基于機器學習算法的10 kV 配電網帶電作業安全檢測方法

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，現在我國的配電網大多工程量巨大，施工場地極多，現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模，所以在配電網工程的建設中，很容易出現安全事故，導致工程完成的質量較差。特別是在早年的帶電作業中，由于技術不發達，都是由現場的施工人員對施工現場進行監控和警告，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現，給帶電作業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 配電網帶電作業安全檢測方法，保障了工人在作業過程中的人身安全，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 配電網帶電作業安全檢測方法設計

1.1 構建帶電作業安全檢測模型

在對配電網進行帶電作業時，想要保證配電網作業人員的安全，首先就要構建帶電作業安全監測模型。在帶電作業中，經常出現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，使得作業人員與導線之間出現放電現象，從而威脅到作業人員的人身安全[3]。因此，在構建帶電作業的安全檢測模型時，就要保證作業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為作業位置的相對空氣密度；rc為帶電作業時的作業半徑。通過式（1），計算出配電網的電場強度，并以此為基礎，構建帶電作業安全檢測模型。其模型構建結果為

式中：Emax為帶電作業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，帶電作業安全檢測模型的構建完成。

1.2 基于機器學習算法規劃帶電作業安全檢測路徑

在構建的帶電作業安全檢測模型的基礎上，規劃出帶電作業安全檢測路徑。首先，確定好帶電作業的初始位置，并在該位置處對此次帶電作業進行一個初始評估，利用評估函數計算出最小的評估點，并以該節點為中心，尋找節點周圍可到達的點，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，決定規劃的路線[5]。如果下一路徑點為配電網中作業的終點，則直接將之前確定的路徑點連接起來，生成帶電作業的安全檢測路徑，否則就需要繼續尋找路徑點。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環境的反饋結果，得出安全檢測路徑的規劃結果。在規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，減少由于帶電作業產生的檢測延時。至此，基于機器學習算法的帶電作業安全檢測路徑的規劃完成。

1.3 實現配電網帶電作業安全檢測

在完成上述對帶電作業安全檢測路徑的規劃后，可以實現配電網帶電作業的安全檢測。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為在正常工作狀態下配電網用電設備的特征；τ3為在正常工作狀態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，則說明當前狀態下，配電網中的用電設備和線路都處于正常運行狀態。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域出現了故障。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，具體的實驗環境參數配置如表1 所示。

表1 實驗環境參數配置

在上述參數環境下，對本文提出的方法進行測試，選取多家配電網帶電作業人員的現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人員是否正確佩戴安全帽，即使出現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，避免出現錯檢、漏檢的情況，保證了帶電作業人員在施工現場的安全。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。