基于无人机激光点云的电力线路树障隐患预测技术分析

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）

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1 373 km，电压等级为500 kV，按照规定树障与线路保持7 m 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5 m 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pj(xj，yj，zj)到搜索点pi（xi，yi，zi）的倾斜角度的平均值θi，j测算，公式如下：

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7 m，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。

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。

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5×5 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Wij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：

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：

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：

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1.3 m，垂直距离达到10.9 m，净空距离达到11.1 m，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9.7 m，垂直距离最小23.3 m，净空距离为25.3 m，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。