基于机器视觉的智能变电站母线倒闸操作风险识别方法.pdf

Microcomputer Applications Vol.39,No.11,2023文章编号：10 0 7-7 57 X（2 0 2 3)11-0 17 8-0 4基于机器视觉的智能变电站母线倒闸操作风险识别方法开发应用微型电脑应用2 0 2 3年第39 卷第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2 30 0 0 0）摘要：在多风险并存的情况下，针对智能变电站母线倒闸操作风险过多、类型复杂、倒闸操作风险项目漏识别等问题，设计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。根据倒闸操作风险的实际情况，建立智能变电站母线倒闸操作风险识别指标体系，划分不同级别指标，确定权重以及评估标准。引入机器视觉，建立单目测距模型，标定摄像机参数，进行粒子重采样，建立三维结构模型，从全流程、全要素、全方位这三方面对智能变电站倒闸操作风险进行识别与分类，完成智能变电站母线倒闸操作风险识别。算例分析结果表明，该方法在人为设置风险检出值后，能准确有效识别多风险操作过程中所有操作风险类型。关键词：机器视觉；智能变电站；母线倒闸；风险识别中图分类号：TM63文献标志码：ARisk Identification Method of Intelligent Substation Bus Switching OperationBased on Machine VisionLI Mingfu,WANG Zhen,XU Qiang,WU Feng,CHENG Xudong(State Grid Anhui Ultra High Voltage Company,Hefei 230000,China)Abstract:In the case of multiple risks coexisting,aiming at the problems of bus switching operation risks,complex types andmissing identification of switching operation risk items in intelligent substation,a method of bus switching operation risk identi-fication in intelligent substation based on machine vision is designed.According to the actual situation of switching operationrisk,the identification index system of bus switching operation risk in intelligent substation is established,the indexes of differ-ent levels are divided,and the weight and evaluation standard are determined.It introduces machine vision,establishes monoc-ular ranging model,calibrates camera parameters,resamples particles,establishes three-dimensional structure model,identifiesand classifies the switching operation risk of intelligent substation from the three aspects of whole process,all elements and alldirections,and completes the switching operation risk identification of bus line of intelligent substation.The results of exampleanalysis show that this method can accurately and effectively identify all types of operational risk in the process of multi risk op-eration after artificially setting the risk detection value.Key words:machine vision;intelligent substation;bus switching;risk identification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0引言作量较大，工作人员一般通过积累的工作经验进行判断，倒部分智能变电站中的配电网结构一般为辐射状，配电网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联络点所适配的开关大多为断开状态-2。因此,在智能变载等情况，严重威胁变电站和配电网的安全 5-6。因此，在进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估与识别。目前智能变电站母线倒闸操作仅依靠计算的风来的相关危害降到最低 3。在智能变电站进行母线倒闸操险识别方法，为了准确且高效地得到识别结果，需要花费的作的过程中，如果出现倒闸操作不规范，则会引发配电网线时间较长，在识别过程中没有统一的指标 7，在多风险并存路倒闸环流，对于智能变电站以及配电网来说存在一定的安的倒闸操作中，仅仅显示对变电站影响最大的风险操作项，全隐惠门。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随着智能变电站以及配电网的发展，母线的倒闸操作在视觉的智能变电站母线倒闸操作风险识别方法。作者简介：李明富（19 8 2 一），男，本科，高级工程师，研究方向为超特高压变电站变电运维；汪臻（19 8 9 一），女，硕士，工程师，研究方向为超特高压变电站变电运维；徐强（19 8 9 一），男，本科，工程师，研究方向为超特高压变电站变电运维；吴锋（19 8 8 一），男，硕士，高级工程师，研究方向为超特高压变电站变电运维；程旭东（19 8 9 一），男，硕士，工程师，研究方向为超特高压变电站变电运维。.178Microcomputer Applications Vol.39,No.11,20231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。隔离开关日常运一级指标设备老化指标事故影响指标结合以上指标，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：(A=0.15A+0.15A2+0.15A3(B=0.15B+0.2Bz+0.1B:+0.05B4式中,A、B分别为指标体系中的各个一级指标,AiA 和BiB4 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 7，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。(xo.yo)像平面图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：(ho-h)d=sin +aretan)开发应用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二级指标权重/%投产时间15连续带电运行天数15同类设备5年内故障率20失电压变电站数量15负荷损失比例20重要用户影响10操作时间敏感度5d光轴ho镜头中心h微型电脑应用2 0 2 3年第39 卷第11期评估标准超过2 0 a1520a、10 15a、2 10 a 小于2 a超过30 0 d、2 0 0 30 0 d 10 0 2 0 0 d、小于10 0 d0.02%、2%5%、5%10%、超过10%无、1 2 个、3 6 个、超过7 个0.05%、5%10%、10%2 0%2 0%40%、40%6 0%.6 0%10 0%无重要用户断电、一级重要用户断电、二级重要用户断电、7:0023:00、其他式中，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(1)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，而小权重粒子进行选代重新采样后，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(2)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。.179.一级权值二级权值三级权值80Microcomputer Applications Vol.39,No.11,20231.3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。全方位其他相关方式倒闸操作服务商电力企业项目本身变电站内控外部环境全要素图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。220kV智能变电A子站220kV智能变电F子站220kV智能变电E子站图4智能变电站片区电网运行方式开发应用在图4中，智能变电站2 2 0 kV母线需要进行倒闸操作，电网的全网负荷状态为9 6 30 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线路运行情况线路安全编号电流/A1540244835404365554065407465倒闸操作准备阶段倒闸操作实施阶段选择承包商阶段220kV智能变电B子站500kV智能变电总站微型电脑应用2 0 2 3年第39 卷第11期最大负载率/装接容量/电流/A%33356.6522633.2125865.2014485.4829247.8536118.4528425.36退出倒闸操作阶段8910全流程1112131415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。摄像头图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。220kV智能在以上实验条件和设计下，分别使用本文设计的基于机变电C子站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220kV智能法得到的识别结果进行对比与分析。变电D子站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。.180.kVA119261665785329878161201252113 51344127358522552533636314558544549626734138157218262.5934.8744.5122.2339.3587.6545.3458.85线路反馈设备15120643157121582411 2134565575611170Microcomputer Applications Vol.39,No.11,2023图6 算例变电站母线倒闸操作风险量化流程表3风险识别结果对比基于模糊层次变电站编号本文方法智能变电A子站智能变电A子站智能变电B子站智能变电B子站智能变电C子站智能变电C子站智能变电D子站智能变电D子站智能变电E子站智能变电E子站智能变电F子站智能变电F子站表3中“”表示倒闸过程中所产生的风险原因。“”表示倒闸设备故障（未分合到位），“”表示漏拆地线，“”表示倒母、带路逻辑错误，“”表示多个厂家五防产品，“”表示环网柜对侧带电，“”表示线路名称错误，“”表示手动机构无闭锁，“”表示通信点错误，“”表示高压带电显示器损坏，“”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。开发应用开始在操作风险识别过程中，“”为软件端错误，不能作为识别对象，但要计人识别结果的概率统计过程。智能变获取变电站实时状态电站母线倒闸操作风险识别结果如图7 所示。调度操作实时风险量化平台输出实时量化风险值、风险等级是否紧急操作？文是倒闸方式?热倒调取相关事故预案以及风险管控措施结束分析的风险识设置情况别方法?微型电脑应用2 0 2 3年第39 卷第11期（a）倒闸设备故障（未分合到位）(b）漏拆地线冷倒（c）倒母、带路逻辑错误（e）环网柜对侧带电实际风险（g）手动机构无闭锁图7 智能变电站母线倒闸操作风险识别结果由图7 可知，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能准确有效地识别母线倒闸操作过程中的所有操作风险类型，证明了本文设计的风险识别方法在实际应用中具有一定的可靠性。3总结智能变电站倒闸操作安全直接影响了整个变电站和供电网的生产安全，由此本文将单目测距模型与智能变电站母线倒闸操作三维结构模型相结合，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。在实际倒闸生产操作中，要结合相关安全规章制度，实现有效的风险辨识、评价及控制，提高安全管理效果。参考文献1樊迪，邵志敏，张世栋，等。基于机器视觉的馈线终端单元插口状态自动识别系统研究 J电测与仪表，2020,57(17):136-141.2 江录春，王稼祥，陈正涛，等.基于机器视觉的车身缺陷识别与分类方法J.机械设计与研究，2 0 2 1，37(3):137-142.(下转第2 0 3页）.181.（d）多个厂家五防产品(f）线路名称错误Microcomputer Applications Vol.39,No.11,2023由图10 可知，随着时间的不断增加，3种方法的漏检数量均有所提高。可以清晰地看出方法3的漏检数量要高于方法1和方法2，与方法3相反的是，方法1的漏检个数则是3种方法中最低的。由此可见，方法1的漏检数量少，说明该方法的检测效果最优。4总结代码自动生成的小程序容易在操作不当的情况下产生安全漏洞，所以针对小程序漏洞实时检测系统设计方法存在的问题，本文提出代码自动生成的小程序漏洞实时检测系统设计方法。该方法先在软件中设计了不同的组件、源代码，提升了漏洞数据的采集和处理效率；再在系统中设计了不同的硬件功能模块，加快了检测效率，以此实现漏洞实时检测系统的整体设计。该方法在小程序漏洞实时检测系统设计方法中提供了重要信息基础，同时也在漏洞实时检测系统设计方法中占据着关键地位。1赵飞.计算机技术在食品工业中的应用：食品工业中的过程分析技术评述 J.食品与机械，2 0 2 1，37（1)：235-236.2 李韵，黄辰林，王中锋，等.基于机器学习的软件漏洞挖掘方法综述 J.软件学报，2 0 2 0，31（7）：2 0 40-2 0 6 1.3赵伟，张问银，王九如，等.基于符号执行的智能合约漏洞检测方案 J.计算机应用，2 0 2 0，40（4）：9 47-9 53.开发应用4下陈春雷，王省欣，谭静，等.基于Yosys的硬件信息流安全验证与漏洞检测 J.计算机应用研究，2 0 2 1，38(6):1865-1869.5王嘉捷，刘建鑫，马宇飞，等.WebView组件漏洞自动化检测与验证方法J.北京理工大学学报，2 0 2 0，40(2):169-174.6 刘伟.基于PSCAD的保护逻辑C源代码级仿真方法J.电力系统保护与控制，2 0 2 0，48（18）：130-137.7冀甜甜，方滨兴，崔翔，等.深度学习赋能的恶意代码攻防研究进展 J.计算机学报，2 0 2 1，44（4）：6 6 9-6 9 5.8吴倩红，韩蓓，李国杰，等.极高光伏渗透率下基于潮流雅可比矩阵和卷积神经网络的静态电压稳定在线预测 J.中国电机工程学报，2 0 2 1，41（12）：40 58-4068.9 范青，史中超，谈国新。非物质文化遗产的知识图谱构建 J.图书馆论坛，2 0 2 1，41(10）：10 0-10 9.10陈秀恩，郑洁皎，庄雾雯，等.Stroop范式和躯干控制参考文献双任务训练对老年脑卒中患者平衡功能的影响 J.中国康复医学杂志，2 0 2 0，35（1）：45-49.11吴欣欣，欧焱，李文明，等.基于粗粒度数据流架构的稀疏卷积神经网络加速 J.计算机研究与发展，2021,58(7)1504-1517.12秦佳伟，张华，严寒冰，等.上下文感知的安卓应用程序漏洞检测研究 J.通信学报，2 0 2 1，42(11）：13-2 7.（收稿日期：2 0 2 2-0 2-2 8）微型电脑应用2 0 2 3年第39 卷第11期(上接第18 1页）3张璞，张波，王建，等.计及主设备时变状态的变电站短时风险评估方法 J.电力系统保护与控制，2 0 2 1，49(14):73-81.4杨至元，张仕鹏，孙浩，等.基于Cyber-net与学习算法的变电站网络威胁风险评估 J.电力系统自动化，2020,44(24):19-27.5蒋毅，段芳铮，潘志敏，等.基于行为倾向的变电站人身风险量化方法 J.电力科学与技术学报，2 0 2 1，36(4):37-43.6 彭熹，王佳文，李振文，等.基于犹豫模糊矩阵的变电站自动化设备检修优先级决策 J.电力系统保护与控制，2 0 2 0,48(4)：10 4-10 9.【7 徐彦，方华亮，廖家齐，等.基于风险评估的集成式隔离断路器运维策略J.高电压技术，2 0 2 0，46（11)：3951-3959.8李科.基于PSO-KNN的变电站设备三维点云识别方法研究 J.电力系统保护与控制，2 0 2 1，49（18)：182-187.9 王洪亮，束洪春，周洁.物联网环境下变电站信号可并行识别的改进顿时隙ALOHA算法 JI.电工技术学报，2 0 2 0,35（2 3）：49 12-49 19.10张雪霏，贺兰菲，高晓晶，等.基于改进的形态梯度法的变电站母线故障检测技术.水电能源科学，2021,39(3):159-163.11 1LIM S,HANSON A J,SANTIAGO-GONZALEZ JA,et al.Bus Converter Using Isolation Capacitancefor ZVS and Invariant OperationJI.IEEE Journal ofEmerging and Selected Topics in Power Electronics,2020,8(3):1971-1982.12YE Q J,ZENG M,ZHANG Y X,et al.CAN BusBased Current Sharing Control of High-power Switc-hing Converters J.Journal of Power Electronics,2021,21(3):529-540.131NUMAN M,FENG D H,ABBAS F,et al.Impact As-sessment of a Co-optimized Dynamic Line Rating andTransmission Switching Topology on Network Ex-pansion PlanningJJ.International Transactions on E-lectrical Energy Systems,2020,30(8):el2457.14何景师，张智勇.集装化危险品物流作业风险因素识别与评价J.上海海事大学学报，2 0 2 0，41（4）：63-69.15余建星，刘天，余杨.顶张紧式立管作业风险源识别与失效模型J.油气储运，2 0 2 0，39（1）：112-12 0.（收稿日期：2 0 2 2-0 3-14）.203.