基于mesh的电网施工现场智能风险识别技术研究

韩冰洋，张亚南

（北京中电飞华通信有限公司，北京，100071）

0 引言

2020 年2 月国家电网公司印发的《公司2020 年重点工作任务》，提出强化现场安全管控，加强安全监督体系建设，开展安全巡查，推行远程监控与现场督查互为补充的工作机制。输电线路和变电站作为电网最主要的组成部分，保证其安全稳定运行至关重要。因此，利用各种传感以及监测设备来实时地监测其运行状况势在必行。而移动作业作为电网最主要的临时作业场景，安全问题突出，所以非常有必要运用最新的技术手段提升现场作业管理水平、保障作业人员安全。

1 研究必要性

近年来我国电力行业规模不断扩大，电网“调控一体化”运行模式不断深化，为了提高电力系统生产的自动化水平，电力系统正在大力建设无人值守通信站和变电站，许多电力企业已经建设远程视频监控系统，但偏远地区施工现场网络覆盖难，数据回传难，风险识别难。而且虽然视频监控能够将采集的信息进行直观化显示，提升了信息处理的便捷性，但是采用大量的人力资源对视频监测进行二次监控的工作方法是十分不科学且不合理的，不仅造成的人力的浪费，也是的漏报等情况频频发生；在系统储存中，录像资源是十分庞大的，如果根据一个特性进而对整个数据系统进行筛查，采用人工作业的方式，不仅需要配备大量的人员，而且随着工作量的不断增加，人工会出现视觉疲劳，导致工作的准确率直线下降，产生漏检的概率也会大大提升，无法发挥视频监控系统的效力。

Mesh 自组网技术非常适合施工现场通信需求，本研究基于mesh 自组网技术实现偏远地区广覆盖、低时延网络建设，达到电网数据的有效传输，在现有视频监控的基础上，以智能视频识别技术作为主要应用，对现场的施工环境进行全面的分析，从而对判决准则进行科学合理的构建，对非正常请款进行捕捉，对电力系统施工现场的人员行为进行监控，为电网施工作业提供及时有效的安全风险防范手段。

2 面向视频监控的高带宽无线mesh 自组网技术

■2.1 无线多跳自组网技术

本研究基于无线MESH 自组网技术，利用OmniAir 无线Mesh 传输设备，并且融合了其他相关的传输技术，具备分布式多跳功能，能迅速实现无线覆盖，是一款高性能高速无线自组织网络。利用多模块技术解决了高速无线自组织网络多跳损耗过大的问题。自主研发的SOAPMAN 自组网通信协议改善无线传输和无线组网性能，如传输距离、移动速率、抗干扰、穿透能力以及无线网络安全等方面的性能得以增强，并且还可作为光纤提供备份链路，自动检测光纤链路状态，一旦光纤故障可快速切换无线通信。实现了远距离高带宽的数据传输，并且MESH的自愈合技术，保证了网络传输的高可靠性，其次MESH 成本较低，快速部署等特点，只需一次性投入，适合大规模快速部署。

图1 无线多跳自组网

无线多跳自组网作为一种特殊的自组织、对等式、多跳、无线移动网络，它是在无线分组网的基础上进一步发展而形成的新技术。以一组无线收发装置的可移动节点作为临时性多跳自治系统，这样网络节点在进行无线信号接受的过程中能够迅速的接收到临近节点的信号，而节点的路由器能够根据连接的无线网络自动的进行算法计算，将节点之间的通信关系进行更新调节，从而形成一个全新的网络拓扑结构。无线多跳自组网与传统的网络连接相比，其对于基础设施并没有强烈的依赖性，同时具有展开快速、抗毁性能强、可临时组网等优点，大大增加了便捷性和安全性，因此无论是在民事、军事还是民用方面都具有巨大的发展强力，是目前网络研究中一个重要的研究课题。

由于无线多跳自组网克服无线传输易受干扰痛点，网络形态由“集中式”向“分布式”转变，物联网“最后一公里接入”核心技术之一。无线多跳自组网的核心理念是使网络中的每一个节点都具有接受和发送信号的能力，都能够具有自动路由的功能，并且能够限制每个网络节点只与相邻的节点之间建立通信联系，在整个运行的过程中不需要主干网络的参与也能够建立富有弹性的网络结构。泛在电力物联网不可或缺的通信技术之一。无需基站，扫除盲点，自组互联，自动愈合，稳定可靠。

■2.2 无线多跳自组网特点

2.2.1 快速部署，易扩展

无需网络运营商参与，感知终端即放即用、随意增减，部署简单灵活。依托于无线多跳自组网络建立无线专网，极大地减少了部署的困难，增加了灵活性，当需要在原有网络基础上添加感知终端的时候，只需在原有的网络覆盖范围内添加无线自组织传输节点，网络拓扑将会自动更新，自动完成新设备的添加。

图2 无线多跳自组网增加节点

2.2.2 多跳传输，覆盖广

基于无线多跳自组网络的分布式通信系统中，无线自组织网络设备能够通过自组织协议动态组网，具有多跳传输的能力，可以有效扩展传输距离。同时，组网协议会根据链路质量自动选择最佳路径，保证感知终端有多条传输路径畅通，确保无线信号覆盖稳定，解决传统无线网络信号覆盖不稳定情况。

2.2.3 鲁棒性强

与传统的基站式网络中基站瘫痪即导致全网瘫痪的特点相比而言，无线多跳自组织网络中单点损坏并不会导致网络中断，因此具有较强的鲁棒性。

2.2.4 移动性强

无线多跳自组织网络组网节点适用于动态环境下的移动数据传输，如果监控终端需要经常变换部署位置，不影响设备之间的组网连接和通信。

图3 无线多跳自组网切换路由

3 基于边缘计算的安全风险识别

■3.1 基于深度学习的行为识别

在计算机视觉中一个重要的研究任务便是对视频序列中的人体动作，进行自动的分析，检索以及识别，这项任务同时在机器视觉，AI 技术以及人机交互等多个领域中引起强烈的重视，目前在很多领域已经进行了广泛的应用，如VR 领域，视频监控领域以及智能机器人等领域。当然计算机在进行相关动作分析检索等过程中，需要对其提供特定的动作特征，以动作识别为例，如果要对人体的运动动作进行分析，首先要在视频序列和动作类型之间建立其有效的链接，使计算机能够对视频中所展现的动作加以理解。由此可见，想要实现计算机对动作的分析检索和计算，需要对动作特征进行有效提取，同时特征提取的准确性和精确性直接会对分析结果产生影响。在以往的几十年中，对视频动作识别的方式层出不穷，同时动作识别数据也在飞速的进行增长。如今在图像领域（图像分类、目标检测、场景分类）中神经网络取得了非常成功的应用，因此越来越多的人开始在视频动作识别中引入神经网路技术，这在一定程度上肯定了神经网络模型的科学性和全民性。目前，在行为识别中应用神经网络已经成为了重要的研究方向。

人体动作识别（Human Action Recognition）的分类是以动作特征模态作为标准的，其主要分为4 大类：分别是人体骨架（body skeletons）、深度图（depth map）、图像人体轮廓特征（appearance）以及视频人体运动光流（optical-flow）。同时人体图像视频中，除去繁杂的运动背景，还包括不断变化的光照，人体的外貌特征不固定等，种种因素都增加了因素的不确定性，因此在对图像视频中的行为进行识别时将会受到一定的限制。而深度图与图像视频相比较而言，能够将这些不确定因素进行较好的降低。同时在深度图中应用神经网络也受到研究界的广泛关注。人体行为识别的主要任务是能够在一段含有人体单一运动的视频中，将人体动作进行推断进而为其打上动作标签（如走、跑、跳等）。

在图像问题处理中，深度神经网络取得了优异的成绩，因此更多的研究者试图在视频动作行为识别中也将深度神经网络进行应用。在众多的深度学习的模型中，卷积神经网络（CNN）受到了学者们广泛的关注，因此在图像识别中该模型发挥了重要的作用。此外在自然语言处理（NLP）中，循环神经网络（RNNs）的应用取得了大规模的成功，这是基于其具较为强悍的时序建模能力。循环神经网络顾名思义其是能够进行不断循环的网络，即对同一神经网络能够不断进行重复的操作，信息的传递性在此过程中得到了较好的发挥。循环神经网络在对长序列进行学习的过程中会存在较多的问题，这是由于梯度的消失和爆炸所导致的。为了解决这一问题，Hochreiter 等人提出了一个新的循环神经网络单元（Long Short-term Memory，LSTM），主要目的是为了减少长期依赖的问题的出现。Donahue 等提出了将卷神经网络与LSTM 相互结合的网络构想，通过将预处理的深度图像数据传送到事先设计好的卷神经网络当中，从而对空序特征进行获取，随后再将视频中的数据传送到LSTM 当中，对时序特征进行获取，将后采用Softmax 映射空序与时序相融合后的类别。现阶段对于人体三维模型的研究越来越受到关注，并在广泛的进行中，Shao 等提出了身体部分动作识别的层次模型，即以人体的运动特性作为标准，将人体骨架进行拆解，将其列为多个运动刚体，提出旋转速度不变量描述子RRV（Rotation and Relative Velocity），用其对刚体的转速和速度的不变量进行表示，进而得到动作表示。

使用深度学习方法解决视频中行为识别（动作识别）的问题有两大类思路：（1）以抽取并分类时空特征为目的的视频识别方法；（2）以提取骨架信息进行再训练为目的的姿态估计方法。由于神经网络可以从数据中学习到特征，这种学习方式也符合人类认识世界的机理，因此，通过神经网络学习到的语义特征往往可以用于行为识别。神经网络模型按照网络结构主要划分为3个分支：双流（Two-Stream）方法、3D-ConvNet 方法以及融合（CNN-LSTM）方法。

■3.2 智能视频分析技术

现阶段，在一些行业中虽然视频分析技术的应用取得了一定的成绩，但很多算法仍然只能在固定场景中获得较高性能，在实际应用中性能下降严重，无法实用。基于此，本研究针对电力作业中少量较为突出的违章行为，使用视频分析技术进行检测分析，主动发现安全隐患，减少安全事故的发生。

智能视频分析技术采用图像处理、模式识别和计算机视觉技术，以计算机技术中数据处理能力的强大性作为基础，自动识别物体能力进行辅助，在进行视频源信息提取的过程中，能够对关键信息进行快速锁定分析，对事故现场进行准确定位，对监控中的异常情况进行全方面的分析以及展示，并且能够快速进行报警操作，以通知技术控制中心进行抢救。此外该研究还将对边缘计算的视频图像预处理技术进行研究，以预处理的方式对视频图像进行操作，将图像中多余的信息进行去除，将精准的视频图像内容进行迁移到边远设备之中，通过此项操作，能够有效的对云中心的计算、储存、网络宽带等需求进行降低，将视频分析的效率进行有效的提高，同时，预处理使用的算法采用软件优化、硬件加速等方法，是视频图像分析的工作效率得到有效的提升，从而有效进行电网施工现场风险预警。

4 结语

综上所述，无线多跳自组网技术具有快速部署易扩展，多跳传输覆盖广，鲁棒性强，移动性强的特点，使用深度学习方法解决视频中行为识别。智能视频分析技术采用图像处理、模式识别和计算机视觉技术，以计算机技术中数据处理能力的强大性作为基础，自动识别物体能力进行辅助，在进行视频源信息提取的过程中，能够对关键信息进行快速锁定分析，对事故现场进行准确定位，对监控中的异常情况进行全方面的分析以及展示，并且能够快速进行报警操作，以通知技术控制中心进行抢救有效进行电网施工现场风险预警。