基于机器视觉的智能变电站母线倒闸操作风险识别方法

2023-12-13李明富汪臻徐强吴锋程旭东

微型电脑应用 2023年11期

李明富, 汪臻, 徐强, 吴锋, 程旭东

(国网安徽省电力有限公司超高压分公司, 安徽, 合肥 230000)

0 引言

部分智能变电站中的配电网结构一般为辐射状,配电网联络点所适配的开关大多为断开状态[1-2]。因此,在智能变电站进行正常的维护以及检修时,电网临时停电之前需要对母线进行倒闸操作进行转供电,这样能够保证将临时停电带来的相关危害降到最低[3]。在智能变电站进行母线倒闸操作的过程中,如果出现倒闸操作不规范,则会引发配电网线路倒闸环流,对于智能变电站以及配电网来说存在一定的安全隐患[4]。

随着智能变电站以及配电网的发展,母线的倒闸操作在日常运行中发生的频率越来越高,所产生的倒闸操作验算工作量较大,工作人员一般通过积累的工作经验进行判断,倒闸操作容易出现失误成为操作风险,会产生断路器跳闸或过载等情况,严重威胁变电站和配电网的安全[5-6]。因此,在进行智能变电站母线倒闸操作时,需要对操作中的风险进行评估与识别。目前智能变电站母线倒闸操作仅依靠计算的风险识别方法,为了准确且高效地得到识别结果,需要花费的时间较长,在识别过程中没有统一的指标[7],在多风险并存的倒闸操作中,仅仅显示对变电站影响最大的风险操作项,易出现风险识别遗漏的情况,因此本文设计了一种基于机器视觉的智能变电站母线倒闸操作风险识别方法。

1 变电站母线倒闸操作风险识别方法

1.1 风险识别指标体系设计

根据以往变电站母线倒闸操作中所产生的风险和后果,本文在对智能变电站母线倒闸操作风险进行识别时,需要对风险产生的原因进行量化评估。在智能变电站母线倒闸操作过程中,操作较频繁的设备是隔离开关。隔离开关日常运行的环境一般暴露在室外空气中,因此相比较其他开关来说,工作环境相对恶劣。因此在进行变电站母线倒闸操作时,需要对隔离开关的状态进行诊断[8]。目前使用的诊断方法为人为观察,判断设备是否存在破损或发热现象,进一步判定其是否具有运行条件[9]。在母线倒闸操作风险识别中,建立的风险识别指标体系评估标准如表1所示。

表1 智能变电站母线倒闸操作风险识别指标体系

结合以上指标,赋予其对应的权重,能够分别计算出设备老化指标的量化值以及事故影响指标的量化值,公式如下:

(1)

式中,A、B分别为指标体系中的各个一级指标,A1～A3和B1～B4分别为一级指标下的二级指标,后面所携带的常数为各个指标的权重。至此,完成智能变电站母线倒闸操作风险识别指标体系的建立。

1.2 基于机器视觉的操作目标跟踪算法

在智能变电站的母线倒闸操作中,最需要注意的就是主变间隙的变化以及双母线接线PT停电的接线状态。在正常的倒闸操作中,PT二次开口三角电压应该为0,如果发生错误操作,则会产生零序电压。此时,利用机器视觉技术对双母线接线进行目标跟踪[10-12],主要利用机器视觉对目标的位置以及运动轨迹进行检测,确定双母线接线与倒闸操作之间的关系。在机器视觉中,需要标定摄像机的内部参数,并使用粒子进行滤波跟踪。单目测距模型如图1所示。

图1 单目测距模型

根据三角几何关系计算图1中点p与机器视觉镜头的距离,公式如下:

(2)

式中,f表示机器视觉镜头的焦距,需要对摄像机进行标定来获取该参数。根据机器视觉技术,对当前的先验状态与后验状态进行估计[13]。粒子滤波目标跟踪算法中,利用离散的采样点近似估计状态变量的概率密度表达式,但是传统的跟踪算法中,粒子会随着迭代次数的增加而改变自身的权重,有些粒子权重增加,有些粒子权重减少[14]。因此在本文算法中,对粒子进行重采样,利用权值变大的粒子来替换权值变小的粒子。粒子重采样示意图如图2所示。

图2 粒子重采样示意图

从图2可以看出粒子滤波中的样本产生方式,在权重方面的更新以及经过重采样后的样本粒子滤波过程。图2中一共有2条曲线,曲线表示当前时刻所对应的粒子滤波概率分布,图中的圆形则是样本粒子,圆形的不同面积代表了粒子的不同权重[15]。第一行中的粒子权重大小几乎相同,在下一时刻中,样本粒子的权重则有所改变。在大权重粒子进行迭代重新采样之后,所产生的子代粒子数量更多,而小权重粒子进行迭代重新采样后,不仅子代粒子数量少,甚至有可能不产生子代粒子而被消除。利用重采样方法可以有效处理粒子退化问题,辅助机器视觉技术实现倒闸操作中的母线监控。

1.3 母线倒闸操作风险识别

在智能变电站的母线倒闸过程中,存在各种不确定性,需要完整识别出内部的风险及其性质,才能有效保证智能变电站的正常运行与供电。因此,需要对倒闸操作中的风险进行种类上的识别与界定,并以此为依据来判断后期可能出现的问题,及早作出应急预案。当倒闸操作中出现多种风险类型时,传统的风险识别方法仅依靠计算得到权重最大的风险类型,即对变电站影响最大的风险操作,其他影响微小或影响稍小的风险项目则无法被识别与量化,这样往往无法获取到具体的风险,导致无法使用风险评估技术进行处理,最终影响项目的实施。在智能变电站的运行过程中,倒闸操作的范围大、任务多,人员也比较多,因此会导致多种风险同时发生。针对这种大型的复杂工程,可以利用三维结构来构建倒闸过程不同阶段拟合步骤的立体结构。三维结构模型如图3所示。

图3 倒闸操作风险分析三维结构模型

在三维结构模型中,从全流程、全要素、全方位这三方面对智能变电站倒闸操作的风险进行识别与分类,识别和分类倒闸操作风险,从不同角度、不同维度分析切换运营风险,最后将分析结果进行汇总并归类。

至此,完成基于机器视觉的智能变电站母线倒闸操作风险识别方法的设计。

2 算例分析

2.1 算例情况

为了验证本文所设计的基于机器视觉的智能变电站母线倒闸操作风险识别方法的有效性,需要在实际算例中进行测试。选择的算例为某智能变电站片区实际工作中的运行方式,如图4所示。

图4 智能变电站片区电网运行方式

在图4中,智能变电站220 kV母线需要进行倒闸操作,电网的全网负荷状态为9630 MW,6个子变电站中,共有15条10 kV的公用线路。配电网的核心配电线路运行情况如表2所示。

表2 线路运行情况

在表2的算例运行情况中,应用本文所设计的风险识别方法对各个线路情况进行监测,获取数据。实验室情况如图5所示。

图5 实验室识别环境

设计算例母线倒闸操作风险识别的流程,如图6所示。

图6 算例变电站母线倒闸操作风险量化流程

在以上实验条件和设计下,分别使用本文设计的基于机器视觉的智能变电站母线倒闸操作风险识别方法和传统的基于模糊层次分析的风险识别方法对算例变电站倒闸操作进行风险识别和量化,设置风险检出值,将超过该值的风险项目列为倒闸过程中的操作风险并统计出来,然后对不同方法得到的识别结果进行对比与分析。

2.2 实验结果对比与分析

2种方法下的倒闸操作风险识别结果如表3所示。

表3 风险识别结果对比

表3中,“①～⑩”表示倒闸过程中所产生的风险原因。“①”表示倒闸设备故障(未分合到位),“②”表示漏拆地线,“③”表示倒母、带路逻辑错误,“④”表示多个厂家五防产品,“⑤”表示环网柜对侧带电,“⑥”表示线路名称错误,“⑦”表示手动机构无闭锁,“⑧”表示通信点错误,“⑨”表示高压带电显示器损坏,“⑩”表示单一开关操作没有使用操作票据。

从表3可以看出,在倒闸操作人为设置单风险操作时,2种风险识别方法都能够准确地识别出风险类型,都具有不错的识别结果。但在倒闸操作人为设置多风险操作时,传统的基于模糊层次分析的风险识别方法结果仅能体现出影响最严重的一种风险类型,而忽略了影响较小的其他风险操作。

在操作风险识别过程中,“⑧～⑩”为软件端错误,不能作为识别对象,但要计入识别结果的概率统计过程。智能变电站母线倒闸操作风险识别结果如图7所示。