面向电力系统架空输电线路舞动识别的云边协同多模态框架

《Electric Power Systems Research》：Cloud-edge collaborative multimodal framework for galloping discrimination of overhead transmission lines in electric power systems

　　

• •
  提出了一种面向输电线路舞动监测的云边协同框架。
• •
  轻量级边缘模型可实现舞动的快速判别。
• •
  云端多源融合可实现高准确度的舞动判别。
• •
  周期性云边协同优化支持自适应监测。
• •
  现场采集的多模态数据验证了所提框架的有效性。

引言

输电线路舞动是由极端气象条件（如强风、覆冰、气温骤变等）引发的大振幅、低频率振动现象[1]。严重的舞动事件可能导致导线碰撞、绝缘子损坏甚至线路断裂，对电力系统的运行安全与可靠性构成严重威胁。随着极端天气事件频率的增加和架空输电走廊的持续扩展，对输电线路状态感知、条件监测和风险防控提出了更高要求[2]，[3]，[4]。在此背景下，快速可靠的输电线路舞动判别已成为输电系统安全监测与智能运维的重要任务。

现有大多数舞动判别方法依赖于边缘侧监测设备采集的单模态数据，包括监控图像、张力传感器测量数据和微气象观测数据。基于视觉的方法部署便捷，但其性能对光照变化、恶劣天气和背景干扰高度敏感[5]。相比之下，基于张力传感器的方法在复杂环境中相对稳定，但其高昂的部署成本和较长的维护周期限制了其在偏远输电走廊沿线的大规模部署。微气象观测能够直接表征与舞动发生相关的外部激励条件，但无法反映导线自身的动态响应。因此，单模态数据通常不足以全面表征输电线路舞动，尤其在鲁棒性、场景适应性和工程实用性方面存在不足。

一方面，从物理角度来看，输电线路舞动受导线动力学与环境激励耦合交互的控制[6]。其发生与演变不仅取决于导线的结构属性和运动状态，还取决于气象条件和历史运行信息。例如，风速、温度和覆冰状况直接影响舞动的触发，而历史巡检记录往往包含易发区段和异常模式等宝贵信息。这些异构数据源为舞动提供了互补性描述，使多源融合成为提升特征完备性、环境鲁棒性和跨场景泛化能力的物理一致方法[7]，[8]。

另一方面，考虑到电力系统中输电走廊的空间分布特征，输电线路舞动往往表现出区域相关性[9]。尽管边缘侧的本地检测能够提供及时的局部感知，但受限于有限的计算资源，难以实现复杂时空建模或异构信息的深度融合。相比之下，云端提供了丰富的计算和存储资源，可进行大规模跨节点分析和多模态推理。然而，将大量原始数据直接上传至云端会增加通信开销和传输时延，难以满足实际舞动监测的效率和可靠性要求。因此，在边缘计算资源有限的条件下，一种协调边缘侧响应效率与云端多模态分析能力的云边协同架构，对于电力系统中可靠的输电线路舞动判别与监测支撑至关重要[10]，[11]，[12]。

尽管多源数据融合在相关电力系统诊断和故障分析任务中已取得令人瞩目的成果，但针对输电线路安全监测的云边协同多模态舞动判别的系统性研究仍然有限。现有方法通常侧重于边缘侧舞动分析或集中式云端处理，而鲜有研究提供一个统一的框架，充分利用导线运动、环境激励和巡检知识来实现快速本地判别、高精度云端分析以及长期协同优化[13]。

为应对上述挑战，本文提出了一种面向电力系统架空输电线路舞动判别的云边协同框架。该框架协同利用边缘侧的快速响应能力和云端的多模态综合分析能力，旨在实现复杂工况下的高效本地判别和可靠的云端判别，并进一步支持周期性的云边协同优化。本工作的主要贡献总结如下：

• 1.
  提出了一种面向电力系统中架空输电线路舞动判别的云边协同框架，该框架协调快速边缘侧判别与高精度云端多模态判别，并通过周期性优化进一步支持协同决策精炼。
• 2.
  在边缘侧开发了一种轻量级基于视觉的舞动判别模型，能够在有限的计算资源下高效提取输电线路的结构和运动相关特征，实现快速的本地舞动判别。
• 3.
  设计了一种具有跨模态注意力融合的云端多模态舞动判别模型，联合建模视觉掩码特征、微气象测量数据和巡检文本信息，通过异构信息的互补性提升判别准确性和鲁棒性。
• 4.
  基于现场采集的监测数据构建了一个专用的多模态输电线路舞动数据集，并通过系统性实验验证了所提框架在舞动判别中的有效性。

章节摘要

基于视觉的输电线路舞动判别

随着固定摄像头在输电铁塔和变电站的广泛部署，基于视觉的技术已成为输电线路监测的重要解决方案。早期研究主要依赖卷积神经网络从监控图像中检测和分割导线，从而提取特征用于后续状态分析[14]，[15]，[16]。近年来，基于Transformer的模型，如MaskFormer[17]、SegFormer[18]和Segment Anything Model（SAM）

所提云边协同框架

为在复杂工况下平衡及时的本地响应与可靠的判别能力，提出了一种面向架空输电线路舞动判别的云边协同框架，如图1所示。

所提框架由两个紧密耦合的组件组成，即边缘侧和云端。边缘侧在靠近传感源的位置执行快速的本地舞动判别，从而在有限的计算条件下实现及时的本地感知

边缘侧舞动判别

边缘侧舞动判别方法主要包括两个阶段：基于轻量级MaskFormer的输电线路分割和基于光流的运动判别，如图2所示。

输电线路具有细长且空间延伸的几何特征。传统的基于卷积的分割模型主要依赖局部感受野，因此在捕获长程依赖和保持结构连续性方面存在局限。相比之下，

实验设置

为评估所提框架，构建了一个用于输电线路舞动判别的现场采集多模态数据集。具体而言，从2023年1月至2024年12月，数据通过安装在1200座输电铁塔上的带内置稳定功能的光学摄像机以及分布在中国河南省167条输电线路区段上的同置微气象传感器采集，并配以相应的巡检记录。摄像机

结论

本文提出了一种面向电力系统中架空输电线路舞动判别的云边协同框架。在边缘侧开发了一种基于轻量级MaskFormer的方法，用于快速的本地舞动判别；在云端构建了一种多模态模型，融合视觉、微气象和巡检文本信息，实现高精度的舞动判别。此外，还提出了一个周期性的云边协同优化机制

CRediT作者贡献声明

王刚：论文撰写–审阅与编辑、论文撰写–原创初稿、可视化、验证、软件、资源、项目管理、方法论、调查、形式化分析、数据管理、概念构思。史英：监督、资助获取。杨旭：监督、资助获取。王明浩：验证、调查。谢雨菲：软件、方法论。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

王刚|史英|杨旭|王明浩|谢雨菲