CN114578315B - 基于无人机激光雷达探测的电力线危险点预测方法和装置 - Google Patents

基于无人机激光雷达探测的电力线危险点预测方法和装置 Download PDF

Info

Publication number
CN114578315B
CN114578315B CN202210204515.8A CN202210204515A CN114578315B CN 114578315 B CN114578315 B CN 114578315B CN 202210204515 A CN202210204515 A CN 202210204515A CN 114578315 B CN114578315 B CN 114578315B
Authority
CN
China
Prior art keywords
power line
data
point
point cloud
cloud data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210204515.8A
Other languages
English (en)
Other versions
CN114578315A (zh
Inventor
赵桂芬
李志男
陈晓
张微
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huayixin Technology Co ltd
Original Assignee
Beijing Huayixin Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Huayixin Technology Co ltd filed Critical Beijing Huayixin Technology Co ltd
Priority to CN202210204515.8A priority Critical patent/CN114578315B/zh
Publication of CN114578315A publication Critical patent/CN114578315A/zh
Application granted granted Critical
Publication of CN114578315B publication Critical patent/CN114578315B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/08—Systems determining position data of a target for measuring distance only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于无人机激光雷达探测的电力线危险点预测方法和装置，本方法包括，对无人机搭载激光雷达采集的电网环境点云数据进行特征点分割，对电力线点云数据进行拟合得到电力线位置信息，利用表面构建规则对障碍物候选点数据进行处理，得到障碍物候选点的表面位置信息，利用电力线位置信息和障碍物候选点的表面位置信息之间的距离，得到电力线危险点的预测结果。本装置包括特征点分割模块，位置信息构建模块和预测模块。该方法和装置能够在电塔、电力线和低矮植被、地面、建筑等地面特征点分割的基础上，对电力线进行曲线拟合，对高大建筑、树冠轮廓进行检测，从而实现在电力线巡检过程中对危险点的快速和准确的预测。

Description

基于无人机激光雷达探测的电力线危险点预测方法和装置
技术领域
本发明涉及电力线检测技术领域，尤其涉及一种基于无人机激光雷达探测的电力线危险点预测方法和装置。
背景技术
目前，我国电网规模不断提升，线路复杂度迅速增加，给我国电网的可靠性维持带来巨大挑战。为了保障电力安全稳定供应，需要对输电线路进行定期巡检。若采用传统的人工巡线方式，巡线员工工作量大，成本较高，巡检难度大，且易受天气影响，特别极端天气如雪灾等会产生复杂路况，造成巡检困难。因此需要提高电网巡检的信息化、自动化和智能化。
近年来，无人机组合搭载高清变焦相机、激光雷达、红外相机、夜视相机等多种传感器，在电网的常规巡检、应急巡查、特殊时段保供电等工作中广泛运用。
电力线周边的危险隐患存在突发性、时变性和藏匿性的特点，导致现有的电力线检测技术难以实现对危险点的快速和准确的预测，导致电力线运行中存在的安全隐患未能有效发现。在基于无人平台组合搭载高清变焦相机、激光雷达、红外相机、夜视相机等多种传感器在对电网的常规巡检过程中，其直接利用采集数据进行检测识别，没有针对电网环境数据特性将目标和背景进行有效的分割并对分割后的目标数据进行处理，导致现有检测和预测方法的数据处理量大，从而降低了预测效率和准确率。
发明内容
本发明要解决的技术问题在于，在电力线巡检过程中，现有的电力线检测技术难以实现对危险点的快速和准确的预测。现有的电力线检测方法直接利用采集数据进行检测识别，没有针对电网环境数据特性将目标和背景进行有效的分割并对分割后的目标数据进行处理，导致现有检测和预测方法的数据处理量大，从而降低了预测效率和准确率。
为解决上述技术问题，本发明实施例第一方面公开了一种基于无人机激光雷达探测的电力线危险点预测方法，所述方法包括：
对无人机搭载激光雷达采集的电网环境点云数据进行特征点分割，得到地面特征点数据、电力线点云数据和障碍物候选点数据，对电力线点云数据进行拟合得到电力线位置信息，利用表面构建规则对障碍物候选点数据进行处理，得到障碍物候选点的表面位置信息，利用电力线位置信息和障碍物候选点的表面位置信息之间的距离，得到电力线危险点的预测结果。
作为一种可选的实施方式，在本发明实施例第一方面中，所述的对无人机搭载激光雷达采集的电网环境点云数据进行特征点分割，得到地面特征点数据、电力线点云数据和障碍物候选点数据，其包括：
基于最优高程阈值HT，构建点云特征选择规则，利用点云特征选择规则实现对地面特征点数据与空中特征点数据的分割，再利用高程判别规则对空中特征点数据所包括的电力线点云数据和障碍物候选点数据进行分割。
作为一种可选的实施方式，在本发明实施例第一方面中，所述的最优高程阈值HT的获取，其具体包括：
获取无人机搭载激光雷达采集的电网环境点云数据中的高程最大值Hmax和高程最小值Hmin，将高程区间[Hmin,Hmax]平均分为N个区间段，dh是离散高程宽度，dh＝(Hmax-Hmin)/N。
将所有电网环境点云数据按照其高程，划分为与该N个区间段对应的N个集合，第i个区间段内所有点云数据的集合表示为gi，其表示高程区间[Hmin+(i-1)*dh,Hmin+i*dh)范围内的点云数据集合，其中i∈[1,N]。依次计算每个集合内的点云数据数量，比较各个集合的点云数据数量的大小，获取点云数据数量最大的集合，视其为地面背景点云数据的集合，该集合序号记为ID。
IDmax
地面背景点云数据的集合中的点云数据的最大高程差为T，最优高程阈值HT的计算公式为：
HT＝Hmin+IDmax*dh+T，
从而得到最优高程阈值HT。
作为一种可选的实施方式，在本发明实施例第一方面中，所述的基于最优高程阈值HT，构建点云特征选择规则，利用点云特征选择规则实现对地面特征点数据与空中特征点数据的分割，包括：
将高程在最优高程阈值以下的电网环境点云数据，作为地面特征点数据；
将高程在最优高程阈值以上的点云，作为空中特征点数据。
作为一种可选的实施方式，在本发明实施例第一方面中，所述的利用高程判别规则对空中特征点数据所包括的电力线点云数据和障碍物候选点数据进行分割，其包括：
采用聚类方法对电力线点云数据进行识别，将不属于电力线点云数据的空中特征点数据作为障碍物候选点数据。
对于空中特征点数据，如果若干个相邻个数据满足在同一条线段上时，将该组相邻数据作为电力线点云数据，将不属于电力线点云数据的空中特征点数据作为障碍物候选点数据。
作为一种可选的实施方式，在本发明实施例第一方面中，所述的利用表面构建规则对障碍物候选点数据进行处理，得到障碍物候选点的表面位置信息，包括：
将障碍物候选点数据中的若干个满足在同一水平平面上的相邻数据，作为建筑物数据，并对建筑物数据进行拟合，得到建筑物的平面信息。
将障碍物候选点数据中除去建筑物数据外的其他数据，作为树冠数据，按照树冠数据的高程范围对树冠数据进行分组，依次对在同一高程范围内的树冠数据进行拟合，得到相应的平面，所有拟合得到的平面构成树冠轮廓信息，建筑物的平面信息和树冠轮廓信息构成障碍物候选点的表面位置信息；
作为一种可选的实施方式，在本发明实施例第一方面中，所述的对识别出的电力线点云数据进行拟合得到电力线位置信息，其包括：将电力线作为悬链线曲线，对识别出的电力线点云数据采用泰勒级数方法进行曲线拟合，得到电力线位置信息，包括：将悬链线最低点作为原点，建立三维平面直角坐标系，采用泰勒级数对识别出的电力线点云数据进行曲线拟合，得到电力线位置信息。
作为一种可选的实施方式，在本发明实施例第一方面中，所述的利用电力线位置信息和障碍物候选点的表面位置信息之间的距离，得到电力线危险点的预测结果，包括：
针对电力线位置信息和障碍物候选点的表面位置信息，计算电力线与障碍物候选点表面的最小距离，判断该最小值是否小于电力线安全距离，若小于，则输出电力线危险点预测信息。
所述的利用电力线位置信息和障碍物候选点的表面位置信息之间的距离，得到电力线危险点的预测结果，还包括，根据树木生长速度和最小距离，计算电力线危险预警时间，提前发出电力线风险提醒。
所述的根据树木生长速度和最小距离，计算电力线危险预警时间，其计算公式为：
电力线危险预警时间＝(电力线安全距离-最小距离)/树木生长速度。
本发明实施例第二方面公开了一种基于无人机激光雷达探测的电力线危险点预测装置，包括：
特征点分割模块，用于对无人机搭载激光雷达采集的电网环境点云数据进行特征点分割，得到地面特征点数据、电力线点云数据和障碍物候选点数据；位置信息构建模块，用于对电力线点云数据进行拟合得到电力线位置信息，利用表面构建规则对障碍物候选点数据进行处理，得到障碍物候选点的表面位置信息；预测模块，利用电力线位置信息和障碍物候选点的表面位置信息之间的距离，得到电力线危险点的预测结果。
本发明实施例第三方面公开了另一种基于无人机激光雷达探测的电力线危险点预测装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的一种基于无人机激光雷达探测的电力线危险点预测方法中的部分或全部步骤。
本发明实施例第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的一种基于无人机激光雷达探测的电力线危险点预测方法中的部分或全部步骤。
本发明的有益效果为：
1)该方法和装置能够在电塔、电力线和低矮植被、地面、建筑等地面特征点分割的基础上，将每条电力线点云数据存为一个数组，对电力线进行曲线拟合，对高大建筑、树冠轮廓进行检测。
2)该方法和装置能够基于拟合的电力线、高大建筑和树木轮廓，计算电力线与周边障碍物的距离，判断其最小值Rmin是否在电力线安全距离范围Rs内。若超出安全距离则输出危险提醒。
3)该方法和装置根据树木生长速度ST和当前最小距离Rmin，判断危险预警时间，提前发送风险提醒。为电力线风险预警提供决策参考，辅助进行智能化电网巡检研判。本发明方法和装置在电力线巡检过程中，能实现对危险点的快速和准确的预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法的数据训练的过程示意图；
图2为本发明方法的实施流程图。
具体实施方式
为了更好的了解本发明内容，这里给出四个实施例。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
图1为本发明方法的数据训练的过程示意图；图2为本发明方法的实施流程图。
实施例一
本实施例公开了一种基于无人机激光雷达探测的电力线危险点预测方法，所述方法包括：
对无人机搭载激光雷达采集的电网环境点云数据进行特征点分割，得到地面特征点数据、电力线点云数据和障碍物候选点数据，对电力线点云数据进行拟合得到电力线位置信息，利用表面构建规则对障碍物候选点数据进行处理，得到障碍物候选点的表面位置信息，利用电力线位置信息和障碍物候选点的表面位置信息之间的距离，得到电力线危险点的预测结果。
作为一种可选的实施方式，在本发明实施例一中，所述的对无人机搭载激光雷达采集的电网环境点云数据进行特征点分割，得到地面特征点数据、电力线点云数据和障碍物候选点数据，其包括：
基于最优高程阈值HT，构建点云特征选择规则，利用点云特征选择规则实现对地面特征点数据与空中特征点数据的分割，再利用高程判别规则对空中特征点数据所包括的电力线点云数据和障碍物候选点数据进行分割。
作为一种可选的实施方式，在本发明实施例一中，所述的最优高程阈值HT的获取，其具体包括：
获取无人机搭载激光雷达采集的电网环境点云数据中的高程最大值Hmax和高程最小值Hmin，将高程区间[Hmin,Hmax]平均分为N个区间段，dh是离散高程宽度，dh＝(Hmax-Hmin)/N。
将所有电网环境点云数据按照其高程，划分为与该N个区间段对应的N个集合，第i个区间段内所有点云数据的集合表示为gi，其表示高程区间[Hmin+(i-1)*dh,Hmin+i*dh)范围内的点云数据集合，其中i∈[1,N]。依次计算每个集合内的点云数据数量，比较各个集合的点云数据数量的大小，获取点云数据数量最大的集合，视其为地面背景点云数据的集合，该集合序号记为IDmax。
地面背景点云数据的集合中的点云数据的最大高程差为T，最优高程阈值HT的计算公式为：
HT＝Hmin+IDmax*dh+T，
从而得到最优高程阈值HT。
作为一种可选的实施方式，在本发明实施例一中，所述的基于最优高程阈值HT，构建点云特征选择规则，利用点云特征选择规则实现对地面特征点数据与空中特征点数据的分割，包括：
将高程在最优高程阈值以下的电网环境点云数据，作为地面特征点数据；
将高程在最优高程阈值以上的点云，作为空中特征点数据。
作为一种可选的实施方式，在本发明实施例一中，所述的利用高程判别规则对空中特征点数据所包括的电力线点云数据和障碍物候选点数据进行分割，其包括：
采用聚类方法对电力线点云数据进行识别，将不属于电力线点云数据的空中特征点数据作为障碍物候选点数据。
对于空中特征点数据，如果若干个相邻个数据满足在同一条线段上时，将该组相邻数据作为电力线点云数据，将不属于电力线点云数据的空中特征点数据作为障碍物候选点数据。
作为一种可选的实施方式，在本发明实施例一中，所述的利用表面构建规则对障碍物候选点数据进行处理，得到障碍物候选点的表面位置信息，包括：
将障碍物候选点数据中的若干个满足在同一水平平面上的相邻数据，作为建筑物数据，并对建筑物数据进行拟合，得到建筑物的平面信息，建筑物的平面信息的表达式为：
Dx+Ey+Fz+G＝0，
其中，D、F、E、G为建筑物的平面方程的参数。
将障碍物候选点数据中除去建筑物数据外的其他数据，作为树冠数据，按照树冠数据的高程范围对树冠数据进行分组，依次对在同一高程范围内的树冠数据进行拟合，得到相应的平面，所有拟合得到的平面构成树冠轮廓信息，建筑物的平面信息和树冠轮廓信息构成障碍物候选点的表面位置信息；
作为一种可选的实施方式，在本发明实施例一中，所述的对识别出的电力线点云数据进行拟合得到电力线位置信息，其包括：将电力线作为悬链线曲线，对识别出的电力线点云数据采用泰勒级数方法进行曲线拟合，得到电力线位置信息，包括：电力线每单位长度的质量均匀，且仅受重力作用，因此将自由悬挂的电力线视为悬链线。将悬链线最低点作为原点，建立三维平面直角坐标系，采用泰勒级数对识别出的电力线点云数据进行曲线拟合，得到电力线位置信息，电力线位置信息的表达方程为：
y＝kx+b
Figure BDA0003530904130000081
其中，(x,y,z)为电力线上某一点的坐标，k、b、A、B和C为电力线位置信息的表达方程的参数。在拟合过程中，首先将原坐标系平移至悬链线最低点处，若空间平移量为(tx,ty,tz)，原坐标为(x0,y0,z0)，平移后坐标为(x,y,z)，则：
Figure BDA0003530904130000091
根据电力线三维坐标系多项式方程，得到识别出的电力线的曲线拟合结果，方程如下：
y＝kx+b
Figure BDA0003530904130000092
作为一种可选的实施方式，在本发明实施例一中，所述的利用电力线位置信息和障碍物候选点的表面位置信息之间的距离，得到电力线危险点的预测结果，包括：
针对电力线位置信息和障碍物候选点的表面位置信息，计算电力线与障碍物候选点表面的最小距离，判断该最小值是否小于电力线安全距离，若小于，则输出电力线危险点预测信息。
电力线危险点预测信息包括电力线发生危险的预警信息、电力线危险点的位置信息和对电力线造成危险的障碍物候选点的表面位置信息等。电力线危险点的位置信息和对电力线造成危险的障碍物候选点的表面位置信息通过最小距离对应的电力线上相应点和障碍物候选点的表面位置点的位置信息来确定。
所述的利用电力线位置信息和障碍物候选点的表面位置信息之间的距离，得到电力线危险点的预测结果，还包括，根据树木生长速度和最小距离，计算电力线危险预警时间，提前发出电力线风险提醒，从而为电力线风险预警提供决策参考，辅助进行智能化电网巡检研判。
所述的根据树木生长速度和最小距离，计算电力线危险预警时间，其计算公式为：
电力线危险预警时间＝(电力线安全距离-最小距离)/树木生长速度。
基于拟合的电力线、高大建筑和树木轮廓，计算电力线与周边障碍物的距离R，电力线和障碍物候选点的表面上的两点坐标分别为(x1,y1,z1)和(x2,y2,z2)，则其距离为：
Figure BDA0003530904130000101
将距离R中的最小值作为电力线与障碍物候选点表面的最小距离。
判断其最小值Rmin是否在电力线安全距离范围Rs内，若超出安全距离则输出危险提醒。
作为一种可选的实施方式，在本发明实施例一中，所述的采用聚类方法对电力线进行识别，建立点云数据空间直角坐标系，在点云数据空间直角坐标系下对电力线进行识别，将地面上沿电力线巡检方向作为点云数据空间直角坐标系的X轴(横轴)，将X轴水平旋转90度为点云数据空间直角坐标系的Y轴(纵轴)，将垂直于水平地面向上方向为点云数据空间直角坐标系的Z轴(竖轴)。
作为一种可选的实施方式，在本发明实施例一中，所述的采用聚类方法对电力线进行识别，采用Kd树聚类方法对电力线进行识别，其具体步骤包括：
S1，首先配置电力线相关参数，具体包括，电力线相关参数包括架空电力线组与地面间最小垂直距离VRmin、架空电力线组所包含的电力线的最小线间距离LRmin，用于电力巡检的无人机与边导线的最小水平距离HRmin，位于两侧的边导线的间距Rw。根据无人机所处的巡检环境，对电力线相关参数进行设置。一组架设在空中的电力线构成架空电力线组，架空电力线组中位于最边缘的电力线，称为边导线。
S2，利用点云数据空间直角坐标系内构建Kd树，遍历激光雷达采集的电网环境点云数据，对于任一电网环境点云数据的坐标(x,y,z)，若z<VRmin,将该电网环境点云数据识别为非电力线数据，将该数据的状态值置为0；若VRmin≤z≤Hmax，且y<HRmin或y>2*HRmin+Rw,将该电网环境点云数据识别为非电力线数据，将该数据的状态值置为0。
对于任一电网环境点云数据,若其满足VRmin≤z≤Hmax，且HRmin≤y≤2*HRmin+Rw,将该电网环境点云数据视为搜索过程的中心点，设置搜索该中心点的近邻点的数量。然后搜索得到该中心点的近邻点，将其对应数据的状态值设置为1。近邻点即距离该中心点最近的若干个点。将搜索到的最近邻点视为遍历过程中下一次搜索的中心点，如果该点已被识别，则搜索除去该点外的下一个最近邻点。最近邻点为距离该中心点最近的一个点。
S3，比较步骤S2中得到的中心点和最近邻点之间的距离，如果该距离小于阈值P，则将该最近邻点加入表征其所在电力线的点云数组，并用该最近邻点作为中心点继续搜索其对应的最近邻点，直至中心点和最近邻点之间的距离大于阈值P，表明该电力线已被识别，停止该次搜索过程，将表征电力线的点云数组作为电力线识别结果。
S4，继续步骤S2和S3，直至所有电网环境点云数据均被识别，从而实现各电力线数据的自动分割。
本实施例能够在电塔、电力线和低矮植被、地面、建筑等地面特征点分割的基础上，将每条电力线点云数据存为一个数组，对电力线进行曲线拟合，对高大建筑、树冠轮廓进行检测；能够基于拟合的电力线、高大建筑和树木轮廓，计算电力线与周边障碍物的距离，判断其最小值Rmin是否在电力线安全距离范围Rs内，若超出安全距离则输出危险提醒；根据树木生长速度ST和当前最小距离Rmin，判断危险预警时间，提前发送风险提醒。为电力线风险预警提供决策参考，辅助进行智能化电网巡检研判。
实施例二
本实施例公开了一种基于无人机激光雷达探测的电力线危险点预测装置，包括：
特征点分割模块，用于对无人机搭载激光雷达采集的电网环境点云数据进行特征点分割，得到地面特征点数据、电力线点云数据和障碍物候选点数据；位置信息构建模块，用于对电力线点云数据进行拟合得到电力线位置信息，利用表面构建规则对障碍物候选点数据进行处理，得到障碍物候选点的表面位置信息；预测模块，利用电力线位置信息和障碍物候选点的表面位置信息之间的距离，得到电力线危险点的预测结果。
作为一种可选的实施方式，在本发明实施例二中，所述的对无人机搭载激光雷达采集的电网环境点云数据进行特征点分割，得到地面特征点数据、电力线点云数据和障碍物候选点数据，其包括：
基于最优高程阈值HT，构建点云特征选择规则，利用点云特征选择规则实现对地面特征点数据与空中特征点数据的分割，再利用高程判别规则对空中特征点数据所包括的电力线点云数据和障碍物候选点数据进行分割。
作为一种可选的实施方式，在本发明实施例二中，所述的最优高程阈值HT的获取，其具体包括：
获取无人机搭载激光雷达采集的电网环境点云数据中的高程最大值Hmax和高程最小值Hmin，将高程区间[Hmin,Hmax]平均分为N个区间段，dh是离散高程宽度，dh＝(Hmax-Hmin)/N。
将所有电网环境点云数据按照其高程，划分为与该N个区间段对应的N个集合，第i个区间段内所有点云数据的集合表示为gi，其表示高程区间[Hmin+(i-1)*dh,Hmin+i*dh)范围内的点云数据集合，其中i∈[1,N]。依次计算每个集合内的点云数据数量，比较各个集合的点云数据数量的大小，获取点云数据数量最大的集合，视其为地面背景点云数据的集合，该集合序号记为IDmax。
地面背景点云数据的集合中的点云数据的最大高程差为T，最优高程阈值HT的计算公式为：
HT＝Hmin+IDmax*dh+T，
从而得到最优高程阈值HT。
作为一种可选的实施方式，在本发明实施例二中，所述的基于最优高程阈值HT，构建点云特征选择规则，利用点云特征选择规则实现对地面特征点数据与空中特征点数据的分割，包括：
将高程在最优高程阈值以下的电网环境点云数据，作为地面特征点数据；
将高程在最优高程阈值以上的点云，作为空中特征点数据。
作为一种可选的实施方式，在本发明实施例二中，所述的利用高程判别规则对空中特征点数据所包括的电力线点云数据和障碍物候选点数据进行分割，其包括：
采用聚类方法对电力线点云数据进行识别，将不属于电力线点云数据的空中特征点数据作为障碍物候选点数据。
对于空中特征点数据，如果若干个相邻个数据满足在同一条线段上时，将该组相邻数据作为电力线点云数据，将不属于电力线点云数据的空中特征点数据作为障碍物候选点数据。
作为一种可选的实施方式，在本发明实施例二中，所述的利用表面构建规则对障碍物候选点数据进行处理，得到障碍物候选点的表面位置信息，包括：
将障碍物候选点数据中的若干个满足在同一水平平面上的相邻数据，作为建筑物数据，并对建筑物数据进行拟合，得到建筑物的平面信息，建筑物的平面信息的表达式为：
Dx+Ey+Fz+G＝0，
其中，D、F、E、G为建筑物的平面方程的参数。
将障碍物候选点数据中除去建筑物数据外的其他数据，作为树冠数据，按照树冠数据的高程范围对树冠数据进行分组，依次对在同一高程范围内的树冠数据进行拟合，得到相应的平面，所有拟合得到的平面构成树冠轮廓信息，建筑物的平面信息和树冠轮廓信息构成障碍物候选点的表面位置信息；
作为一种可选的实施方式，在本发明实施例二中，所述的对识别出的电力线点云数据进行拟合得到电力线位置信息，其包括：将电力线作为悬链线曲线，对识别出的电力线点云数据采用泰勒级数方法进行曲线拟合，得到电力线位置信息，包括：电力线每单位长度的质量均匀，且仅受重力作用，因此将自由悬挂的电力线视为悬链线。将悬链线最低点作为原点，建立三维平面直角坐标系，采用泰勒级数对识别出的电力线点云数据进行曲线拟合，得到电力线位置信息，电力线位置信息的表达方程为：
y＝kx+b
Figure BDA0003530904130000141
其中，(x,y,z)为电力线上某一点的坐标，k、b、A、B和C为电力线位置信息的表达方程的参数。在拟合过程中，首先将原坐标系平移至悬链线最低点处，若空间平移量为(tx,ty,tz)，原坐标为(x0,y0,z0)，平移后坐标为(x,y,z)，则：
Figure BDA0003530904130000142
根据电力线三维坐标系多项式方程，得到识别出的电力线的曲线拟合结果，方程如下：
y＝kx+b
Figure BDA0003530904130000143
作为一种可选的实施方式，在本发明实施例二中，所述的利用电力线位置信息和障碍物候选点的表面位置信息之间的距离，得到电力线危险点的预测结果，包括：
针对电力线位置信息和障碍物候选点的表面位置信息，计算电力线与障碍物候选点表面的最小距离，判断该最小值是否小于电力线安全距离，若小于，则输出电力线危险点预测信息。
所述的利用电力线位置信息和障碍物候选点的表面位置信息之间的距离，得到电力线危险点的预测结果，还包括，根据树木生长速度和最小距离，计算电力线危险预警时间，提前发出电力线风险提醒，从而为电力线风险预警提供决策参考，辅助进行智能化电网巡检研判。
所述的根据树木生长速度和最小距离，计算电力线危险预警时间，其计算公式为：
电力线危险预警时间＝(电力线安全距离-最小距离)/树木生长速度。
基于拟合的电力线、高大建筑和树木轮廓，计算电力线与周边障碍物的距离R，电力线和障碍物候选点的表面上的两点坐标分别为(x1,y1,z1)和(x2,y2,z2)，则其距离为：
Figure BDA0003530904130000151
将距离R中的最小值作为电力线与障碍物候选点表面的最小距离。
判断其最小值Rmin是否在电力线安全距离范围Rs内。若超出安全距离则输出危险提醒。
作为一种可选的实施方式，在本发明实施例二中，所述的采用聚类方法对电力线进行识别，建立点云数据空间直角坐标系，在点云数据空间直角坐标系下对电力线进行识别，将地面上沿电力线巡检方向作为点云数据空间直角坐标系的X轴(横轴)，将X轴水平旋转90度为点云数据空间直角坐标系的Y轴(纵轴)，将垂直于水平地面向上方向为点云数据空间直角坐标系的Z轴(竖轴)。
作为一种可选的实施方式，在本发明实施例二中，所述的采用聚类方法对电力线进行识别，采用Kd树聚类方法对电力线进行识别，其具体步骤包括：
S1，首先配置电力线相关参数，具体包括，电力线相关参数包括架空电力线组与地面间最小垂直距离VRmin、架空电力线组所包含的电力线的最小线间距离LRmin，用于电力巡检的无人机与边导线的最小水平距离HRmin，位于两侧的边导线的间距Rw。根据无人机所处的巡检环境，对电力线相关参数进行设置。一组架设在空中的电力线构成架空电力线组，架空电力线组中位于最边缘的电力线，称为边导线。
S2，利用点云数据空间直角坐标系内构建Kd树，遍历激光雷达采集的电网环境点云数据，对于任一电网环境点云数据的坐标(x,y,z)，若z<VRmin,将该电网环境点云数据识别为非电力线数据，将该数据的状态值置为0；若VRmin≤z≤Hmax，且y<HRmin或y>2*HRmin+Rw,将该电网环境点云数据识别为非电力线数据，将该数据的状态值置为0。
对于任一电网环境点云数据,若其满足VRmin≤z≤Hmax，且HRmin≤y≤2*HRmin+Rw,将该电网环境点云数据视为搜索过程的中心点，设置搜索该中心点的近邻点的数量。然后搜索得到该中心点的近邻点，将其对应数据的状态值设置为1。近邻点即距离该中心点最近的若干个点。将搜索到的最近邻点视为遍历过程中下一次搜索的中心点，如果该点已被识别，则搜索除去该点外的下一个最近邻点。最近邻点为距离该中心点最近的一个点。
S3，比较步骤S2中得到的中心点和最近邻点之间的距离，如果该距离小于阈值P，则将该最近邻点加入表征其所在电力线的点云数组，并用该最近邻点作为中心点继续搜索其对应的最近邻点，直至中心点和最近邻点之间的距离大于阈值P，表明该电力线已被识别，停止该次搜索过程，将表征电力线的点云数组作为电力线识别结果。
S4，继续步骤S2和S3，直至所有电网环境点云数据均被识别，从而实现各电力线数据的自动分割。
本实施例能够在电塔、电力线和低矮植被、地面、建筑等地面特征点分割的基础上，将每条电力线点云数据存为一个数组，对电力线进行曲线拟合，对高大建筑、树冠轮廓进行检测；能够基于拟合的电力线、高大建筑和树木轮廓，计算电力线与周边障碍物的距离，判断其最小值Rmin是否在电力线安全距离范围Rs内，若超出安全距离则输出危险提醒；根据树木生长速度ST和当前最小距离Rmin，判断危险预警时间，提前发送风险提醒。为电力线风险预警提供决策参考，辅助进行智能化电网巡检研判。
实施例三
本实施例公开了另一种基于无人机激光雷达探测的电力线危险点预测装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例一公开的一种基于无人机激光雷达探测的电力线危险点预测方法中的部分或全部步骤。
实施例四
本实施例公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例一公开的一种基于无人机激光雷达探测的电力线危险点预测方法中的部分或全部步骤。
以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于无人机激光雷达探测的电力线危险点预测方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (6)

1.一种基于无人机激光雷达探测的电力线危险点预测方法，其特征在于，所述方法包括：
对无人机搭载激光雷达采集的电网环境点云数据进行特征点分割，得到地面特征点数据、电力线点云数据和障碍物候选点数据，对电力线点云数据进行拟合得到电力线位置信息，利用表面构建规则对障碍物候选点数据进行处理，得到障碍物候选点的表面位置信息，利用电力线位置信息和障碍物候选点的表面位置信息之间的距离，得到电力线危险点的预测结果；
所述的对无人机搭载激光雷达采集的电网环境点云数据进行特征点分割，得到地面特征点数据、电力线点云数据和障碍物候选点数据，其包括：
基于最优高程阈值HT，构建点云特征选择规则，利用点云特征选择规则实现对地面特征点数据与空中特征点数据的分割，再利用高程判别规则对空中特征点数据所包括的电力线点云数据和障碍物候选点数据进行分割；
所述的最优高程阈值HT的获取，其具体包括：
获取无人机搭载激光雷达采集的电网环境点云数据中的高程最大值Hmax和高程最小值Hmin，将高程区间[Hmin,Hmax]平均分为N个区间段，dh是离散高程宽度，dh＝(Hmax-Hmin)/N；
将所有电网环境点云数据按照其高程，划分为与该N个区间段对应的N个集合，第i个区间段内所有点云数据的集合表示为gi，其表示高程区间[Hmin+(i-1)*dh,Hmin+i*dh)范围内的点云数据集合，其中i∈[1,N]；依次计算每个集合内的点云数据数量，比较各个集合的点云数据数量的大小，获取点云数据数量最大的集合，视其为地面背景点云数据的集合，该集合序号记为IDmax；
地面背景点云数据的集合中的点云数据的最大高程差为T，最优高程阈值HT的计算公式为：
HT＝Hmin+IDmax*dh+T，
从而得到最优高程阈值HT；
所述的基于最优高程阈值HT，构建点云特征选择规则，利用点云特征选择规则实现对地面特征点数据与空中特征点数据的分割，包括：
将高程在最优高程阈值以下的电网环境点云数据，作为地面特征点数据；将高程在最优高程阈值以上的点云，作为空中特征点数据。
2.如权利要求1所述的基于无人机激光雷达探测的电力线危险点预测方法，其特征在于，
所述的利用高程判别规则对空中特征点数据所包括的电力线点云数据和障碍物候选点数据进行分割，其包括：
采用聚类方法对电力线点云数据进行识别，将不属于电力线点云数据的空中特征点数据作为障碍物候选点数据。
3.如权利要求1所述的基于无人机激光雷达探测的电力线危险点预测方法，其特征在于，
所述的利用表面构建规则对障碍物候选点数据进行处理，得到障碍物候选点的表面位置信息，包括：
将障碍物候选点数据中的若干个满足在同一水平平面上的相邻数据，作为建筑物数据，并对建筑物数据进行拟合，得到建筑物的平面信息；
将障碍物候选点数据中除去建筑物数据外的其他数据，作为树冠数据，按照树冠数据的高程范围对树冠数据进行分组，依次对在同一高程范围内的树冠数据进行拟合，得到相应的平面，所有拟合得到的平面构成树冠轮廓信息，建筑物的平面信息和树冠轮廓信息构成障碍物候选点的表面位置信息。
4.如权利要求1所述的基于无人机激光雷达探测的电力线危险点预测方法，其特征在于，
所述的对识别出的电力线点云数据进行拟合得到电力线位置信息，其包括：将电力线作为悬链线曲线，对识别出的电力线点云数据采用泰勒级数方法进行曲线拟合，得到电力线位置信息，包括：将悬链线最低点作为原点，建立三维平面直角坐标系，采用泰勒级数对识别出的电力线点云数据进行曲线拟合，得到电力线位置信息。
5.如权利要求1所述的基于无人机激光雷达探测的电力线危险点预测方法，其特征在于，
所述的利用电力线位置信息和障碍物候选点的表面位置信息之间的距离，得到电力线危险点的预测结果，包括：
针对电力线位置信息和障碍物候选点的表面位置信息，计算电力线与障碍物候选点表面的最小距离，判断该最小值是否小于电力线安全距离，若小于，则输出电力线危险点预测信息。
6.如权利要求5所述的基于无人机激光雷达探测的电力线危险点预测方法，其特征在于，
所述的利用电力线位置信息和障碍物候选点的表面位置信息之间的距离，得到电力线危险点的预测结果，还包括，根据树木生长速度和最小距离，计算电力线危险预警时间，发出电力线风险提醒。
CN202210204515.8A 2022-03-03 2022-03-03 基于无人机激光雷达探测的电力线危险点预测方法和装置 Active CN114578315B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210204515.8A CN114578315B (zh) 2022-03-03 2022-03-03 基于无人机激光雷达探测的电力线危险点预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210204515.8A CN114578315B (zh) 2022-03-03 2022-03-03 基于无人机激光雷达探测的电力线危险点预测方法和装置

Publications (2)

Publication Number Publication Date
CN114578315A CN114578315A (zh) 2022-06-03
CN114578315B true CN114578315B (zh) 2022-11-04

Family

ID=81771479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210204515.8A Active CN114578315B (zh) 2022-03-03 2022-03-03 基于无人机激光雷达探测的电力线危险点预测方法和装置

Country Status (1)

Country Link
CN (1) CN114578315B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115760725B (zh) * 2022-11-04 2024-02-20 广东安恒电力科技有限公司 基于激光雷达的输电线外力入侵监测方法、介质及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108037514A (zh) * 2017-11-07 2018-05-15 国网甘肃省电力公司电力科学研究院 一种使用激光点云进行树障安全检测方法
CN108919232A (zh) * 2018-09-07 2018-11-30 北京数字绿土科技有限公司 一种输电线路危险点检测方法及装置
CN111650599A (zh) * 2020-05-07 2020-09-11 国家电网有限公司 基于机载激光雷达遥感技术的电力输电线信息提取及安全检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109952592B (zh) * 2016-11-07 2024-04-02 瑞士再保险有限公司 自动位置相关测量和预测汽车风险的绝对和相对风险系统和方法
CN111830528A (zh) * 2020-06-29 2020-10-27 西安交通大学 基于激光点云的杆塔特征点自动识别及倾斜参数自动测量方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108037514A (zh) * 2017-11-07 2018-05-15 国网甘肃省电力公司电力科学研究院 一种使用激光点云进行树障安全检测方法
CN108919232A (zh) * 2018-09-07 2018-11-30 北京数字绿土科技有限公司 一种输电线路危险点检测方法及装置
CN111650599A (zh) * 2020-05-07 2020-09-11 国家电网有限公司 基于机载激光雷达遥感技术的电力输电线信息提取及安全检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
一种机载LiDAR点云电力线三维重建方法;林祥国等;《测绘科学》;20160120(第01期);全文 *
基于机载LiDAR数据的林木冠层投影面积与体积测量;张卫正等;《农业机械学报》;20160125(第01期);第305-309页 *
机载LiDAR数据下的输电线路弧垂状态估计;周玉玲 等;《电力科学与工程》;20201130;1-10 *
机载激光点云数据中分裂导线自动提取和重建;周汝琴等;《测绘科学》;20180123(第06期);全文 *

Also Published As

Publication number Publication date
CN114578315A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN109829199B (zh) 基于LiDAR点云的电力线快速分层提取方法
CN110780681A (zh) 一种基于激光点云的无人机自主巡检绝缘子路径规划方法
CN113313005B (zh) 基于目标识别与重建的输电导线在线监测方法及系统
CN111340317A (zh) 架空输电线路树障隐患的自动预警方法及电子设备
CN111157530B (zh) 一种基于无人机的输电线路的安全检测方法
CN109829908B (zh) 基于双目影像的电力线下方地物安全距离检测方法及设备
CN112884745A (zh) 线路隐患分析方法、装置及电子终端
CN114578315B (zh) 基于无人机激光雷达探测的电力线危险点预测方法和装置
US9558564B1 (en) Method for finding important changes in 3D point clouds
CN112539704B (zh) 一种输电线路通道内隐患与导线距离的测量方法
CN114140503A (zh) 基于深度学习的配电网危险区域识别装置及方法
CN110705385B (zh) 一种障碍物角度的检测方法、装置、设备及介质
CN113076899B (zh) 一种基于目标跟踪算法的高压输电线路异物检测方法
CN115049793B (zh) 基于数字孪生的输电线路树木生长可视化预测方法及装置
CN112561941A (zh) 一种悬崖检测方法、装置和机器人
CN114419537A (zh) 一种基于深度学习的输电线路告警方法和装置
CN114563796B (zh) 基于无人机激光雷达探测数据的电力线识别方法和装置
CN115565324A (zh) 一种电力线的防外破监控方法和系统
CN112630792A (zh) 一种电网输电线路工况模拟与危险点检测方法及检测系统
CN114779794B (zh) 基于无人巡逻车系统的台风场景下的街道障碍识别方法
JP4067999B2 (ja) 雷観測システム
CN116012429A (zh) 基于激光点云与gim三维模型确定输电走廊隐患点的方法
CN116051493A (zh) 接触网悬挂状态监测方法、装置、设备及存储介质
CN111742242A (zh) 点云处理方法、系统、设备及存储介质
CN112558091B (zh) 一种输电线对树空间距离的实时检测方法、装置及终端设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant