席佳伟, 胡静, 蒋浩, 豆河伟

(国网陕西省电力公司榆林供电公司,陕西,榆林 719000)

0 引言

城市智能电缆是一切电力行为的核心,也被称为城市生命线。智能电缆面临着机械拉力、化学腐蚀等多种侵袭挑战,若发生多种类型的电缆故障事故,会导致社会经济损失巨大。如何实时监控智能电缆运行情况,迅速定位故障点成为维护电网正常运行的重要一步[1]。近些年,各种故障定位方法不断涌现。文献[2]深入分析了城市电缆结构的复杂性,并确定行波在智能电缆内部的正常传播路径,建立以行波时差矩阵算法为核心的定位技术,根据电缆连接线路将其划分为不同研究区域,针对每个区域的行波传输特点建立相对应的故障判定矩阵,实现故障点的快速定位,但是该方法计算复杂度较高,故障定位需要耗费较长时间。文献[3]以时间差理论为基础,设计了声波到达时间差模型,利用二维定点方程求解出故障定位结果,并结合Newton算法对定位结果进行优化求解,但是该方法的定位误差较大。文献[4]以提升电缆故障定位精度为目标,采用了双端行波法设计新的故障定位方法,但是该方法在实际应用中存在适应性较差的问题。

针对以往研究方法的缺陷,本文结合三维仿真技术和大数据分析算法实现故障点精确定位,采集智能电缆故障定点现场数据后,创新性地融合三维仿真技术和多种视觉参数,如平均跳距值等,生成高现场还原度的三维仿真模型,提取三维特征后,采用大数据故障点定位算法得到定位结果。

1 基于大数据的智能电缆故障点三维仿真定位方法设计

1.1 构建智能电缆三维仿真模型

智能电缆三维仿真模型的设计需要以数据为基础,即采集三维数据[5],建立可视化信息采集方案,并汇总采集数据构建数据库。智能电缆放电数据采集过程中,不可避免地包含部分噪音信息,导致三维模型的真实性较差,对此本文采用深度学习方法中的非线性模拟性能,分析电缆放电信号中干净声音信号、干扰信号之间的非线性特点,通过数次迭代训练完成噪音环境的处理,输出降噪处理后的放电信号。采用物联网和ZigBee组网实时调整放电信号数据,生成智能电缆三维可视化模型。对智能电缆进行分区块处理后,将三维视觉信息采集的模糊像素值表示为

g(x,y)=h(x,y)*η(x,y)

(1)

式中,(x,y)表示像素值,g表示视觉信息采样结果,h表示智能电缆三维信息采样的关联规则集合,*表示卷积,η表示干扰信息。

基于上述计算结果,融合各区块的采集数据,应用模板匹配方法建立可用于故障点定位的统计分析模型。将智能电缆模型的三维特征的矢量表示为

t=As+ns

(2)

式中,t表示三维特征矢量,n表示智能电缆三维仿真模型的维度,s表示分区块,As表示分区块矢量融合值。利用上述矢量值计算结果,在嵌入式控制平台中构建智能电缆三维仿真模型,为了加强智能电缆三维仿真模型的真实性,需要增强画面渲染效率,综合考虑3D Studio、Lightware 3D、Multigen Creator等多种建模软件,分析软件建模的渲染效率后,选取Multigen Creator软件能够满足三维仿真的实时性要求[6]。应用Multigen Creator软件结合智能电缆模型的三维特征矢量,输出矢量建模结果,满足虚拟三维模型建立的虚拟实时性、高效性要求。

通过图1所示的三维仿真设计架构,达到电缆故障点定位过程人机交互的目的。

1.2 提取智能电缆三维特征

针对智能电缆三维仿真模型,分析得出电缆故障定位三维特征分布模型:

(3)

式中,K表示智能电缆三维特征分布信息,μ表示三维特征分布模型,exp表示指数函数,e表示自然常数,E表示三维信息重建误差,α1、α2、β1、β2表示统计特征值。具体的约束条件为

(4)

式中,λmax表示最大特征筛选量。结合主成分分析算法,构建以三维视觉重构数据为核心的数据库,确保重建结果具有较小的误差。通过上述计算结果完成三维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内的特征信息[7],特征分量输出结果为

(5)

式中,f表示信息交互输出的特征分量,i表示空间区域,∂i表示空间区域内像素点分布的模值,b表示三维视觉重构的维数。利用三维成像技术确定视景图像的模糊质心,并通过三维视觉模拟得出特征提取的概率密度函数计算公式:

(6)

式中,σ表示概率密度函数,μ表示三维特征提取的偏角,θ表示特征点边缘轮廓函数。利用连续差分重构算法,使得智能电缆故障区域表现出平滑性,将三维平滑区域表示为

P=∑(fp)+∑Vp,q(fp,fq)

(7)

式中,P表示三维平滑区域,V表示连续差分函数,(p,q)表示智能电缆三维重构后故障定位区域坐标。

为了确保三维特征提取结果的准确性,将图像划分为多个子像素块,通过叠加计算的方式得出特征提取优化计算公式:

(8)

1.3 设计大数据故障点定位算法

本文采用大数据分析技术建立大数据故障点定位算法,将监测区域的智能电缆划分为多个节点,通过异常节点的判断实现故障点定位[8]。

首先,通过距离矢量交换模式计算出每个节点之间的最小跳数,将其作为故障点判断数据。

然后,通过锚节点的坐标信息获取平均跳距计算结果,当故障点接收到平均跳距后,参考节点最小跳数明确故障点与其他节点的距离参数[9]。其中,锚节点平均跳距公式为

(9)

式中,ϖ、ω表示2个锚节点,(lϖ,γϖ)表示锚节点ϖ的坐标,(lω,γω)表示锚节点ω的坐标,ψ表示2个锚节点之间的跳数,H表示锚节点平均跳距。

最后,计算故障点分别与3个锚节点之间的距离,利用三边测量法计算出智能电缆故障点的具体位置,定位结果如图2所示。通过大数据分析算法得出3个锚节点的平均跳距[10-11],计算公式为

图2 定位示意图

(10)

式中,L1、L2、L3表示3个已知传感器锚节点,R1表示锚节点L1与锚节点L2之间的距离,R2表示锚节点L2与锚节点L3之间的距离,R3表示锚节点L1与锚节点L3之间的距离,HL1、HL2、HL3表示3个锚节点平均每跳距离。

根据图2可知,故障节点到3个锚节点的跳数分别为3、2、3。采用大数据分析算法可知故障节点与最近锚节点的平均跳距,就是其本身的跳距信息,计算公式为

HU=HL2

(11)

式中,U表示故障节点,HU表示故障节点平均跳距。通过上述计算,获取不同锚节点到故障节点(ζ,φ)的距离计算公式:

(12)

式中,ε表示锚节点到异常节点的距离,o表示锚节点数量。通过矩阵向量将上述公式转化为

(13)

应用最小均方差估计算法处理式(13),计算出经过大数据分析后的故障节点位置坐标:

(14)

1.4 完成智能电缆故障点定位

为了加强故障点定位结果的准确性,通过信息融合处理模型和信息传导算法,将定位结果重新反馈至三维仿真模型进行交互处理,实现智能电缆故障点精确定位。

在智能电缆故障点定位过程中,计算定位信息的交互特征量,并根据交互特征量重构三维数据库,将故障点定位结果与三维数据库进行拟合处理,拟合权重计算公式[12]为

(15)

式中,χn表示故障节点拟合权重。智能电缆故障点三维仿真定位过程中,将所有包含必备信息的故障场景均标注为现场图,并保存至三维仿真场景内。通过故障点定位结果的对比,得出最终的三维仿真结果。

2 仿真实验

2.1 搭建三维仿真环境

为了验证本文提出的定位方法应用效果,参考智能电缆工作原理搭建三维仿真环境,展开仿真实验。

考虑到电缆结构的复杂性,本文应用Vega软件为主要工具,建立与实际环境相符的三维仿真环境。作为一种具有实时仿真性能的软件工具,通过Vega软件的Lynx图形化工具、Vega库工具实时展现用户修改意见。智能电缆三维场景搭建流程如图3所示。

图3 三维仿真场景创建流程图

为了提高三维仿真环境的真实性,本文融合数字仿真理念,采用MATLAB程序建立可视化仿真模型。随机选取一个MATLAB引擎,设置其指针变量,调用该引擎后利用表1所示的相关函数进行仿真数据计算。

表1 MATLAB引擎库函数

针对上述操作形成的智能电缆三维仿真模型,添加合适的纹理特征,提升三维模型的真实性,三维模型最终显示效果如图4所示。

图4 智能电缆三维模型

基于上述仿真环境,应用文中提出的故障点定位方法进行定位测试。

2.2 选取评估指标

为了加强仿真实验结果的合理性,选取文献[3]、文献[4]设计的方法为比较方法,在同样环境中进行故障点定位,利用合适的评估指标比较不同方法的定位结果,明确本文设计方法的有效性。智能电缆故障点定位问题本身是二分类问题,利用混淆矩阵表明故障定位结果。判断过程中,P表示少数类样本,N表示多数类样本,T表示正确分类,F表示错误分类,考虑到上述参数将评估指标选定为F-measure值,计算公式为

(16)

式中,TP表示定位正确的少数类样本数量,FP表示定位错误的少数类样本数量,FN表示定位正确的多数类样本数量。

2.3 故障定位结果分析

三维仿真环境中智能电缆故障节点的分布如图5(a)所示。应用本文方法的定位结果如图5(d)所示,应用文献[3]、文献[4]方法的故障定位结果如图5(b)、图5(c)所示。

图(a) 故障点分布图

根据图5故障定位结果可知:文献[3]得出的故障定位结果与实际故障点的误差较大,并且故障定位的误差距离较远;文献[4]得出的定位结果与文献[3]相比,误差距离大大降低,且部分定位点与实际故障点完全一致。而应用本文所设计的定位方法后,绝大多数定位点位置与故障点位置相同,仅有零星故障点定位出现误差,达到了高精度定位故障点的目的。

结合上述选取的评估指标,计算不同故障点定位方法的F-measure值,形成图6所示的对比图。

图6 3种故障定位方法F-measure值比较

根据图6可知,随着信噪比的降低,故障定位结果的F-measure值有明显提升。其中本文方法的平均F-measure值为0.72,相比文献所提出的定位方法,平均F-measure值提升了29.4%、16.2%。综上所述,采用本文方法大幅度提升了故障定位结果的准确性。

3 实际应用

目前,本方法已在国网榆林电力公司市区供电局进行了6个月的挂网运行,在电缆故障定点作业现场运行良好,能够通过三维建模还原真实故障现场和环境,及时定位故障。实际应用效果如图7所示。

图7 三维还原真实电缆故障定位现场

由图7可知,本文方法定位出了电缆故障位置,检修人员根据定位结果及时对该故障进行了维修处理,证明本文方法对电缆故障定位检测准确有效,提高了检修人员工作效率,具有实际应有价值。

4 总结

为了提升智能电缆故障定位的精准度,本文提出了基于大数据的智能电缆故障点三维仿真定位方法。采用三维仿真建模技术构建智能电缆模型,提取电缆故障点的三维特征;根据节点与故障节点之间的平均跳距值,设计以大数据分析技术为核心的智能电缆故障点三维定位算法,将故障现场以及环境准确表现出来,实现故障点精确定位。实验结果证明本文方法显著降低了故障定位误差,在实际应用中能够准确定位电缆故障,提高了检修人员工作效率。但是考虑到复杂的电缆故障定位环境,未来的研究需要针对放电声音信号的进一步处理进行深入研究,增强故障定位方法的泛化能力。