第一個尺寸特點，利用硬閾值處理來對網格模型進行第一尺度的特征識別，識別過程如公式（9）所示：

其中，H1表示識別的第一尺度特征。

以同樣的方式也獲得了52×52 的特點網格，并與信號圖像網格整合成為第二尺寸特點，根據公式（10）得到鳥害網格識別模型的最小波函數，即為第二尺度特征：

其中，H2表示識別的第二尺度特征。

利用以上兩個多尺度特征，引入多尺度特征分析方法提高多目標集中檢測或小檢測精度，選擇了與實際情景相符的尺度數目，降低估算量。結合改進后的模糊小波域算法保存圖像細節(jié)信號，對鳥害進行網格化處理，依靠上述兩個多尺度特征完成對架空輸電線路鳥害的識別[15]。

3 聲波驅鳥裝置應急響應模型

3.1 鳥害距離判斷模型

通過對比每分鐘內鳥類警戒、逃跑、驚飛3種行為的頻率作為鳥害距離判斷模型的依據，將所有數據進行樣本正態(tài)性檢測，如公式（11）所示：

其中，E(L2)表示正態(tài)分布檢測結果；L表示鳥類靠近的距離；κ表示波聲響應系數；μ表示鳥類不會產生反映的距離。在所有數據均符合正態(tài)性后，采用單因素方差分析鳥類在距離驅鳥裝置不同距離下的行為差異，使用LSD 檢驗法對鳥類行為進行分析檢驗，若在相同距離下鳥類行為差異明顯不同，則選擇該距離作為有效驅鳥距離，在統(tǒng)計分析中，采用雙側檢驗對鳥類行為進行顯著性水平P的檢測，將檢測標準設置為0.05，若P＜0.05 則視為差異顯著；若P＜0.01 則視為差異極顯著。LSD 檢驗法適用于組別較少的數據分析，通過對不同樣本均值的兩兩比較來計算組間樣本的標準誤差，是一種檢驗效能較高的事后多重誤差檢驗法。

3.2 聲波驅鳥裝置

聲波驅鳥裝置如圖1 所示：

圖1 聲波驅鳥裝置

通過鳥害距離判斷模型中的雷達警戒開關控制聲波驅鳥裝置，設置雷達警戒范圍，分別分析鳥類的警惕頻率、奔跑頻次和驚飛頻率，確定距定向聲波的不同位置下存在著的差別，根據鳥類在距離雷達警戒開關不同位置下的反應來判斷雷達警戒的范圍距離，并以此作為聲波驅鳥裝置的驅鳥范圍。當鳥類在相距方向聲波驅鳥器50 m 時，鳥類的警戒、奔跑、驚飛活動頻率均明顯增加；當鳥類在相距方向聲波100 m 時，鳥類的警戒、奔跑活動頻率均明顯增加，而驚飛活動頻率無變化；當鳥類在相距方向聲波200 m 時，鳥類的警戒、奔跑、驚飛活動頻率均無變化。

綜合上述，根據鳥類對定向聲波的敏感范圍，將100 m 設置為定向聲波的有效驅鳥半徑，以此距離作為聲波驅鳥裝置的啟動距離。當鳥害距離架空輸電線路100 m 以內時，雷達警戒開關便會開啟，控制聲波驅鳥裝置對鳥害進行驅逐。

4 實驗結果與分析

4.1 實驗運行環(huán)境

設定實驗運行的CPU 為INTEL I7-9800X，選用2 個32GB 的DDR4 作為內存，使用GTX1080Ti 顯卡顯示內部信息，固態(tài)硬盤選擇的是金士頓128GB，同時配備1T 的硬盤，與固態(tài)硬盤同時運行，完成硬件工作。軟件采用Ubuntu16.04，采用編程語言的Python，使用云框架。

從多個角度安裝監(jiān)控，確保能夠拍攝到各個不同的場景，提取不同時間段和不同天氣下的視頻，包括晴天、雨天和雪天，提取像素幀，選取較為清晰的像素幀圖像作為數據集，并將數據集儲存在數據庫中，統(tǒng)一處理數據庫信息，提高實驗的魯棒性。訓練圖集，迭代次數為5000 次，迭代過程的圖像損失值如圖2 所示。

圖2 迭代過程圖像損失值結果

觀察圖2 可知，在迭代次數低于2000 次時，被選擇對象的損失值極大，當迭代次數達到2000 次時，被選擇對象的損失值逐漸穩(wěn)定。設定每進行100 次迭代，得到1 個響應模型，則在5000 次訓練過程中共得到50 個模型，模型的平均精度計算結果如圖3 所示。

圖3 模型平均精度計算結果

根據圖3 可知，序號為0～10 的模型精度呈現上升模式，但是普遍較低，序號為10～20 的模型精度雖然比較平穩(wěn)，但是在60%左右波動，無法滿足精度要求，序號為20～50 的模型精度提高到90%以上，并且波動較小，具有很好的應用價值，因此本文實驗選擇的響應模型為序號20～50 內部的響應模型。

4.2 結果分析

為確保響應模型的試驗檢測效果，設定10 次實驗，選用本文響應模型同時與基于EFYOLO 的輸電線鳥害響應方法和基于深度卷積神經網絡的架空輸電線路應急響應方法進行實驗對比。分別計算響應過程的準確率、召回率，計算公式如下所示：

其中，?表示計算過程的準確率，Tι表示預測過程中，方法確定輸電線路預測有鳥，實際反饋狀態(tài)為有鳥；TT?方法確定輸電線路預測無鳥，實際反饋狀態(tài)為無鳥，上述兩種參數表示預測結果正確；Fι表示預測過程中，方法確定輸電線路預測有鳥，實際反饋狀態(tài)為無鳥；F?方法確定輸電線路預測無鳥，實際反饋狀態(tài)為有鳥，上述兩種參數表示預測結果錯誤。

召回率計算公式如下：

其中，?表示召回率。

分別對比正常天氣和極端天氣下的準確率和召回率，比較方法效果。

晴天的準確率和召回率實驗結果如圖4 所示。

圖4 晴天響應測試實驗結果

觀察圖4 可知，隨著迭代次數的增加，響應模型的召喚率和準確率在不斷增加，本文提出的響應模型準確率可以達到98.75%，召喚率可以達到98.00%；傳統(tǒng)的基于EF-YOLO 的輸電線鳥害響應方法準確率最高可以達到96.43%，召喚率可以達到95.01%；基于深度卷積神經網絡的架空輸電線路應急響應方法準確率可以達到94.28%，召喚率可以達到93.51%。

雨天的準確率和召回率實驗結果如圖5 所示。

觀察圖5 可知，雨天對3 種響應方法都會產生一定的影響，但是對本文的響應模型影響較小，準確率最高仍然可以達到98.63%，召喚率可以達到97.88%；傳統(tǒng)的基于EF-YOLO的輸電線鳥害響應方法準確率最高可以達到95.37%，召喚率可以達到94.63%；基于深度卷積神經網絡的架空輸電線路應急響應方法準確率可以達到93.00%，召喚率可以達到93.01%。

雪天的準確率和召回率實驗結果如圖6 所示。

圖6 雪天響應測試實驗結果

觀察圖6 可知，雪天情況下，三種響應方法的準確率和召回率都隨之降低，但是對本文的響應模型影響較小，準確率最高仍然可以達到98.41%，召喚率可以達到97.32%；傳統(tǒng)的基于EF-YOLO 的輸電線鳥害響應方法準確率最高可以達到94.01%，召喚率可以達到94.50%；基于深度卷積神經網絡的架空輸電線路應急響應方法準確率可以達到93.01%，召喚率可以達到92.05%。

分析識別速度，在不同天氣條件下，其實驗結果如表3 所示。

表1 晴天識別時間實驗結果

表2 雨天識別時間實驗結果

表3 雪天識別時間實驗結果

根據上表可知，本文提出的響應模型識別速度最高可以達到56frame/s，傳統(tǒng)的基于EFYOLO 的輸電線鳥害響應方法識別速度最高為40 frame/s，基于深度卷積神經網絡的架空輸電線路應急響應方法識別速度最高為28 frame/s，而在雨天和雪天等極端天氣下，傳統(tǒng)方法的識別速度更慢，而本文提出的響應模型幾乎不會受到影響，因此可以證明，本文提出的響應模型具有更好的識別能力。

綜上所述，本文提出的基于改進模糊小波域的架空輸電線路鳥害應急響應模型具有極好的魯棒性，在極端天氣下也能夠很好地完成響應，精準地識別鳥害，快速啟動報警裝置，確保輸電線路安全運行。

5 結束語

架空輸電線路鳥害事故一直是輸電線路領域的重要研究方向之一，本文采用改進模糊小波域算法研究了一種新的響應模型，完成了以下工作：

1）保存實時監(jiān)控拍攝的圖像細節(jié)信號，消除噪音和模糊，使用YOLO 算法采集原始圖像，通過殘差網絡技術對圖像獲取深層次的特征。

2）建立輸電線路鳥害網格識別模型，通過多尺度融合的方法對鳥害進行了網格化辨識。

3）建立鳥害距離判斷模型，測量最佳距離，將測量結果作為判斷標準，安置聲波驅鳥裝置，利用雷達警戒開關控制聲波的長度，完成對鳥害的驅逐。

4）設定響應檢測實驗。同時檢測準確率、召喚率，研究證明，改進模糊小波域算法能夠有效保證輸電線路工作效果。