基于Ai-IRT与5G-Sa的配网带电作业安全行为模式检测

胡凯波,於立峰,孟鹏军,崔 娜

(浙江浙能兰溪发电有限责任公司,浙江 金华 321100)

配网设备维修与检测等的关键方式即为输电线路带电作业,该作业方式属于一种危险性较高的作业项目,作业人员需在具备专业防护的前提下,在作业过程中和各种带电体保持安全间距,同时需在安全工作区间内实施带电作业行为[1]。安全的带电作业行为模式能够有效保障作业人员的人身安全,避免带电作业事故的发生,可有效保障电网的平稳运行[2]。为保证配网带电作业行为模式的安全性,需具备科学合理的技术手段,实现对配网带电作业安全行为模式的实时检测与预警[3-4]。以往大多通过经验丰富的专业监控人员对配网带电作业人员的作业行为模式实施监控,当工作量大时,人工监控的方式易被精神集中程度及疲劳程度等因素所影响,导致监控不当及忽略作业人员作业间距等,甚至带来带电作业事故[5]。为避免以上问题的发生,需结合恰当的配网带电作业安全行为模式检测方法,提升检测的时效性,保障作业人员带电作业的安全性。

飞行时间(TOF)技术属于一种距离测量技术,其主要是通过计算光或微波等信号飞行于发射器与反射器二者间的时间,实现对二者间距的测量[6-7]。该技术所应用的传感器为TOF传感器,即TOF深度相机,通常以激光或红外原理实现距离测量,能够采集到有价值的深度信息,获得深度图像,被广泛用于AR、机器人及电力作业等领域[8]。当该技术应用在电力作业领域内时,可实时监测电力作业区域的间距波动情况,并提供及时准确的监测信息,为避免电力作业中安全隐患的发生提供保障。

5G-Sa网络模式属于一种全新的网络模式,是5G网络部署的最高级形态,其中Sa结构与当前的LTE网络无直接关联[9]。该网络模式能够支持的上行载波功能更多,上行覆盖区间更宽,可支撑的上行速率更高,综合传输性能也更优越。

综上,结合Ai红外热成像原理的TOF技术与5G-Sa网络模式,实现配网带电作业安全行为模式的检测,避免带电作业事故的发生,保障带电作业人员的安全性及电网运行的稳定性。

1 配网带电作业安全行为模式检测方法

采用基于Ai红外热成像原理的TOF技术与5G-Sa网络模式相结合的检测方法,实现配网带电作业安全行为模式的检测。其中,TOF技术应用TOF深度相机采集配网带电作业区域与作业人员的深度图像,实现对作业人员带电作业行为模式的判别;5G-Sa网络主要用于传输TOF深度相机的检测结果至地面监控中心,由监控中心依据检测结果分析作业人员的作业行为模式是否安全并实施记录,当检测结果为非安全行为模式时发出预警,以此实现配网带电作业安全行为模式的检测。检测过程如图1所示。

图1 配网带电作业安全行为模式检测过程图

由图1可知,整体检测过程为:①以待作业的配网输电线路带电杆塔与电压级别为依据,设定带电作业方式与杆塔相关参数,自动运算安全监控方位。首先确认需要监控的区域,然后在监控区域中选择合适的安装位置,根据监控设备的参数,如焦距、视角等计算出监控设备的覆盖范围,最后根据监控区域和监控设备的覆盖范围,确定安全监控方位。②将TOF深度相机安装于安全监控方位的杆塔塔身,实时采集作业人员及配网带电作业区域深度图像。③将所采集到的深度图像转换为平面图像,并划分平面图像内配网带电作业区域为安全区间、预警区间及作业区间3部分,经运算得出安全区间与作业区间的尺寸参数。④以预警区间作为检测区间,通过TOF深度相机采集此区间及其控制线的近红外激光点云数据,运用所采集点云数据及安全区间的尺寸参数,对作业人员是否超出该区间控制线实施判别,即判别作业人员的带电作业行为模式是否安全。⑤所得判别结果经由5G-Sa网络传送到地面监控中心,当判别结果为作业人员超出预警区间控制线时,监控中心立即向作业人员发出预警,并记录为非安全带电作业行为模式;当判别结果显示作业人员未超出预警区间控制线时,则记录为安全带电作业行为模式,完成配网带电作业安全行为模式检测。

1.1 基于TOF深度相机的配网带电作业区域与人员深度图像采集

TOF深度相机以Ai红外热成像原理为依据,实现配网带电作业区域与作业人员的深度图像采集[10]。TOF深度相机通过近红外光反射计算配网带电作业区域与相机的间距及作业人员与相机的间距,生成深度图像。其中,作业人员与相机的间距即为TOF深度相机的检测深度D:

(1)

式中:γ为调制后的近红外光脉冲的信号波长;m为近红外光脉冲的数量;Δθ为发射近红外光和接收近红外光之间的相位延迟。

1.2 配网带电作业区域划分

转换TOF深度相机所采集的配网带电作业区域与作业人员深度图像为平面图像,使用TOF深度相机获取配网带电作业区域与作业人员深度图像,去除深度图像中可能存在噪声和异常值,将深度图像进行反投影,即将每个像素点的深度值转换为三维空间中的坐标;根据反投影得到的三维坐标,将其映射到二维平面上,生成平面图像。运用所转换的平面图像对配网带电作业区域实施划分,划分情况如图2所示。

图2 配网带电作业区域划分情况

(2)

式中:d1为安全区间控制线的上边界与带电作业人员之间的间距;d2为该控制线的右边界与带电作业人员的间距;d3为该控制线的下边界和带电作业人员的间距。设安全区间长方体的高度与长度依次为h和l:

(3)

由于安全区间的宽度方向与作业人员所作业的导线方向相同,对于作业人员而言,其在此方向上移动不会影响到对其作业安全行为模式的检测[12],因此可以现实状况为依据设定安全区间的宽度w。

(4)

则作业区间长方体的高度h′、长度l′和宽度w′可表示为:

(5)

1.3 作业人员的带电作业安全行为模式检测

以预警区间作为检测区间,运用安装于塔身的TOF深度相机采集此区间及其控制线的近红外激光点云数据,运用所采集的点云数据判别作业人员是否超出预警区间控制线,也就是带电作业行为模式是否安全。当检测区间内存在作业人员的点云数据,同时该点云数据的横向位置Di符合预警判别条件式(6)时,则判别该作业人员已超出预警区间控制线,即该带电作业行为模式不安全。

(6)

反之,当检测区间内未出现作业人员的点云数据,或所出现的点云数据不符合式(6)时,则判别该作业人员没有超出预警区间控制线,即该作业人员的带电作业行为模式安全。

1.4 基于5G-Sa网络模式的检测结果传输

为实时保障作业人员带电作业时的安全性,在作业人员带电作业过程中,所得检测结果需实时向地面监控中心传送,以便于监控中心根据检测结果及时向作业人员发出预警。选用5G-Sa网络[13-14]将所得的检测结果传送到地面监控中心,实时监控作业人员的带电作业行为模式并实施记录,如图3所示。当检测结果显示作业人员超出预警区间控制线时,即其带电作业行为模式不安全时,即刻发出预警。

图3 用于检测结果传输的5G-Sa网络模式

在所选用的5G-Sa网络模式中,LTE网和5G无线网不存在关联,而5G无线网与5G核心网直接相连,且在5G核心网内,用户面网元和控制面互为独立[15]。由图3可知,虚线框内的为5G-Sa网络起始阶段部署时所用到的关键网元,AUSF与AMF分别代表认证服务器功能与访问和移动功能;NRF与UDM分别代表网络存储库功能和统一数据管理;SMF与NEF分别代表会话管理功能与网络曝光功能;NSSF代表网络切片选取功能;PCF代表策略和收费功能;UE代表用户体验;DN代表域名;(R)AN代表接入网;UPF代表用户面网元。

2 实验分析

以某电力公司配网带电作业中心的220kV输电线路的5号与10号杆塔作为实验配网带电作业对象,其中5号杆塔的带电作业项目为更换导线间隔棒(带电作业项目A),10号杆塔的带电作业项目则为更换绝缘子(带电作业项目B),检测两个带电作业项目中作业人员的带电作业安全行为模式,通过实验检测结果检验所提方法的应用效果。实验中TOF深度相机型号为blaze-101,关键参数如表1所示。

表1 实验关键参数

采集带电作业项目A、B的带电作业区域深度图像,效果呈现如图4所示。依据电力安全工作规程,220 kV输电线路带电作业时的最低安全间距d=1.8 m,在此最低安全间距下,检测获得项目A、B带电作业区域内的作业区间与安全区间尺寸参数,如图5所示。对两项目作业过程中预警区间内出现的作业人员点云数据实施检测,其中项目A共检测到12组作业人员点云数据,项目B检测到10组作业人员点云数据,所检测到的各组点云数据的横向位置如图6所示。

图4 两项目带电作业区域深度图像

图5 两项目带电作业区域的各区间尺寸

图6 项目预警区间作业人员点云横向位置

由图5～图6所获得的检测结果,对两项目作业过程中作业人员的带电作业行为模式进行判别,并将判别结果经传输网络传送至地面监测中心,实现记录及非安全行为模式预警。检测结果记录及预警情况如表2所示。

表2 检测结果记录与预警情况

由表2可知,所提检测方法可实现配网带电作业安全行为模式检测,同时可根据检测结果对不安全带电作业行为模式及时发出预警,提醒带电作业人员已超出预警区间控制线,保障作业人员带电作业的安全性,避免发生带电作业事故。

在判别结果传输过程中,若传输网络性能不佳,或存在严重的丢包等问题,势必造成检测效果的下降,甚至无法有效预警而导致作业人员发生危险事故。因此,需针对所提检测方法在传输检测结果时的网络传输性能实施测试。测试中选取无拥塞与有拥塞两种场景,且每种场景下各模拟5种不同的发包数量,以此测试其传输检测结果时的网络传输性能,测试结果如表3所示。

表3 所提方法的网络传输性能测试结果

由表3可知,当处于无拥塞场景下时,所提检测方法在传输检测结果时的发包与收包数量相同,未出现丢包现象,网络传输性能稳定;在有拥塞场景下,当发包数量增长至1 000 000时,所提检测方法的网络传输仅出现少量的丢包现象,可见,所提检测方法的网络传输综合性能较好,能够满足配网带电作业安全行为模式检测中的实际传输需求。

3 结论

为保障配网带电过程中作业人员的安全性与电网运行的稳定性,针对一种基于Ai红外热成像与5G-Sa网络模式的配网带电作业安全行为模式检测方法展开研究,选取以Ai红外热成像原理为核心的TOF深度相机采集配网带电作业区域及作业人员的深度图像,实现配网带电作业区域内各区间尺寸的测量,依据测量结果实时监测并判别作业人员的行为模式,将判别结果经由5G-Sa网络向地面监控中心传输,实现不安全行为模式的预警及安全行为模式的记录。结果表明:所提检测方法能够检测出配网带电作业中作业人员的行为模式是否安全,同时可稳定有效地传输检测结果至监控中心,保障监控中心对不安全行为模式的及时预警,避免带电作业事故的发生,提升作业人员的人身安全性与电力系统运行的平稳性。