基于改进模糊小波域的架空输电线路鸟害监测响应模型

2022-11-17翟兵朱龙昌秦雄鹏黄绪勇曹俊耿浩赵顺

云南电力技术 2022年5期

翟兵，朱龙昌，秦雄鹏，黄绪勇，曹俊，耿浩，赵顺

（1.云南电网有限责任公司电力科学研究院，云南昆明 650217；2.云南华晋科技有限责任公司，云南昆明 650051；3.云南电力技术有限责任公司，云南昆明 650012；4.北京国遥新天地信息技术股份有限公司，北京朝阳 100020）

0 前言

在当前中国经济社会现代化与蓬勃发展的大历史背景下，国际社会对电能的供给、传输的安全及其运行可靠性的要求愈来愈高，架空输电线对供电系统的运行可靠性与安全起到了关键性的影响。近年来，我国关于鸟类保护的相应规范不断确立并完备，中国鸟类的数量种类及其活动场所已扩至了前所未有的规模，给输电线路的安全运营带来了一定的影响。

为解决架空输电线和鸟类保护之间的问题，一些学者进行了研究。文献[1]主要研究输电线路鸟害综合防治的技术，系统分析鸟害类型与机制，按区域分布状况与规律，给出鸟害识别的经典图例；同时研究了常用的鸟害预防方式，并针对缺点设计新的抗鸟措施，以进一步提高输电线路抗鸟害技术水平，降低输电线路重合闸率，提升供电系统安全稳定性，但此方法防治费用较高，不适用于普遍使用。文献[2]提出超高压输电线路鸟害预防及处理的对策研究方向，从超高压输电线路鸟害重合闸与故障特点入手，系统总结传统预防鸟害设备的使用方法与优点，介绍可以高效预防鸟害的新型预防鸟害设备，并通过对便拆式防鸟罩与风车刺鸟设备的剖析来探究创新型设备对减少鸟害事件所产生的效果，但此方法装置拆卸困难。

为了弥补传统方式中存在的不足，本文提出了一种基于改进模糊小波域的架空输电线路鸟害监测响应模型。通过改变隶属度函数取值范围，提高图像的清晰度，精准判断鸟害距离，启动雷达声波驱鸟装置对鸟害进行驱逐，该方法对于架空输电线路鸟害的防治有较强的应用性。

1 改进模糊小波域算法

1.1 模糊小波域算法原理

在傅里叶区域消除点存在扩散现象，根据扩散现象建立扩散函数，处理消除后的模糊效果，对图像本身所在的小波区域进行降噪处理[3-4]。在成像过程中，由于受到模糊度与噪音的影响，其所获得的图像y可表示为：

式中，x为原始像素大小，*表示模糊小波域算法中的卷积操作；h算法中的光点扩散函数值；n表示在图像成像过程中产生的具有随机性的白噪声[5-6]。基于模糊小波域算法的处理公式表达为：

其中，Y、X、H和N分别为y、x、h、n的傅里叶变换结果[7-8]。

1.2 模糊小波域算法误差兼容改进

利用模糊小波域算法提取傅里叶域内部的维纳滤波，确定维纳滤波在傅里叶域的误差范围，计算过程如公式（3）所示：

其中，f(x,y)代表了维纳滤波器在x,y处的误差范围，δ为信噪比的方差系数。

计算出误差后，对误差进行兼容改进，该误差的来源为傅里叶域在进行变换时产生的滤波参量变化，因此需要对维纳滤波参量进行修正，修正过程如公式（4）所示：

其中，M表示修正后的误差。分别在傅里叶域以及小波域进行求解，对比变化差异，利用迭代变换对其进行修正，完成对误差的兼容改进[9-10]。

2 架空输电线路鸟害识别模型

2.1 实时监控原始图像采集

本文采用YOLO 算法对实时监控原始图像进行采集，通过YOLO 算法分析从端到端的对象。将入口图像分为S×S的网格，筛选信息网络，分析目标的信息中心所处网格位置[11]。在确定隶属网格后，检测该网格内部所有信息[12]。在检测的过程中，计算网格边界框信息置信率。计算公式为：

其中，c表示信息采集过程的置信度；P表示目标是否存在，存在取值为1，不存在取值为0；i表示边界框之间的重叠范围，通过i判断预测边界框是否正确，当i为1 时，则表示实际标注框和预测框出现重叠。设定阈值，比较对边界框，将数值低于阈值的类置归为0，用非极大值的方法去除重复度最大的边界框，统计剩余边界框信息，该信息为实时监控原始图像信息，输出采集结果并记录[13-14]。

2.2 图像深层次特征提取

为防止出现特征提取流程中会形成阶梯消失和阶梯破坏等问题，本文提出图像深层次特征，确定最小波系数的过滤值，对维纳滤波进行过滤处理，其计算如公式（6）所示：

其中，Yw(x,y)表示图像信息深层次提取后阶梯信号经维纳滤波后在频域f(x,y)上的取值；Yw表示逆傅里叶变换；yw表示过滤处理后最小波系数的过滤值。经过过滤后，图像不会发生阶梯消失或破坏。

利用经维纳滤波后的yw信息对图像进行深层次提取，提取过程如公式（7）所示：

式中，λj(x,y)为WWF 过滤器在图像j尺寸下x,y处的深层次特征提取位置；Wj(x,y)代表了原图在j尺寸下(x,y)处的最小波系数。同时确定特征位置和特征量，根据分析结果实现深层次提取。

2.3 架空输电线路鸟害网格识别模型

在监测输电线路的鸟类过程中，监测设备拍摄目标数量一般较小，容易出现多目标集中和小目标的问题，为此，本文建立架空输电线路的鸟害网格识别模型，通过多尺度融合对鸟害进行了网格化辨识，以便满足特殊的输电线路鸟类监测任务。将信号图像划分为416×416的网格，对网格实施多次卷积操作，通过卷积操作得到硬阈值处理的滤波系数，计算过程如公式（8）所示：

式中，λj(x,y)表示处理得到的阈值系数；Wj(x,y)处理的额定数值。

为提高计算速度，保证任务的实时性，通过两个多尺度特征同时预测鸟类位置与种类，通过3×3 和1×1 等卷积后获得26×26 的特点网格，并与信号图像网格整合成为第一个尺寸特点，利用硬阈值处理来对网格模型进行第一尺度的特征识别，识别过程如公式（9）所示：

其中，H1表示识别的第一尺度特征。

以同样的方式也获得了52×52 的特点网格，并与信号图像网格整合成为第二尺寸特点，根据公式（10）得到鸟害网格识别模型的最小波函数，即为第二尺度特征：

其中，H2表示识别的第二尺度特征。

利用以上两个多尺度特征，引入多尺度特征分析方法提高多目标集中检测或小检测精度，选择了与实际情景相符的尺度数目，降低估算量。结合改进后的模糊小波域算法保存图像细节信号，对鸟害进行网格化处理，依靠上述两个多尺度特征完成对架空输电线路鸟害的识别[15]。

3 声波驱鸟装置应急响应模型

3.1 鸟害距离判断模型

通过对比每分钟内鸟类警戒、逃跑、惊飞3种行为的频率作为鸟害距离判断模型的依据，将所有数据进行样本正态性检测，如公式（11）所示：

其中，E(L2)表示正态分布检测结果；L表示鸟类靠近的距离；κ表示波声响应系数；μ表示鸟类不会产生反映的距离。在所有数据均符合正态性后，采用单因素方差分析鸟类在距离驱鸟装置不同距离下的行为差异，使用LSD 检验法对鸟类行为进行分析检验，若在相同距离下鸟类行为差异明显不同，则选择该距离作为有效驱鸟距离，在统计分析中，采用双侧检验对鸟类行为进行显著性水平P的检测，将检测标准设置为0.05，若P＜0.05 则视为差异显著；若P＜0.01 则视为差异极显著。LSD 检验法适用于组别较少的数据分析，通过对不同样本均值的两两比较来计算组间样本的标准误差，是一种检验效能较高的事后多重误差检验法。

3.2 声波驱鸟装置

声波驱鸟装置如图1 所示：

图1 声波驱鸟装置

通过鸟害距离判断模型中的雷达警戒开关控制声波驱鸟装置，设置雷达警戒范围，分别分析鸟类的警惕频率、奔跑频次和惊飞频率，确定距定向声波的不同位置下存在着的差别，根据鸟类在距离雷达警戒开关不同位置下的反应来判断雷达警戒的范围距离，并以此作为声波驱鸟装置的驱鸟范围。当鸟类在相距方向声波驱鸟器50 m 时，鸟类的警戒、奔跑、惊飞活动频率均明显增加；当鸟类在相距方向声波100 m 时，鸟类的警戒、奔跑活动频率均明显增加，而惊飞活动频率无变化；当鸟类在相距方向声波200 m 时，鸟类的警戒、奔跑、惊飞活动频率均无变化。

综合上述，根据鸟类对定向声波的敏感范围，将100 m 设置为定向声波的有效驱鸟半径，以此距离作为声波驱鸟装置的启动距离。当鸟害距离架空输电线路100 m 以内时，雷达警戒开关便会开启，控制声波驱鸟装置对鸟害进行驱逐。

4 实验结果与分析

4.1 实验运行环境

设定实验运行的CPU 为INTEL I7-9800X，选用2 个32GB 的DDR4 作为内存，使用GTX1080Ti 显卡显示内部信息，固态硬盘选择的是金士顿128GB，同时配备1T 的硬盘，与固态硬盘同时运行，完成硬件工作。软件采用Ubuntu16.04，采用编程语言的Python，使用云框架。

从多个角度安装监控，确保能够拍摄到各个不同的场景，提取不同时间段和不同天气下的视频，包括晴天、雨天和雪天，提取像素帧，选取较为清晰的像素帧图像作为数据集，并将数据集储存在数据库中，统一处理数据库信息，提高实验的鲁棒性。训练图集，迭代次数为5000 次，迭代过程的图像损失值如图2 所示。

图2 迭代过程图像损失值结果

观察图2 可知，在迭代次数低于2000 次时，被选择对象的损失值极大，当迭代次数达到2000 次时，被选择对象的损失值逐渐稳定。设定每进行100 次迭代，得到1 个响应模型，则在5000 次训练过程中共得到50 个模型，模型的平均精度计算结果如图3 所示。

图3 模型平均精度计算结果

根据图3 可知，序号为0～10 的模型精度呈现上升模式，但是普遍较低，序号为10～20 的模型精度虽然比较平稳，但是在60%左右波动，无法满足精度要求，序号为20～50 的模型精度提高到90%以上，并且波动较小，具有很好的应用价值，因此本文实验选择的响应模型为序号20～50 内部的响应模型。

4.2 结果分析

为确保响应模型的试验检测效果，设定10 次实验，选用本文响应模型同时与基于EFYOLO 的输电线鸟害响应方法和基于深度卷积神经网络的架空输电线路应急响应方法进行实验对比。分别计算响应过程的准确率、召回率，计算公式如下所示：

其中，∂表示计算过程的准确率，Tι表示预测过程中，方法确定输电线路预测有鸟，实际反馈状态为有鸟；TTℓ方法确定输电线路预测无鸟，实际反馈状态为无鸟，上述两种参数表示预测结果正确；Fι表示预测过程中，方法确定输电线路预测有鸟，实际反馈状态为无鸟；Fℓ方法确定输电线路预测无鸟，实际反馈状态为有鸟，上述两种参数表示预测结果错误。

召回率计算公式如下：

其中，℘表示召回率。

分别对比正常天气和极端天气下的准确率和召回率，比较方法效果。

晴天的准确率和召回率实验结果如图4 所示。

图4 晴天响应测试实验结果

观察图4 可知，随着迭代次数的增加，响应模型的召唤率和准确率在不断增加，本文提出的响应模型准确率可以达到98.75%，召唤率可以达到98.00%；传统的基于EF-YOLO 的输电线鸟害响应方法准确率最高可以达到96.43%，召唤率可以达到95.01%；基于深度卷积神经网络的架空输电线路应急响应方法准确率可以达到94.28%，召唤率可以达到93.51%。

雨天的准确率和召回率实验结果如图5 所示。

观察图5 可知，雨天对3 种响应方法都会产生一定的影响，但是对本文的响应模型影响较小，准确率最高仍然可以达到98.63%，召唤率可以达到97.88%；传统的基于EF-YOLO的输电线鸟害响应方法准确率最高可以达到95.37%，召唤率可以达到94.63%；基于深度卷积神经网络的架空输电线路应急响应方法准确率可以达到93.00%，召唤率可以达到93.01%。

雪天的准确率和召回率实验结果如图6 所示。

图6 雪天响应测试实验结果

观察图6 可知，雪天情况下，三种响应方法的准确率和召回率都随之降低，但是对本文的响应模型影响较小，准确率最高仍然可以达到98.41%，召唤率可以达到97.32%；传统的基于EF-YOLO 的输电线鸟害响应方法准确率最高可以达到94.01%，召唤率可以达到94.50%；基于深度卷积神经网络的架空输电线路应急响应方法准确率可以达到93.01%，召唤率可以达到92.05%。

分析识别速度，在不同天气条件下，其实验结果如表3 所示。

表1 晴天识别时间实验结果

表2 雨天识别时间实验结果

表3 雪天识别时间实验结果

根据上表可知，本文提出的响应模型识别速度最高可以达到56frame/s，传统的基于EFYOLO 的输电线鸟害响应方法识别速度最高为40 frame/s，基于深度卷积神经网络的架空输电线路应急响应方法识别速度最高为28 frame/s，而在雨天和雪天等极端天气下，传统方法的识别速度更慢，而本文提出的响应模型几乎不会受到影响，因此可以证明，本文提出的响应模型具有更好的识别能力。

综上所述，本文提出的基于改进模糊小波域的架空输电线路鸟害应急响应模型具有极好的鲁棒性，在极端天气下也能够很好地完成响应，精准地识别鸟害，快速启动报警装置，确保输电线路安全运行。