孙春华,石旭初,汪洋,孙云峰,周定亚
(国网江苏省电力有限公司 涟水县供电分公司,江苏 涟水 223400)
电能在传输的过程中经过配电、变电等环节会造成一定的损耗[1]。其中一部分电能损失源于电力设备本身损耗,如变压器、表计电压线圈损耗等,这些电力线损称为固定损耗;而另一部分电能损失为管理损耗,主要由于线路故障、计量装置误差等原因造成,属于可以进行监测和控制的部分[2-3]。近年来,随着激光技术的快速发展和进步,其更多的优点和性能不断地被发掘出来,激光的应用领域也进一步得到拓展[4]。
激光检测技术是对激光优良性能的有效应用,如激光扫描、跟踪、测振、激光校准、破损识别、光谱分析等都显示了激光检测的优越性[5]。应用激光技术对被测物体进行扫描和检测,采用了非接触的方式、精度高、时间短、受测量范围和被检测物体位置的影响较小[6]。在激光检测技术当中,点云检测精度最高、效果最优,激光点云以空间坐标为参考系,基于对被检测对象的空间扫描,提取被测对象各个采样点的空间坐标,获取海量采样点的集合,这些点集合能够表示被测对象的表面性状及空间分布[7-8]。传统的模糊检测方法,如神经网络检测方法,具有计算复杂、假设条件多、实时性不足等,难以有效改善电力线损的检测效果[9]。为提高电力线损检测精度低、误差高、实时性差的弊端,本文提出了一种基于激光点云的电力线损实时检测技术研究。利用激光探测传感装置提取点云特征,选定线损数据的样本集,构建样本点的特征向量,并求解支持向量机SVM的判别函数,完成对电力线损的精确检测。仿真实验表明文章提出的基于激光点云的电力线损实时检测技术研究,能够有效提高检测精度,降低线损率和系统误差,减少电能在传输过程中的损耗。
采用激光探测传感器对出现线损的线路段进行激光扫描,获取故障端的点云特征,形成故障样本集,分析样本集的特征向量,通过基于支持向量机(SVM)进行函数判别,完成线路线损的精准检测。在电力线路检测的过程中,最为关键的点云数据的提取和分析,其电力线损检测算法流程如图1所示。
图1 电力线损检测流程
为了实现基于激光点云的电力线损实时检测,通过基于支持向量机(SVM)进行电力线点云的提取,而SVM在分类模型选择时,更加倾向于选择简单的模型,如直线、平面、超平面等。对于线性可分为二类问题,SVM能够将两类样本准确分开,同时能够使两类数据到超平面的空间间隔最大,从而得到最优超平面。如图2所示。
图2 线性可分支持向量机
图2中的两类数据,K表示最优超平面,离K平面最近且平行于K平面的K1和K2平面上的样本为支持向量,可通过这些支持向量实现数据集的分类。
对于K最优超平面,可表示为式(1)。
f(x)=ωTx+b
(1)
式中,ω为参数向量;b为平移向量。
对于图2中的两类样本{(x1,y1),(x2,y2),…(xn,yn)},xi∈Rn,yi∈{-1,+1} ,i∈1,2,…n。当f(x)=0,x在超平面上;当f(x)<0时,对应的y=-1;当f(x)>0时,对应的y=+1。
两类数据的支持向量到超平面的距离可表示为式(2)。
(2)
由此可知,为了确定一个超平面将两类数据进行分开,并且样本离超平面的距离足够远,使得两者的间距最大,从而可确定f(x)的参数向量ω和平移向量b,使得距离d最大,需要满足式(3)。
(3)
s.t.yi(ωTx+b)≥1,i=1,2,…,m
通过转化,表示为式(4)。
(4)
s.t.yi(ωTx+b)≥1,i=1,2,…,m
由上述公式可知,目标函数为二次,约束条件为线性。可通过构建拉格朗日函数,将偶性变化问题转化为一个无约束的优化问题,从而使得问题求解更加容易。通过添加拉格朗日乘子ai(ai≥0),结合KKT条件,上式可以转化为对偶问题,如式(5)。
(5)
对ω和b求导可得式(6)。
(6)
令上式分别为0,代入到式(5)中,可得式(7)。
(7)
因此,新问题求解的目标函数可以表示为式(8)。
(8)
即通过拉格朗日函数将原问题的约束条件融合到目标函数中。通过向量机SVM进行函数判别,实现了对电力线损的精确检测。
本文进行仿真实验,验证提出技术研究在提高检测精度和降低线损率方法的优势。在检测精度的表现方面,分别采用传统神经网络模糊检测技术和本文提出基于激光点云的检测结果进行对比分析,在线路故障和计量装置上分别提取100个点进行测试,每10个点为一组,以每组数据的平均值作为测量结果,如表1、表2所示。
从表1、表2的结果可知,在线路故障检测方面和计量装置故障检测方面,本文提出的基于激光点云的检测系统相比于传统的检测技术,结果精度更高。
表1 线路故障方面的平均检测率(%)
表2 计量装置故障方面的平均检测率(%)
对某A、B两段线路分别采用常规检测方法和本文方法进行线损率检测,检测时间各为1个月,在采用本文方法检测的过程中,若发现线路故障,及时对其进行处理,对其线损率数据进行汇总整理,如图3、图4所示。
图3 线损率监控变化情况A
图4 线损率监控变化情况B
由图3、图4可知,在采用本文检测技术前A、B两段线路线损率高达2.5%,表明线路中存在故障,局部还可能出现漏电或窃电情况;而采用本文提出的基于激光点云的电力线损实时检测技术后,可实时对线路中出现的故障进行排除,使线损率降低到1%以下。由于可见,本文检测技术有利于提高检测结果的精准度和减低线损率。
电能在传输的过程中,除了自身的损耗以外,还会因为各种自然因素的影响或是线路故障等导致损耗的出现。本文提出的一种基于激光点云的电力线损实时检测技术,通过仿真实验表明,该基于激光点云的电力线损实时检测技术的检测效率更高、速度更快,而且通过该检测技术能够及时排除故障,能够将常规高达2.5%的线损率降低到1%以下,有利于电能传输成本的节约。