电力信息通信

电 力 信 息 与 通 信 技 术2019 年第 17 卷第 7 期

www.dlxxtx.com35

ELECTRIC POWER ICT ........................................

中图分类号：TM75; TP391　文献标志码：A　文章编号：2095-641X(2019)07-0035-06　DOI：10.16543/j.2095-641x.electric.power.ict.2019.07.007

著录格式：王艳如 , 刘海峰 , 李琳 , 等 . 基于边缘智能分析的图像识别技术在输电线路在线监测中的应用 [J]. 电力信息与通信技术 , 2019, 17(7): 35-40.

基于边缘智能分析的图像识别技术在输电线路在线监测中的应用

王艳如，刘海峰，李琳，刘兰方，杨振亚

（北京国电通网络技术有限公司，北京 100070）

摘要：输电线路监测工作对电网的安全运行起着至关重要的作用，基于人工智能算法的图像识别技术应用可

以提高故障识别效率，降低人工成本。文章通过研究基于深度学习的图像识别技术和移动边缘计算技术，提

出基于泛在电力物联网的输电线路在线监测系统架构，并通过物联网输电线路监测系统的研发应用，实现隐

患可控，提高输电网的应急处置能力，为泛在电力物联网在输电线路在线监测领域的深入研究提供实践依据。

关键词：物联网；边缘计算；人工智能；输电线路在线监测；可视化；监测预警

Abstract: Transmission line monitoring plays a crucial role in the safe operation of power grid. The application of image recognition technology based on artificial intelligence algorithm can improve the efficiency of fault identification and reduce the labor cost. Through the study of image recognition technology based on deep learning and edge mobile computing technology, this paper puts forward an architecture of transmission line on-line monitoring system based on ubiquitous power Internet of things, and through the development and application of transmission line monitoring system using Internet of things, realizes hidden trouble control, improves the emergency disposal ability of transmission network, and provides practical basis for the in-depth research of ubiquitous power Internet of things in the field of transmission line online monitoring.Key words: Internet of things; edge computing; artificial intelligence; transmission line online monitoring; visualization; monitoring and warning

Application of Image Recognition Technology Based on Edge Intelligence Analysis in Transmission Line Online Monitoring

WANG Yanru, LIU Haifeng, LI Lin, LIU Lanfang, YANG Zhenya (Beijing Guodiantong Network Technology Co., Ltd., Beijing 100070, China)

0　引言

近年来，随着经济发展，电网覆盖范围逐年增

大，输电线路运行里程也逐年增多，自然环境、恶劣

天气和外力破坏都可能对输电线路造成严重损坏，

引发大面积停电，造成严重的经济损失。由此可见，

开展输电线路在线监测应用研究对于避免电网事

故、保障线路安全至关重要 [1-2]。

目前，影响电网输电线路运行安全的主要因素

有以下 3 个方面。

1）输电线路日常维护方面。运行里程增多，电

网运行维护人员有限，缺乏科学的管理体系，不能对

线路运行工况全面掌控，难以实现输电线路运行状

态的预判。

2）信息化建设方面。缺乏信息的横向关联和共

享以及针对性的综合数据分析，难以形成基于输电

网基础信息的各种动态的综合数据分析。

3）技术手段方面。缺乏高效的统一管理平台及

输电线路在线监测系统完整解决方案。缺乏人工智

能引擎的使用，巡检人员很难从海量的监控图片中

获取缺陷信息，现有监测平台使用率低。

本文研究了应用于输电线路在线监测工程领域

的关键技术，提出基于泛在电力物联网的输电线路

在线监测系统整体架构，重点研究了输电线路在线

2019.7信息化.indb 35 2019/7/19 15:55:01

电力信息通信

电 力 信 息 与 通 信 技 术2019 年第 17 卷第 7 期

www.dlxxtx.com36

........................................ELECTRIC POWER ICT

监测系统软件的架构及功能，并在绍兴电力公司多

条输电线路进行了示范应用，为后期输电线路运行

工况及输电线路监测领域的发展提供实时数据。

1　基于深度学习的图像识别技术

随着安全需求的急剧増加，越来越多的监控设

备被布置在不同场合，图像智能分析技术也受到了

空前的关注，它能够在图像及图像描述之间建立映

射关系，使计算机能够通过图像处理和分析来理解

画面中的内容，其实质是“自动分析和抽取视频源中

的关键信息”。图像智能分析主要包括图像处理、目

标检测、目标跟踪、场景识别等业务应用。

深度学习技术利用视频传感设备和计算机模拟

人类的视觉系统，对外界的视觉信息进行采集和处

理。通过摄像机等成像设备采集图像、视频或多维

数据等数字信号作为信息输入，再利用计算机对这

些信息进行处理，实现对目标的检测、识别和跟踪功

能，最后得出符合要求的判断和解释。

基于深度学习的图像识别算法使用大规模深层

次卷积神经网络模型，从海量数据中自动学习图像

特征，并泛化到实际场景识别过程中。在输电线路

在线监测中，深度学习算法通过模拟大脑皮层，采用

多层非线性的特征处理方式，对输入数据逐级提取，

逐步建立从底层特征到高级抽象特征的映射，使复

杂的特征提取工作简单化，具有识别率高、学习速度

快、耗时少的优点。

在输电线路在线监测中，对图像智能分析的需

求主要体现在对缺陷场景的智能诊断和智能预警

2 方面。本文开展的验证性试验采用 AlexNet 网络

模型 [3-4]，通过更大的数据集、更强的模型以及更优

化的拟合技术应用，显著提高了卷积神经网络的性

能。AlexNet 网络模型主要包括 5 个卷积层、3 个全

连接层及 softmax 损失函数层。由于接入网络范围

的增大，AlexNet 采用了双通道结构，在 2 个 GPU

上进行训练，提高了训练效率。同时 AlexNet 使用

ReLU 代替 sigmoid 激活函数，ReLU 使网络训练的

速度明显提高。Dropout 和局部响应归一化（Local

Response Normalization，LRN）技术使网络的去过

拟合能力增强，保证了卷积神经网络的学习能力和

泛化能力 [4]。

ImageNet 数据集包含海量种类的高分辨率图

片，结合 AlexNet 有效的去过拟合技术，使卷积神经

网 络（Convolutional Neural Networks，CNN）模 型

得到充分的训练，极大提高了卷积神经网络的图像

识别准确率和泛化性能 [5]。

2　移动边缘计算技术

移动边缘计算是指在靠近感知层或数据源头的

一侧，采用带有网络、计算、存储、应用核心能力为一

体的开放平台，提供近端服务。通常，其应用程序在

近端发起，通过快速的网络服务响应，满足多领域实

时业务、应用智能、安全与隐私保护等基本需求 [6]。

2.1 移动边缘计算

移动边缘计算服务器通过在靠近用户的接入网

络边缘提供云计算服务和存储服务，移动边缘计算

可以最小化时延，节省核心网络的带宽，减少跨区域

流量，根据位置和上下文感知计算出最优的解决方

案，缓解网络安全和用户隐私问题。移动边缘计算

服务器可通过按需弹性访问与重配置计算资源池交

互模型，为用户提供无线网络和本地环境感知服务，

以及低延迟和高带宽的保护，解决传统云计算架构

中的中心云问题。

2.2 移动边缘计算在输电线路在线监测中的应用

在输电线路在线监测领域，移动边缘计算技术

可通过降低服务器到客户端的距离和跳数，显著降

低网络拥塞可能性和传输时间，最终降低交互的时

延和提高运行可靠性 [7-9]。“边缘智能”是指在靠近

系统主域的位置，通过对感知层应用的反馈信息进

行处理，并根据本地用户上下文信息分析，对用户行

为进行预测、预判。移动边缘计算技术将边缘智能

放置于移动边缘计算服务器中，利用边缘云服务为

特定的感知应用提供特定的智能服务 [11-14]。在输电

线路监测中，这种方法为感知应用提供了更加稳定、

广泛、低时延的服务，帮助客户模糊了地理分界，解

决由光速有限性带来的限制。

本文开展的验证性试验通过研制带有边缘计算

能力的网关或一体化摄像机将视频图像分析能力集

成于前端，仅将处理结果反馈云端，有效降低云端服

务器负载。边缘计算节点由控制器和通信设备组成，

具备分析、控制、通信和采集等功能，可将图片进行

本地化分析处理，自主识别输电线路及周边环境的

安全隐患，将处理结果反馈给系统。系统具备开放

式特点，通过软件升级，可接入更多第三方采集传感

设备，并支持多种通信方式，支持软件及策略远程升

2019.7信息化.indb 36 2019/7/19 15:55:01

电力信息通信

电 力 信 息 与 通 信 技 术2019 年第 17 卷第 7 期

www.dlxxtx.com37

ELECTRIC POWER ICT ........................................

级。边缘处理节点覆盖主流规约库，新安装传感设

备后，主站自动下发规约，实现即插即用。

3　输电线路在线监测系统架构

在高压输电线路在线监测过程中，如何将现场

监测的数据安全、及时的传输至监控中心是输电线

路在线监测系统急需解决的一大难题 [15-18]。基于

泛在电力物联网的输电线路在线监测系统分为感知

层、网络层、平台层及应用层，架构如图 1 所示。

图 1 输电线路在线监测系统架构

Fig.1 Transmission line online monitoring system architecture

1）感知层。感知层由各类物联网传感器、传感

器网络系统组成，用于实现传感信息采集和汇聚。

传感器物联网方案采用 LoRa 技术 [11]。泛在电力

物联网终端产品以输电线路在线视频图像装置为核

心，作为各个传感器数据的汇聚控制器。五维度微

气象传感器，杆塔倾斜传感器，导线测温、测电流传

感器等数据均通过 LoRa 技术传输至输电线路视频

图像装置核心点，再经过加密处理统一传送到后端

平台。此传感器信息连接技术具有稳定性好、功耗

低、远距离等特点。

2）网络层。网络层由电力无线专网、电力 APN

通道、电力光纤网等通信通道及相关网络设备组成，

为输变电设备物联网提供高可靠、高安全、高带宽的

数据传输通道。

3）平台层。平台层用于对物联网各类传感器及

节点设备进行管理、协调与监控，具备物联网边缘计

算算法远程配置功能，实现多源异构物联网数据的

开放式接入和海量物联网数据存储。

4）应用层。应用层用于数据高级分析应用与支

撑运检业务管理。利用大数据、人工智能等技术，实

现算法模块标准化调用，为智能电网运检管控系统

以及 PMS 等其他生产管理系统提供业务数据和分

析结论。

4　输电线路在线监测系统软件设计

4.1 软件架构

架构采用分层设计，从逻辑上将各子系统划分

成多个分层子集，层间关系遵循特定的设计原则。

通过分层有效限制各子系统间的依赖关系，使整个

系统以更为松散的方式耦合，满足单一职责、高内

聚、低耦合、提高可复用性和降低维护成本要求，从

而更易于维护管理。

整体架构包括基础层、安全层、数据层、平台层、

应用层和展现层 6 个层次，安全防护贯穿始终，通过

应用层承载基础应用、巡线应用、基础应用和融合业

务 4 类业务，通过基础层、安全层、数据层和平台层

支撑所有业务功能及平台架构（见图 2）。

基础层主要由基于物联网、互联网的各类物联

网传感器、智能作业终端、本地通信和物联代理组

成，用于实现传感信息采集和汇聚。

安全层是综合运用安全防范技术、电子信息技

术和信息网络技术，通过对终端安全管控、身份安全

认证、安全隔离、数据安全、应用安全等 5 方面强化

设计，提高平台信息安全防护水平，确保输电线路在

线监测系统的安全稳定运行。

数据层主要集成业务数据和外部数据，其中业

务数据主要包括基础采集数据、资源数据、分析数据

和公共数据；外部数据主要有内网数据、互联网数

据、第三方数据以及其他数据。

平台层是应用层和数据层之间的中间层，通过

业务系统、协同服务、数据中心、平台技术等支撑技

术，为上层应用提供技术和业务支撑。

应用层将平台功能按业务模块进行封装，应用

逻辑单独处理，从而使用户界面与应用逻辑置于不

同的平台。通过整体结构的设计，使应用逻辑被用

户共享，前端应用层和应用服务层、应用服务层和数

据库服务层之间的通信、异构平台之间的数据交换

等都可以通过中间件或其他相关程序实现。

展现层提供给用户直接使用，是系统功能的对

外展现。通过客户端应用 B/S、移动端应用、多媒体

2019.7信息化.indb 37 2019/7/19 15:55:01

电力信息通信

电 力 信 息 与 通 信 技 术2019 年第 17 卷第 7 期

www.dlxxtx.com38

........................................ELECTRIC POWER ICT

终端和中控大屏为基层作业人员、管理者提供平台

业务的支撑功能。

4.2 软件功能

4.2.1　周期性巡线

周期性巡线功能作为本系统的核心功能，用户

可以借助摄像头代替日常的现场巡线工作，并可对

图片进行正常或异常的标记，周期性巡检设计界面

如图 3 所示。

图 3 周期性巡检界面

Fig.3 Periodic inspection interface

当巡检人员进行巡线工作时，弹出巡线管理页

面，现场终端将杆塔图片上传至主站，巡检人员可以

对上传的本杆塔各个部件的图片进行分析，将正常

或异常情况进行相应的标注。

4.2.2　场景化巡线

场景化巡线作为本方案中的典型应用场景，可

针对不同场景下的巡线需求，自定义不同线路、区

域、频次、巡检重点等相关的巡查任务，实现对不同

场景的典型化应用，极大满足一线巡检的智慧化应

用（见图 4）；常见的场景化巡线有三跨巡查、台风、

洪涝、火灾、覆冰以及保电巡查等。

通过选择增加场景应用，可创建新的应用场景，

管理员通过系统可以设置场景名称、选择场景图片、选

择该场景任务的时间和周期、班组选择、巡线人员选择

以及监控覆盖的具体杆塔选择。点击保存后，成功创

建一个新的应用场景，并与固有场景显示在页面上。

图 2 系统软件架构

Fig.2 System software architecture

2019.7信息化.indb 38 2019/7/19 15:55:01

电力信息通信

电 力 信 息 与 通 信 技 术2019 年第 17 卷第 7 期

www.dlxxtx.com39

ELECTRIC POWER ICT ........................................

4.2.3　智能分析

智能分析包括智能诊断和智能预警。其中智

能诊断是指平台对监拍的图片具备场景识别和异物

入侵诊断能力，如可以分析出输电线路下发的工程

车辆、输电通道内山火情况等；智能预警是指平台

具备智能预判能力，依托于智能分析诊断功能可以

实现对输电线路可能要发生的故障情况提前报警

提醒。

系统对监拍图片具备智能识别、综合诊断分析

的功能，可以在海量的监控图片中识别出安全隐患，

实现输电线路本地化异常识别，能够对输电线路异

常情况及时预警，确保线路的安全运行。

4.2.4　智能联动

输电线路在线监测系统具备设备间智能联动

功能和业务间智能联动功能。设备间智能联动功能

指平台下多种前端设备或系统间的设备支持联动功

能，若发生异常情况，系统可智能联动关联设备，协

同控制。业务间联动指平台可实现各系统、业务间

协同，实现平台层深度的智能融合功能。

4.2.5　辅助决策

输电线路在线监测系统具备大数据分析和辅助

决策能力，可按时间、区域等不同维度对海量监测数

据、设备自身运行数据和故障诊断结果进行统计分

析，量化评估故障发生率、重点区域危险点等级、线

路及通道运行风险，辅助管理者进行业务决策。

5　示范应用

为检验基于边缘计算的图像智能分析技术在实

际输电线路巡检中的应用能力，选择绍兴市虞北区域

500 kV 近区重要线路及 220 kV 线路部署线路监控

视频，监控面积近 500 km2，输电线路 25 条 275 km，

杆塔 486 基，具体智能巡检线路包括 500 kV 线路

11 条，220 kV 线路 27 条。

根据三跨、山火易发段、重点防外破等区域选择

有代表性的 100 基杆塔作为监测样本，安装带有边

缘计算功能的视频监测装置，带有边缘计算功能的

视频监测装置自带太阳能及储能模块，一体化设计，

超低功耗云台设计，实现对输电线廊区域、塔基区

域、铁塔、导地线、金具、绝缘子串等高清晰抓拍和全

天候视频监控功能，自动分析出缺陷类型，上传带有

缺陷特征的图像数据（见图 5）。

图 5 缺陷监控画面

Fig.5 Defect monitoring screen

杆塔微气象、倾角、线缆温度等传感数据经采集

后，通过物联网 LoRa 协议与视频监测装置通信，电

力公司监控中心部署输电线路在线监测系统，实现

对所有监测点的统一管控。

系统自投入运行以来，获取了大量现场图像和

数据，基于应用开发的边缘计算网关，对整个系统的

稳定性及性能进行了测试，包括不同接入方式下的

时延、带宽测试，验证了基于边缘计算的网关可提供

一个低时延、高带宽、网络信息开放的环境。基于视

频业务，验证基于深度学习的智能分析算法在场景

识别的应用表现，在融合监测、跟踪模型方面，系统

可在一定程度上提高准确性和稳定性。通过监测重

点线路本体和周围环境变化，并以列表、曲线、组态

图等多种形式展示杆塔本体及通道的多维度状态信

息，为运检部门提供了大量的有价值数据。

6　结语

1）针对我国电网输电线路在线监测巡检工作的

业务需求，研究了基于深度学习的图像识别技术，并

通过 AlexNet 网络模型的研究，有效提高了图像识别

的效率，并将此技术应用在输电线路在线监测系统；

2）研究移动边缘计算技术在输电线路在线监测

中的应用，结合巡检工作特点，在泛在电力物联网建

设的背景下，提出输电线路在线监测系统架构，并将

此架构应用在实际项目中；

3）依托移动边缘计算技术和深度学习图像识

图 4 场景化巡检界面

Fig.4 Scene inspection interface

2019.7信息化.indb 39 2019/7/19 15:55:02

电力信息通信

电 力 信 息 与 通 信 技 术2019 年第 17 卷第 7 期

www.dlxxtx.com40

........................................ELECTRIC POWER ICT

别技术研发输电线路在线监测系统，并在绍兴市虞

北区域 500 kV 近区重要线路及 220 kV 线路示范应

用，对整个系统的稳定性及性能进行了测试，系统的

时延、带宽、网络信息情况都有良好的应用表现。

参考文献：

[1] 王志明, 殷绪成, 曾慧. 数字图像处理与分析[M]. 北京: 清华大

学出版社, 2012: 184-204.

[2] 马颂德, 张正友. 计算机视觉—计算机理论与算法基础[M]. 北

京: 科学出版社, 1998.

[3] 饶着译. 移动边缘计算及视频分析应用研究[D]. 北京: 北京邮

电大学, 2015.

[4] 李辉, 石波. 基于卷积神经网络的人脸识别算法[J]. 软件导刊,

2017(5): 106-108.

[5] 杨楠, 胡智, 郭太平. 基于物联网的架空线路灾害监测预警技

术的研究[J]. 科技视界, 2017(2): 45-50.

[6] 彭中亚, 程国建. 基于独立成分分析和核向量机的人脸识别[J].

计算机工程, 2010, 36(7): 193-194.

PENG Zhongya, CHENG Guojian. Face recognition based on

independent component analysis and core vector machines[J].

Computer Engineering, 2010, 36(7): 193-194.

[7] 刘通, 陈波, 杜朝波, 等. 输变电设备物联网关键技术研究思路

探讨[J]. 南方电网技术, 2011, 5(5): 47-49.

LIU Tong, CHEN Bo, DU Zhaobo, et al. On development

of the key technologies for Internet of power transmission

and transformation equipments[J]. Southern Power System

Technology, 2011, 5(5): 47-49.

[8] 吕泽承, 邓雨荣, 张炜, 等. 在线监测系统现场综合处理单元

与变电站平台时间的通信技术[J]. 南方电网技术, 2013, 7(6):

136-140.

LV Zecheng, DENG Yurong, ZHANG Wei, et al. Communication

technology of time between on-site integrated processing unit

and substation platform of online monitoring system[J]. Southern

Power System Technology, 2013, 7(6): 136-140.

[9] 刘化君. 物联网体系结构研究[J]. 中国新通信, 2010(9): 17-21.

[10] 王利卿, 黄松杰. 基于多尺度卷积神经网络的图像检索算法[J].

软件导刊, 2016(2): 38-40.

[11] 孙才新. 输变电设备状态在线监测与诊断技术现状和前景[J].

中国电力, 2005, 38(2): 1-7.

[12] 黄新波, 孙钦东, 张冠军, 等. 在线监测和GIS用于输电线路管

理系统[J]. 高电压技术, 2007, 33(6): 118-122.

HUANG Xinbo, SUN Qindong, ZHANG Guanjun, et al.

Transmission line operation and management system using online

monitoring technologies and GIS[J]. High Voltage Engineering,

作者简介：

王艳如（1983–），男，工程师，从事输电线

路在线监测技术及其应用工作，18101055057

@163.com；

刘海峰（1983–），男，工程师，从事输电线

路在线监测技术及其研究工作；

李琳（1989–），男，工程师，从事智能用电、

输电线路监测关键技术研究和相关工作；

刘兰方（1987–），男，工程师，从事物联网管理平台、输电线路

在线检测技术及应用工作；

杨振亚（1990–），男，从事输电线路在线监测技术及其研究工作。

王艳如

2007, 33(6): 118-122.

[13] 陈升, 李武杭. 输电线路防鸟害技术措施的应用[J]. 浙江电力,

2003(2): 30-31.

CHEN Sheng, LI Wuhang. Application of bird hazard prevention

measures on power transmission lines[J]. Zhejiang Electric

Power, 2003(2): 30-31.

[14] 卢明良. 输电线路导线舞动监测技术的研究[J]. 中国电力,

1994(6): 24-27.

[15] 许婧, 王晶, 高峰, 等. 电力设备状态检修技术研究综述[J]. 电

网技术, 2000, 24(8): 48-52.

XU Jing, WANG Jing, GAO Feng, et al. A survey of IT ION

based maintenance technology for electric power equipments[J].

Power System Technology, 2000, 24(8): 48-52.

[16] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. Imagenet

classification with deep convolutional neural networks[J].

Advances Neural Information Processing Systems, 2012, 141(5):

1097-1105.

[17] TAIGMAN Y, YANG M, RANZATO M A, et al. Deepface:

Closing the gap to human-level performance in face

verification[C]// Proceedings of the IEEE Conference on

Computer Vision and Pattern Recongnition, Columbus, OH,

USA, 2014: 1701-1708.

[18] 沈鑫, 曹敏, 薛武, 等. 基于物联网技术的输变电设备智能在线

监测研究及应用[J]. 南方电网技术, 2016, 10(1): 32-41.

SHEN Xin, CAO Min, XUE Wu, et al. Research and application

of intelligent online monitoring of power transmission

and transformation equipment based on Internet of things

technology[J]. Southern Power System Technology, 2016, 10(1):

32-41.

编辑　张京娜

收稿日期：2019-05-22

2019.7信息化.indb 40 2019/7/19 15:55:02