基于機器學習算法的10 kV 配電網帶電作業(yè)安全檢測方法

晁彬杰，陳 楊，丁 晨

（國網陜西省電力有限公司 寶雞市供電公司，陜西 寶雞 721000）

0 引 言

帶電作業(yè)是配電網建設中的重要項目，它是在用戶能夠正常用電的情況下，進行一系列的電力維護和建設工作，具有一定的難度和危險性[1]。配電網建設對我國的意義重大，現(xiàn)在我國的配電網大多工程量巨大，施工場地極多，現(xiàn)場的工作人員成千上萬。正是因為配電網建設擁有如此巨大的規(guī)模，所以在配電網工程的建設中，很容易出現(xiàn)安全事故，導致工程完成的質量較差。特別是在早年的帶電作業(yè)中，由于技術不發(fā)達，都是由現(xiàn)場的施工人員對施工現(xiàn)場進行監(jiān)控和警告，但人眼的能力終究有限，不僅會產生極大的誤差，對一些隱藏的危險也難以發(fā)現(xiàn)，給帶電作業(yè)人員的人身安全埋下隱患[2]。為此，本文引入了機器學習算法，提出了10 kV 配電網帶電作業(yè)安全檢測方法，保障了工人在作業(yè)過程中的人身安全，也提升了配電網工程的建設效率，給電網的正常運行打下了堅實可靠的基礎。

1 10 kV 配電網帶電作業(yè)安全檢測方法設計

1.1 構建帶電作業(yè)安全檢測模型

在對配電網進行帶電作業(yè)時，想要保證配電網作業(yè)人員的安全，首先就要構建帶電作業(yè)安全監(jiān)測模型。在帶電作業(yè)中，經常出現(xiàn)的安全問題就是當空氣被擊穿后，原本線路的絕緣特性轉變成了導體，使得作業(yè)人員與導線之間出現(xiàn)放電現(xiàn)象，從而威脅到作業(yè)人員的人身安全[3]。因此，在構建帶電作業(yè)的安全檢測模型時，就要保證作業(yè)的電場強度低于人體所能承受的最大電場強度。配電網在工作的過程中，產生的電流會聚集在一起，產生大量的熱量，從而引起大氣的熱電離化，形成一個導流通道。如果作業(yè)導體管的導電性增大，那么導體管內部的電場就會增大，使得導體周圍的空氣出現(xiàn)電離的情況[4]。同時，在導流通道的作用下，電離會沿著導流通道快速擴散，使得導流通道中含有大量游離的帶電顆粒，加快放電速度。因此，在計算時，首先要計算出配電網的電場強度，其具體計算過程為

式中：u為配電網線路的粗糙程度；ρa為作業(yè)位置的相對空氣密度；rc為帶電作業(yè)時的作業(yè)半徑。通過式（1），計算出配電網的電場強度，并以此為基礎，構建帶電作業(yè)安全檢測模型。其模型構建結果為

式中：Emax為帶電作業(yè)時配電網所能承受的最大電場強度；vc為游離的帶電粒子在配電網中的移動速度。至此，帶電作業(yè)安全檢測模型的構建完成。

1.2 基于機器學習算法規(guī)劃帶電作業(yè)安全檢測路徑

在構建的帶電作業(yè)安全檢測模型的基礎上，規(guī)劃出帶電作業(yè)安全檢測路徑。首先，確定好帶電作業(yè)的初始位置，并在該位置處對此次帶電作業(yè)進行一個初始評估，利用評估函數計算出最小的評估點，并以該節(jié)點為中心，尋找節(jié)點周圍可到達的點，并定位下一個路徑點的位置坐標，通過對下一路徑點的評估，決定規(guī)劃的路線[5]。如果下一路徑點為配電網中作業(yè)的終點，則直接將之前確定的路徑點連接起來，生成帶電作業(yè)的安全檢測路徑，否則就需要繼續(xù)尋找路徑點。在尋找路徑點的過程中，本文利用機器學習算法，時刻對周圍環(huán)境進行實時檢測，保證選擇路徑點的正確性。其具體檢測過程為

式中：θ1為當前路徑點所能選擇的角度；L為配電網中傳感器的探測長度。通過式（3），計算出各個路徑點的位置，再結合上述構建的安全檢測模型和作業(yè)環(huán)境的反饋結果，得出安全檢測路徑的規(guī)劃結果。在規(guī)劃檢測路徑的過程中，為了保證測點位置的準確性，需要利用配電網中存在的變壓器、傳感器等設備，記錄測點的位置，并將配電網與用電設備的連接點當做最終的檢測點。此外，在生成安全檢測路徑的初始規(guī)劃結果后，還要對初始生成的路徑進行平滑處理，減少由于帶電作業(yè)產生的檢測延時。至此，基于機器學習算法的帶電作業(yè)安全檢測路徑的規(guī)劃完成。

1.3 實現(xiàn)配電網帶電作業(yè)安全檢測

在完成上述對帶電作業(yè)安全檢測路徑的規(guī)劃后，可以實現(xiàn)配電網帶電作業(yè)的安全檢測。配電網在正常運行過程中，需要檢測的內容主要劃分為3 個部分：一是配電網中各種用電設備的數量和位置；二是配電網中當前運行的線路中是否存在故障，并判斷出存在的故障類型，采取合適的方法進行檢修[6]；三是檢測配電網中是否存在異物。因此，配電網的檢測過程為

式中：w1為配電網中用電設備的特征與正常情況下設備特征的匹配度；w2為配電網中線路特征與正常線路特征的匹配度；τ1為配電網的實際運行特征；τ2為在正常工作狀態(tài)下配電網用電設備的特征；τ3為在正常工作狀態(tài)下配電網中線路的標準特征。同時，設置檢測閾值，如果w1、w2的計算結果均大于該閾值，則說明當前狀態(tài)下，配電網中的用電設備和線路都處于正常運行狀態(tài)。如果計算結果中有部分數值小于閾值，則小于閾值的配電網區(qū)域出現(xiàn)了故障。如果計算結果均小于閾值，則說明當前的配電網存在故障點。通過上述的設計，確定配電網出現(xiàn)故障的具體位置，并及時對其進行搶修，減少因配電網故障帶來的安全隱患。至此，基于機器學習算法的10 kV 配電網帶電作業(yè)安全檢測方法設計完成。

2 仿真實驗

2.1 實驗準備

為了驗證本文設計的基于機器學習算法的10 kV配電網帶電作業(yè)安全檢測方法的性能，本文進行了仿真實驗。本次實驗使用了Windows 操作系統(tǒng)，具體的實驗環(huán)境參數配置如表1 所示。

表1 實驗環(huán)境參數配置

在上述參數環(huán)境下，對本文提出的方法進行測試，選取多家配電網帶電作業(yè)人員的現(xiàn)場工作情況作為檢測數據集，其部分檢測結果如圖1 所示。

圖1 本文提出的檢測方法檢測結果

如圖1 所示，本文提出的檢測方法能夠很好地檢測帶電作業(yè)人員是否正確佩戴安全帽，即使出現(xiàn)了多目標或者目標有遮擋的情況，本文提出的方法仍能很好地對其進行檢測，避免出現(xiàn)錯檢、漏檢的情況，保證了帶電作業(yè)人員在施工現(xiàn)場的安全。同時，為了保證本文提出的檢測方法具有一定的可靠性，本次實驗還設置對照實驗。在實驗中，將本文提出的基于機器學習算法的10 kV 配電網帶電作業(yè)安全檢測方法列為方法1，基于機器視覺的10 kV 配電網帶電作業(yè)安全檢測方法列為方法2，基于深度學習的10 kV 配電網帶電作業(yè)安全檢測方法列為方法3。

2.2 實驗結果與討論

為了驗證3 種安全檢測方法的性能，在本次實驗中，選取5 條輸電線路作為實驗對象，在每條線路上設置若干個檢測目標，通過對比不同檢測方法在不同線路上能夠正確檢測目標的數量，來評價3 種檢測方法的檢測效果。其具體檢測結果如表2 所示。

表2 3 種安全檢測方法在不同線路上的檢測結果

如表2 所示，在所選取的5 條線路中，除了檢測線路A003 和A005 與設置的檢測目標數量存在些許差異外，方法1 目標檢測的準確率高達100%，遠超方法2 和方法3，可見方法1 在不同線路上對目標的檢測更加準確。因此，本文提出的基于機器學習算法的10 kV 配電網帶電作業(yè)安全檢測方法的檢測性能最好，在實際的應用中能夠提供更好的檢測效果。

3 結 論

本文提出的基于機器學習算法的10 kV 配電網帶電作業(yè)安全檢測方法在進行目標檢測時，有著極高的檢測正確率，能夠快速檢測到配電網中的各種問題，并及時解決。同時，本文提出的檢測方法能夠保證配電網的正常運行，保證帶電作業(yè)人員自身的安全，還能提高配電網建設工程的效率。但本文提出的檢測方法也存在一些不足，那就是如果目標線路中存在的目標過多，檢測時間會過長，影響了配電網工程的建設進度，在之后的研究中將會不斷進行完善。