基于無人機激光點云的電力線路樹障隱患預測技術分析

許志浩，周利，呂偉，歐陽俊杰，萬浩偉

（江西博微新技術有限公司，南昌 330096）

1 引言

在樹障隱患排查方面，采用無人機代替人工巡檢，能夠有效提高樹障識別效率。在無人機巡檢過程中，需搭載測量儀器精準判斷樹木和導線距離，判斷樹木是否為危險樹障或可能成為樹障，指導人員科學開展清障工作。受線路輻射、天氣變化等復雜因素影響，線路走廊樹木生長帶有不確定性，無法精準評估樹障風險?，F階段，國外在線路樹障預測方面尚未提出完整技術方案，而國內架空輸電線路普遍采用激光測距、傾斜攝影測距等技術開展巡檢作業，受樹木信息不全等因素影響，在樹障隱患預測上仍然存在不足。因此，創新性提出采用激光點云數據實現樹木生長態勢預測，為無人機巡檢電力線路樹障提供有力技術支撐。

2 項目概況

某同塔雙回線路開展無人機巡檢測試，線路長1 373 km，電壓等級為500 kV，按照規定樹障與線路保持7 m 安全距離。利用多旋翼無人機PHANTOM 4RTK 搭載三維激光雷達實施樹障巡檢，無人機和導線保持5 m 水平距離，按照“U”形飛行，設置飛行高、旁向重疊等參數，通過軟件實現空三解密等操作，獲得電力線走廊點云數據。

3 無人機激光點云的線路樹障隱患預測技術

3.1 總體方案

線路廊道包含電力線、桿塔、植被等多種地物，根據線路走廊點云數據建立三維幾何模型，結合曲面和多尺度特征實現電力線點云提取，并通過圓柱模型從非地面點云數據中提取桿塔數據，最終利用布料濾波算法實現植被點云分類，如圖1 所示。完成數據分類后，按照設定安全距離對輸電線和樹木間距進行自動分析，能夠判斷樹障隱患危險區域。在單木點云數據分割方面，采用歸一化方法展開分析，實現局部最大值提取，當成是初始樹頂展開分析。設立約束條件后展開迭代分析，能夠對冠層中下層單木進行探測，完成全部單木識別。根據樹木冠幅、高度、位置等信息，對樹木和線路間的凈空距離實施計算，能夠完成隱患判定。輸電線路通道中樹木不同于普通林區中的樹木，將受到線路電壓級別影響，出現正增長、負增長等畸變[1]。在樹木生長態勢預測上，加強樹木生長自然規律分析，利用貝葉斯估計法建立預測模型，在綜合考量線路輻射、氣候變化等因素的基礎上預測樹木高度。根據樹高和線路距離，對樹障風險展開評估，為運維單位制訂消除樹障隱患的方案提供參考。動態分析線路走廊中樹木生長狀況，精準分析樹障隱患分布情況，能夠做到全面、實時把控沿線情況，通過及時排除樹障隱患確保線路運行安全。

圖1 電力線點云數據提取和分類思路

3.2 關鍵技術

3.2.1 電力線點云提取和分類

實際上對電力線點云數據進行自動分類提取，需采用融合聚類分析方法，結合曲率和鄰域特征實現線點數據分析。原始點云數據在水平、垂直方向分布，采用圓球體和圓柱體鄰域實現特征提取，以點位中心對半徑內全部點進行制定，可以通過KD 樹點云組織提取領域點[2]。從高程變化來看，電力線點比植被點和電塔點小，達到初步分離提取植被點和電塔點的目標。根據點云間傾斜角度平均值實現點云數據濾波處理，在各點給定半徑r范圍內完成其他點pj(xj，yj，zj)到搜索點pi（xi，yi，zi）的傾斜角度的平均值θi，j測算，公式如下：

根據測算結果，確定小于閾值的點為電力線點，進一步提取單線數據。按照相鄰電塔間電力線實現分擋，水平投影保持直線且相互平行，可以采用RANSAC 算法實現投影點云中直線擬合，分離各條電力線。從單擋線投影中隨機抽取兩點，將距離閾值設定為7 m，對點到直線距離進行計算，將距離小于閾值點加入直線點集，統計點集元素個數。完成多次隨機采樣后，獲得對應直線點集利用最小二乘法實現最大點集最佳擬合直線求取，還原為三維點云，將對應電力線從單擋點云中刪除。線路高程保持連續分布，通過逐一排查提出突變噪聲點，可以保證結果的準確率。

在點云數據分類上，應做好桿塔定位。線路在二維空間中呈折線分布，節點為桿塔位置，通過激光雷達掃描獲得整體結構，在三維空間中能夠發現高密度點云數據，與走廊內高大樹木和桿塔密度相似。根據公司線路數據確定桿塔坐標和個數，容易出現疏漏，應確認桿塔比周邊地物高。取周圍最高點作為桿塔高程數據，構建圓柱體模型展開分析，重建模型種子點在圓柱體內尋找電力線點，可知各層/股線路間隔較大，應作為數次懸掛點設置閾值，根據搜索到的新線點設定懸掛點，直至無法找到新懸掛點，保證模型覆蓋全部元素[3]。圖2 為點云數據分類提取流程，數據中除了包含線點、桿塔點，還包含植被點、建筑物點。高壓輸電線路周圍通常建筑物稀少，可以區分為地面和非地面，完成樹木點云數據分類。采用布料濾波算法根據地形實現點云數據濾波，假設落在地形表面布料形狀為DSM，翻轉后形狀為DEM，為多個節點構成的網格，稱之為質點彈簧模型。遵循彈性定律分析節點間相互作用，受力后應力和應變間為線性關系，將產生位移。模擬布料形狀確定節點三維位置，將該點和激光點云投影至同個水平面，確定對應激光點，比較各點高程，在不超激光點高程情況下實現節點合并，標為不可動，獲得逼真地形。采用點和點間距離估算法實現距離測算，小于閾值激光點視作地面點。獲取地面點高程數據后，可與地物和導線間距離進行測算，與安全距離比較，確定無法滿足要求視作危險區域，要求盡快清理隱患。

圖2 點云數據分類提取流程

3.2.2 單木點云數據分割算法

考慮到冠層表面單木存在差異，密林中下層特征不顯，需結合垂直結構分層特征對下層單木進行探測，確保準確預測樹障隱患。如圖3 所示，對點云數據進行預處理，實現高程歸一處理和樹頂探測，能夠獲得冠層激光點云數據和初始樹頂信息。將樹冠形狀等指標當成是約束條件，利用全局最大值代替局部最大值，能夠利用Ncut 算法實現單木探測。

圖3 點云單木分割處理流程

在缺少地面實測數據的情況下，將目視單木位置當成是參考數據，對冠層表面明顯樹頂實施探測。采用反距離加權法完成地面點差值，能夠得到高程模型DEM 和數字表面模型DSM，對冠層中高程突變坑實施填補。利用5×5 高斯濾波器實現平滑處理后，利用局部最大值濾波器完成樹頂識別。在林區密度大的情況下，需設定樹頂間水平距離閾值，排除灌木影響，避免引發誤判情況。采用Ncut 算法實現圖像歸一化分割，利用節點間相似性建立權值矩陣，生成特征向量分割點集。將點云映射至無向圖G=（V，E）中，V為激光點節點，E為連接一對節點的邊，節點{i，j}∈V間相似性利用權重Wij描述，能夠反映對應激光點間特征相似程度。采用分水嶺算法確定樹冠邊界，在邊界中尋找局部最大值，利用動態大小圓形濾波器在格柵圖像CHM 像元探測頂點，能夠根據單木形狀完成四次多項式擬合，分析得到樹冠范圍。對各樹頂分別按照東西向和南北向完成2 次擬合，求取平均值，可以得到單木冠幅半徑：

式中，x為擬合曲線水平距離；a、b、c、d、e為四次多項式的擬合系數。

在函數一階導數為0 時，得到擬合曲線極值點，在二階導數為0 時，曲線為凹，得到擬合曲線極小值點，擬合得到窗口凹點位置，確定冠幅半徑。采用距離判別聚類法，假定歸一化數據中最高點為樹木頂點，設定水平距離閾值完成迭代判斷，可以實現單木分割。

3.2.3 樹木生長態勢預測技術

樹木生長過程為“S”形方程，實際采用Richards 方程展開分析，將先驗數據和樣本信息當成是隨機變量，通過貝葉斯估計法建立樹木高度生長預測模型，能夠得到：

式中，H為樹高；A指的是樹木生長最大值；B為樹木生長因子；k為樹木生長速率相關因子；m為方程曲線拐點；t為樹齡。其中，k和樹齡、平均胸徑、樹木密度、立地指數等相關，m和B與樹高、樹齡、密度等相關。采用貝葉斯估計法系統解決問題，將先驗未知參數和樣本信息結合起來，推斷參數分布，能夠得到：

式中，p為概率分布函數或密度函數，y=（y1，y2，y3，…）為數據向量，θ=（θ1，θ2，θ3，…）為參數向量。采用最小二乘法估計，利用該類分布描述參數不確定，可以得到θ的條件概率分布為p（θ）|y。作為在給定θ下y的似然函數，p（θ）為先驗信息，通過循環迭代后可以實現參數優化平差。對各樹種建立相應高度生長模型，根據經驗值和林分樹高等分布曲線完成方程初始值估算，最終能夠利用先驗和后驗信息實現樹木生長高度精準推算。

3.3 樹障隱患預測結果分析

按照上述技術方案實施線路樹障隱患預測，可知線路絕大多數區域不存在樹障安全風險，僅1 處樹木和線路水平距離達到1.3 m，垂直距離達到10.9 m，凈空距離達到11.1 m，屬于緊急缺陷，風險等級不高，其他區域線路與樹木水平距離最小9.7 m，垂直距離最小23.3 m，凈空距離為25.3 m，均符合要求。將無人機樹障隱患預測結果與使用激光測距望遠鏡測量結果比較，最大相對誤差不超過±1.5%，能夠保證預測結果可信有效。

4 結語

采用傳統模型參數估測方法對線路通道中樹木生長態勢展開分析，無法做到充分考量線路輻射等隨機參量，導致估測精度偏低，無法精準預測樹障隱患。而在樹木生長至電力線路安全距離范圍內后，可能引發線路跳閘事故，給電網穩定運行帶來威脅。采用無人機激光雷達設備實現線路樹障隱患預測，通過采集電力線點云數據，根據曲面特征等實現桿塔、樹木等點云數據自動提取、分類，確定隱患危險區后，通過歸一化分析實現單木點云數據分割，最終可以匯總樹木高度、位置等信息分析與線路間的凈空距離。采用貝葉斯估計法建立模型，對樹木高度展開精準預測，可以保證電力線路運行安全。