首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 面向特高压输电线路的密集通道智能运维技术优化探析

面向特高压输电线路的密集通道智能运维技术优化探析

2024-11-25 93 上传者：管理员

摘要：为保障电力系统安全与稳定，优化探析面向特高压输电线路的密集通道智能运维技术。利用机载激光雷达测量技术与双程摆扫激光测距探测成像技术，获取特高压输电线路密集通道数据并进行处理，从密集通道智能巡检与智能监测优化出发，通过巡检过程梳理和双程摆扫激光测距探测成像的智能监测优化方法，实现特高压输电线路密集通道智能运维。实验结果表明：各巡检任务的巡检结果与密集通道实际状态基本相同，且巡检用时均低于40 s；各特高压输电线路的密集通道监测距离十分接近实际监测距离；该技术能够显著降低不同场景下电力系统面临的风险。

关键词：
密集通道
智能巡检
智能运维
特高压
输电线路
加入收藏

特高压输电线路的密集通道是面向用电需求较高的经济发达地区所架设的全新密集型输电线路，这种密集通道除了包含常见的220 kV和500 kV等交流输电线以外，还包含大量-800 kV与+800 kV直流线路[1]，架设过程中，线路综合跨越，布置多个类型塔杆以确保各类线路并行运行且紧凑不分散，由于这种特高压输电线路密集通道的特殊分布结构，导致实际使用时，不但成本过高，且安全隐患巨大，使电力系统运行风险大幅度上升[2]。电力行业是国家经济发展的根本，也是综合国力提升的支柱，只有保证电力系统的安全与稳定，才能促进国家经济健康可持续发展[3]，因此国家在制定多项管理特高压输电线路密集通道安全政策的同时，电力行业也积极探索相应的智能运维技术，通过线路巡视、检测、维修等，确保特高压输电线路密集通道安全，提升电力系统可靠性。

很多相关专家和学者均在该技术的研究上取得重大突破，例如王昱力等人[4]提出了一种基于移动感知的电缆线路运维系统设计方法，来实现设备运行状态感知、数据分析与智能诊断。方权等人[5]提出了采用模糊综合评价法和层次分析法量化各指标，确定各影响因素与线路故障率之间的模糊关系来实现线路的智能运维。Conteh等人[6]混合可再生能源系统为例，实现电力运维。由于在独立的微电网中，可再生能源的不确定性，应用遗传算法优化了电力线路运维过程的可靠性和可持续性，主要目标是最小化电源损失概率和能源成本。这三种技术均能在较低运维费用的基础上，确保电力系统的可靠性，且发生线路故障时的灵敏度较高，但在极端天气下的运维效率较低，且需要花费较高维护成本。

本文通过创建包含物理层、技术层、数据层和业务层四个层级的技术架构，从密集通道智能巡检、智能监测优化等角度出发，实现面向特高压输电线路的密集通道智能运维。

1、密集通道智能运维技术优化探析

1.1 整体架构

创建面向特高压输电线路的密集通道智能运维技术优化整体架构，用图1描述。

(1）物理层：该层由主机、存储设备、网络和软件构成，主要用于设备连接以及为技术层提供基础服务。

(2）技术层：该层能够提供总体技术的数据存储、数据访问和应用逻辑等技术。

(3）在以上两个层级的基础上，数据层利用机载激光雷达测量技术与双程摆扫激光测距探测成像技术，获取激光点云数据、矢量图形数据以及特高压输电线路密集通道监测双程摆扫激光图像等信息，并运用数据处理工具对所得数据进行标准化处理，以供业务层调用。

(4）根据各类安全管控和标准支撑，以及经过标准化处理的数据，业务层的三维全景分析模块通过三维建模为总体技术提供数据和模型支持，使特高压输电线路密集通道智能管理、智能巡检和智能监测优化成为可能。密集通道智能管理模块可以集中展示业务信息和密集通道数据，并同步杆塔布设状况；密集通道智能巡检模块结合设备和巡检任务，以及时发现相应缺陷；密集通道智能监测优化模块采用1.3小节的方法，确保线路稳定输出。

图1 整体架构

1.2 密集通道智能巡检模块

该模块通过主站平台和移动智能巡检终端的相互协作，将现场设备和巡检任务相关联，使运维人员可以实现任务的实时处理，从而快速发现特高压输电线路密集通道的缺陷。下述为密集通道智能巡检模块的执行过程：

(1）确定巡检任务。整理巡检任务，能够为例行巡检和安排特殊巡检提供便利，且产生的任务下达满足标准化要求[7]。巡检任务通常由相应管理人员进行部署，在巡检任务中，任务书发挥着重要的指导作用。

(2）任务执行。两个终端之间设有防火墙，巡检人员验证成功后才能获得主站端分配的巡检任务，领取任务后开始实施，并通过拍摄设备图片等形式完成巡检任务[8]。若移动终端的待上传数据存在缺陷，则详细叙述含有缺陷的设备，生成记录后保存上传，否则将直接上传数据。相关信息保存在中心数据库，可以供巡检和运维人员访问，最后巡检结果需要使用移动终端传送到主站平台。

(3）结果审核。在巡检数据被传输到服务端的情况下，使用数据库存储接收到的数据，利用移动智能巡检终端不仅能审核及诊断巡检结果，还能查看巡检任务。同时还需要监督执行巡检任务的有效性，例如检测压力值、红外测温等，并整理及管理所得相关数据。该模块的业务功能具体用图2描述。

图2 密集通道智能巡检模块业务功能

1.3 基于双程摆扫激光测距探测成像的特高压输电线路密集通道智能监测优化方法

由于传统方法未检测特高压输电线路图像的边缘特征，使监测效果受到严重影响[9]，因此提出将双程摆扫激光测距探测成像技术作为核心的监测优化方法。

1.3.1 基于多尺度形态学算子的图像边缘检测算法

通过该算法处理数据层采集的图像信息，创建相应的边缘轮廓特征检测模型。

图像灰度函数用f(x,y)描述；指定结构元素用b(x,y)描述；两者的定义域分别用Df、Db描述；图像的边缘函数用E(x,y)描述。使用式（1）描述根据形态膨胀生成的图像边缘检测算子表达式：

采用式（2）描述根据形态腐蚀生成的边缘检测算子表达式：

使用式（3）描述膨胀腐蚀型边缘检测算子表达式：

利用规模各异的结构元素采集图像边缘特征，即多尺度形态学边缘检测的基本思想。采用式（4）描述的多尺度结构元素，避免结构元素规模过大或过小对图像边缘检测水平的影响：

式中，尺度参数用n描述，取值为整数；有限结构元素用b描述。多尺度形态学边缘检测算子用式（5）描述：

式中，权系数用ai描述，生成的新边缘图像用Ei(x,y)描述。下述为该算法的具体过程：

(1）将小尺度结构元素规模设定为3×3，用以完成原始图像的边缘信息检测；

(2）通过加权平均处理获得的图像边缘信息，获得该尺度下的图像边缘；

(3）分别膨胀各小尺度结构元素，在此基础上进行图像边缘检测，使用过程(2)获得大尺度下的图像边缘信息；

(4）通过加权平均处理以上结果，获得多尺度下的新图像。

1.3.2 视觉特征提取

双程摆扫激光测距的输出参数分布集合，可以通过图像边缘尺度分解处理数据层采集的图像获得[10]，该集合用P(ni)={pk|prkj=1,k=1,2,…,m}描述，视觉重构目标函数用T(d)描述，其可在优先级属性调度的基础上获得，该函数表达式如式（6）所示：

式中，特征参数用ey描述，视觉重构目标数量用d描述。在ni次迭代后，创建成像的双边匹配滤波模型，则能够得出式（7）描述的成像信息增强结果：

式中，双边匹配滤波模型参数用β描述，匹配增强结果参数用h(j)描述。成像的分配特征属性集可利用网格区域分配方法获得，具体表示如下：

式中，成像融合的反函数用F-1描述；成像和网络的分配函数分别用qf、f1g(z)描述。通过创建的成像动态分配权系数可以获得式（9）描述的激光测距探测输出的样本拟合参量：

式中，像素序列用l(a)描述，卷积运算用描述。激光测距探测获得的特征聚类点分别用(ta,ya)、(tb,yb)描述，其动态监测多尺度模糊度函数分别用Hx=-jωx/||ω||、Hy=-jωy/||ω||描述，创建式（10）所示动态场景内，特高压输电线路密集通道智能监测的自适应参数信息增强模型：

式中，图谱边缘分量用||φ||描述，且||φ||=sup|φ(θ)|，若其符合C([a,b],R)的像素特征收敛判定标准，则能够获得F、V，两者为成像的滤波参数。

1.3.3 特高压输电线路密集通道智能监测输出

使用创建的边缘轮廓特征检测模型，结合提取的视觉特征，实现特高压输电线路密集通道智能监测。通过提取成像的边缘像素特征点，可以获得式（11）所示模糊度协方差计算过程：

式中，模糊度数量用w描述；次序为i的监测通道的异常特征分布维数用fi描述；成像分配的粒子数目用n描述；成像匹配度函数用favg描述。在σ2小于某指定阈值的情况下，通过模糊信息聚类和多目标样本集属性匹配，可以获得监测融合矩阵[11]，其规模用n×n描述，表达式如下所示：

式中，成像数据点用xi、xj描述，相应特征匹配度用s(i,j)描述，其值越小，表明成像的相似度越高，利用相似度特征匹配结果，即可完成特高压输电线路密集通道智能监测[12]。

2、结果分析

将某电力系统的特高压输电线路密集通道当做实验对象，其中含有11条特高压输电线路，总长度为895 km左右，运行方式分为冬天（冬季，全接线且全开机）和夏天（夏季，全接线且全开机）两种，使用本文技术完成各线路的智能运维工作。

通过本文技术对采集的数据进行三维建模，所得视图的平均误差结果用图3描述。

从图3可以看出，利用三维建模获得的左视图和右视图的平均误差均保持在理论最大误差以下，且与其之间存在较大差距，表明本文技术的数据三维建模效果较优异，可以为总体技术提供较好的数据和模型支持。

图3 采集数据的三维建模结果

以随机形式选择10项特高压输电线路密集通道巡检任务进行测试，分别采用1～10编号代表各任务，其完成情况用表1描述。

表1 不同巡检任务的完成情况

从表1可以看出，使用本文技术进行特高压输电线路密集通道巡检任务时，只有9号任务出现误差，其余任务的巡检结果与密集通道实际状态完全相同；且本文技术对各任务的巡检用时均低于45 s，其中用时最少和最多的任务编号分别7号、5号，相应用时分别为21 s、41 s。以上结果可得，本文技术具有较理想的特高压输电线路密集通道巡检效果，在发现缺陷的同时，还能判断缺陷类型，且巡检效率较高。

从采集的图像中选择60张图像进行测试，以验证本文技术的图像边缘检测能力，并使用峰值信噪比作为衡量所得图像质量的指标，其值越大，图像质量越高，结果用图4描述。

图4 原图像和处理图像的峰值信噪比

从图4可得，随着图像噪声浓度增加，原图像和处理图像的峰值信噪比均随之降低，但原图像的峰值信噪比下降速率较快，当噪声浓度增加至4.5时，峰值信噪比已低至4左右，表明此时图像失真较严重，而处理图像的峰值信噪比受噪声浓度影响较小，始终保持在27以上。由此可得，本文技术的图像边缘检测能力较强，可极大地提升后续特高压输电线路密集通道智能监测优化效果。

根据图像边缘检测算法合成的图像结果，实施特高压输电线路密集通道智能监测，结果用图5描述。

从图5可以看出，本文技术获得的各特高压输电线路密集通道监测距离和实际监测距离基本一致，表明本文技术的智能监测优化准确性较高，对提升特高压输电线路密集通道智能运维水平具有重要作用。

图5 特高压输电线路密集通道智能监测结果

测试不同场景类型下，本文运维技术使用前后的电力系统基本风险值，结果用图6描述。

图6 运维技术使用前后的电力系统基本风险值

分析图6可以看出，本文技术使用后，不同场景类型的系统基本风险值均大幅度降低；当运行方式为冬天，且处于冰冻天气时，本文技术使用前后的系统基本风险值均保持最高，表明该场景下电力系统面临着巨大风险；两种运行方式下，正常天气的系统基本风险值较低，但夏大运行方式下系统面临的风险相对较高。以上结果可得，本文技术具有较优良的特高压输电线路密集通道智能运维效果，能大大降低系统面临的风险，此外，在极端天气，需要加大运维力度。

3、结束语

电力需求的持续增加，促使密集型特高压输电线路被广泛应用于电力系统，但由于该线路的特殊分布结构，导致电力系统安全与稳定面临巨大挑战，因此本文提出面向特高压输电线路的密集通道智能运维技术优化探析。该技术具有较好的数据三维建模和图像边缘特征检测效果，对于特高压输电线路密集通道智能巡检和智能监测优化均能表现出较理想的性能，且实际应用能够使电力系统面临的风险显著降低，对提升我国特高压输电线路密集通道运维自动化水平具有重大借鉴意义。

参考文献:

[1]王冉冉,徐静,李子扬,等.特高压交流输电线路线下钢架建筑的感应电压､电流仿真分析[J].高电压技术,2021,339(2):724-731.

[2]李立峰,梁利辉,李秦,等.特高压交流输电线路下方民房晾衣架感应电特性及改善措施研究[J].电网与清洁能源,2021,265(8):39-47.

[3]李慧奇,郭鑫,刘勇,等.交流特高压对平行架设线路挂接临时地线上的电磁感应分析[J].电测与仪表,2021,754(5):55-61.

[4]王昱力,丁斌,王格,等.基于移动感知的综合管廊电缆线路运行状态诊断系统设计及应用[J].高压电器,2022,58(1):199-206.

[5]方权,刘闯,宋敏,等.模糊评价与PSO优化的LSSVM架空输电线路故障率预测[J].水电能源科学,2021,39(1):171-175.

[7]陈雷,吴浩,李栋,杨玉萍.基于集成学习的HVDC输电线路雷击故障识别方法[J].电力系统及其自动化学报,2022,220(5):102-110.

[8]曹虹,夏秋,俞斌,等.特高压直流近区交流输电线路智能重合闸策略[J].电力系统保护与控制,2022,597(3):156-163.

[9]张炜,杨国华,李勇杰,等.高海拔地区特高压换流站典型电极起晕特性与均压屏蔽电极设计[J].高压电器,2022,397(4):124-130.

[10]漆炜之,崔玉,王业,等.特高压直流保护高仿真度建模和动作行为评价[J].武汉大学学报(工学版),2022,298(1):61-70.

[11]李猛克,王阳,孙广,等.基于回归分析法的特高压直流接地极线路故障测距方法研究[J].电测与仪表,2021,758(9):129-134.

[12]张松,张伍勋,康玉杰,等.大规模电采暖设备监测调控和运维保障技术研究与应用[J].自动化技术与应用,2022,323(5):33-36.