CN117274818B - 一种输电线路弧垂监测及覆冰判断方法及装置 - Google Patents
一种输电线路弧垂监测及覆冰判断方法及装置 Download PDFInfo
- Publication number
- CN117274818B CN117274818B CN202311531547.XA CN202311531547A CN117274818B CN 117274818 B CN117274818 B CN 117274818B CN 202311531547 A CN202311531547 A CN 202311531547A CN 117274818 B CN117274818 B CN 117274818B
- Authority
- CN
- China
- Prior art keywords
- sag
- calibration object
- monitoring
- power transmission
- wire
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 167
- 238000012544 monitoring process Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 41
- 239000004020 conductor Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 239000011248 coating agent Substances 0.000 claims description 11
- 238000000576 coating method Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 238000005094 computer simulation Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000009434 installation Methods 0.000 description 7
- 239000003550 marker Substances 0.000 description 7
- 238000012806 monitoring device Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Electric Cable Installation (AREA)
Abstract
本发明属于输电导线监测特定计算机模型的技术领域，更具体地，涉及一种输电线路弧垂监测及覆冰判断方法及装置。所述方法包括：构建待监测档距坐标系以获取标定物的初始坐标点，然后获取标定物图像，并基于目标检测算法识别图像中标定物在当前监测轮次下的位置变化量，再根据标定物的初始坐标点以及在当前监测轮次下的位置变化量计算输电导线最大弧垂处的弧垂值，重复该操作，得到输电导线的最大弧垂处在多轮监测中的弧垂变化量，最后筛选出弧垂变化量的最大值与预设阈值进行比较，从而判断导线是否覆冰。本发明应用于导线运行工况监测，可以及时发现导线弧垂异常、导线覆冰等隐患，为运检人员提供可靠的数据支撑，以便对相关隐患及时处理。
Description
技术领域
本发明属于输电导线监测特定计算机模型的技术领域，更具体地，涉及一种输电线路弧垂监测及覆冰判断方法和装置、电子设备和存储介质。
背景技术
随着社会对用电质量要求逐步提高，以及人力成本的增加，对输电运检的智能化水平和实时性有了更高的要求，其中输电运检工作中的线路运行工况是重点关注项之一。对导线运行工况的监测，主要关注弧垂变化及是否存在覆冰，传统的技术手段是在导线加装倾角传感器或拉力传感器，但该方法存在设备成本价格高，难以批量应用，另外传感器内部均有电路，带电安装容易受到电磁干扰，且安装后常发生因CT取电不稳定导致采集不到数据的情况。
目前，已有研究利用深度学习算法来检测导线的覆冰状况。例如，中国专利文献CN116362041A公开一种导线覆冰载荷监测方法、装置、设备以及存储介质，通过预设神经网络模型对当前覆冰图像进行检测，获得覆冰分布参数和弧垂参数，然后基于覆冰分布参数对预设数学孪生模型进行校准，获得校准后的数学孪生模型，最后通过校准后的数学孪生模型根据弧垂参数确定待测导线的覆冰载荷。
以及，中国专利文献CN114998243A公开一种覆冰导线等值厚度检测方法及系统，利用目标检测计算模型对环境图像进行切分，得到导线区域，然后循环对导线区域进行覆冰检测，当发现导线覆冰时，获取导线轮廓，根据导线轮廓计算第一厚度值，记录倾角数据，再根据倾角数据计算第二厚度值，以此统计所有数据计算覆冰厚度，并进行自动报警，以便于及时的处理险情。
上述两种方法虽然都能够实现对导线覆冰的检测，但是两种方法中所涉及的算法均较为复杂，应用成本高。
综上所述，如何提供一种高效、低成本、稳定的方式实现对输电线路导线运行工况进行监测，包括导线弧垂监测、导线覆冰分析等，是目前本领域技术人员亟待解决的问题之一。
发明内容
本发明旨在克服上述现有技术的至少一种缺陷，提供一种输电线路弧垂监测及覆冰判断方法，用于在进行输电智能运检导线运行工况监测时，可以及时发现导线弧垂异常、导线覆冰等隐患，为运检人员提供可靠的数据支撑，以便对相关隐患及时处理。
本发明还公开一种加载有输电线路弧垂监测及覆冰判断方法的装置。
本发明详细的技术方案如下：
一种输电线路弧垂监测及覆冰判断方法，所述方法包括：
步骤S1、基于输电导线及所述输电导线的挂载杆塔构建待监测档距坐标系，以获取标定物在所述待监测档距坐标系中的初始坐标点，其中，所述标定物固定安装于输电导线上；
步骤S2、利用图像监拍设备获取标定物图像，所述标定物图像中包含完整的标定物；
步骤S3、基于目标检测算法识别所述标定物图像中的标定物，得到所述标定物的目标框所占像素数、以及标定物在初次监测轮次下的初始像素数和在当前监测轮次下的当前像素数，并基于所述标定物的目标框所占像素数、初始像素数和当前像素数确定所述标定物在当前监测轮次下的位置变化量，在多轮监测中重复此操作，得到所述标定物在多轮监测中的位置变化量；
步骤S4、构建导线弧垂模型，并根据所述标定物的初始坐标点以及在当前监测轮次下的位置变化量，计算出输电导线最大弧垂处的弧垂值，在多轮监测中重复此操作，得到所述输电导线的最大弧垂处在多轮监测中的弧垂变化量；
步骤S5、筛选所述输电导线的最大弧垂处在多轮监测中的弧垂变化量的最大值，并将所述弧垂变化量的最大值与预设阈值进行比较：
若在覆冰易发季同时间段，所述弧垂变化量的最大值超过所述预设阈值，则判定所述输电导线覆冰。
根据本发明优选的，所述步骤S1中，所述基于输电导线及所述输电导线的挂载杆塔构建待监测档距坐标系，具体包括：
以输电导线挂载于杆塔上较低的一端作为原点，并以该杆塔构建/>轴，以输电导线在水平面上的投影构建/>轴，构建/>坐标系，即为待监测档距坐标系。
根据本发明优选的，所述步骤S1中，所述标定物为采用抗风材质制成的圆形标定物，且标定物上设有贯穿孔。
根据本发明优选的，所述步骤S3中，所述目标检测算法为训练好的yolov5s单一目标检测模型；且所述步骤S3具体包括：
将所述标定物图像输入所述目标检测算法中，得到所述标定物的目标框所占像素数、以及标定物在初次监测轮次下的初始像素数和在当前监测轮次下的当前像素数；
根据所述标定物的目标框所占像素数、初始像素数和当前像素数得到所述标定物在当前监测轮次下的位置变化量为：
式中，/>表示标定物在当前监测轮次下的位置变化量，/>表示标定物在当前监测轮次下的当前像素数，/>表示标定物在初次监测轮次下的初始像素数，/>表示标定物在当前监测轮次下移动的像素数，且/>，/>表示标定物的目标框所占像素数，/>表示标定物的直径。
根据本发明优选的，所述步骤S4中，所述构建导线弧垂模型具体包括：
基于待监测档距坐标系分别构建输电导线的函数以及连接输电导线两端挂载点的直线函数/>，即有：
式和式/>中，/>，/>表示输电导线上的任意点坐标，/>，/>表示连接输电导线两端挂载点的直线上的任意点坐标，/>、/>均为项系数，/>表示输电导线两端的挂载点的高度差，/>表示输电导线两端挂载的相邻两个杆塔之间的档距；
结合公式(2)和(3)可得，导线弧垂公式为：
由可得，/>，故简化后的导线弧垂公式为：
基于公式(5)可得，输电导线上任意点的弧垂值为：
式中，/>，/>表示输电导线上任意点的坐标，/>即表示输电导线任意点的弧垂值，/>表示标定物的初始坐标点。
根据本发明优选的，所述步骤S4具体还包括：
对简化后的导线弧垂公式求导可得：/>，令/>=0，可得/>时输电导线弧垂最大，且弧垂值为：
式中，/>表示输电导线在最大弧垂处/>的弧垂值。
根据本发明优选的，所述步骤S4中，所述输电导线的最大弧垂处在多轮监测中的弧垂变化量为当前监测轮次中输电导线最大弧垂处的弧垂值与上一监测轮次中输电导线最大弧垂处的弧垂值之间的差值。
在本发明的另一个方面当中，提供了一种实现输电线路弧垂监测及覆冰判断方法的装置，所述装置包括：
第一获取模块，用于基于输电导线及所述输电导线的挂载杆塔构建待监测档距坐标系，以获取标定物在所述待监测档距坐标系中的初始坐标点，其中，所述标定物固定安装于输电导线上；
第二获取模块，用于利用图像监拍设备获取标定物图像，所述标定物图像中包含完整的标定物；
识别模块，用于基于目标检测算法识别所述标定物图像中的标定物，得到所述标定物的目标框所占像素数、以及标定物在初次监测轮次下的初始像素数和在当前监测轮次下的当前像素数，并基于所述标定物的目标框所占像素数、初始像素数和当前像素数确定所述标定物在当前监测轮次下的位置变化量，在多轮监测中重复此操作，得到所述标定物在多轮监测中的位置变化量；
分析模块，用于构建导线弧垂模型，并根据所述标定物的初始坐标点以及在当前监测轮次下的位置变化量，计算出输电导线最大弧垂处的弧垂值，在多轮监测中重复此操作，得到所述输电导线的最大弧垂处在多轮监测中的弧垂变化量；
判断模块，用于筛选所述输电导线的最大弧垂处在多轮监测中的弧垂变化量的最大值，并将所述弧垂变化量的最大值与预设阈值进行比较：若在覆冰易发季同时间段，所述弧垂变化量的最大值超过所述预设阈值，则判定所述输电导线覆冰。
在本发明的另一个方面当中，还提供了一种电子设备，包括：
至少一个处理器；以及
存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的输电线路弧垂监测及覆冰判断方法。
在本发明的另一个方面当中，还提供了一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的输电线路弧垂监测及覆冰判断方法。
与现有技术相比，本发明的有益效果为：
（1）本发明提供的一种输电线路弧垂监测及覆冰判断方法，通过监测输电导线上固定安装的标定物的位置变化，来实现输电导线的弧垂监测，并通过对多次监测的导线弧垂变化进行数据对比分析，进而判断出输电导线上是否覆冰，实现在进行输电智能运检导线运行工况监测时，可以准确获知输电导线弧垂变化并按需进行覆冰分析，为运检人员提供可靠的数据支撑，以便对相关隐患及时处理。
（2）本发明设计了一种新的弧垂监测模型，可以利用该模型计算出输电导线上任意点的弧垂，并通过采集导线的最大弧垂处的弧垂变化量，再将其中弧垂变化量的最大值与预设的阈值进行比较，以此来判断输电导线上是否覆冰，不仅能大幅减轻人力成本，同时还显著提高了输电导线弧垂监测的准确性以及实时性，使运检人员能够及时发现导线弧垂异常、导线覆冰等隐患，保障输电导线的使用安全性。
（3）本发明基于标定物位置进行分析，其内部没有电路，无需供电，稳定性极高，相较在导线加装倾角传感器或拉力传感器的方法，极大的减少了设备成本、安装成功率高、无电磁影响及取电问题，且安装后数据采集稳定，大幅提高了智能运检水平以及工作效率。
附图说明
图1是本发明所述输电线路弧垂监测及覆冰判断方法的流程图。
图2是本发明实施例1中输电导线现场数据采集示意图。
图3是本发明实施例1中标定物的结构示意图。
图4是本发明实施例1中输电导线弧垂推导的物理示意图。
图5是本发明实施例1中输电导线弧垂推导的坐标系分析示意图。
图6是本发明实施例1中输电导线弧垂监测的模拟示意图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
术语解释：
导线弧垂，是指在平坦地面上，相邻两基电杆上导线悬挂高度相同或不同时，导线最低点与两悬挂点间连线的垂直距离。一般地，当输电距离较远时，由于导线自重，会形成轻微的弧垂，使导线呈悬链线的形状。
导线覆冰：是指冷的雨滴（形成的雨凇）凝结在导线上，使导线覆冰。如果一个范围内的所有导线都被冰包住，即为线路覆冰。
以下结合具体实施例对本发明的输电线路弧垂监测及覆冰判断方法及装置作进一步说明。
实施例1、
参图1，本实施例提供一种输电线路弧垂监测及覆冰判断方法，所述方法包括：
步骤S1、基于输电导线及所述输电导线的挂载杆塔构建待监测档距坐标系，以获取标定物在所述待监测档距坐标系中的初始坐标点，其中，所述标定物固定安装于输电导线上。
具体地，本实施例中为了更清楚、准确的监测导线弧垂是否发生变化，采用了在输电导线上固定标定物，并通过判断标定物在空间中的位置是否发生了变化的方式来实现对导线弧垂监测的。
参图3，本实施例中的标定物优选为圆形标定物且固定安装在下相导线，将标定物设计为圆形的优点是安装时无需调整角度；且在后续步骤中利用目标检测算法识别标定物图像中的该标定物时，其目标框大小不受标定物旋转影响。并且，该标定物优选采用橙色抗风材质制成，可以打上多个小贯穿孔用于减少风阻。
参图4，所述步骤S1中，基于输电导线及输电导线的挂载杆塔构建待监测档距坐标系，具体包括：假设挂载输电导线的相邻两个杆塔之间的档距为，输电导线两端的挂载点的高度差为/>，为便于建模，可以以输电导线挂载于杆塔上较低的一端作为原点/>，并以该杆塔构建/>轴（杆塔顶端延伸方向为/>轴正方向），以输电导线在水平面上的投影构建/>轴（输电导线另一端的延伸方向为/>轴正方向），构建/>坐标系，即得到图5所示的待监测档距坐标系。
然后基于构建好的待监测档距坐标系，并结合标定物固定在输电导线上的初始位置，可以得到标定物的初始坐标点为。
步骤S2、利用图像监拍设备获取标定物图像，所述标定物图像中包含完整的标定物。
具体参图2，本实施例中采用图像监拍设备来获取标定物图像，该图像监拍设备可以安装在标定物临近的杆塔上，杆塔用来挂载输电导线，即输电导线的两端分别挂载于相邻的两个杆塔上。
进一步地，根据标定物距图像监拍设备的距离不等，其直径可以是10cm、15cm、20cm等。此处需要说明的是，图像监拍设备所获取的标定物图像中的标定物需完整，且优选标定物图像中的标定物直径/>不小于30像素，以利于后续的目标检测。
经试验发现，最佳监拍距离为标定物距图像监拍设备60m~150m，过近标定物会超出监拍画面，过远标定物直径所占像素数会小于30像素，不利于目标检测，计算真实距离时误差会变大。
步骤S3、基于目标检测算法识别所述标定物图像中的标定物，得到所述标定物的目标框所占像素数、以及标定物在初次监测轮次下的初始像素数和在当前监测轮次下的当前像素数，并基于所述标定物的目标框所占像素数、初始像素数和当前像素数确定所述标定物在当前监测轮次下的位置变化量，在多轮监测中重复此操作，得到所述标定物在多轮监测中的位置变化量。
优选地，本实施例中，所述的目标检测算法可以是训练好的yolov5目标检测模型，用于识别所获取的标定物图像中的标定物，并记录标定物的目标框所占像素数，以及在初次监测轮次下标定物在标定物图像中的下边缘距图像顶部的初始像素数/>、和在当前监测轮次下标定物在标定物图像中的下边缘距图像顶部的当前像素数/>，从而可以得到标定物在当前监测轮次下移动的像素数/>，且/>。
因标定物特征明显且稳定，检测准确率高，故该目标检测算法采用yolov5s单一目标检测模型即可，该模型所占算力资源非常小，可以部署在端侧设备上，如图像监拍设备。此处需要说明的是，yolov5s单一目标检测模型的训练及应用为已知技术，因此此处不再赘述。
然后，根据识别的标定物的目标框所占像素数、初始像素数/>和当前像素数/>，可以得到标定物在当前监测轮次下的位置变化量/>，即基于标定物在当前监测轮次下移动的像素数/>与真实距离等比转换可得：
式中，/>表示标定物在当前监测轮次下的位置变化量，/>表示标定物在当前监测轮次下的当前像素数，/>表示标定物在初次监测轮次下的初始像素数，/>表示标定物在当前监测轮次下移动的像素数，/>表示标定物的目标框所占像素数，/>表示标定物的直径。
之后，在多轮监测中重复上述操作，可以得到标定物在多轮监测中的位置变化量。
应当理解，输电导线的弧垂发生变化时，整条导线任意点膨胀或收缩系数是一致的，因此标定物不会在轴方向移动，且在标定物图像中的大小无变化；即参考图6所示，本实施例中所说的标定物在当前监测轮次下移动的像素数/>是指标定物在当前监测轮次下在/>轴方向移动的像素数，亦即本实施例中所说的标定物在当前监测轮次下的位置变化量是指标定物在当前监测轮次下在/>轴方向上的变化量。
步骤S4、构建导线弧垂模型，并根据所述标定物的初始坐标点以及在当前监测轮次下的位置变化量，计算出输电导线最大弧垂处的弧垂值，在多轮监测中重复此操作，得到所述输电导线的最大弧垂处在多轮监测中的弧垂变化量。
具体地，本实施例中结合待监测档距坐标系构建导线弧垂模型。继续参照图5，基于待监测档距坐标系，假设输电导线的函数为，连接输电导线两端挂载点的直线函数为/>，两函数均经过坐标点/>、/>，即/>=0、/>=0、/>，又因输电导线符合抛物线模型，故有：
式和式/>中，/>，/>表示输电导线上的任意点坐标，/>，/>表示连接输电导线两端挂载点的直线上的任意点坐标，/>、/>均为项系数，/>表示输电导线两端的挂载点的高度差，/>表示输电导线两端挂载的相邻两个杆塔之间的档距。
结合公式(2)和(3)可得，导线弧垂公式为：
由可得，/>，故简化后的导线弧垂公式为：
基于简化后的导线弧垂公式(5)可知，当标定物在当前监测轮次下的位置变化量为时，则有/>，即/>，将其代入公式(5)，则输电导线任意点的弧垂为：
式中，/>，/>表示输电导线上任意点的坐标，/>即表示输电导线任意点的弧垂值，/>表示标定物的初始坐标点。
进一步地，本实施例中通过对简化后的导线弧垂公式求导可得：，令/>=0，可得/>时输电导线弧垂最大，且弧垂值为：
式中，/>表示输电导线在最大弧垂处/>的弧垂值。
基于此，本实施例中重点关注输电导线的最大弧垂处在多轮监测中的弧垂变化量，且弧垂变化量/>为当前监测轮次中输电导线最大弧垂处的弧垂值与上一监测轮次中输电导线最大弧垂处的弧垂值之间的差值。
在多轮监测中重复上述操作，从而可以得到输电导线的最大弧垂处在多轮监测中的弧垂变化量。
步骤S5、筛选所述输电导线的最大弧垂处在多轮监测中的弧垂变化量的最大值，并将所述弧垂变化量的最大值与预设阈值进行比较：若在覆冰易发季同时间段，所述弧垂变化量的最大值超过所述预设阈值，则判定所述输电导线覆冰。
本实施例中的预设阈值为1m。即当输电导线的最大弧垂处在多轮监测中的弧垂变化量的最大值大于1m时，即判定输电导线覆冰。应当理解，不同地区、不同电压等级下的阈值不同，具体可以根据实际运行情况进行微调。
以下以某220kV线路为例对本实施例的方法进行验证说明。某220kV线路存在大档距杆塔且部分区段容易覆冰，为保障输电线路安全稳定运行，需要对大档距导线弧垂进行监测。其中一个档距两级杆塔档距为290m，即。大号侧塔上安装有图像监拍设备。在该点位使用本实施例的方法进行弧垂监测，具体过程如下：
a、监测日期2022.4.20，在下相导线某分裂线上安装了直径的标定物，标定物为圆形、橙色抗风材质，距离监拍设备80/>。当天上午11:00确认了该标定物在本实施例所构建的待监测档距坐标系中的初始坐标点/>的值为/>，单位为/>。
b、监测日期2022.4.20 11:00用图像监拍设备采集图像，图像分辨率为3264*2448，所采集图像中可清晰的看到标定物，且标定物下边缘距图像顶部的初始像素数=262，标定物目标框所占像素数/>=43。
c、其后基于本实施例所公开的方法进行弧垂监测，结果符合预期，经多次与其他监测方式（如采用传感器的监测方式）及现场实际测量对比，测量差异在3%以内，结果精确。以其中某次监测说明弧垂监测过程。
d、监测日期2022.8.14 14:00进行弧垂监测，使用yolov5s单一目标检测模对图像监拍设备采集的图像进行标定物自动识别，获得标定物坐标以及尺寸信息，且在当前监测轮次下标定物下边缘距图像顶部的像素数=395，标定物目标框所占像素数/>=43。
e、经计算可知，标定物在当前监测轮次下的位置变化量为：
且，输电导线的最大弧垂处为，代入公式/>可得输电导线的最大弧垂值为：
而基于传感器的监测方式测得同时刻的导线弧垂值为2.71，仅相差约1.8%，因此可以看出，本实施例的方法同样能够达到准确监测导线弧垂的效果，且更稳定、成本更低。
继续监测，监测日期2023.1.13 05:00，经对监测图像分析获得标定物下边缘距图像顶部的像素数=51，标定物目标框所占像素数/>=43。以上述公式进行计算，得到输电导线的最大弧垂值为/>1.66/>。
监测日期2023.1.14 07:00，经对监测图像分析获得标定物下边缘距图像顶部的像素数=443，标定物目标框所占像素数/>=43。同样以上述公式进行计算，得到输电导线的最大弧垂值为/>2.80/>。相较2023.1.13 05:00所监测的弧垂值1.66/>有了明显增加，初步判断为导线发生了覆冰。
通过杆塔上安装的图像监拍设备，于2023.1.14 08:00-09:00多次图像采集进行人工确认，发现导线、地线均发生了覆冰。
综上可知，基于本实施例的方法对输电导线进行弧垂监测以及覆冰分析判断，均取得了非常好的效果，提升了智能运检水平；该方法相较人工巡检，能大幅减轻人力成本，提高监测实时性；同时，该方法是基于标定物位置进行分析，内部没有电路，无需供电，稳定性极高，相较在导线加装倾角传感器或拉力传感器的方法，成本减少两个数量级，而且避开了传感器带电安装容易受到电磁干扰，且安装后数据采集不稳定的问题。
实施例2、
本实施例提供一种实现输电线路弧垂监测及覆冰判断方法的装置，所述装置包括：
第一获取模块，用于基于输电导线及所述输电导线的挂载杆塔构建待监测档距坐标系，以获取标定物在所述待监测档距坐标系中的初始坐标点，其中，所述标定物固定安装于输电导线上；
第二获取模块，用于利用图像监拍设备获取标定物图像，所述标定物图像中包含完整的标定物；
识别模块，用于基于目标检测算法识别所述标定物图像中的标定物，得到所述标定物的目标框所占像素数、以及标定物在初次监测轮次下的初始像素数和在当前监测轮次下的当前像素数，并基于所述标定物的目标框所占像素数、初始像素数和当前像素数确定所述标定物在当前监测轮次下的位置变化量，在多轮监测中重复此操作，得到所述标定物在多轮监测中的位置变化量；
分析模块，用于构建导线弧垂模型，并根据所述标定物的初始坐标点以及在当前监测轮次下的位置变化量，计算出输电导线最大弧垂处的弧垂值，在多轮监测中重复此操作，得到所述输电导线的最大弧垂处在多轮监测中的弧垂变化量；
判断模块，用于筛选所述输电导线的最大弧垂处在多轮监测中的弧垂变化量的最大值，并将所述弧垂变化量的最大值与预设阈值进行比较：若在覆冰易发季同时间段，所述弧垂变化量的最大值超过所述预设阈值，则判定所述输电导线覆冰。
实施例3、
本实施例还提供一种电子设备，包括：
至少一个处理器；以及
存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的输电线路弧垂监测及覆冰判断方法。
在本实施例中，电子设备可以包括但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动计算设备、智能电话、平板计算机、蜂窝电话、个人数字助理（PDA）、手持装置、消息收发设备、可佩戴计算设备、消费电子设备等等。
实施例4、
本实施例还提供了一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的输电线路弧垂监测及覆冰判断方法。
具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本说明书的一部分。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘（如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW）、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种输电线路弧垂监测及覆冰判断方法，其特征在于，所述方法包括；
S1：基于输电导线及所述输电导线的挂载杆塔构建待监测档距坐标系，以获取标定物在所述待监测档距坐标系中的初始坐标点，其中，所述标定物固定安装于输电导线上；
S2：利用图像监拍设备获取标定物图像，所述标定物图像中包含完整的标定物；
S3：基于目标检测算法识别所述标定物图像中的标定物，得到所述标定物的目标框所占像素数、以及标定物在初次监测轮次下的初始像素数和在当前监测轮次下的当前像素数，并基于所述标定物的目标框所占像素数、初始像素数和当前像素数确定所述标定物在当前监测轮次下的位置变化量，在多轮监测中重复此操作，得到所述标定物在多轮监测中的位置变化量；
S4：构建导线弧垂模型，并根据所述标定物的初始坐标点以及在当前监测轮次下的位置变化量，计算出输电导线最大弧垂处的弧垂值，在多轮监测中重复此操作，得到所述输电导线的最大弧垂处在多轮监测中的弧垂变化量；
其中，所述构建导线弧垂模型包括：
基于待监测档距坐标系分别构建输电导线的函数以及连接输电导线两端挂载点的直线函数/>，即有：
式和式/>中，/>，/>表示输电导线上的任意点坐标，/>，/>表示连接输电导线两端挂载点的直线上的任意点坐标，/>、/>均为项系数，/>表示输电导线两端的挂载点的高度差，/>表示输电导线两端挂载的相邻两个杆塔之间的档距；
结合公式(2)和(3)得，导线弧垂公式为：
由得，/>，故简化后的导线弧垂公式为：
基于公式(5)得，输电导线上任意点的弧垂值为：
式中，/>，/>表示输电导线上任意点的坐标，/>即表示输电导线任意点的弧垂值，/>表示标定物的初始坐标点，/>表示标定物在当前监测轮次下的位置变化量；
对简化后的导线弧垂公式求导得：/>，令/>=0，得/>时输电导线弧垂最大，且弧垂值为：
式中，/>表示输电导线在最大弧垂处/>的弧垂值；
S5：筛选所述输电导线的最大弧垂处在多轮监测中的弧垂变化量的最大值，并将所述弧垂变化量的最大值与预设阈值进行比较：
若在覆冰易发季同时间段，所述弧垂变化量的最大值超过所述预设阈值，则判定所述输电导线覆冰。
2.根据权利要求1所述的一种输电线路弧垂监测及覆冰判断方法，其特征在于，所述步骤S1中，所述基于输电导线及所述输电导线的挂载杆塔构建待监测档距坐标系，具体包括：
以输电导线挂载于杆塔上较低的一端作为原点，并以该杆塔构建/>轴，以输电导线在水平面上的投影构建/>轴，构建/>坐标系，即为待监测档距坐标系。
3.根据权利要求1所述的一种输电线路弧垂监测及覆冰判断方法，其特征在于，所述步骤S1中，所述标定物为采用抗风材质制成的圆形标定物，且标定物上设有贯穿孔。
4.根据权利要求3所述的一种输电线路弧垂监测及覆冰判断方法，其特征在于，所述步骤S3中，所述目标检测算法为yolov5s单一目标检测模型；且所述步骤S3具体包括：
将所述标定物图像输入所述目标检测算法中，得到所述标定物的目标框所占像素数、以及标定物在初次监测轮次下的初始像素数和在当前监测轮次下的当前像素数；
根据所述标定物的目标框所占像素数、初始像素数和当前像素数得到所述标定物在当前监测轮次下的位置变化量为：
式中，/>表示标定物在当前监测轮次下的位置变化量，/>表示标定物在当前监测轮次下的当前像素数，/>表示标定物在初次监测轮次下的初始像素数，/>表示标定物在当前监测轮次下移动的像素数，且/>，/>表示标定物的目标框所占像素数，/>表示标定物的直径。
5.根据权利要求1所述的一种输电线路弧垂监测及覆冰判断方法，其特征在于，所述步骤S4中，所述输电导线的最大弧垂处在多轮监测中的弧垂变化量为当前监测轮次中输电导线最大弧垂处的弧垂值与上一监测轮次中输电导线最大弧垂处的弧垂值之间的差值。
6.一种实现输电线路弧垂监测及覆冰判断方法的装置，其特征在于，所述装置包括：
第一获取模块，用于基于输电导线及所述输电导线的挂载杆塔构建待监测档距坐标系，以获取标定物在所述待监测档距坐标系中的初始坐标点，其中，所述标定物固定安装于输电导线上；
第二获取模块，用于利用图像监拍设备获取标定物图像，所述标定物图像中包含完整的标定物；
识别模块，用于基于目标检测算法识别所述标定物图像中的标定物，得到所述标定物的目标框所占像素数、以及标定物在初次监测轮次下的初始像素数和在当前监测轮次下的当前像素数，并基于所述标定物的目标框所占像素数、初始像素数和当前像素数确定所述标定物在当前监测轮次下的位置变化量，在多轮监测中重复此操作，得到所述标定物在多轮监测中的位置变化量；
分析模块，用于构建导线弧垂模型，并根据所述标定物的初始坐标点以及在当前监测轮次下的位置变化量，计算出输电导线最大弧垂处的弧垂值，在多轮监测中重复此操作，得到所述输电导线的最大弧垂处在多轮监测中的弧垂变化量；其中，所述构建导线弧垂模型包括：
基于待监测档距坐标系分别构建输电导线的函数以及连接输电导线两端挂载点的直线函数/>，即有：
式和式/>中，/>，/>表示输电导线上的任意点坐标，/>，/>表示连接输电导线两端挂载点的直线上的任意点坐标，/>、/>均为项系数，/>表示输电导线两端的挂载点的高度差，/>表示输电导线两端挂载的相邻两个杆塔之间的档距；
结合公式(2)和(3)得，导线弧垂公式为：
由得，/>，故简化后的导线弧垂公式为：
基于公式(5)得，输电导线上任意点的弧垂值为：
式中，/>，/>表示输电导线上任意点的坐标，/>即表示输电导线任意点的弧垂值，/>表示标定物的初始坐标点，/>表示标定物在当前监测轮次下的位置变化量；
对简化后的导线弧垂公式求导得：/>，令/>=0，得/>时输电导线弧垂最大，且弧垂值为：
式中，/>表示输电导线在最大弧垂处/>的弧垂值；
判断模块，用于筛选所述输电导线的最大弧垂处在多轮监测中的弧垂变化量的最大值，并将所述弧垂变化量的最大值与预设阈值进行比较：若在覆冰易发季同时间段，所述弧垂变化量的最大值超过所述预设阈值，则判定所述输电导线覆冰。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如权利要求1至5中任一项所述的输电线路弧垂监测及覆冰判断方法。
8.一种机器可读存储介质，其特征在于，所述机器可读存储介质上存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1至5中任一项所述的输电线路弧垂监测及覆冰判断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311531547.XA CN117274818B (zh) | 2023-11-17 | 2023-11-17 | 一种输电线路弧垂监测及覆冰判断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311531547.XA CN117274818B (zh) | 2023-11-17 | 2023-11-17 | 一种输电线路弧垂监测及覆冰判断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117274818A CN117274818A (zh) | 2023-12-22 |
| CN117274818B true CN117274818B (zh) | 2024-02-27 |
Family
ID=89206565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311531547.XA Active CN117274818B (zh) | 2023-11-17 | 2023-11-17 | 一种输电线路弧垂监测及覆冰判断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117274818B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117589069B (zh) * | 2024-01-19 | 2024-05-10 | 智洋创新科技股份有限公司 | 基于数据分析及激光雷达的输电线路运检方法 |
| CN117629079B (zh) * | 2024-01-26 | 2024-05-10 | 智洋创新科技股份有限公司 | 基于数据分析及标定物的输电导线风偏监测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976360A (zh) * | 2016-04-27 | 2016-09-28 | 中国科学技术大学先进技术研究院 | 基于红外相机图像处理的输电线弧垂测量方法 |
| CN115683020A (zh) * | 2022-12-30 | 2023-02-03 | 国网山西省电力公司电力科学研究院 | 输电线路覆冰厚度监测方法及装置、存储介质及设备 |
| WO2023103278A1 (zh) * | 2021-12-06 | 2023-06-15 | 清华大学 | 基于地线电磁信号的输电线路导线位置信息在线监测方法 |
| CN116538924A (zh) * | 2023-05-10 | 2023-08-04 | 贵州电网有限责任公司 | 一种覆冰状态下输电线路弧垂实时监测方法 |
-
2023
- 2023-11-17 CN CN202311531547.XA patent/CN117274818B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976360A (zh) * | 2016-04-27 | 2016-09-28 | 中国科学技术大学先进技术研究院 | 基于红外相机图像处理的输电线弧垂测量方法 |
| WO2023103278A1 (zh) * | 2021-12-06 | 2023-06-15 | 清华大学 | 基于地线电磁信号的输电线路导线位置信息在线监测方法 |
| CN115683020A (zh) * | 2022-12-30 | 2023-02-03 | 国网山西省电力公司电力科学研究院 | 输电线路覆冰厚度监测方法及装置、存储介质及设备 |
| CN116538924A (zh) * | 2023-05-10 | 2023-08-04 | 贵州电网有限责任公司 | 一种覆冰状态下输电线路弧垂实时监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Review of On-line Monitoring System of Ice Coating on Transmission Lines;Wang Li-ming et al.;High Voltage Apparatus;第48-56页 * |
| 基于单目测量方法的架空导线弧垂实验研究;张星;王孟;王政;薛博;;电力科学与工程(05);第65-69页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117274818A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117274818B (zh) | 一种输电线路弧垂监测及覆冰判断方法及装置 | |
| CN111699359B (zh) | 用于功率传输线路监测的系统和方法 | |
| US8868359B2 (en) | Device and method for detecting and locating defects in underground cables | |
| CN108229371B (zh) | 基于冰形建模的输电导线横截面覆冰形状识别方法 | |
| CN106709905B (zh) | 一种基于双目视觉图像的防振锤故障在线检测识别方法 | |
| CN106780540B (zh) | 面向光伏发电的地基云图云层跟踪及预警方法 | |
| 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 | |
| KR101874968B1 (ko) | 이미지 정보 기반의 시정거리 측정 시스템 및 이를 이용한 시정거리 측정 방법 | |
| Wang et al. | Transmission line sag measurement based on single aerial image | |
| CN108898598B (zh) | 输电导线监测方法及装置 | |
| CN113313291A (zh) | 一种基于初值扰动的电网风灾集合预报以及验证方法 | |
| CN116958841A (zh) | 基于图像识别的配电线路无人机巡检系统 | |
| CN112561968A (zh) | 一种基于单目视觉的输电导线舞动监测方法及装置 | |
| CN112016739A (zh) | 故障检测方法、装置、电子设备及存储介质 | |
| CN113821895B (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
| CN117629079B (zh) | 基于数据分析及标定物的输电导线风偏监测方法及装置 | |
| CN117710902B (zh) | 基于数据分析及标定物的输电导线风害监测方法及装置 | |
| CN114370898A (zh) | 一种覆冰舞动综合监测系统 | |
| CN113096063A (zh) | 一种基于短视频的输电导线舞动检测方法 | |
| CN116979702B (zh) | 基于大数据的输电线路智能监测质检方法、系统和介质 | |
| CN111666705A (zh) | 一种基于有限元分析的导线弧垂检测方法及系统 | |
| CN116362631B (zh) | 一种基于大数据的直流配电网运行安全性评价系统 | |
| CN113033131B (zh) | 一种输电线路极端工况模拟的导线安全性检测方法 | |
| CN115860578B (zh) | 机电系统智能分析安装设备环境可行性的方法及装置 | |
| CN113792477B (zh) | 一种用电异常识别方法、系统、装置和火灾预警系统 |
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 |