基于机器学习算法的10 kV 配电网带电作业安全检测方法

晁彬杰，陈 杨，丁 晨

（国网陕西省电力有限公司 宝鸡市供电公司，陕西 宝鸡 721000）

0 引 言

带电作业是配电网建设中的重要项目，它是在用户能够正常用电的情况下，进行一系列的电力维护和建设工作，具有一定的难度和危险性[1]。配电网建设对我国的意义重大，现在我国的配电网大多工程量巨大，施工场地极多，现场的工作人员成千上万。正是因为配电网建设拥有如此巨大的规模，所以在配电网工程的建设中，很容易出现安全事故，导致工程完成的质量较差。特别是在早年的带电作业中，由于技术不发达，都是由现场的施工人员对施工现场进行监控和警告，但人眼的能力终究有限，不仅会产生极大的误差，对一些隐藏的危险也难以发现，给带电作业人员的人身安全埋下隐患[2]。为此，本文引入了机器学习算法，提出了10 kV 配电网带电作业安全检测方法，保障了工人在作业过程中的人身安全，也提升了配电网工程的建设效率，给电网的正常运行打下了坚实可靠的基础。

1 10 kV 配电网带电作业安全检测方法设计

1.1 构建带电作业安全检测模型

在对配电网进行带电作业时，想要保证配电网作业人员的安全，首先就要构建带电作业安全监测模型。在带电作业中，经常出现的安全问题就是当空气被击穿后，原本线路的绝缘特性转变成了导体，使得作业人员与导线之间出现放电现象，从而威胁到作业人员的人身安全[3]。因此，在构建带电作业的安全检测模型时，就要保证作业的电场强度低于人体所能承受的最大电场强度。配电网在工作的过程中，产生的电流会聚集在一起，产生大量的热量，从而引起大气的热电离化，形成一个导流通道。如果作业导体管的导电性增大，那么导体管内部的电场就会增大，使得导体周围的空气出现电离的情况[4]。同时，在导流通道的作用下，电离会沿着导流通道快速扩散，使得导流通道中含有大量游离的带电颗粒，加快放电速度。因此，在计算时，首先要计算出配电网的电场强度，其具体计算过程为

式中：u为配电网线路的粗糙程度；ρa为作业位置的相对空气密度；rc为带电作业时的作业半径。通过式（1），计算出配电网的电场强度，并以此为基础，构建带电作业安全检测模型。其模型构建结果为

式中：Emax为带电作业时配电网所能承受的最大电场强度；vc为游离的带电粒子在配电网中的移动速度。至此，带电作业安全检测模型的构建完成。

1.2 基于机器学习算法规划带电作业安全检测路径

在构建的带电作业安全检测模型的基础上，规划出带电作业安全检测路径。首先，确定好带电作业的初始位置，并在该位置处对此次带电作业进行一个初始评估，利用评估函数计算出最小的评估点，并以该节点为中心，寻找节点周围可到达的点，并定位下一个路径点的位置坐标，通过对下一路径点的评估，决定规划的路线[5]。如果下一路径点为配电网中作业的终点，则直接将之前确定的路径点连接起来，生成带电作业的安全检测路径，否则就需要继续寻找路径点。在寻找路径点的过程中，本文利用机器学习算法，时刻对周围环境进行实时检测，保证选择路径点的正确性。其具体检测过程为

式中：θ1为当前路径点所能选择的角度；L为配电网中传感器的探测长度。通过式（3），计算出各个路径点的位置，再结合上述构建的安全检测模型和作业环境的反馈结果，得出安全检测路径的规划结果。在规划检测路径的过程中，为了保证测点位置的准确性，需要利用配电网中存在的变压器、传感器等设备，记录测点的位置，并将配电网与用电设备的连接点当做最终的检测点。此外，在生成安全检测路径的初始规划结果后，还要对初始生成的路径进行平滑处理，减少由于带电作业产生的检测延时。至此，基于机器学习算法的带电作业安全检测路径的规划完成。

1.3 实现配电网带电作业安全检测

在完成上述对带电作业安全检测路径的规划后，可以实现配电网带电作业的安全检测。配电网在正常运行过程中，需要检测的内容主要划分为3 个部分：一是配电网中各种用电设备的数量和位置；二是配电网中当前运行的线路中是否存在故障，并判断出存在的故障类型，采取合适的方法进行检修[6]；三是检测配电网中是否存在异物。因此，配电网的检测过程为

式中：w1为配电网中用电设备的特征与正常情况下设备特征的匹配度；w2为配电网中线路特征与正常线路特征的匹配度；τ1为配电网的实际运行特征；τ2为在正常工作状态下配电网用电设备的特征；τ3为在正常工作状态下配电网中线路的标准特征。同时，设置检测阈值，如果w1、w2的计算结果均大于该阈值，则说明当前状态下，配电网中的用电设备和线路都处于正常运行状态。如果计算结果中有部分数值小于阈值，则小于阈值的配电网区域出现了故障。如果计算结果均小于阈值，则说明当前的配电网存在故障点。通过上述的设计，确定配电网出现故障的具体位置，并及时对其进行抢修，减少因配电网故障带来的安全隐患。至此，基于机器学习算法的10 kV 配电网带电作业安全检测方法设计完成。

2 仿真实验

2.1 实验准备

为了验证本文设计的基于机器学习算法的10 kV配电网带电作业安全检测方法的性能，本文进行了仿真实验。本次实验使用了Windows 操作系统，具体的实验环境参数配置如表1 所示。

表1 实验环境参数配置

在上述参数环境下，对本文提出的方法进行测试，选取多家配电网带电作业人员的现场工作情况作为检测数据集，其部分检测结果如图1 所示。

图1 本文提出的检测方法检测结果

如图1 所示，本文提出的检测方法能够很好地检测带电作业人员是否正确佩戴安全帽，即使出现了多目标或者目标有遮挡的情况，本文提出的方法仍能很好地对其进行检测，避免出现错检、漏检的情况，保证了带电作业人员在施工现场的安全。同时，为了保证本文提出的检测方法具有一定的可靠性，本次实验还设置对照实验。在实验中，将本文提出的基于机器学习算法的10 kV 配电网带电作业安全检测方法列为方法1，基于机器视觉的10 kV 配电网带电作业安全检测方法列为方法2，基于深度学习的10 kV 配电网带电作业安全检测方法列为方法3。

2.2 实验结果与讨论

为了验证3 种安全检测方法的性能，在本次实验中，选取5 条输电线路作为实验对象，在每条线路上设置若干个检测目标，通过对比不同检测方法在不同线路上能够正确检测目标的数量，来评价3 种检测方法的检测效果。其具体检测结果如表2 所示。

表2 3 种安全检测方法在不同线路上的检测结果

如表2 所示，在所选取的5 条线路中，除了检测线路A003 和A005 与设置的检测目标数量存在些许差异外，方法1 目标检测的准确率高达100%，远超方法2 和方法3，可见方法1 在不同线路上对目标的检测更加准确。因此，本文提出的基于机器学习算法的10 kV 配电网带电作业安全检测方法的检测性能最好，在实际的应用中能够提供更好的检测效果。

3 结 论

本文提出的基于机器学习算法的10 kV 配电网带电作业安全检测方法在进行目标检测时，有着极高的检测正确率，能够快速检测到配电网中的各种问题，并及时解决。同时，本文提出的检测方法能够保证配电网的正常运行，保证带电作业人员自身的安全，还能提高配电网建设工程的效率。但本文提出的检测方法也存在一些不足，那就是如果目标线路中存在的目标过多，检测时间会过长，影响了配电网工程的建设进度，在之后的研究中将会不断进行完善。