基于无人机激光点云的电力线路树障隐患预测技术分析

1引言
在树障隐患排查方面,采用无人机代替人工巡检,能够有
效提高树障识别效率。

在无人机巡检过程中,需搭载测量仪器精准判断树木和导线距离,判断树木是否为危险树障或可能成为树障,指导人员科学开展清障工作。

受线路辐射、天气变化等复杂因素影响,线路走廊树木生长带有不确定性,无法精准评估树障风险。

现阶段,国外在线路树障预测方面尚未提出完整技术方案,而国内架空输电线路普遍采用激光测距、倾斜摄影测距等技术开展巡检作业,受树木信息不全等因素影响,在树障隐患预测上仍然存在不足。

因此,创新性提出采用激光点云数据实现树木生长态势预测,为无人机巡检电力线路树障提供有力技术支撑。

2项目概况
某同塔双回线路开展无人机巡检测试,线路长1373km ,
电压等级为500kV ,按照规定树障与线路保持7m 安全距离。

利用多旋翼无人机PHANTOM 4RTK 搭载三维激光雷达实施树障巡检,无人机和导线保持5m 水平距离,按照“U ”形飞行,设置飞行高、旁向重叠等参数,通过软件实现空三解密等操作,获得电力线走廊点云数据。

3
无人机激光点云的线路树障隐患预测技术
3.1
总体方案
线路廊道包含电力线、杆塔、植被等多种地物,根据线路
走廊点云数据建立三维几何模型,结合曲面和多尺度特征实现电力线点云提取,并通过圆柱模型从非地面点云数据中提
取杆塔数据,最终利用布料滤波算法实现植被点云分类,如图1所示。

完成数据分类后,按照设定安全距离对输电线和树
【作者简介】许志浩（1988~），男，湖北武汉人，高级工程师，从事电力
系统及其自动化研究。

基于无人机激光点云的电力线路树障隐患预测技术分析
Analysis of Hidden Danger Prediction Technology of Power Line
Tree Obstacle Based on UAV Laser Point Cloud
许志浩，周利，吕伟，欧阳俊杰，万浩伟
（江西博微新技术有限公司，南昌330096）
XU Zhi-hao,ZHOU Li,LV Wei,OUYANG Jun-jie,WAN Hao-wei
(Jiangxi Bowei New Technology Co.Ltd.,Nanchang 330096,China)
【摘要】为解决无人机激光测距存在的树木隐患排查不全的问题，提出采用激光点云数据实现电力线路树障隐患预测。

通过实现
电力线点云数据自动提取和分类，完成单木分割分类管理，并建立模型实现数据生长态势预测，能够解决树木畸形生长带来的树障隐患排查难题。

研究结果表明，利用贝叶斯估计法对树木生长态势实施科学预测，根据树木和导地线距离精准评估树障隐患风险，能够为解决树障隐患排查问题提供有效技术方案。

【Abstract 】In order to solve the problem of incomplete investigation of tree hidden danger in laser ranging of unmanned aerial vehicle,it is
proposed to use laser point cloud data to realize tree hidden danger prediction of power line.Through the automatic extraction and classification of point cloud data of power line,the classification management of single tree segmentation is completed,and the model is established to predict the data growth trend,which can solve the problem of hidden trouble investigation caused by abnormal growth of trees.The research results show that using Bayesian estimation method to scientifically predict the growth situation of trees and accurately evaluate the hidden danger risk of tree barriers according to the distance between trees and ground wires can provide an effective technical scheme for solving the problem of hidden danger investigation of tree barriers.
【关键词】无人机；激光点云；电力线路；树障隐患预测
【Keywords 】UAV;laser point cloud;power lines;prediction of hidden dangers of tree obstacles 【中图分类号】TM75；P231
【文献标志码】A
【文章编号】1007-9467（2024）01-0159-03
【DOI 】
10.13616/ki.gcjsysj.2024.01.048
159
木间距进行自动分析,能够判断树障隐患危险区域。

在单木点云数据分割方面,采用归一化方法展开分析,实现局部最大值提取,当成是初始树顶展开分析。

设立约束条件后展开迭代分析,能够对冠层中下层单木进行探测,完成全部单木识别。

根据树木冠幅、高度、位置等信息,对树木和线路间的净空距离实施计算,能够完成隐患判定。

输电线路通道中树木不同于普通林区中的树木,将受到线路电压级别影响,出现正增长、负增长等畸变[1]。

在树木生长态势预测上,加强树木生长自然规律分析,利用贝叶斯估计法建立预测模型,在综合考量线路辐射、气候变化等因素的基础上预测树木高度。

根据树高和线路距离,对树障风险展开评估,为运维单位制订消除树障隐患的方案提供参考。

动态分析线路走廊中树木生长状况,精准分析树障隐患分布情况,能够做到全面、实时把控沿线情况,通过及时排除树障隐患确保线路运行安全。

图1电力线点云数据提取和分类思路
3.2
关键技术
3.2.1
电力线点云提取和分类
实际上对电力线点云数据进行自动分类提取,需采用融
合聚类分析方法,结合曲率和邻域特征实现线点数据分析。

原始点云数据在水平、垂直方向分布,采用圆球体和圆柱体邻域实现特征提取,以点位中心对半径内全部点进行制定,可以通过KD 树点云组织提取领域点[2]。

从高程变化来看,电力线点比植被点和电塔点小,达到初步分离提取植被点和电塔点的目标。

根据点云间倾斜角度平均值实现点云数据滤波处理,在各点给定半径r 范围内完成其他点p j (x j ,y j ,z j )到搜索点p i (x i ,y i ,z i )的倾斜角度的平均值θi ,j 测算,公式如下:
θi ,j =arctan[
z j -z i
(x j -x i )2+(y j -y i )2
姨]
(1)
根据测算结果,确定小于阈值的点为电力线点,进一步提取单线数据。

按照相邻电塔间电力线实现分挡,水平投影保持直线且相互平行,可以采用ＲANSAC 算法实现投影点云中直线拟合,分离各条电力线。

从单挡线投影中随机抽取两点,将距离阈值设定为7m ,对点到直线距离进行计算,将距离小于阈值点加入直线点集,统计点集元素个数。

完成多次随机采样后,获得对应直线点集利用最小二乘法实现最大点集最佳
拟合直线求取,还原为三维点云,将对应电力线从单挡点云中删除。

线路高程保持连续分布,通过逐一排查提出突变噪声点,可以保证结果的准确率。

在点云数据分类上,应做好杆塔定位。

线路在二维空间中呈折线分布,节点为杆塔位置,通过激光雷达扫描获得整体结构,在三维空间中能够发现高密度点云数据,与走廊内高大树木和杆塔密度相似。

根据公司线路数据确定杆塔坐标和个数,容易出现疏漏,应确认杆塔比周边地物高。

取周围最高点作为杆塔高程数据,构建圆柱体模型展开分析,重建模型种子点在圆柱体内寻找电力线点,可知各层/股线路间隔较大,应作为数次悬挂点设置阈值,根据搜索到的新线点设定悬挂点,直至无法找到新悬挂点,保证模型覆盖全部元素[3]。

图2为点云数据分类提取流程,数据中除了包含线点、杆塔点,还包含植被点、建筑物点。

高压输电线路周围通常建筑物稀少,可以区分为地面和非地面,完成树木点云数据分类。

采用布料滤波算法根据地形实现点云数据滤波,假设落在地形表面布料形状为DSM ,翻转后形状为DEM ,为多个节点构成的网格,称之为质点弹簧模型。

遵循弹性定律分析节点间相互作用,受力后应力
和应变间为线性关系,将产生位移。

模拟布料形状确定节点三维位置,将该点和激光点云投影至同个水平面,确定对应激光点,比较各点高程,在不超激光点高程情况下实现节点合并,标为不可动,获得逼真地形。

采用点和点间距离估算法实现距离测算,小于阈值激光点视作地面点。

获取地面点高程数据后,可与地物和导线间距离进行测算,与安全距离比较,确定无法满足要求视作危险区域,要求尽快清理隐患。

原始点云
预处理
点云特征分析
曲率特征邻域特征初始分类
精分类
电力线点
非地面点
圆柱形模型杆塔识别
杆塔点
地面点
地形滤波
布料滤波图2
点云数据分类提取流程
3.2.2
单木点云数据分割算法
考虑到冠层表面单木存在差异,密林中下层特征不显,需
结合垂直结构分层特征对下层单木进行探测,确保准确预测树障隐患。

如图3所示,对点云数据进行预处理,实现高程归一处理和树顶探测,能够获得冠层激光点云数据和初始树顶信息。

将树冠形状等指标当成是约束条件,利用全局最大值代替局部最大值,能够利用Ncut 算法实现单木探测。

160
图3点云单木分割处理流程
在缺少地面实测数据的情况下,将目视单木位置当成是参考数据,对冠层表面明显树顶实施探测。

采用反距离加权法完成地面点差值,能够得到高程模型DEM和数字表面模型DSM,对冠层中高程突变坑实施填补。

利用5伊5高斯滤波器实现平滑处理后,利用局部最大值滤波器完成树顶识别。

在林区密度大的情况下,需设定树顶间水平距离阈值,排除灌木影响,避免引发误判情况。

采用Ncut算法实现图像归一化分割,利用节点间相似性建立权值矩阵,生成特征向量分割点集。

将点云映射至无向图G=(V,E)中,V为激光点节点,E为连接一对节点的边,节点{i,j}∈V间相似性利用权重W ij描述,能够反映对应激光点间特征相似程度。

采用分水岭算法确定树冠边界,在边界中寻找局部最大值,利用动态大小圆形滤波器在格栅图像CHM像元探测顶点,能够根据单木形状完成四次多项式拟合,分析得到树冠范围。

对各树顶分别按照东西向和南北向完成2次拟合,求取平均值,可以得到单木冠幅半径:
f(x)=ax4+bx3+cx2+dx+e(2)式中,x为拟合曲线水平距离;a、b、c、d、e为四次多项式的拟合系数。

在函数一阶导数为0时,得到拟合曲线极值点,在二阶导数为0时,曲线为凹,得到拟合曲线极小值点,拟合得到窗口凹点位置,确定冠幅半径。

采用距离判别聚类法,假定归一化数据中最高点为树木顶点,设定水平距离阈值完成迭代判断,可以实现单木分割。

3.2.3树木生长态势预测技术
树木生长过程为“S”形方程,实际采用Richards方程展开分析,将先验数据和样本信息当成是随机变量,通过贝叶斯估计法建立树木高度生长预测模型,能够得到:
H=A(1-B e-kt)11-m(3)式中,H为树高;A指的是树木生长最大值;B为树木生长因子;k为树木生长速率相关因子;m为方程曲线拐点;t为树龄。

其中,k和树龄、平均胸径、树木密度、立地指数等相关,m和B 与树高、树龄、密度等相关。

采用贝叶斯估计法系统解决问题,将先验未知参数和样本信息结合起来,推断参数分布,能够得到:
p(y,θ)=p(y|θ)p(θ)=p(y|θ)p(y)(4)式中,p为概率分布函数或密度函数,y=(y1,y2,y3,…)为数据向量,θ=(θ1,θ2,θ3,…)为参数向量。

采用最小二乘法估计,利用该类分布描述参数不确定,可以得到θ的条件概率分布为p(θ)|y。

作为在给定θ下y的似然函数,p(θ)为先验信息,通过循环迭代后可以实现参数优化平差。

对各树种建立相应高度生长模型,根据经验值和林分树高等分布曲线完成方程初始值估算,最终能够利用先验和后验信息实现树木生长高度精准推算。

3.3树障隐患预测结果分析
按照上述技术方案实施线路树障隐患预测,可知线路绝大多数区域不存在树障安全风险,仅1处树木和线路水平距离达到1.3m,垂直距离达到10.9m,净空距离达到11.1m,属于紧急缺陷,风险等级不高,其他区域线路与树木水平距离最小9.7m,垂直距离最小23.3m,净空距离为25.3m,均符合要求。

将无人机树障隐患预测结果与使用激光测距望远镜测量结果比较,最大相对误差不超过±1.5%,能够保证预测结果可信有效。

4结语
采用传统模型参数估测方法对线路通道中树木生长态势展开分析,无法做到充分考量线路辐射等随机参量,导致估测精度偏低,无法精准预测树障隐患。

而在树木生长至电力线路安全距离范围内后,可能引发线路跳闸事故,给电网稳定运行带来威胁。

采用无人机激光雷达设备实现线路树障隐患预测,通过采集电力线点云数据,根据曲面特征等实现杆塔、树木等点云数据自动提取、分类,确定隐患危险区后,通过归一化分析实现单木点云数据分割,最终可以汇总树木高度、位置等信息分析与线路间的净空距离。

采用贝叶斯估计法建立模型,对树木高度展开精准预测,可以保证电力线路运行安全。

【参考文献】
[1]杨慧.面向无人机平台的树障测距图像标定系统设计[J].信息技术, 2022,46(9):118-122.
[2]吴亮,许国伟,范晟,等.基于无人机多光谱测绘的输电线路树障通道修缮工程面积计算方法[J].电子测试,2022,36(13):61-63. [3]柴芳芳.基于低空无人机倾斜摄影技术的电力巡线树障检测方法研究[J].科学技术创新,2022(6):10-13.
【收稿日期】
2023-02-22
161。