基于機器視覺的智能變電站母線倒閘操作風險識別方法

李明富, 汪臻, 徐強, 吳鋒, 程旭東

(國網安徽省電力有限公司超高壓分公司, 安徽, 合肥 230000)

0 引言

部分智能變電站中的配電網結構一般為輻射狀,配電網聯絡點所適配的開關大多為斷開狀態[1-2]。因此,在智能變電站進行正常的維護以及檢修時,電網臨時停電之前需要對母線進行倒閘操作進行轉供電,這樣能夠保證將臨時停電帶來的相關危害降到最低[3]。在智能變電站進行母線倒閘操作的過程中,如果出現倒閘操作不規范,則會引發配電網線路倒閘環流,對于智能變電站以及配電網來說存在一定的安全隱患[4]。

隨著智能變電站以及配電網的發展,母線的倒閘操作在日常運行中發生的頻率越來越高,所產生的倒閘操作驗算工作量較大,工作人員一般通過積累的工作經驗進行判斷,倒閘操作容易出現失誤成為操作風險,會產生斷路器跳閘或過載等情況,嚴重威脅變電站和配電網的安全[5-6]。因此,在進行智能變電站母線倒閘操作時,需要對操作中的風險進行評估與識別。目前智能變電站母線倒閘操作僅依靠計算的風險識別方法,為了準確且高效地得到識別結果,需要花費的時間較長,在識別過程中沒有統一的指標[7],在多風險并存的倒閘操作中,僅僅顯示對變電站影響最大的風險操作項,易出現風險識別遺漏的情況,因此本文設計了一種基于機器視覺的智能變電站母線倒閘操作風險識別方法。

1 變電站母線倒閘操作風險識別方法

1.1 風險識別指標體系設計

根據以往變電站母線倒閘操作中所產生的風險和后果,本文在對智能變電站母線倒閘操作風險進行識別時,需要對風險產生的原因進行量化評估。在智能變電站母線倒閘操作過程中,操作較頻繁的設備是隔離開關。隔離開關日常運行的環境一般暴露在室外空氣中,因此相比較其他開關來說,工作環境相對惡劣。因此在進行變電站母線倒閘操作時,需要對隔離開關的狀態進行診斷[8]。目前使用的診斷方法為人為觀察,判斷設備是否存在破損或發熱現象,進一步判定其是否具有運行條件[9]。在母線倒閘操作風險識別中,建立的風險識別指標體系評估標準如表1所示。

表1 智能變電站母線倒閘操作風險識別指標體系

結合以上指標,賦予其對應的權重,能夠分別計算出設備老化指標的量化值以及事故影響指標的量化值,公式如下:

(1)

式中,A、B分別為指標體系中的各個一級指標,A1～A3和B1～B4分別為一級指標下的二級指標,后面所攜帶的常數為各個指標的權重。至此,完成智能變電站母線倒閘操作風險識別指標體系的建立。

1.2 基于機器視覺的操作目標跟蹤算法

在智能變電站的母線倒閘操作中,最需要注意的就是主變間隙的變化以及雙母線接線PT停電的接線狀態。在正常的倒閘操作中,PT二次開口三角電壓應該為0,如果發生錯誤操作,則會產生零序電壓。此時,利用機器視覺技術對雙母線接線進行目標跟蹤[10-12],主要利用機器視覺對目標的位置以及運動軌跡進行檢測,確定雙母線接線與倒閘操作之間的關系。在機器視覺中,需要標定攝像機的內部參數,并使用粒子進行濾波跟蹤。單目測距模型如圖1所示。

圖1 單目測距模型

根據三角幾何關系計算圖1中點p與機器視覺鏡頭的距離,公式如下:

(2)

式中,f表示機器視覺鏡頭的焦距,需要對攝像機進行標定來獲取該參數。根據機器視覺技術,對當前的先驗狀態與后驗狀態進行估計[13]。粒子濾波目標跟蹤算法中,利用離散的采樣點近似估計狀態變量的概率密度表達式,但是傳統的跟蹤算法中,粒子會隨著迭代次數的增加而改變自身的權重,有些粒子權重增加,有些粒子權重減少[14]。因此在本文算法中,對粒子進行重采樣,利用權值變大的粒子來替換權值變小的粒子。粒子重采樣示意圖如圖2所示。

圖2 粒子重采樣示意圖

從圖2可以看出粒子濾波中的樣本產生方式,在權重方面的更新以及經過重采樣后的樣本粒子濾波過程。圖2中一共有2條曲線,曲線表示當前時刻所對應的粒子濾波概率分布,圖中的圓形則是樣本粒子,圓形的不同面積代表了粒子的不同權重[15]。第一行中的粒子權重大小幾乎相同,在下一時刻中,樣本粒子的權重則有所改變。在大權重粒子進行迭代重新采樣之后,所產生的子代粒子數量更多,而小權重粒子進行迭代重新采樣后,不僅子代粒子數量少,甚至有可能不產生子代粒子而被消除。利用重采樣方法可以有效處理粒子退化問題,輔助機器視覺技術實現倒閘操作中的母線監控。

1.3 母線倒閘操作風險識別

在智能變電站的母線倒閘過程中,存在各種不確定性,需要完整識別出內部的風險及其性質,才能有效保證智能變電站的正常運行與供電。因此,需要對倒閘操作中的風險進行種類上的識別與界定,并以此為依據來判斷后期可能出現的問題,及早作出應急預案。當倒閘操作中出現多種風險類型時,傳統的風險識別方法僅依靠計算得到權重最大的風險類型,即對變電站影響最大的風險操作,其他影響微小或影響稍小的風險項目則無法被識別與量化,這樣往往無法獲取到具體的風險,導致無法使用風險評估技術進行處理,最終影響項目的實施。在智能變電站的運行過程中,倒閘操作的范圍大、任務多,人員也比較多,因此會導致多種風險同時發生。針對這種大型的復雜工程,可以利用三維結構來構建倒閘過程不同階段擬合步驟的立體結構。三維結構模型如圖3所示。

圖3 倒閘操作風險分析三維結構模型

在三維結構模型中,從全流程、全要素、全方位這三方面對智能變電站倒閘操作的風險進行識別與分類,識別和分類倒閘操作風險,從不同角度、不同維度分析切換運營風險,最后將分析結果進行匯總并歸類。

至此,完成基于機器視覺的智能變電站母線倒閘操作風險識別方法的設計。

2 算例分析

2.1 算例情況

為了驗證本文所設計的基于機器視覺的智能變電站母線倒閘操作風險識別方法的有效性,需要在實際算例中進行測試。選擇的算例為某智能變電站片區實際工作中的運行方式,如圖4所示。

圖4 智能變電站片區電網運行方式

在圖4中,智能變電站220 kV母線需要進行倒閘操作,電網的全網負荷狀態為9630 MW,6個子變電站中,共有15條10 kV的公用線路。配電網的核心配電線路運行情況如表2所示。

表2 線路運行情況

在表2的算例運行情況中,應用本文所設計的風險識別方法對各個線路情況進行監測,獲取數據。實驗室情況如圖5所示。

圖5 實驗室識別環境

設計算例母線倒閘操作風險識別的流程,如圖6所示。

圖6 算例變電站母線倒閘操作風險量化流程

在以上實驗條件和設計下,分別使用本文設計的基于機器視覺的智能變電站母線倒閘操作風險識別方法和傳統的基于模糊層次分析的風險識別方法對算例變電站倒閘操作進行風險識別和量化,設置風險檢出值,將超過該值的風險項目列為倒閘過程中的操作風險并統計出來,然后對不同方法得到的識別結果進行對比與分析。

2.2 實驗結果對比與分析

2種方法下的倒閘操作風險識別結果如表3所示。

表3 風險識別結果對比

表3中,“①～⑩”表示倒閘過程中所產生的風險原因。“①”表示倒閘設備故障(未分合到位),“②”表示漏拆地線,“③”表示倒母、帶路邏輯錯誤,“④”表示多個廠家五防產品,“⑤”表示環網柜對側帶電,“⑥”表示線路名稱錯誤,“⑦”表示手動機構無閉鎖,“⑧”表示通信點錯誤,“⑨”表示高壓帶電顯示器損壞,“⑩”表示單一開關操作沒有使用操作票據。

從表3可以看出,在倒閘操作人為設置單風險操作時,2種風險識別方法都能夠準確地識別出風險類型,都具有不錯的識別結果。但在倒閘操作人為設置多風險操作時,傳統的基于模糊層次分析的風險識別方法結果僅能體現出影響最嚴重的一種風險類型,而忽略了影響較小的其他風險操作。

在操作風險識別過程中,“⑧～⑩”為軟件端錯誤,不能作為識別對象,但要計入識別結果的概率統計過程。智能變電站母線倒閘操作風險識別結果如圖7所示。

(a) 倒閘設備故障(未分合到位)

(b) 漏拆地線

(c) 倒母、帶路邏輯錯誤

(d) 多個廠家五防產品

(e) 環網柜對側帶電

(f) 線路名稱錯誤

(g) 手動機構無閉鎖圖7 智能變電站母線倒閘操作風險識別結果

由圖7可知,本文所設計的基于機器視覺的智能變電站母線倒閘操作風險識別方法能準確有效地識別母線倒閘操作過程中的所有操作風險類型,證明了本文設計的風險識別方法在實際應用中具有一定的可靠性。

3 總結

智能變電站倒閘操作安全直接影響了整個變電站和供電網的生產安全,由此本文將單目測距模型與智能變電站母線倒閘操作三維結構模型相結合,設計了一種基于機器視覺的智能變電站母線倒閘操作風險識別方法。

在實際倒閘生產操作中,要結合相關安全規章制度,實現有效的風險辨識、評價及控制,提高安全管理效果。