基于大數據的智能電纜故障點三維仿真定位方法

席佳偉, 胡靜, 蔣浩, 豆河偉

(國網陜西省電力公司榆林供電公司,陜西,榆林 719000)

0 引言

城市智能電纜是一切電力行為的核心,也被稱為城市生命線。智能電纜面臨著機械拉力、化學腐蝕等多種侵襲挑戰,若發生多種類型的電纜故障事故,會導致社會經濟損失巨大。如何實時監控智能電纜運行情況,迅速定位故障點成為維護電網正常運行的重要一步[1]。近些年,各種故障定位方法不斷涌現。文獻[2]深入分析了城市電纜結構的復雜性,并確定行波在智能電纜內部的正常傳播路徑,建立以行波時差矩陣算法為核心的定位技術,根據電纜連接線路將其劃分為不同研究區域,針對每個區域的行波傳輸特點建立相對應的故障判定矩陣,實現故障點的快速定位,但是該方法計算復雜度較高,故障定位需要耗費較長時間。文獻[3]以時間差理論為基礎,設計了聲波到達時間差模型,利用二維定點方程求解出故障定位結果,并結合Newton算法對定位結果進行優化求解,但是該方法的定位誤差較大。文獻[4]以提升電纜故障定位精度為目標,采用了雙端行波法設計新的故障定位方法,但是該方法在實際應用中存在適應性較差的問題。

針對以往研究方法的缺陷,本文結合三維仿真技術和大數據分析算法實現故障點精確定位,采集智能電纜故障定點現場數據后,創新性地融合三維仿真技術和多種視覺參數,如平均跳距值等,生成高現場還原度的三維仿真模型,提取三維特征后,采用大數據故障點定位算法得到定位結果。

1 基于大數據的智能電纜故障點三維仿真定位方法設計

1.1 構建智能電纜三維仿真模型

智能電纜三維仿真模型的設計需要以數據為基礎,即采集三維數據[5],建立可視化信息采集方案,并匯總采集數據構建數據庫。智能電纜放電數據采集過程中,不可避免地包含部分噪音信息,導致三維模型的真實性較差,對此本文采用深度學習方法中的非線性模擬性能,分析電纜放電信號中干凈聲音信號、干擾信號之間的非線性特點,通過數次迭代訓練完成噪音環境的處理,輸出降噪處理后的放電信號。采用物聯網和ZigBee組網實時調整放電信號數據,生成智能電纜三維可視化模型。對智能電纜進行分區塊處理后,將三維視覺信息采集的模糊像素值表示為

g(x,y)=h(x,y)*η(x,y)

(1)

式中,(x,y)表示像素值,g表示視覺信息采樣結果,h表示智能電纜三維信息采樣的關聯規則集合,*表示卷積,η表示干擾信息。

基于上述計算結果,融合各區塊的采集數據,應用模板匹配方法建立可用于故障點定位的統計分析模型。將智能電纜模型的三維特征的矢量表示為

t=As+ns

(2)

式中,t表示三維特征矢量,n表示智能電纜三維仿真模型的維度,s表示分區塊,As表示分區塊矢量融合值。利用上述矢量值計算結果,在嵌入式控制平臺中構建智能電纜三維仿真模型,為了加強智能電纜三維仿真模型的真實性,需要增強畫面渲染效率,綜合考慮3D Studio、Lightware 3D、Multigen Creator等多種建模軟件,分析軟件建模的渲染效率后,選取Multigen Creator軟件能夠滿足三維仿真的實時性要求[6]。應用Multigen Creator軟件結合智能電纜模型的三維特征矢量,輸出矢量建模結果,滿足虛擬三維模型建立的虛擬實時性、高效性要求。

通過圖1所示的三維仿真設計架構,達到電纜故障點定位過程人機交互的目的。

1.2 提取智能電纜三維特征

針對智能電纜三維仿真模型,分析得出電纜故障定位三維特征分布模型:

(3)

式中,K表示智能電纜三維特征分布信息,μ表示三維特征分布模型,exp表示指數函數,e表示自然常數,E表示三維信息重建誤差,α1、α2、β1、β2表示統計特征值。具體的約束條件為

(4)

式中,λmax表示最大特征篩選量。結合主成分分析算法,構建以三維視覺重構數據為核心的數據庫,確保重建結果具有較小的誤差。通過上述計算結果完成三維仿真模型的高精度重建,并采用信息交互模式采集重建模型內的特征信息[7],特征分量輸出結果為

(5)

式中,f表示信息交互輸出的特征分量,i表示空間區域,?i表示空間區域內像素點分布的模值,b表示三維視覺重構的維數。利用三維成像技術確定視景圖像的模糊質心,并通過三維視覺模擬得出特征提取的概率密度函數計算公式:

(6)

式中,σ表示概率密度函數,μ表示三維特征提取的偏角,θ表示特征點邊緣輪廓函數。利用連續差分重構算法,使得智能電纜故障區域表現出平滑性,將三維平滑區域表示為

P=∑(fp)+∑Vp,q(fp,fq)

(7)

式中,P表示三維平滑區域,V表示連續差分函數,(p,q)表示智能電纜三維重構后故障定位區域坐標。

為了確保三維特征提取結果的準確性,將圖像劃分為多個子像素塊,通過疊加計算的方式得出特征提取優化計算公式:

(8)

1.3 設計大數據故障點定位算法

本文采用大數據分析技術建立大數據故障點定位算法,將監測區域的智能電纜劃分為多個節點,通過異常節點的判斷實現故障點定位[8]。

首先,通過距離矢量交換模式計算出每個節點之間的最小跳數,將其作為故障點判斷數據。

然后,通過錨節點的坐標信息獲取平均跳距計算結果,當故障點接收到平均跳距后,參考節點最小跳數明確故障點與其他節點的距離參數[9]。其中,錨節點平均跳距公式為

(9)

式中,?、ω表示2個錨節點,(l?,γ?)表示錨節點?的坐標,(lω,γω)表示錨節點ω的坐標,ψ表示2個錨節點之間的跳數,H表示錨節點平均跳距。

最后,計算故障點分別與3個錨節點之間的距離,利用三邊測量法計算出智能電纜故障點的具體位置,定位結果如圖2所示。通過大數據分析算法得出3個錨節點的平均跳距[10-11],計算公式為

圖2 定位示意圖

(10)

式中,L1、L2、L3表示3個已知傳感器錨節點,R1表示錨節點L1與錨節點L2之間的距離,R2表示錨節點L2與錨節點L3之間的距離,R3表示錨節點L1與錨節點L3之間的距離,HL1、HL2、HL3表示3個錨節點平均每跳距離。

根據圖2可知,故障節點到3個錨節點的跳數分別為3、2、3。采用大數據分析算法可知故障節點與最近錨節點的平均跳距,就是其本身的跳距信息,計算公式為

HU=HL2

(11)

式中,U表示故障節點,HU表示故障節點平均跳距。通過上述計算,獲取不同錨節點到故障節點(ζ,φ)的距離計算公式:

(12)

式中,ε表示錨節點到異常節點的距離,o表示錨節點數量。通過矩陣向量將上述公式轉化為

(13)

應用最小均方差估計算法處理式(13),計算出經過大數據分析后的故障節點位置坐標:

(14)

1.4 完成智能電纜故障點定位

為了加強故障點定位結果的準確性,通過信息融合處理模型和信息傳導算法,將定位結果重新反饋至三維仿真模型進行交互處理,實現智能電纜故障點精確定位。

在智能電纜故障點定位過程中,計算定位信息的交互特征量,并根據交互特征量重構三維數據庫,將故障點定位結果與三維數據庫進行擬合處理,擬合權重計算公式[12]為

(15)

式中,χn表示故障節點擬合權重。智能電纜故障點三維仿真定位過程中,將所有包含必備信息的故障場景均標注為現場圖,并保存至三維仿真場景內。通過故障點定位結果的對比,得出最終的三維仿真結果。

2 仿真實驗

2.1 搭建三維仿真環境

為了驗證本文提出的定位方法應用效果,參考智能電纜工作原理搭建三維仿真環境,展開仿真實驗。

考慮到電纜結構的復雜性,本文應用Vega軟件為主要工具,建立與實際環境相符的三維仿真環境。作為一種具有實時仿真性能的軟件工具,通過Vega軟件的Lynx圖形化工具、Vega庫工具實時展現用戶修改意見。智能電纜三維場景搭建流程如圖3所示。

圖3 三維仿真場景創建流程圖

為了提高三維仿真環境的真實性,本文融合數字仿真理念,采用MATLAB程序建立可視化仿真模型。隨機選取一個MATLAB引擎,設置其指針變量,調用該引擎后利用表1所示的相關函數進行仿真數據計算。

表1 MATLAB引擎庫函數

針對上述操作形成的智能電纜三維仿真模型,添加合適的紋理特征,提升三維模型的真實性,三維模型最終顯示效果如圖4所示。

圖4 智能電纜三維模型

基于上述仿真環境,應用文中提出的故障點定位方法進行定位測試。

2.2 選取評估指標

為了加強仿真實驗結果的合理性,選取文獻[3]、文獻[4]設計的方法為比較方法,在同樣環境中進行故障點定位,利用合適的評估指標比較不同方法的定位結果,明確本文設計方法的有效性。智能電纜故障點定位問題本身是二分類問題,利用混淆矩陣表明故障定位結果。判斷過程中,P表示少數類樣本,N表示多數類樣本,T表示正確分類,F表示錯誤分類,考慮到上述參數將評估指標選定為F-measure值,計算公式為

(16)

式中,TP表示定位正確的少數類樣本數量,FP表示定位錯誤的少數類樣本數量,FN表示定位正確的多數類樣本數量。

2.3 故障定位結果分析

三維仿真環境中智能電纜故障節點的分布如圖5(a)所示。應用本文方法的定位結果如圖5(d)所示,應用文獻[3]、文獻[4]方法的故障定位結果如圖5(b)、圖5(c)所示。

圖(a) 故障點分布圖

根據圖5故障定位結果可知:文獻[3]得出的故障定位結果與實際故障點的誤差較大,并且故障定位的誤差距離較遠;文獻[4]得出的定位結果與文獻[3]相比,誤差距離大大降低,且部分定位點與實際故障點完全一致。而應用本文所設計的定位方法后,絕大多數定位點位置與故障點位置相同,僅有零星故障點定位出現誤差,達到了高精度定位故障點的目的。

結合上述選取的評估指標,計算不同故障點定位方法的F-measure值,形成圖6所示的對比圖。

圖6 3種故障定位方法F-measure值比較

根據圖6可知,隨著信噪比的降低,故障定位結果的F-measure值有明顯提升。其中本文方法的平均F-measure值為0.72,相比文獻所提出的定位方法,平均F-measure值提升了29.4%、16.2%。綜上所述,采用本文方法大幅度提升了故障定位結果的準確性。

3 實際應用

目前,本方法已在國網榆林電力公司市區供電局進行了6個月的掛網運行,在電纜故障定點作業現場運行良好,能夠通過三維建模還原真實故障現場和環境,及時定位故障。實際應用效果如圖7所示。

圖7 三維還原真實電纜故障定位現場

由圖7可知,本文方法定位出了電纜故障位置,檢修人員根據定位結果及時對該故障進行了維修處理,證明本文方法對電纜故障定位檢測準確有效,提高了檢修人員工作效率,具有實際應有價值。

4 總結

為了提升智能電纜故障定位的精準度,本文提出了基于大數據的智能電纜故障點三維仿真定位方法。采用三維仿真建模技術構建智能電纜模型,提取電纜故障點的三維特征;根據節點與故障節點之間的平均跳距值,設計以大數據分析技術為核心的智能電纜故障點三維定位算法,將故障現場以及環境準確表現出來,實現故障點精確定位。實驗結果證明本文方法顯著降低了故障定位誤差,在實際應用中能夠準確定位電纜故障,提高了檢修人員工作效率。但是考慮到復雜的電纜故障定位環境,未來的研究需要針對放電聲音信號的進一步處理進行深入研究,增強故障定位方法的泛化能力。