森林火灾防控
基于边缘计算的超特高压输变电走廊山火预警方法
赵钰，姜凌霄
(国网山西省电力公司检修公司，山西太原030032)
摘要：为克服现有输变电走廊山火预警技术的不足，提高 对山火识别的抗干扰能力，提出一种基于边缘计算的山火预警方法利用层次分析法，建立边缘监控节点位置选取的影响要素分析模型，通过判别矩阵确定每一要素的权重，恨据最优解确定边缘监控节点的选取位置针对输变电走廊山火识别环境，对边缘计算架构进行了详细设计，提高对输变电走廊的山火预警水平为降低边缘卷积计算带来的算力开销，通过建立M obilenet-SSD 模型来训练边缘监控节点的山火图像识别教据，增加抗干扰措施，并验证模型效果实验结果表明，训练模型适用于边缘计算架构且对输变电走廊山火能够有效识别
关键词：输变电走廊；山火预警；边缘计算；Mobilenet
中图分类号：X932;T U892 文献标志码：A
文章编号：1009-0029(2021)03-0422-04
超特卨压输变电设备在整个电网屮举足轻重，一旦发 生故障，将会影响到区域电网的安全与稳定。超特高压输 变电网的线路架设距离长且跨越地形复杂，由春节烟火、清明祭祖、夏季雷闪以及春耕秋播等因素导致山火灾害频 发。山火产生的高温会对输电杆塔、架空线路以及变电设 备产生不可逆的影响。每年山火高发时节，电网企业均投 入大量人力物力进行防治，虽然防山火图像监测装置已有 相关应用，但依靠人力特巡蹲守依然是山火防治的主要方法。
目前，国内外对输变电走廊山火预警监测主要有3种 方式，一是传感器监测技术，利用分布在现场的各个传感器来监测山火，该技术主要受限于传感器的可靠性与信息 传输能力；二是卫星及雷达遥感技术，其应用范围最为广 泛，但监测结果对探测算法要求较高；三是视频监控技术，利用视频监控判断山火情况，其主要问题是监控范围与布 置点的矛盾以及火灾图像识别算法精度不高。文献[6]提 出一种基于天气雷达组网监测的输电线路山火自动识别算法，通过雷达阵列识别山火，该方法不能快速定位至杆 塔，不便于后续及时检修处理，可与卫星及图像监测方法 互为补充与验证。
依托输变电走廊防治山火，能够减少山火对输电设备 以及森林火灾的损失，同时可以有效降低山火防治成本。输变电走廊对于山火预警有着天然的优势，即超特高压杆 塔为山火监控提供广阔的视野，不仅不需要额外架设监测 支架，且可以充分利用架空线路获取电源。随着物联网技 术的发展，图像识别、边缘计算与人工智能技术的成熟，极 大地改变了森林火灾的监测方式，尤其是边缘计算的应用 可在减小通信负担的同时极大地提高对突发火灾的应急响应。文献[9]采用边缘计算的方式，利用森林监测站的边
缘计算机或服务器执行火灾检测图像处理任务，提高了火 灾检测和预警的实时性。在靠近森林的一侧部分执行火 灾检测计算任务，边缘计算机工作负荷较高，不能完全发 挥出边缘计算的优势。
笔者提出一种基于边缘计算的超特高压输变电走廊山火预警方法，分析输变电走廊的地理环境对山火的影响，利用层次分析法确定边缘监控节点位置，设计一种基 于输变电走廊的边缘计算山火预警架构。提出利用Mobilenet-S S D模型来训练山火图像数据，减小边缘算力 开销。实现对山火图像数据的识别，提高对输变电走廊的 山火预警水平。
1山火预警边缘计算架构
1.1边缘监控节点布置位置选取
超特高压输变电走廊大多远离城市，分布在地形复杂 的山区，山火监控点如何布置使监控资源实现最大化利用，是实际应用中首先需要考虑的问题。从边缘计算整体 架构来看，过少的节点不能满足实际需求，过多的边缘节 点会增加不必要的算力开销。因此，边缘计算的节点位置 界定与选择需要着重考虑。
在分析超特高压输变电走廊的地理环境的基础上，选 取杆塔所在位置、植被分类、气候特征3类要素，并根据层 次分析法建立各个要素的分析模型（见表1)，通过判别矩 阵确定每一要素的权重，见式（1)。
表I层次分析结构模型
目标影响因子指标布局位置质量Q
杆塔位置(凡）
河道(A，丨)
农田(凡.）
矿区(An)
山区(a I4)
林区(九）
植被分类(/^)
稻杆(U
草地(U
乔木(U
灌木(D
气候特征(A O
干旱(Au)
大风(儿2)
湿润(Au)
多雨d)
式中：<?为布局质量;w为各指标权重;/为影响因子;7'为指标序号。
对判别矩阵的构建是利用杆塔设计勘测资料、专家意 见、运维经验三者结合打分的方式定量化构造的。由于客 观事物的复杂性以及认知差异，主观因素不可避免。因此，引入随机一致性指标分析工具，确保判别矩阵具有满 意一致性，见式(2)。
a=A max-»(2)
乂为判别矩阵归一化后的特征根，》为矩阵阶数。如 果CI=0，则有完全的一致性。C I接近于0，有满意的一致 性，C I越大，不一致越严重。
为了避免随机因素对一致性的影响，将C I与随机一 致性指标i?/进行比较得出检验系数CR，见式(3)。
i
如果CR <0.1，则认为该判断矩阵通过一致性检验，否则继续调整权重矩阵确保最终满意一致。
另外，低海拔区域气温较高海拔区域高，人类活动频 繁，人为火源多，火灾发生的危险性也较高；随着海拔不断 升高，气温逐渐降低，蒸发量减少，植被含水量也越大，火 灾发生的危险性也降低。同时，输变电设备所在地区的污 秽等级越高，绝缘设备的爬电距离越低，火灾产生的烟雾 越容易造成污闪事故的发生，对该走廊的运维任务就越重 要，需要布局的监控点也越多。因此，海拔因素与污秽等 级因素与监控点布局质量线性相关。
对影响监控点信息的海拔(H)和污秽等级（HO等数据 进行归一化处理，得到监控点布局位置质量(Q)，见式(4)。
Q=q+H+W(4)根据最优解确定边缘监控节点的布局质量，对比每一 杆塔布局位置质量数据可以最终确定监控点位置。
1.2边缘计算架构
通过引入边缘计算模块，可以充分利用各个监控点的 算力资源，相比传统的视频监控能够有效减小数据传输带 宽资源占用，降低通信负担的同时，增强对输变电走廊山 火的实时响应。为确保边缘节点可用性与可靠性，需要确 立有效的火灾监控边缘计算架构。由于可借鉴的山火历 史数据少，且输电线路监测环境恶劣，更应注重预警架构 与算法模型的配合。
笔者建立的边缘计算架构主要包括：
(1)信息输入模块，包括火焰视频监控模块与烟雾视频监控模块，将火焰与烟雾结合起来提高防误报能力，火 焰视频监控以图像识别为基础，通过高清摄像头实时采集 电力走廊图像，就地存储在数据存储模块中，然后利用边 缘计算模型对图像数据进行处理，得出山火实际发展趋势 信息，再通过网络传输至调度监控中心及对应的变电站值班人员，为事故处理及抢修提供指导。
(2) 数据处理模块，包括数据分类存储模块与山火识别模型数据模块，山火图像识别引入了基于边缘计算的模
型，有效利用了电力走廊监测站的计算资源，在现场完成
全部或部分火灾检测的计算任务，避免将大量的视频图像
传输到距离较远的云计算中心进行处理，既能有效降低云
计算中心的工作负载，减小对电力网络带宽的占用，又能
显著提高山火监测的实时性。
(3) 通信模块，包括预警信息输出模块与算法升级模块。对于通信模块，具备泛在电力物联网统一协议接口，
以使预警信息能够迅速传达。同时，具备电力通信专用接
口，便于上级系统调取原始监测信息，能够与输电杆塔其
他监测信息有机融合。
由于输变电走廊跨越了不同的地貌，被监测的区域自
然环境不尽相同，山火引发的因素也不相同，如由浅表层
内腐质易燃物引发的浅层火，由地表枯枝干草引发的地表
火，由雷击引发的树冠火等。山火预警算法中阈值的选
取，模型的构建与环境息息相关。随着样本集的不断增
加，算法需要不断更新与移植，故增加了算法重配模块，以
便减小二次开发成本。加入迭代体系，开放算法迭代接
口，随着监测数据的不断增多，算法不断优化，从而不断提
3d还原重庆山火高监测准确性，也提高了系统对复杂环境的抗干扰能力。
2山火识别模型建立及验证
2.1 M o b ilen et山火图像识别模型
利用图像信息来识别山火已经有了广泛的应用，深度
学习及卷积神经网络在图像识别方面已经得到了验证，但
神经网络模型的训练需要占用大量的硬件资源，不符合边
缘计算的需求。笔者提出利用Mobilenet模型来训练山火
图像数据，Mobilenet使用了一种可分离卷积技术，每次只
对单通道进行卷积，减少了大量冗余计算量、存储空间、算
力以及能耗的开销，能够很好地部署在边缘嵌入设备上。
为了使训练模型快速收敛，同时提高抗千扰能力，将
所有待训练的图片分辨率转化为72 dpi，像素点调整为
216X216作为卷积矩阵数据。然后，对样本图像进行正则
化剔除，主要分为两个步骤：一是对图像去均值，图像像素
点在红、绿、蓝3个分量上分别减去通道均值，见式（5)；二
是对图像进行标准化处理，8卩：将图像P中每一通道中的
每个像素归一化为0到1之间的数据，见式(6)。
X[R,G,B]=X[r-r,g-g,b-^
|p U，_y)|
P(j-,y)=-
255
(5)
(6)
这样被正则化处理之后的图像数据的宽x高x通道数，
即为图像数据216X216X3作为卷积神经网络的输入
矩阵。
笔者选取云G P U作为模型训练工具，其参数为Tesla V100.Video Mem:16 G B，选用的训练优化方法是RMSProp，初始学习率为0.001，训练次数为12 000次。
选用的U标检测器是S S D，作为一种单阶段目标检测器，在对图像检测时可以对检测目标进行扰动、扩张、裁剪、翻转，最大限度地增加检测维度，从而提高训练精度，增加识别模型的抗干扰能力。其他训
练参数及训练环境见表2。
表2 IVlohilene丨训练参数及环境
类别参数
输入数据大小216X216X3
初始卷积核大小3X3X3X32
优化方法
RMvSProp
初始学习率:〇.〇〇1训练次数：12〇0〇
目标检测器SSD
深度学习框架Caffe
边缘设备nvidia tx2
GPU Tesla V100. Video Mem： 16 GB
编程语言Python
训练数据来源中国科学技术大学火灾重点实验室2.2 M obilenet-S S D模型训练及验证
图1为山火识别模型训练流程。
图1山火识别模型训练流程
首先按照上文提到的方法对原始图像数据进行正则化剔除。并将样本数据分成两个部分，一部分用于训练模型，另一部分用于验证模型。
训练图像数据增强，主要是一个采样的过程。利用随机截取训练图上的框来生成新的训练样本，同时要保证采样的样本能包含真实的目标。采样之后，为了保持训练数据格式的一致性，还需对相应的坐标信息做变换。图像增强相关的函数包括对比度、饱和度、彩明暗、保持长宽比例的缩放，通过调整不同参数，增加样本维度，提高模型识别度，从而提高模型的抗干扰能力。
实际训练当中需要自定义用户数据读取器。图像处理比较多，批处理时会很慢，可能导致数据处理时间比真实计算模型的时间长，为了尽量避免这种情况，训练时使用并行化的数据读取器。同时，为了方便
训练中能够验证当前的效果，中间验证步骤使用同步数据读取器。为了配合两种不同数据读取器，重新定义两种网络构建方法。本文所涉及的属于训练比较大的网络结构，使用的是阶段性调整学习率的方式。最后需要保存和加载模型，注意先保存读写参数、可重训练的方式，后保存固化参数、可用于重训练的方式。加载模型包括两种，一是用之前训练的参数，在全网络继续训练：二是加载预训练的Mobilenet。
利用深度学习框架C a ffe下的iterstools生成过程训练损失值及测试准确率数据，随着迭代次数增加训练损失值逐渐减小最终至2.3，准确率逐渐升高至81%。
训练结果见表3。模型大小满足边缘设备要求，训练速度、准确率与召回率均满足现场要求。
表3训练结果
类别参数
模型大小/MB11
速度/(f.s->).89.1
召回率94%
准确率81%
损失值 2.3
利用边缘计算设备nvidiatx2对训练模型进行现场实验验证，如图2所示，图中蓝方框代表烟雾像素点，红方框代表火焰像素点，证明本训练模型能够基本识别烟雾及山火。
Normal:0.069 89
Smoke:0.885 36
Fire:0.044 75
图2实验效果图
3结束语
边缘计算在输变电走廊山火预警方面有其独特的优势，笔者采用了一种基于M obilenet的输变电走廊山火识别算法，利用可分离卷积神经网络识别算法，相比于传统
的卷积神经网络可以有效减小模型运算时间，通过重新定 义网络构建方法以及使用阶段性调整学习率的
方式提高收敛度，从而能有效提升对火灾事故的响应能力。对预警 架构进行了详细的设计，在模型结构、算法验证过程中增 加了抗干扰设计。文中所提方法在白天可以有效识别输变电走廊山火，在夜间由于光线较暗，能见度较低，识别准 确度也低，对夜间输变电走廊山火识别有一定局限性。在 实际应用中，还有一些问题需要进一步研究突破，如恶劣 环境下的抗干扰机制、预警策略机制、电网内部通信协调、边缘系统电源供电等。
通过边缘计算实现对超特高压输变电走廊山火预警，依托电力走廊这一行业优势，监测预警装置不需要重新架 设杆塔，项目的落地应用可以有效预警电力走廊山火态势，为电力生产部门处理事故提供指导意见并节省宝贵时 间，减小由于山火引发的事故影响，在电网内部超特高压 输变电走廊具有一定的推广性与适用性。
参考文献：
[1] 胡湘，陆佳政，曾祥君，等.输电线路山火跳闸原因分析及其防治措施
探讨[J]•电力科学与技术学报，2010,25(2):73-78.
[2]叶立平，陈锡阳，何子兰，等.山火预赘技术在输电线路的应用现状
[J].电力系统保护与控制，2014,42(6): 145—153.
[3] 江全元，晏鸣宇.基于概率统计的输电线路山火监测方法[J].高电压技
术，2015,41(7): 2302—2307.
[4] JAISWAL R K,MUKHERJP：E S,RAJU K D,e t ^/.Forest fire risk
zone mapping from satellite imagery and GISE [J].International Journal of Applied Earth Observation and Geoinformation,2002,4
(1)：1-10.
[5] GHOBADI G J,GHOLIZADEH B,DASHLIBURUN 0M.Forest
fire risk zone mapping from geographic information system in northern forests of Iran (case study, golestan province)[J].International Journal of Agriculture and Crop Sciences, 2012,4(12)：818- 824.
[6] 舒胜文，张深寿，许军，等.基于新一代天气雷达组网监测的输电线路
山火自动识别算法研究[J].中国电机工程学报，2020,4(1): 1-10.
[7] 阮羚，万君，黄俊杰，等.基于G IS的湖北省输变电线路山火风险区划
[J].暴雨灾害，2015，34(3):268—274.
[8] 施巍松，孙辉，曹杰，等.边缘计算：万物互联时代新型计算模型[J].计
算机研究与发展，2017，54(5):907-924.
[9] 张科，叶影，张红.基于边缘计算的森林火警监测系统[J].大数据，
2019,5(2)：79-88.
[10] 李彬，贾滨诚，曹望璋，等.边缘计算在电力需求响应业务中的应用展
望[J].电网技术，2018,42(1):79-87.
[11] 孙伟，曹姗姗，唐小明.林火视频监控空间优化布局与评价技术[J].
自然灾害学报，2013，(2):63 -71.
[12] 路艳巧，孙翠英，曹红卫，等.基于边缘计算与深度学习的输电设备异
物检测方法[J]•中国电力，2020，2(26): 1-7.
[13] 周游，隋〒义，陈洁，等.基于Himawari-8静止气象卫星的输电线路
山火监测与告警技术[J].高电压技术，2020,46(7):2561-2569. [14] 周恩泽，胡思雨，张录军，等.电网山火灾害特征及风险预警技术[J].
电力工程技术，2020,39(3):58-64.
[15] 曾灵聪，曾智建.江西500千伏输电线路山火跳闸分析及对策[C].江
西省电机T.程学会.2019年江西爸电机工程学会年会论文集.江西省 电机工程学会：江西省电机T程学会，2019:331-332.
[16] 刘东甲，陶雄俊.山火引发特高压直流双极相继闭锁的原因分析[J].
现代工业经济和信息化,2017,7(20):95-97.
Mountain fire early warning method in extraultra high voltage transmission and
transformation corridor based on edge
computing
ZHAO Yu, JIANG Ling-xiao
(State Grid Maintenance Co.of SXPC, Shanxi Taiyuan 030032, China)
Abstract: In order to overcome the shortcomings of the existing mountain fire early warning technology in transmission and transformation corridor and improve the anti-interference ability of mountain fire identification, a method of mountain fire early warning based on edge computing is proposed. Based on the analytic hierarchy process (AHP), an analysis model of influencing factors for the location selection of edge monitoring nodes is established. The weight of each element is determined by the discriminant matrix, and the location of edge monitoring node is determined according to the optimal solution. Aiming at the mountain fire identification environment in the transmission and transformation corridor, the edge computing architecture is designed in detail to improve the level of mountain fire early warning in the transmission and transformation corridor. In order to reduce the computational cost of edge convolution calculation, the Mobilenet-SSD model is established to train the fire image recognition data of edge monitoring nodes, and anti-interference measures are added to verify the model effect. The experimental results show that the training model is suitable for the edge computing architecture and can effectively identify the fire in the transmission and transformation corridor.
Key words: power transmission and transformation corridor; mountain fire early warning; edge computing; Mobilenet 作者简介：赵钰（1990—)，男，国网山西省电力公司 检修公司变电运维专业工程师，硕士，主要从事超特高压输变电设备运维工作，山西省太原市小店区高新开发区佳 华街9号,030032。
收稿日期：2020-09-07
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论