智能视频技术在电力系统领域的应用

周封++刘闻博++刘志刚++王丙全++刘健++王晨光

摘要：针对人工监测无法时刻保障电力系统安全稳定运行的问题，依据智能视频技术的原理及发展现状，分析了该技术在电力系统已有的和可能的应用，包括对无人值守变电站的各项检测、对高压开关柜柜内器件的检测以及对野外高压输电线路的各项检测.重点探讨了为实现警戒面检测、遗留物检测、刀闸状态检测、杆塔检测等应用所需的背景差分法，对目标图像的灰度提取来进行输电线路覆冰检测的自适应算法，对于漏油、火焰等矩特征提取的算法，应用Kalman滤波及Mean-shift算法实现人员徘徊、导线舞动、导线弧垂越限等运动目标跟踪检测算法，提出了该领域未来的研究和发展方向.

关键词：智能视频；电力系统；目标检测；目标跟踪

DOI：10.15938/j.jhust.2015.05.003

中图分类号：TM7

文献标志码：A

文章编号：1007-2683（2015）05-0014-06

0 引言

随着智能电网的高速发展，在电力系统中应用智能视频技术来保障其持续、高效、安全稳定运行，已逐渐成为研究的热点.也是电力系统智能遥视未来的重要发展方向.

智能视频技术源自计算机视觉与人工智能的研究，其发展目标在于将图像与事件描述之间建立一种映射关系，使计算机从纷繁的视频图像中分辩、识别出关键目标物体.

目前在电力系统领域应用智能视频技术还是一个崭新的课题，对此的研究与开发较少.目前国内仅有清华大学、上海交通大学、北京交通大学、武汉大学、中国电科院等大学及科研单位相继开展了智能视频技术在电力系统中应用的研发和理论研究，其研究内容主要包括：对运动目标的自动识别报警、对于设备中开关状态的实时检测、对于变电站内火灾火焰的检测报警、对于野外输电线路情况的检测等.而在其他诸如地铁、铁路、机场、高速公路、军事等领域，智能视频技术已经得到较广泛的应用，如通过摄像头进行车牌识别、射频识别、条形码识别、统计行车流量，在城市监控中的客流密度检测和流量统计、人员行为检测.同时还应用于桥梁检测，实现桥梁底面缺陷自动检测.由此可见，智能视频技术在其他领域的应用已经慢慢开始形成一个产业.

现今电力网络的覆盖范围迅速扩大，结构日趋复杂.在电力系统领域应用智能视频技术，可以大大减少人为操作事故，使变电站的无人值守、野外高压输电线路的智能监控等成为可能，已成为电力系统的发展趋势.

1 智能视频在电力系统中的应用分析

目前智能视频技术在电力系统领域已得到初步应用.经分析可见，其已有的和可能的研究应用主要集中于无人值守变电站、高压开关柜以和野外高压输电线路等方面，同时还可以进行进一步扩展.

1.1 智能视频在无人值守变电站的应用

随着无人值守变电站管理模式的推广，变电站巡检制度的建立，可逐步实现电网的可视化监控和调度，使电网调控运行更为安全、可靠.在电力系统，这种监控系统也被称为“遥视系统”.其原理图如下图1所示

应用动态前景提取，背景高斯建模，人体跟踪和特定跟踪等算法以及特征提取的有机结合可以实现穿越警戒面检测、漏油检测、人员徘徊检测、检测遗留物、防止盗窃、火焰智能检测、视频状态检测等检测功能.

总体来看，由于监控技术的不完善，仍存在误报或漏报的情况，需要进行进一步的研究改进和完善.视频监控的智能化表现为计算机视觉算法在视频分析中的应用.智能视频监控区别于传统意义上的监控系统在于变被动监控为主动监控（自动检测、识别潜在入侵者、可疑目标和突发事件），即它的智能性.简单而言，不仅用摄像机代替人眼，而且用计算机代替人、协助人，来完成监视或控制的任务，从而减轻人的负担.

1.2 智能视频在高压开关柜上的应用

视频监控系统用于高压开关柜的设备运行巡视和倒闸操作观察，防止出现误操作，对电力的安全运行造成威胁.并可对柜内器件进行实时监视，如当发现瓷瓶出现裂纹等异常时，提醒值班人员及时进行检修.

通过智能视频监测系统监视高压开关柜内隔离开关和接地开关主触头状态与控制手柄位置和刀闸辅助触点位置状态是否相同，判断视频智能分析判断刀闸状态以及对柜内器件进行实时监视，

应用智能视频技术监测高压开关柜，可以大大减少事故的发生，避免了可能造成的损失，为电网的安全运行提供了有利条件.同时，利用智能视频技术，还可以开发出监控高压开关柜内是否出现电火花等情况的应用.

1.3 智能视频在高压输电线路上的应用

输电线路迅速增长，巡视维护工作量越来越大，交叉跨越、线路覆冰、人员活动密集地等线路危险点的观察是非常必要的，因此可以建立对高压输电线路的智能视频监控系统，来保障线路的安全稳定运行，其系统结构如图2所示，

通过背景差分对比、监测线路的运动轨迹、图像匹配和识别、特征提取等算法的结合可以实现对输电线路的线路覆冰、绝缘子裂痕、杆塔偷盗与断线检测、导线舞动检测、杆塔倾斜和倒塌检测、绝缘子闪络检测、导线悬挂异物检测、导线弧垂越限检测等.

在高压输电线路上应用智能视频技术进行监测，可以省去大量人力物力，而且能够保证实时性，对危险区域进行报警，可提高维修效率.但野外场景环境较为复杂，仍可能出现误报等情况.智能视频分析技术应用往往会受到环境的干扰，比如光线的变化、树叶的晃动、雨雪天气，等等，这些干扰源的干扰比较容易引起误报.因此，需要设计优化适合的算法应用于上述应用.

2 关键技术及相关算法的研究分析

为实现上述功能，将智能视频技术应用于电力系统领域，需要使用以下关键技术及算法.

2.1 数据采集及预处理

首先，需要采集视频、红外、放电数据等信息，经由有线或无线网络传输至后方服务器。而后对其进行预处理工作，包括选定图像颜色模型、图像灰度化、图像直方图均衡化、图像去噪、图像锐化、图像边缘检测、图像分割等后续处理工作.

2.2 对目标提取的算法分析

为实现在穿越警戒面检测、遗留物检测、盗窃检测，线路覆冰检测、绝缘子裂痕检测、施工人侵检测等，需要进行运动目标的检测分析来解决上述问题.目前主要应用的是背景差分法，其过程如下：

1）设置时间间隔T_gap，循环截取两幅视频图像户P_i和P_j，分别进行预处理；

2）设置最小像素变化值Pmin，采用减法运算计算出前后两幅视频图像对应像素点的差值，统计发生改变的像素点个数，如式（3-1）所示：

式中，Ⅳ为总的像素改变点数.

3）设置检验图像状态发生改变的最小阈值N_min和最大阈值N_max，当N≤N_min时，不发出报警信号，直接排出干扰；当N≥N_max时，也无需发出报警信号，直接排出干扰；只有当N_min≤N≤N_max时，才认为是监测场景中发生了某种预定的异常，引起视频监控图像中的局部发生了异常改变，需要进行后续的报警处理，

其运行结果如图3所示，经过背景差分程序的处理，提取出所需目标，与选定标准对比分析判断是否发出警报，

一般获取背景图像的理想方法是在场景中无任何目标时采集一幅背景图像存贮起来，但是由于外界因素的干扰，如日光照射角度变化，沙尘风雨天气以及目标运动频繁等因素，都会引起背景图像的不准确，为此，就需要根据外界环境变化不断的更新背景，背景差分方法的主要问题是背景的更新与维护，好的背景图象更新方法是背景差分法的关键.

2.3 对高压输电线路覆冰情况的检测算法分析

自适应算法将覆冰输电线路作为提取目标，可实现高压输电线路覆冰异常报警.覆冰视频图像中的目标和其他物体的灰度值存在一定差异，覆冰线路的灰度值只有极少部分接近255.我们可以利用这种特性结合图像预处理算法，进行输电线路覆冰范围的提取.

1）按照式（2）计算视频图像的平均灰度值GN_average，设置需要进行覆冰计算的门限值GN_threshold，取其值100～130.

式中，P_i为视频图像中每个像素点的灰度值，w为视频图像的宽，h为视频图像的高，n为总的像素点数.

2）根据（3）和（4）计算出在G_average和255之间的平均灰度值G_minaverage和G_maxaverage，

3）从背景中分离出带干扰像素的覆冰输电线路后，求取覆冰输电线路形成的连通域，统计覆冰线路处于区间（G_minaverage，G_average）和（G_maxaverage，255）的总像素点/N_g设置线路覆冰报警的启动值N_gmin和N_gmax其中，N_gmin为预报警启动值，N_gmax为报警启动值，均以未覆冰线路的S_L为基准进行设定.

4）若N_ggmin表明监测线路覆冰的可能性极低，不发出报警信号；若N_g>N_gmin，表明监测线路存在覆冰的可能性，进行下一步的比较运算.再将N_g与，N_gmax进行比较：若N_ggmax表明监测线路的覆冰可能性不大，输电线路覆冰量较小，或是由于光照等其他干扰因素造成的灰度值虚高，发出预报警信号；若N_g>N_gmax，表明监测线路覆冰的可能性很大，覆冰情况较为严重，直接发出报警信号，

对野外高压输电线路进行覆冰检测，首先对图像进行灰度化与二值化处理，处理结果如图4所示.再利用上述算法计算其平均灰度值，将计算出的平均灰度与设定值对比分析，以判断是否发出警报.

2.4 对目标特征提取算法的分析

对于无人值守变电站的漏油检测、火焰智能检测以及在野外高压输电线路的绝缘子闪络的检测等，需要用到对目标物品进行特征提取.

矩特征是一种线性特征，矩特征对于图像的旋转、比例尺度和平移具有不变性.比较常用的是Hu矩.

设f（m，n）是一个有界二维函数，其（p+q）阶原点矩的定义见式（5）：

当f（m，n）在m-n平面的有限区域内分段连续时，m_pq序列与f（m，n）可以互相唯一确定.

Hu利用归一化的二阶、三阶中心矩（p+q≤3）的不同线性组构造了7个具有平移、旋转、尺度缩放不变性的不变矩函数式.可以用于区分人、动物、火焰及干扰物.可以根据这7个不变矩表达式来确定运动目标的分类.前方传输过来的信息数据，在使用Hu矩检测分析后，与不变矩表达式进行比较，确认识别出火焰，漏油，绝缘子闪络的特征时，系统发出警报，工作人员立即去发生事故的现场对问题进行解决.

2.5 对运动目标跟踪算法的分析

利用运动目标的跟踪，可以实现在无人值守变电站的人员徘徊检测以及在野外高压输电线路中导线舞动检测、导线弧垂越限检测等情况的检测与报警，目前主要应用的目标跟踪有如下两种方法.

2.5.1 利用Kalman滤波实现运动目标跟踪

在目标跟踪中使用Kalman滤波器估计目标运动状态可分为3个阶段，分别是滤波器初始化、状态估计及状态更新.

假设目标的运动状态参数为某一时刻目标的位置和速度，系统为线性状态模型：

x（t）表示t时刻的系统状态，A（Δt）表示Δt时间内的状态矩阵，w（t）表示估计误差，

假设目标以恒定的速度运动，并且目标大小的变化是线性的，则可得状态转移矩阵为：Kalman滤波算法是通过一组观测值来预测系统状态，在视频图像上只能观测到目标的位置和大小，由于假设系统状态与观测值之间是线性关系，则：

y（t）=H（t）x（t）+v（t）.

（8）

这样就定义了运动模型的状态方程和观测方程，可以运用卡尔曼滤波来估计目标质心的位置，并且可以在固定范围内搜索，而不需要在整幅图像上进行.图5所示为应用Kalman滤波算法进行运动目标跟踪结果图.可以看出通过对背景初始化后提取出运动目标，再根据运动目标状态估计计算出其运动路线，从而对运动目标进行跟踪检测.

2.5.2 利用Mean-shift算法实现运动目标跟踪

Mean-shift是一种基于运动物体颜色直方图的跟踪算法，其计算步骤如下：

1）初始帧目标模型描述

假设目标窗口的第i个像素点的位置为x_i（i=1，2，3，…，n），n为目标窗口的像素点总数；m为图像颜色直方图的栅格总数，xo为目标窗口的中心.

2）当前帧候选目标模型描述

设y为当前帧目标预测位置的中心，选择一半径为带宽参数h。的圆形区域作为搜索窗口，当前帧搜索窗口的第i个像素点的位置为x_i（i=1，2，3，…，n_h），n_h为搜索窗口像素点总数.

3）相似性函数和计算当前帧跟踪结果

进行初始帧目标模型和当前帧候选模型之间相似性度量的相似性函数见式进行泰勒展开，用Mean-shift算法对相似性函数求最大值，计算新位置为：

以y作为新的目标预测位置），，重复步骤2）和3），迭代得到在当前帧目标的最优位置.图6所示为导线出现舞动或悬垂越限的情况，运用Mean-shift算法检测导线运动轨迹，将检测出的运动轨迹与预先设定的运动轨迹进行比较，若超出设定值范围，则发出警报，提醒工作人员查看情况，以免出现事故.

应用上述算法，可以实现对于目标的跟踪.当有人经过时实现实时自动跟踪检测，人员停留超过设定时间系统便自动发出警报，提醒工作人员有情况出现.在野外高压输电线路上，通过对目标运动轨迹的检测与跟踪，比较预先设计好的目标轨迹，超出设定值后系统报警，提醒工作人员，以便派出工作人员及时解决该问题.

3 结论

针对目前电力系统的现状，分析了智能视频技术在电力系统无人值守变电站、高压开关柜及野外高压输电线路的现有和可能的应用，并对相应的智能视频算法进行了分析和研究.

1）在电力系统中采用智能视频技术除通用的安防监测外，对刀闸状态、杆塔倾斜、线路悬垂及舞动等监测更具有实际工程意义，这是将电力系统的“遥视”升级为“智能遥视”的唯一途径.

2）背景差分法实现简单有效，但是由于电力系统工作环境比较复杂，如输电线路的敷冰检测，在具体应用时，结合背景检测、环境检测算法进行改进，能有效地实现准确的目标特征提取和状态辨识.

3）针对电力系统中的动态目标，典型的如输电线路的摆动，采用Kalman滤波或Mean-shift算法进行运动目标跟踪，从而甚至可计算出摆动的频率、幅度等传统上无法准确获知的数据.