赵 峰，李洪彬，梁 懿，王秋琳，吕君玉

(1.国网信息通信产业集团有限公司，北京 102211)(2.国家电网有限公司，北京 100031)(3.福建亿榕信息技术有限公司，福建 福州 350001)

我国变电站多采用放射式网状架构，以满足日渐攀升的电力需求[1-3]，但这种架构可靠性略欠佳，持续运行时极易发生一系列安全事故，且变电站器件老化、线路异常等现象较为常见，需要巡检作业人员不定时进行现场巡检[4]。巡检人员的安全意识、作业熟练度等各不相同，对变电站日常运行及维护工作的影响较大，因此需有效感知变电站现场作业的风险，在保障变电站高效运行的同时，为巡检作业人员提供有效的安全保护[5]。陈碧云等[6]提出了电力作业风险态势感知方法，采用数据挖掘技术获取影响电力作业的风险因素，以此搭建风险因素体系，利用主成分分析法计算出关键要素，通过神经网络训练预测风险，感知作业风险，但该方法数据传输时延较长，极易增加事故发生的概率；蒋毅等[7]提出变电站人身风险量化方法，对搜集的风险危害值求解平均值，以此求解风险值，并融合行为倾向系数，综合量化人身风险，但其数据处理效率不够高，在数据量快速攀升时，耗时太久，无法快速求解。

本文提出一种基于边缘计算的变电站现场作业风险感知方法，通过边缘计算平台获取现场作业数据，找出其中的风险数据，利用风险数据构建现场作业风险评价指标体系。该方法提升了变电站现场作业风险感知的准确性，可保障变电站现场作业安全平稳地进行。

1 变电站现场作业风险感知方法

1.1 基于边缘计算的变电站现场作业风险感知方法架构

为实时感知变电站现场作业风险，本文提出基于边缘计算的变电站现场作业风险感知方法，图1为方法架构原理图。

图1 风险感知方法架构原理图

感知层利用电子经纬仪、数字回弹仪及激光测距仪等仪器，对变电站作业数据进行实时采集，变电站现场的传感设备通过无线转换及通讯汇总连接边缘计算平台，实现现场作业数据的传输[8-9]。边缘计算平台中的底层硬件包含计算、通信及存储子模块，作为边缘计算平台运算的硬件基础设备。通过边缘设备识别变电站现场作业数据，搭建边缘计算模型，求解变电站现场作业数据中的风险数据[10-11]，并将其传输至云平台。

1.2 基于边缘计算模型的变电站现场作业风险数据获取

1.2.1边缘计算网络模型架构

经边缘计算后，数据通过交互网络传输暂存于云端服务器的数据库内，实现数据高效传输，实时更新现场作业数据。边缘计算需通过若干种类传感器采集变电站现场作业风险数据[12]，故在实际应用时，在变电站现场作业风险数据的采集端口放置多种传感器设备，图2所示为边缘计算网络架构。

图2 边缘计算网络架构

1.2.2基于边缘计算模型计算作业风险数据

边缘计算网络中含有若干个网络节点，用di表示变电站现场作业风险数据信息向量：

(1)

式中：i表示变电站现场作业风险数据信息开启运算的调动程序；φi，σi，e分别为第一、第二及第三回归参数。

求解服务器变电站现场作业风险数据模型为：

(2)

式中：di,p为变电站现场作业时的各项风险数据发生时间；RTTi,m,p，RTTi,jm,p分别为在变电站第p个网络支路上的边缘计算设备和云端计算设备与云端计算中心m进行数据通信的第i次时延；Tjm,s为边缘设备和云端服务器二者数据融合完成的时间；Tjm,a为数据融合所需的时间。边缘计算网络中包含s个边缘设备，以变电站第p个网络支路为例，将第s个边缘设备连接jm云端计算中心，数据融合后，从中调取变电站现场作业风险数据的发生时间。

变电站现场作业时产生的风险数据持续时间di,mn,p为：

(3)

式中：Tα为云端计算器和网络节点在进行设备设置的时间；Ts为第n个边缘设备接收数据的时间；RTTi,n,p为在变电站第p个网络支路上的第n个边缘计算设备进行设备设置的时间。

至此，采用边缘计算完成变电站现场作业风险数据求解，以便建立变电站现场作业风险评价指标体系，实现变电站现场作业风险感知。

1.3 变电站现场作业风险感知

1.3.1变电站现场作业风险评价指标体系

对变电站现场作业流程中的不确定因素进行全面衡量，对全部作业步骤逐一进行风险因素识别，并结合电力企业历年来的作业事故及事故管理规范条例综合衡量，将变电站现场作业风险要素归纳为5大类：作业方式、天气环境、作业时间、作业人员及相关设备。图3所示为详细的变电站现场作业风险评价指标体系。

图3 变电站现场作业风险评价指标体系

1.3.2变电站现场作业风险评估

鉴于变电站现场作业风险评价指标相互制约，采用单一指标评价变电站现场作业风险时，会对评价结果的准确性造成一定的影响，综合考量采取专家排序法，即依据专家建议进行投票，经过多轮匿名征询和意见反馈，最终对每个指标赋予一定权重，再加权平均，获取各个指标的重要性赋值的平均值。各指标的权重则采用层次分析法来确定。

1)确定标度值，搭建判断矩阵。

通过专家建议获取各个指标的重要性赋值的平均值，重要性标度则通过专家的打分确定，搭建指标判断矩阵S。

2)求解权重系数。

依据方根法确定权重向量W、最大特征值λmax，分别为：

(4)

(5)

式中：l为评价矩阵阶数；Wi为各个指标的重要性赋值的平均值；αi1，αi2，αi3，…，αil分别为第1，2，3，…，l个指标的重要性标度值。

3)层次排序风险指标、一致性校验。

设RI为平均随机一致性，求解一致性比例CR：

(6)

(7)

若CR低于0.1，则判断矩阵S的一致性为合理。

确定各指标权重后，对变电站现场作业风险等级进行定义，A,B,C,D,E,F分别表示作业类型、作业方式、作业环境、作业时间、作业人员及相关设备的风险值。则变电站现场作业风险评估值R为：

R=A+BW1+CW2+DW3+EW4+FW5

(8)

工作票是管理部门允许在变电站现场作业的书面指令，工作人员凭票进行现场作业，设置Ae1,Ae2,Ae3,…,Aeq为每个单项作业的基准风险值，在单日作业时间内，当单张工作票上包含超过一项作业时，选取风险最大的单项作业风险基准值作为该工作票上的作业类型基准风险值Ae，为：

Ae=max(Ae1,Ae2,Ae3,…,Aeq)

(9)

若干项作业交叉即若干个班组同步进行检修时，工作票超过两张，其风险值为：

Rc=Rm·ω1·ω2·ω3…·ωn-1+Rγ

(10)

式中：Rc为工作票超过两张的风险值；Rγ为作业人数的总风险值；ω1,ω2,ω3,…,ωn-1分别为除去最大风险工作票之后的第1、第2、第3、…、第(n-1)项作业风险系数；Rm为若干项作业中风险最大的工作票风险值。Rm的求解公式为：

Rm=max(R1,R2,R3,…,Rn)

(11)

式中：R1,R2,R3,…,Rn为每张工作票的作业风险值。

2 实验分析

选取某市偏远山区L变电站作为实验对象，采用Windows7 64位操作系统结合Python编程算法，利用本文方法对该变电站现场作业进行风险感知，并对其风险感知性能、数据接收效果、应用性能展开实验，其中，数据接收效果实验中对本文方法与文献[6]感知电力作业风险态势方法、文献[7]量化变电站人身风险方法进行了对比验证。

2.1 风险感知性能

利用本文方法对L变电站现场作业进行风险感知，此次采用若干个班组同步检修，设变电站现场作业风险评价指标为X，L变电站现场作业风险评价结果见表1。

表1 L变电站现场作业风险评价结果

本次实验为若干项作业交叉进行，利用式(8)求解获得综合风险值R=69.15。

2.2 数据接收效果

变电站现场作业数据量庞大，需及时传输数据确保实时感知风险。以数据接收时延作为衡量数据接收效果的指标，当节点接收数据量逐渐增加时，记录3种方法的数据接收时延，如图4所示。

图4 数据接收效果

由图4可知，随着数据量的增大，文献[6]方法数据接收时延持续增加，当数据量增加到4 000 MB时，时延攀升至35 s，该方法的数据接收效果较差；文献[7]方法在数据量达到2 500 MB后，其数据接收时延未见增加，保持在25 s，数据接收效果略优于文献[6]方法；本文方法数据接收时延未随着数据量的增加而增加，始终在3 s左右，基本能够同步接收变电站现场作业数据。这是由于本文方法采用边缘计算方法，边缘计算网络节点能快速接收数据，具备极佳的数据接收效果。

2.3 应用效果

为验证本文方法的应用效果，从L变电站2021年所有作业风险中选取8种最为常见的风险类型，分别为触电、吊臂伤人、施工工具违规、安全工具异常、设备倾斜伤人、带电挂接地线、大雾视线受阻及疲劳驾驶进行现场作业风险感知，图5所示为应用本文方法前、后的风险控制效果。

图5 三种方法的变电站现场作业风险控制对比结果

由图5可知，应用本文方法之前出现次数最多的风险为安全工具异常，共14次，在应用本文方法之后仅发生过2次；产生次数最低的风险为施工工具违规，共6次，而应用本文方法之后被控制在1次，且这8类风险产生次数皆大幅度下降，证明使用本文方法能够有效控制各类型的风险出现次数，大幅度降低变电站现场作业事故发生概率，保障变电站现场作业人员的安全。

3 结束语

本文研究了变电站现场作业风险感知技术，结合边缘计算方法搭建边缘计算模型，用于求解电站现场作业风险数据。实验结果表明，该方法能够全面感知变电站现场作业风险，尽管处理的数据量逐渐增大，但数据接收时延控制在3 s内，可见其数据接收速度较快，可有效降低现场作业危险行为发生次数，保障变电站现场作业安全。