CN117078014A - 一种基于激光点云数据的输电线路雷电灾害风险等级评估方法及装置 - Google Patents

一种基于激光点云数据的输电线路雷电灾害风险等级评估方法及装置 Download PDF

Info

Publication number
CN117078014A
CN117078014A CN202311067509.3A CN202311067509A CN117078014A CN 117078014 A CN117078014 A CN 117078014A CN 202311067509 A CN202311067509 A CN 202311067509A CN 117078014 A CN117078014 A CN 117078014A
Authority
CN
China
Prior art keywords
data
point cloud
cloud data
tower
power transmission
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.)
Granted
Application number
CN202311067509.3A
Other languages
English (en)
Other versions
CN117078014B (zh
Inventor
林�建
陈星延
吴晓宾
刘洋
赵龙
李中凯
李珊
刘崇宇
刘国栋
孙鹏
李旺
牛志强
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.)
Linyi Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
Linyi Power Supply Co of State Grid Shandong Electric Power 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 Linyi Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical Linyi Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority to CN202311067509.3A priority Critical patent/CN117078014B/zh
Publication of CN117078014A publication Critical patent/CN117078014A/zh
Application granted granted Critical
Publication of CN117078014B publication Critical patent/CN117078014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)

Abstract

本发明提出一种基于激光点云数据的输电线路雷电灾害风险等级评估方法及装置，通过栅格法获取高程数据，对高程数据使用DBSCAN聚类算法获取杆塔候选物体，再通过DenseNet神经网络实现电塔的识别，取杆塔之前区域的点云数据，通过欧式聚类获取杆塔电线，并根据悬链线方程对电线进行验证，最终通过规程法确定雷击风险分数，基于所述风险分数提醒管理端，实现塔高、横担对地高度、导线平均高度、地面倾角、避雷线对导线耦合系数、保护角等关键数据的自动提取，并智能化提醒管理端对输电设备进行防雷工作。

Description

一种基于激光点云数据的输电线路雷电灾害风险等级评估方 法及装置
技术领域
本发明属于数据监控技术领域，尤其涉及一种基于激光点云数据的输电线路雷电灾害风险等级评估方法及装置。
背景技术
随着我国经济实力的进步与发展，能源尤其是电力能源的需求愈发增大，为了满足日益增长的电力需求，国家加大高压输电网络的建设力度。但随着输电网络的拓展，输电线路雷击问题越发严重。雷击跳闸次数的增多，严重影响了社会的供电稳定，给人民生活带来极大不便。然而对所有输电线路进行防雷改造需要消耗大量的人力物力，因此根据输电线路的雷害风险等级评估等级，针对性的实施防雷举措尤为重要。
目前的输电线路防雷等级评估的方法研究主要集中在借助GIS，统计地闪密度得出风险等级。然而该方法仅从统计学角度出发，忽略了杆塔及周边环境对雷击跳闸率的影响。
因此，亟需一种基于激光点云数据的输电线路雷电灾害风险等级评估方法，能够通过点云数据，快速且有效分析输电线路的具体信息，智能化提出输电设备防雷策略，以降低财产损失，提高输电效率，节约防雷成本。
发明内容
针对现有技术中所存在的问题，本发明提出一种基于激光点云数据的输电线路雷电灾害风险等级评估方法，通过栅格法获取高程数据，对高程数据使用DBSCAN聚类算法获取杆塔候选物体，再通过DenseNet神经网络实现电塔的识别，取杆塔之前区域的点云数据，通过欧式聚类获取杆塔电线，并根据悬链线方程对电线进行验证，最终通过规程法确定雷击风险分数，基于所述风险分数提醒管理端，实现塔高、横担对地高度、导线平均高度、地面倾角、避雷线对导线耦合系数、保护角等关键数据的自动提取，并智能化提醒管理端对输电设备进行防雷工作。
一种基于激光点云数据的输电线路雷电灾害风险等级评估方法，执行如下步骤：
S1.从数据库获取las文件，读取所述las文件中的点云数据，
S11.所述点云数据中包含各个数据点的三维坐标数据和RGB颜色数据；
S2.通过栅格法将所述点云数据按照空间分布分割为多个边长为3m的栅格；
S21.获取各个栅格内的高度最低点的高程值；
S22.设置第一阈值，各个栅格内最低点高度与所述第一阈值的和为第一筛选高度；
S23.各个栅格内大于所述第一筛选高度的点云数据作为高程点云数据；
S3.将所述高程点云数据输入到DBSCAN算法中以获取杆塔候选物集合；
S31.通过DBSCAN聚类得到的每一个簇都被称为杆塔候选物，包括杆塔的高程点云数据、高大树木的高程点云数据、建筑物的高程点云数据；
S32.所述杆塔候选物包括了簇内所有点的三维坐标数据和RGB颜色数据，所有所述杆塔候选物组成的集合被称为杆塔候选物集合；
S4.将所述杆塔候选物集合输入DenseNet神经网络，所述DenseNet神经网络输出所识别的杆塔；
S5.通过欧式聚类获取电线候选物；
S6.通过悬链线方程判断电线集合；
S7.通过规程法计算出输电设备的雷击风险分数，设置第二阈值，当所述雷击风险分数大于所述第二阈值时，提示管理端可对所述雷击风险大于所述第二阈值的输电设备进行防雷处理。
进一步地，S23.所述第一阈值为15m。
进一步地，S311.DBSCAN是一种聚类算法，将邻域半径r和最小样本数m作为输入参数。
进一步地，S312.获得数个簇，每个簇内包括被归为一类的点云数据。
进一步地，S313.每一簇内的数据称为杆塔候选物。
进一步地，S321.所述簇内每个点的数据均包括该点的三维坐标数据和颜色RGB数据。
进一步地，S33.DBSCAN将数据点分为簇、噪声点两类，不需要事先指定簇的个数；
S331.选择一个数据点p，获取其三维坐标数据，计算其邻域内所有点的空间距离，若p的邻域半径内存在m个以上的数据点，则认为p为核心点；若p不为核心点但距离某个核心点的距离小于m，则认为p与该核心点密度可达，p为边界点；若p既不为和核心点又不为边界点，则p为噪声点；
S332.若该数据点是核心点，则以该点为中心，继续寻找与其直接或间接相连的点，将这些点加入同一个簇中；
S333.如果该数据点是边界点，则将其归属到某个核心点所在的簇中；
S334.如果该数据点是噪声点，则将其标记为噪声点，不归属于任何簇；
S335.重复S331-S334，直到所有的点都被归属于某个簇中或标记为噪声点为止
进一步地，S51.获得杆塔的点云数据即杆塔的三维坐标值后，获取每两座杆塔之间的区域A，包括该区域内所有点的三维坐标数据和颜色RGB数据。
进一步地，S52.计算两杆塔中心点连线与水平方向的夹角θ。
进一步地，S53.旋转区域A，直至夹角θ＝0。获取旋转后的区域A,并进行欧式聚类，将聚类后获取的簇称为电线候选物。
欧式聚类具体流程如下：
S531.初始化：随机选择K个数据点作为初始的聚类质心，设定距离阈值为2m；其中，K为大于0的正整数。
S532.分配数据点：对于每个数据点，计算它与各个聚类质心的三维坐标的距离值，若存在距离值小于阈值，将数据点分配到与其距离最近的质心所对应的簇。
S533.更新质心：对每个簇，计算该簇内所有数据点的平均值，作为新质心坐标坐标。
S534.重复S532和S533，直到质心的位置不再改变或达到最大迭代次数。
本发明还提出一种基于激光点云数据的输电线路雷电灾害风险等级评估装置：设置有存储器，用以存储指令代码；
处理器，调用所述指令代码以执行如上述的一种基于激光点云数据的输电线路雷电灾害风险等级评估方法。
本发明具有的优点：
1.本发明通过获取点云数据后，对点云数据处理，利用栅格法获取高程数据，对高程数据使用DBSCAN聚类算法获取杆塔候选物体，再通过DenseNet神经网络实现电塔的识别，取杆塔之前区域的点云数据，通过欧式聚类获取杆塔电线，并根据悬链线方程对电线进行验证，最终通过规程法确定雷击风险分数，基于所述风险分数提醒管理端，实现塔高、横担对地高度、导线平均高度、地面倾角、避雷线对导线耦合系数、保护角等关键数据的自动提取，并智能化提醒管理端对输电设备进行防雷工作。
2.通过相对于传统的CSF算法，先去除地面再应用聚类算法去除近地物，栅格法更加高效。此外，对于具有山地地貌特征的点云数据，栅格法的性能也优于高程滤波算法，本发明能够通过栅格法精细化计算点云数据，栅格法是一种将完整模型近似分解为多个小型网格模型的方法，通过调整方形区域的大小和数量，可以控制模型的精度。
3.DBSCAN将数据点分为簇、噪声点两类，不需要事先指定簇的个数，因此在进行杆塔候选物的获取时有较好的表现，利用DenseNet神经网络获取杆塔时，通过获取杆塔点云数据，包括杆塔点云的三维坐标数据和RGB颜色数据。一是能协助后续电线提取缩小点云范围，减少计算量；二是可通过杆塔点云数据获取杆塔高度等数据，为规程法计算提供数支撑，同时，使用神经网络算法对数据处理能够提高本发明方法的智能化，同时可以基于训练情况随时调整所识别的内容，能够精准确定输电设备的同时节约运算资源。
4.利用欧式聚类获取电线候选物可作为后续用悬链线方程判断判断是否为电线的输入，利用悬链线方程判断电线通过电线点云数据获取电线半径等数据，为规程法计算提供数支撑，能够在输电设备防雷预测过程中精准把控，识别电线与电线和塔杆的夹角，计算精准，为有效判定雷击风险提供数据支撑。
5.通过本发明的步骤S1-S7的设置，能够对神经网络模型进行精准应用，利用栅格法细化数据，通过DBSCAN、欧式聚类以及利用悬链线方程的方式对规程法所需参数进行高效获取，精准处理，规程法对不同跳闸情况进行分别考虑后综合运算，能够提高运算精度，从更细微的维度对输电设备安全风险进行评估并预警。
附图说明
图1是一种基于激光点云数据的输电线路雷电灾害风险等级评估方法步骤流程图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，一种基于激光点云数据的输电线路雷电灾害风险等级评估方法，执行如下步骤：
S1.从数据库获取las文件，读取所述las文件中的点云数据，
S11.所述点云数据中包含各个数据点的三维坐标数据和RGB颜色数据；
S2.通过栅格法将所述点云数据按照空间分布分割为多个边长为3m的栅格；
栅格法是一种将完整模型近似分解为多个小型网格模型的方法，通过调整方形区域的大小和数量，可以控制模型的精度。
本步骤能够去除地面点云数据和部分低矮近地物(如：低矮的灌木丛)。高大建筑(如高楼、杆塔等)以及树木等仅保留其高程点云数据。有效去除点云中地面数据的同时减少点云中点的数量，增大后续操作的处理速度。相对于传统的CSF算法，先去除地面再应用聚类算法去除近地物，栅格法更加高效。此外，对于具有山地地貌特征的点云数据，栅格法的性能也优于高程滤波算法。
S21.获取各个栅格内的高度最低点的高程值；
S22.设置第一阈值，各个栅格内最低点高度与所述第一阈值的和为第一筛选高度；
S23.各个栅格内大于所述第一筛选高度的点云数据作为高程点云数据；
S3.将所述高程点云数据输入到DBSCAN算法中以获取杆塔候选物集合；
DBSCAN将数据点分为簇、噪声点两类，不需要事先指定簇的个数，因此在进行杆塔候选物的获取时有较好的表现。
本步骤获取杆塔候选物，作为后续神经网络操作的输入数据。
S31.通过DBSCAN聚类得到的每一个簇都被称为杆塔候选物，包括杆塔的高程点云数据、高大树木的高程点云数据、建筑物的高程点云数据；
S32.所述杆塔候选物包括了簇内所有点的三维坐标数据和RGB颜色数据，所有所述杆塔候选物组成的集合被称为杆塔候选物集合；
S4.将所述杆塔候选物集合输入DenseNet神经网络，所述DenseNet神经网络输出所识别的杆塔；
杆塔候选物的主视图。所述主视图为格式为w*h*3维度的数组，w是图片的宽度此处w＝Δx×10，Δx为杆塔候选物旋转后三维坐标中x值的差值，h是图片的高度，此处h＝Δz×10,Δz是杆塔候选物三维坐标中z值的差值。
获取杆塔候物的x最大值的点px_max、y最大值的点py_max，x最小值的点px_min、y最小值的点py_min。取py_min点1p1，计算p1与px_min，px_max的距离，取距离大的点为p2。取p3＝(xp1-1,yp1)。以p1为顶点，计算p1,p2,p3三点构成的水平夹角θ。旋转整个杆塔候选物，使θ为0。
获取杆塔点云数据，包括杆塔点云的三维坐标数据和RGB颜色数据。一是能协助后续电线提取缩小点云范围，减少计算量；二是可通过杆塔点云数据获取杆塔高度等数据，为规程法计算提供数支撑。
本步骤中网络参数为使用的损失函数为交叉熵函数，学习率数值为0.0003，batch数为32，训练次数2000次。
获取杆塔候选物点云数据的轴对齐包围项，计算其偏离x轴的角度，通过旋转点云使其与x轴平行，并获取其主视图。将点云的主视图JPG数据输入到DenseNet神经网络中进行电塔识别得到最终杆塔。
S41.数据预处理：对主视图数据进行预处理操作，包括图像归一化、尺寸调整，以确保输入数据的一致性和可处理性。
S42.特征提取：通过卷积层对预处理后的主视图数据进行特征提取，每个卷积层均应用多个卷积核/过滤器来对输入数据进行卷积操作，并提取相应特征。
S43.密集连接块：DenseNet的核心部分是密集连接块，它通过将前一层的输出与当前层的输入进行连接来构建密集连接。
具体地，每个密集连接块内的层都会将前面所有层的特征图与当前层的特征图进行连接，形成一个更加丰富的特征表示。
S44.过渡层：为了控制模型的复杂性和参数数量，DenseNet在每个密集连接块之间添加了过渡层。
过渡层通过使用1x1卷积和平均池化操作来减少特征图的维度和尺寸。
S45.全局池化：在特征提取完成后，将最后一个密集连接块的输出特征图输入到全局池化层中。全局池化层将特征图的空间维度降为1x1，以获得整个图像的全局特征表示。
S46.分类层：最后，将全局池化层的输出输入到分类层，通常是一个全连接层，用于将特征映射到不同类别的概率。在训练过程中，DenseNet模型使用反向传播算法和梯度下降优化器来更新模型的权重，以最小化预测结果与实际标签之间的误差。在主视图数据经过DenseNet后获取主视图的是否为杆塔的分类结果，即可得知对应杆塔候选物是否为杆塔。
S47.获取被判定为杆塔的杆塔候选物，获取其x值，y值范围，在原始点云中获取x值，y值范围内的所有数据点形成的点云认为是杆塔点云。
所述原始点云是从数据库中读取未经任何处理的点云。
S5.通过欧式聚类获取电线候选物；
电线候选物集合。将聚类后获取的簇称为电线候选物，包括每个簇内点的三维坐标数据和RGB颜色数据。
获取电线候选物，作为后续用悬链线方程判断判断是否为电线的输入。
S6.通过悬链线方程判断电线集合；
通过悬链线方程判定为电线的电线候选物的集合，包括每个电线点云的三维坐标数据和RGB颜色数据。
可通过电线点云数据获取电线半径等数据，为规程法计算提供数支撑。
在获取到电线候选物之后，针对每个候选物，进行旋转使其平行于x轴(点云文件统一坐标系，采用84坐标系，但以米为单位)；
获取旋转后的点云C，取C中x的最大点、最小点和y的最小点，输入公式 迭代拟合，
由python的scipy库给定初始值后依次迭代得出，初始值给出的为a＝500、b＝500、c＝500。
a为常数，是曲线顶点的正切值；b为曲线顶点到纵坐标轴的距离；c为曲线顶点距离横坐标的距离。
根据悬链方程生成一组三位数点，若C的其余点的与三维数据点的最小距离均小于阈值ε则认为C为电线；
之后根据悬链线方程对C进行延展使其与杆塔点云的最小距离小于0.2m得到最终的电线点云，距离最小点认为是电线点云与杆塔点云的交点。
悬链线是一种重力与张力平衡的曲线，它在自然界中广泛存在，如吊桥、电线、链条等。
S7.通过规程法计算出输电设备的雷击风险分数，设置第二阈值，当所述雷击风险分数大于所述第二阈值时，提示管理端可对所述雷击风险大于所述第二阈值的输电设备进行防雷处理。
F＝(n1+n2)/2······(1)
F是雷击风险分数，雷击风险分数越高，风险等级越高，n1是反击跳闸率见式，n2是绕击跳闸率见式。
n1＝NLρgP1······(2)
其中NL为线路每100km的年雷击次数(次/100km)，ρ为建弧率，即冲击闪络转化为稳定的工频电弧的概率，g为击杆率，P1为超过雷击杆塔时耐雷水平的雷电流频率。
式中Ng为地闪次数，为气象站统计数据；hT为杆塔高度，在完成杆塔提取后，可通过杆塔点云最高点的高度值与杆塔点云最低点高度值相减获取；b为地线之间的距离，双地线时可通过对已提取的电线数据进行依据于平均高度的分类，若两电线高度差不大于3m则认为两电线为同一类，取平均高度最高的一类为地线，若有双根地线，遍历循环地线A的每个点，计算每个点距离地线B每个点的最小距离，得到距离集合D，D中的最小值即为地线间距离b。距离均为三维坐标距离。若单跟地线，b取0。
ρ＝(4.5E0.75-14)×10-2······(4)
式中E为绝缘子串平均运行电压(有效值)梯度，kV/m，由设计值获取.
击杆率g可通过下表获取
地形\地线根数 1 2
平原 1/4 1/6
山丘 1/3 1/4
表1
超过反击耐雷水平I1的概率P1为
其中u50％为50％击穿放电电压，li为绝缘子串结构高度，复合绝缘子直接取结构高度，瓷(玻璃)绝缘子串单个绝缘子结构高度*片数，由设计值读取，
Ri为冲击接地电阻，Ri＝0.5R,R为设计值中的功频电阻；Lt为杆塔电感，Lt＝hl*u,hl为杆塔高度，u为杆塔电感，由设计值获取；β为杆塔分流系数由设计值获取；k1为耦合系数的电晕效应校正系数，由设计值获取；k0为导线和避雷线间的几何耦合系数；
其中d12为导线与地线间的距离，即依次计算目标地线所有数据点与目标导线所有数据点的三维距离大小的最小值。D12为导线与地线在地中的镜像直接距离，由杆塔最低点的高度值为zmin，和目标地线的点集{Pgr＝(xpgr,ypgr,zpgr)}，生成为新点集{Pnew＝(xpgr,ypgr,zmin-zpgr)}，计算目标导线数据点与点集Pnew所有数据点的三维距离最小值即为D12；hb杆塔高度；rb为地线半径，可通过设计值获取。
ha为横担对地高度，可通过导线点云数据与杆塔点云数据的交点结合绝缘子规格估算，即对于直线绝缘子，获取导线与横担交点的高度与直线绝缘子长度相加，对于耐张绝缘子交点高度即为横担高度；hl为杆塔高度，杆塔点云最高点的高度值与杆塔点云最低点高度值相减获取；hg为地线平均高度，可通过计算地线点云每个点的高度坐标与该点水平距离0.5m以内的所有点的高度最小值的差值的平均值代表；hc为导线平均高度，可通过导线点云每个点的高度坐标与该点水平距离0.5m以内的所有点的高度最小值的差值的平均值代表。
绕击跳闸率：
n2＝NLρPαP2······(9)
其中NL为线路每100km的年雷击次数(次/100km),ρ为建弧率，即冲击闪络转化为稳定的工频电弧的概率,P2为超过绕极耐雷水平的雷电流概率；Pα为绕击率,即一次雷击线路中出现绕击的比率。
绕击率可通过如下公式计算：
对于山区线路：
其中α为地线对边导线的保护角，可通过获取地线与杆塔的交点p1,需计算导线与杆塔的焦点p2，获取地线与杆塔的交点p1＝(x,y,z)，需计算导线与杆塔的焦点p2，以及p3＝(x,y,z-1)。计算以p1为顶点，p1，p2，p3行成的夹角即为保护角。计算夹角时三点构成三角形，计算顶点p1的的角度的cos值，可获取对应角度。h为地线在杆塔上的悬挂点高度，可通过获取地线与杆塔的交点p1，可通过p1的高度值与杆塔点云最低点的高度值相减获取。
超过绕击耐雷水平I2的概率P2为
其中u50％为50％击穿放电电压。
设置第二阈值，当所述雷击风险分数F大于所述第二阈值时，提示管理端可对所述雷击风险大于所述第二阈值的输电设备进行防雷处理。
进一步地，S23.所述第一阈值为15m。
进一步地，S311.DBSCAN是一种聚类算法，将邻域半径r和最小样本数m作为输入参数。
进一步地，S312.获得数个簇，每个簇内包括被归为一类的点云数据。
进一步地，S313.每一簇内的数据称为杆塔候选物。
进一步地，S321.所述簇内每个点的数据均包括该点的三维坐标数据和颜色RGB数据。
进一步地，S33.DBSCAN将数据点分为簇、噪声点两类，不需要事先指定簇的个数；
S331.选择一个数据点p，获取其三维坐标数据，计算其邻域内所有点的空间距离，若p的邻域半径内存在m个以上的数据点，则认为p为核心点；若p不为核心点但距离某个核心点的距离小于m，则认为p与该核心点密度可达，p为边界点；若p既不为和核心点又不为边界点，则p为噪声点；
S332.若该数据点是核心点，则以该点为中心，继续寻找与其直接或间接相连的点，将这些点加入同一个簇中；
S333.如果该数据点是边界点，则将其归属到某个核心点所在的簇中；
S334.如果该数据点是噪声点，则将其标记为噪声点，不归属于任何簇；
S335.重复S331-S334，直到所有的点都被归属于某个簇中或标记为噪声点为止
进一步地，S51.获得杆塔的点云数据即杆塔的三维坐标值后，获取每两座杆塔之间的区域A，包括该区域内所有点的三维坐标数据和颜色RGB数据。
进一步地，S52.计算两杆塔中心点连线与水平方向的夹角θ。
进一步地，S53.旋转区域A，直至夹角θ＝0。获取旋转后的区域A,并进行欧式聚类，将聚类后获取的簇称为电线候选物。
欧式聚类具体流程如下：
S531.初始化：随机选择K个数据点作为初始的聚类质心，设定距离阈值为2m；其中，K为大于0的正整数。
S532.分配数据点：对于每个数据点，计算它与各个聚类质心的三维坐标的距离值，若存在距离值小于阈值，将数据点分配到与其距离最近的质心所对应的簇。
S533.更新质心：对每个簇，计算该簇内所有数据点的平均值，作为新质心坐标坐标。
S534.重复S532和S533，直到质心的位置不再改变或达到最大迭代次数。
本发明还提出一种基于激光点云数据的输电线路雷电灾害风险等级评估装置：设置有存储器，用以存储指令代码；
处理器，调用所述指令代码以执行上述的一种基于激光点云数据的输电线路雷电灾害风险等级评估方法。
本发明具有的优点：
1.本发明通过获取点云数据后，对点云数据处理，利用栅格法获取高程数据，对高程数据使用DBSCAN聚类算法获取杆塔候选物体，再通过DenseNet神经网络实现电塔的识别，取杆塔之前区域的点云数据，通过欧式聚类获取杆塔电线，并根据悬链线方程对电线进行验证，最终通过规程法确定雷击风险分数，基于所述风险分数提醒管理端，实现塔高、横担对地高度、导线平均高度、地面倾角、避雷线对导线耦合系数、保护角等关键数据的自动提取，并智能化提醒管理端对输电设备进行防雷工作。
2.通过相对于传统的CSF算法，先去除地面再应用聚类算法去除近地物，栅格法更加高效。此外，对于具有山地地貌特征的点云数据，栅格法的性能也优于高程滤波算法，本发明能够通过栅格法精细化计算点云数据，栅格法是一种将完整模型近似分解为多个小型网格模型的方法，通过调整方形区域的大小和数量，可以控制模型的精度。
3.DBSCAN将数据点分为簇、噪声点两类，不需要事先指定簇的个数，因此在进行杆塔候选物的获取时有较好的表现，利用DenseNet神经网络获取杆塔时，通过获取杆塔点云数据，包括杆塔点云的三维坐标数据和RGB颜色数据。一是能协助后续电线提取缩小点云范围，减少计算量；二是可通过杆塔点云数据获取杆塔高度等数据，为规程法计算提供数支撑，同时，使用神经网络算法对数据处理能够提高本发明方法的智能化，同时可以基于训练情况随时调整所识别的内容，能够精准确定输电设备的同时节约运算资源。
4.利用欧式聚类获取电线候选物可作为后续用悬链线方程判断判断是否为电线的输入，利用悬链线方程判断电线通过电线点云数据获取电线半径等数据，为规程法计算提供数支撑，能够在输电设备防雷预测过程中精准把控，识别电线与电线和塔杆的夹角，计算精准，为有效判定雷击风险提供数据支撑。
5.通过本发明的步骤S1-S7的设置，能够对神经网络模型进行精准应用，利用栅格法细化数据，通过DBSCAN、欧式聚类以及利用悬链线方程的方式对规程法所需参数进行高效获取，精准处理，规程法对不同跳闸情况进行分别考虑后综合运算，能够提高运算精度，从更细微的维度对输电设备安全风险进行评估并预警。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于激光点云数据的输电线路雷电灾害风险等级评估方法，其特征在于：
S1.从数据库获取las文件，读取所述las文件中的点云数据，
S11.所述点云数据中包含各个数据点的三维坐标数据和RGB颜色数据；
S2.通过栅格法将所述点云数据按照空间分布分割为多个边长为3m的栅格；
S21.获取各个栅格内的高度最低点的高程值；
S22.设置第一阈值，各个栅格内最低点高度与所述第一阈值的和为第一筛选高度；
S23.各个栅格内大于所述第一筛选高度的点云数据作为高程点云数据；
S3.将所述高程点云数据输入到DBSCAN算法中以获取杆塔候选物集合；
S31.通过DBSCAN聚类得到的每一个簇都被称为杆塔候选物，包括杆塔的高程点云数据、高大树木的高程点云数据、建筑物的高程点云数据；
S32.所述杆塔候选物包括了簇内所有点的三维坐标数据和RGB颜色数据，所有所述杆塔候选物组成的集合被称为杆塔候选物集合；
S4.将所述杆塔候选物集合输入DenseNet神经网络，所述DenseNet神经网络输出所识别的杆塔；
S5.通过欧式聚类获取电线候选物；
S6.通过悬链线方程判断电线集合；
S7.通过规程法计算出输电设备的雷击风险分数，设置第二阈值，当所述雷击风险分数大于所述第二阈值时，提示管理端可对所述雷击风险大于所述第二阈值的输电设备进行防雷处理。
2.根据权利要求1所述的一种基于激光点云数据的输电线路雷电灾害风险等级评估方法，其特征在于：
S23.所述第一阈值为15m。
3.根据权利要求2所述的一种基于激光点云数据的输电线路雷电灾害风险等级评估方法，其特征在于：
S311.DBSCAN是一种聚类算法，将邻域半径r和最小样本数m作为输入参数。
4.根据权利要求3所述的一种基于激光点云数据的输电线路雷电灾害风险等级评估方法，其特征在于：
S312.获得数个簇，每个簇内包括被归为一类的点云数据。
5.根据权利要求4所述的一种基于激光点云数据的输电线路雷电灾害风险等级评估方法，其特征在于：
S313.每一簇内的数据称为杆塔候选物。
6.根据权利要求5所述的一种基于激光点云数据的输电线路雷电灾害风险等级评估方法，其特征在于：
S321.所述簇内每个点的数据均包括该点的三维坐标数据和颜色RGB数据。
7.根据权利要求6所述的一种基于激光点云数据的输电线路雷电灾害风险等级评估方法，其特征在于：
S51.获得杆塔的点云数据即杆塔的三维坐标值后，获取每两座杆塔之间的区域A，包括该区域内所有点的三维坐标数据和颜色RGB数据。
8.根据权利要求7所述的一种基于激光点云数据的输电线路雷电灾害风险等级评估方法，其特征在于：
S52.计算两杆塔中心点连线与水平方向的夹角θ。
9.根据权利要求8所述的一种基于激光点云数据的输电线路雷电灾害风险等级评估方法，其特征在于：
S53.旋转区域A，直至夹角θ＝0，获取旋转后的区域A,并进行欧式聚类，将聚类后获取的簇称为电线候选物。
10.一种基于激光点云数据的输电线路雷电灾害风险等级评估装置，其特征在于：设置有存储器，用以存储指令代码；
处理器，调用所述指令代码以执行如权利要求1-9任一项所述的一种基于激光点云数据的输电线路雷电灾害风险等级评估方法。
CN202311067509.3A 2023-08-23 2023-08-23 一种基于激光点云数据的输电线路雷电灾害风险等级评估方法及装置 Active CN117078014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311067509.3A CN117078014B (zh) 2023-08-23 2023-08-23 一种基于激光点云数据的输电线路雷电灾害风险等级评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311067509.3A CN117078014B (zh) 2023-08-23 2023-08-23 一种基于激光点云数据的输电线路雷电灾害风险等级评估方法及装置

Publications (2)

Publication Number Publication Date
CN117078014A true CN117078014A (zh) 2023-11-17
CN117078014B CN117078014B (zh) 2024-03-01

Family

ID=88709358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311067509.3A Active CN117078014B (zh) 2023-08-23 2023-08-23 一种基于激光点云数据的输电线路雷电灾害风险等级评估方法及装置

Country Status (1)

Country Link
CN (1) CN117078014B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102955160A (zh) * 2011-08-19 2013-03-06 湖北省电力公司电力科学研究院 基于三维激光雷达技术的输电线路杆塔参数确定方法
CN111062609A (zh) * 2019-12-14 2020-04-24 广西电网有限责任公司电力科学研究院 一种输电线路杆塔雷害风险评估方法
CN113256164A (zh) * 2021-06-21 2021-08-13 广东电网有限责任公司佛山供电局 一种基于线路点云的防雷影响评估方法
CN113255510A (zh) * 2021-05-21 2021-08-13 南京信息工程大学 一种基于多时间尺度dbscan和样本熵的雷暴云点电荷移动路径成像方法
WO2022062305A1 (zh) * 2020-09-28 2022-03-31 中国电建集团河北省电力勘测设计研究院有限公司 一种基于激光点云的线路塔基地形自动提取与成图方法
CN115712845A (zh) * 2022-11-28 2023-02-24 广东电网有限责任公司 一种基于半径参数优化的雷电时空聚类方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102955160A (zh) * 2011-08-19 2013-03-06 湖北省电力公司电力科学研究院 基于三维激光雷达技术的输电线路杆塔参数确定方法
CN111062609A (zh) * 2019-12-14 2020-04-24 广西电网有限责任公司电力科学研究院 一种输电线路杆塔雷害风险评估方法
WO2022062305A1 (zh) * 2020-09-28 2022-03-31 中国电建集团河北省电力勘测设计研究院有限公司 一种基于激光点云的线路塔基地形自动提取与成图方法
CN113255510A (zh) * 2021-05-21 2021-08-13 南京信息工程大学 一种基于多时间尺度dbscan和样本熵的雷暴云点电荷移动路径成像方法
CN113256164A (zh) * 2021-06-21 2021-08-13 广东电网有限责任公司佛山供电局 一种基于线路点云的防雷影响评估方法
CN115712845A (zh) * 2022-11-28 2023-02-24 广东电网有限责任公司 一种基于半径参数优化的雷电时空聚类方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周瑜;陈路;彭洁;何艳娇;马志青;马奇;刘敬之;: "±400kV柴拉直流线路雷害风险评估及治理策略研究", 电瓷避雷器, no. 05, pages 102 - 107 *
张阳;刘辰;胡全义;万润楠;: "±500kV直流输电线路雷电闪络风险等级评估及差异化防雷措施改进方案", 内蒙古电力技术, no. 03, pages 79 - 83 *

Also Published As

Publication number Publication date
CN117078014B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN110309527B (zh) 一种基于电气几何模型的架空配电线路雷害风险评估方法
CN112883878B (zh) 一种基于三维格网的变电站场景下的点云自动分类方法
CN109190712A (zh) 一种基于深度学习的航拍巡线影像自动分类系统
CN113536000B (zh) 基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法
CN112150412B (zh) 一种基于投影曲线分析的绝缘子自爆缺陷检测方法
CN116229380A (zh) 一种变电站涉鸟故障相关鸟种识别方法
CN110675441A (zh) 基于激光点云的输电线路导地线建模提取方法
CN107784393A (zh) 一种输电线路的缺陷预测方法及装置
CN116109133A (zh) 一种雷暴天气输电线路风险预警方法
CN117291418A (zh) 一种基于分布式监测数据的线路雷害风险评估方法及装置
CN113592324A (zh) 一种基于层次分析的电缆终端塔带电作业的风险评估方法
CN111680759B (zh) 一种电网巡检绝缘子检测分类方法
Hao et al. Detection of bird nests on power line patrol using single shot detector
CN117372733A (zh) 一种基于改进Faster R-CNN的电网基建工程故障识别方法及装置
CN116243115A (zh) 基于时序拓扑数据分析的高压电缆模式识别方法及装置
CN117078014B (zh) 一种基于激光点云数据的输电线路雷电灾害风险等级评估方法及装置
CN113657286A (zh) 一种基于无人机的输电线路监测方法及装置
CN111985691B (zh) 一种风电场升压站选址方法
CN117496223A (zh) 一种基于深度学习的轻量化绝缘子缺陷检测方法及装置
CN111966758A (zh) 一种基于画像数据分析技术的电力隐患排查方法
CN116523299A (zh) 一种配电线路杆塔雷害特征参数分级评估方法
Hao et al. Based on Surf feature extraction and insulator damage identification for capsule networks
CN113988205B (zh) 一种电除尘工况的判定方法及系统
CN115600740A (zh) 一种基于K近邻-AdaBoost的配电网低电压预测方法
CN112541211B (zh) 考虑输电通道内多条线路屏蔽的雷击跳闸率扫描计算方法

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