国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

文獻標識碼：B文章編號：1003-0492（2023）08-056-05中圖分類號：TP18

★楊嫣妮（國網北京市電力公司電纜分公司，北京100022）

★孟蕓，李芹芹，曹遠鴻，劉金龍，曹悅（北京卓越電力建設有限公司，北京100029）

關鍵詞：電纜隧道；實時監測；人工智能；智能預警；神經網絡

目前，隨著我國經濟的不斷發展，城市化進程的不斷加快，電力需求量也在不斷增加，城市的電力電纜尤其是高壓電纜數量和里程也在不斷增加。正是由于電纜隧道占地面積小，電纜受到惡劣天氣等自然條件的影響小等優勢條件，高壓電纜正逐漸取代架空線路輸電成為城市電力輸送的主要方式。保證高壓電纜安全穩定運行一直都是電力行業最重要的工作。

電力電纜作為城市電網的重要輸電載體，隨著電力電纜運行時間的增加，其絕緣狀況、運行溫度等電纜本體的重要指標和隧道溫度、濕度等環境指標都會影響電纜的安全穩定運行。現在大多數電力電纜及隧道的運行維護主要采用人工巡檢模式，無論是從維護成本上還是電力電纜穩定運行上都存在一定的局限性。為了保障電力電纜線路安全穩定運行，需要對電纜本體及隧道進行實時監測，發現異常時及時上報預警，便于對該條線路或隧道采取相應措施。本文針對電纜隧道運維系統開發及應用，提出相應的思路。

以某路電纜線路及其隧道為背景，構建電纜隧道監測系統，使系統具有電纜本體和電纜隧道的重要指數的實時監測功能，并上傳系統，在線路發生故障前提前進行預警，保證線路安全穩定運行，減少一定經濟損失。

電力電纜隧道監測系統的架構如圖1所示，主要分為三大模塊：數據采集模塊、通訊模塊和智能預警模塊。其中數據采集模塊包括隧道環境和電纜本體測量數據。各種監測終端數據經過數據采集模塊將數據在通訊模塊中上傳至系統，經系統內算法對數據進行預警。

1　數據采集模塊

電纜運維人員一般在隧道內巡視主要關注電纜溝溫度、局部放電、隧道內氣體、水位等，這些參數影響著電纜的安全穩定運行。電纜線路中間接頭制作過程中可能存在連接不良、進入雜質等問題，進而造成電纜長時間運行過程中發熱，甚至發生擊穿，所以對其溫度、局放的監測就變得至關重要。其次電纜在水中長時間浸泡，則會加速電纜線路老化的程度，容易造成故障。

1.1　電纜本體

電纜本體數據監測一般需要溫度、載流量和局部放電等方面的監測，及時發現電纜本體及附件的發熱或絕緣老化等問題，避免因未及時發現從而造成擊穿等事故發生。在監測數據達到設定值時，則會報警，此時需要運維或檢修人員及時處理。

1.1.1　光纖測溫

電力電纜在長時間運行過程中會導致材料老化、絕緣受損等問題，最終造成電纜絕緣損害或絕緣擊穿故障，有可能會造成相鄰電纜線路的損壞等，造成巨大的經濟損失和安全事故。通過光纖測溫可及時發現線路溫度異常的問題，及時采取措施，避免造成過大的經濟損失。常見的測溫方式主要有熱電阻測溫、紅外測溫、光纖測溫和半導體測溫，目前在企業生產過程中考慮經濟、便捷等問題，電纜測溫一般采取分布式光纖測溫方式，其具有耐腐蝕性、絕緣性高、壽命長、質量輕、傳輸距離遠、損耗低、抗雷電、抗高壓大電流等優勢，在電氣設備、電纜等部位實現實時溫度監測和預警，有效解決了電纜隧道無人值守中關鍵設備的火災預警問題。

1.1.2　載流量監測

目前常用的載流量監測主要采用動態載流量模型，與分布式光纖測溫系統相結合的監測方式，光纖測溫應用如圖2所示。其主要是通過光纖測溫來實時監測電纜本體溫度和負荷電流，通過載流量計算軟件系統根據線芯溫度進一步計算得到流過線芯的電流值，實時顯示不同位置的溫度、負荷電流和計算出的載流量，當檢測到流過的負荷超過設定值時，系統會發出警告預警提示，使運維人員重點關注警告線路，防止因重載或過載進而產生故障問題，保障電纜網安全穩定運行。

圖2 光纖測溫應用

1.1.3　局部放電監測

一般出現局部放電的情況可能是絕緣內存在氣隙、雜質或導體的尖端、毛刺引起絕緣內部電場的歧變，進而發生局部放電現象。局部放電一般不會導致整個絕緣層被擊穿，但若不及時發現，在電纜長時間的運行過程中，就極容易發生絕緣擊穿事故，引發更大的故障，電纜局部放電檢測應用如圖3所示。

圖3 電纜局部放電監測應用

1.2　環境監測

電纜隧道一般處于地下周圍或者溝道較為復雜的環境，一般運行人員除了對電纜本體的溫度、載流量、局部放電和電纜外觀檢查外，還要了解隧道內的溫濕度、有毒有害氣體含量和隧道內的積水情況等，避免有毒有害氣體對電纜本體或者巡視檢修人員造成危險。該監測系統在及時監測隧道內水位、濕度、溫度、氣體等數值信息后，應及時記錄并上傳原始數據，設定警告值，當超出設定值時系統就會發生報警，提醒運維人員注意或及時啟抽水泵或通排風系統，對隧道內進行必要的排水和換氣。對隧道內環境的監測是保障電纜壽命和運維檢修人員生命安全的一個必要措施，具有極為重要的意義。

1.2.1　有毒有害氣體、溫濕度監測

由于電纜隧道長期處于密閉環境，周圍可能存在燃氣或熱力管道，有可能出現有害氣體或者易燃氣體泄漏；電纜外皮和絕緣部分一般都是橡膠制品，在長期運行過程中可能會因絕緣部分老化產生大量有毒有害氣體。一般隧道內有毒有害氣體主要是一氧化碳、硫化氫、甲烷氣體，氣體長時間的堆積極有可能對電纜外皮或隧道內金屬設施進行腐蝕從而加速設備的老化，縮短其使用壽命。有毒有害氣體的沉積會造成隧道內空氣含氧量下降，若運檢人員未攜帶氣體測試儀則會極容易威脅他們的生命安全，發生安全事故。所以隧道內的有毒有害氣體監測對于電纜隧道是至關重要的。隧道內環境溫度一般要求控制在40℃以下，溫度過高對電纜安全穩定運行會存在影響，同時對于電纜隧道溫濕度也是需要進行監測的，有毒有害氣體、濕度檢測應用如圖4所示。

圖4 有毒有害氣體、濕度監測應用

一般電纜隧道內部通排風裝置通過與隧道內有毒有害氣體、溫濕度監測系統進行連通，分別設有空氣含氧量測量、有毒氣體測量、可燃氣體測量等，當有害氣體濃度或空氣濕度達到一定濃度時，通過以太網將監測數據及時上傳給監控指揮中心，監測指揮中心通過判斷監測數據數值決定開啟或停止相關排風設備，以保證內部氣體、濕度、溫度在合理的運行范圍內。排風設備的啟動或停止需要綜合考慮內部管道氣體、濕度、溫度等綜合因素，并附加一定的人工智能判斷進行智能決策。多隧道協同聯動策略則由監控指揮中心統一調度，實現跨區域多隧道的綜合監測管理，隧道現場需要設置各種硬件設施的緊急啟停按鈕以便現場人員應對突發狀況。

1.2.2　水位監測

電纜隧道一般都位于地下，地勢較為低洼或者由于結構問題出現滲漏水或陰雨天氣倒灌入隧道內等問題，造成隧道內的積水嚴重，若不及時對隧道內進行積水排除，則會因為電纜本體或附屬設備長期浸泡在水中而發生故障擊穿等問題，使電纜及其設備造成不必要的損壞。因此，對隧道內的水位進行及時檢測，當水位達到一定高度時，隧道內的排水泵應立即啟動排除積水。

2　通訊模塊

在電纜本體監測數據中，電纜本體溫度和載流量數據采集基于分布式光纖測溫的電纜溫度信息采集系統，將光強度通過計算解調為溫度信息；動態載流量信息經過電纜動態載流量模型進行計算。為了保證較高的空間分辨率精度，需配置高頻采樣模塊（要求空間分辨率為2m時采樣頻率不能低于50MHz）。為了保證數據的準確性，一般都需要對短時間內采集的溫度進行求取平均數。為了適應電纜信息數據高速采集與處理的實際需求，采用現場可編程門陣列FPGA作為電纜信息數據的采集與處理模塊，其具有以下優點：靈活性高——可重編程，可定制，易于擴展；并行處理——更快的速度，更高的帶寬；集成度高——可替代多種數字芯片。

隧道環境信息采集通過空氣含氧量傳感器、有毒氣體傳感器、可燃氣體傳感器、水位傳感器等各類傳感器直接對數據進行采集，不需要經過大量的計算，通過RS485的通訊方式使氣體、濕度、水位等采集的數據上傳至隧道內主機，采用RS485專用雙絞屏蔽電纜接線，主從式半雙工通訊。采用MODBUS標準通信協議，數據幀10位：1個起始位，7個數據位，1個停止位，無驗波特率固定為9600bps。

3　智能預警模塊

電纜隧道內的環境較為陰暗潮濕，可能會出現滲漏水和有毒有害氣體的風險，由于架空入地的趨勢，電纜線路的數量越來越多，需要運維人員實時監測的數據也大量提高，并且運維人員的巡視工作一般為周期性工作，有時可能無法及時進行發電纜線路故障前期的預警，從而導致擊穿等故障的發生。但現在隨著人工智能技術的提高，基于人工神經網絡的數據處理方式也在逐漸深入各行各業。在電纜隧道數據監測的這個方面，我們也可以采用人工智能的方式去代替運維人員的巡視工作，并可實時對線路進行監控。通過將BP神經網絡引入到電纜本體和隧道環境監測數據的處理和智能預警系統中，運維人員可根據系統預警及時前往現場進行檢查，盡可能減少電纜故障的發生，保證電纜網安全穩定運行。

3.1　BP神經網絡的應用

現在人工神經網絡理論的誕生離不開生物神經網絡的啟發，而生物神經元具有以下六個基本特征：（1）單個神經元及連接其他神經元的神經；（2）神經元之間的連接可以通過生化作用反應連接傳遞信號的強弱；（3）監測數據分析與事故智能預警模塊設計；（4）重復的訓練可以加強特定神經元之間連接的強度；（5）神經元傳遞的信息既可以刺激也可以抑制相關的機體反應；（6）一個神經元的狀態是其從所有連接獲得信息的綜合體現；（7）神經元有應激閾值，表現為上限或下限。

神經元是構成神經網絡的最基本單元，因此人工神經元模型應該具有生物神經元的六個基本特性。人工神經網絡是以生物神經元學說為基礎的，利用數學模型模擬生物神經網絡的某些結構和功能。在電纜隧道監測系統中，運用人工神經網絡對所有實時監測數據進行深度學習，由于采集數據數量很多，個別數據監測錯誤或損壞對輸入和輸出關系的影響很小，不會影響對于事故的判斷，這都歸咎于BP神經網絡具有較好的容錯性。通過對電纜本體和環境隧道多組歷史故障數據的訓練，可以將對環境數據分析的知識儲存在神經網絡的連接權中，實現對故障警情的智能預警，協助運維人員進行數據分析，提高工作效率。

3.2　基于蟻群算法的神經網絡結構優化方法

對于神經網絡來說，隱層結構越復雜，神經網絡能學到的知識就越多，在合理訓練的基礎上，解決問題包括泛化的能力就越強，而代價就是計算越復雜。對于電纜隧道監測系統來說，電纜故障的識別復雜度有限，我們需要通過基于蟻群優化算法的BP神經網絡結構優化方法，一是可以保證事故預警的準確性；二是最大限度縮短了計算時間；三是提高了事故告警系統的快速響應能力。蟻群優化算法的啟發來自于螞蟻覓食的群體行為，通過一群螞蟻從蟻巢出發覓食，在不斷探索的過程中，最終形成一條從巢穴到食物的最短路線。該算法不依賴于待優化參數的初始值，屬于一種正反饋算法，基于給定的目標函數，通過合理的參數配置可以快速收斂至最優值，從而達到網絡復雜度和事故預測的準確性。

電纜隧道的監測終端經過蟻群算法的優化之后，一般是每隔15米的距離設置一個監測終端點，這樣既能夠滿足監測應用的要求，也不會顯得終端設置冗余。系統在獲取實時數據后，可以采取兩種方式對事故進行分析，第一種是用訓練好的神經網絡進行事故分析，具有快速準確性高的特點；第二種是人工對數據進行抽查或分析異常數據，優點是分析方法更為靈活。第一種方案，在智能分析模塊中嵌入了BP神經網絡和訓練數據。訓練數據是在以往發生故障的過程中電纜本體和隧道環境的數據采集信息集合，通過大量的歷史數據進行訓練神經網絡，使其具備了事故分析的先驗知識，最終實時數據通過訓練成熟的網絡計算后，即可生成事故預警結果。人工監督方式具有隨機性的特點，運維人員可對各個隧道的狀態進行遠程隨機抽查，并結合智能分析的結果對事故進行全局監控。

3.3　典型事故處理流程

通過BP神經網絡的學習和優化，系統已經可以通過監測數據的異常及時向運維人員發出預警，讓運維人員及時采取措施，若系統對某條線路發現預警，一般可采取以下幾個步驟進行操作：

（1）對于已預警的故障及時聯系運維人員前往現場進行核查確認，若數據準確無誤，則報送上級判斷是否采取措施；若數據存在誤差，運維人員應提高警惕，并將核查數據進行反饋。

（2）對于已經發生的故障要及時采取聯動或人工處理措施解除故障。

（3）確認事故是否解除，若仍未解除通知專責人員到場處理。

（4）故障處理完畢后形成工作日志，并將故障數據作為樣例存入故障庫。

目前，對于電纜運維維護最重要的是，及時發現故障預警，在未發現故障時及時對其采取一定措施防止故障的發生；若電纜出現故障則是應盡快解決故障，盡快恢復正常供電。并且可以通過事故發生的前后監測數據作為樣本加入到BP神經網絡的訓練中去，提高事故智能分析模塊對電纜故障的智能預警判斷能力。

4　小結

總結傳統人工運維巡視方式的不足并結合現有監測系統所存在的問題，通過構建一個電纜隧道綜合監測系統，對電纜隧道監測系統開展了深入研究。通過對電纜本體數據采集與電纜隧道環境數據進行采集，并根據數據采集與處理的實際需求選擇合適的通信支持。整個系統利用BP神經網絡系統，對系統采集的數據進行實時分析后直接生成預警信息和智能事故處理聯動指令，提高電纜運行的可靠性。再利用基于蟻群優化算法的BP神經網絡結構優化方法，一是可以保證事故預警的準確性；二是最大限度縮短了計算時間；三是提高了事故告警系統的快速響應能力。最后，通過設計典型事故的處理流程，完善整個事故告警及處理模塊。

作者簡介：

楊嫣妮（1997-），女，助理工程師，本科，現就職于國網北京市電力公司電纜分公司，研究方向為高壓電纜檢修。

參考文獻：

[1] 王雪. 電纜隧道綜合監測系統設計與實現[D]. 西安科技大學, 2020.

[2] 賈玉濤, 王洪曉, 鄭才偉. 人工智能在電纜溝代運維系統開發中的應用分析[J]. 電子元器件與信息技術, 2022, 6 (01) : 167 - 168.

[3] 秦亞杰, 華旭昀, 鄧鵬, 翟超超, 王悅. 人工智能高壓電纜隧道建設研究[J]. 電力安全技術, 2022, 24 (01) : 37 - 40.

[4] 彭峰, 但濤, 俞清, 伍文婷. 基于人工智能的電纜溝代運維系統開發[J]. 通訊世界, 2020, 27 (01) : 242 - 243.

[5] 岳蕓. 城市電力生命線的“智慧管家”——無錫首條人工智能高壓電纜隧道投運[J]. 中國電業, 2019, (09) : 60 - 61.

[6] 全國首個基于泛在電力物聯網理念的人工智能高壓電纜隧道投入運行[J]. 電力與能源, 2019, 40 (03) : 320.

[7] 汪少成, 郭瑞祥. 人工智能行業應用及對電力行業發展的思考[J]. 智能城市, 2018, 4 (23) : 143 - 144.

[8] 田純青. 移動互聯網技術與人工智能在電力行業中的應用[J]. 電子世界, 2019 (10) : 122 - 123 + 127.

[9] 秦亞杰, 華旭昀, 鄧鵬, 翟超超, 王悅. 人工智能高壓電纜隧道建設研究[J]. 電力安全技術, 2022, 24 (01) : 37 - 40.

[10] 張四維, 趙彥杰, 翟超超, 王雨陽. 一種電纜防外力破壞智能預警系統設計與實現[J]. 通信電源技術2019, 36 (11) : 113 - 114.

[11] 徐濤. 基于分布式光纖振動傳感的高壓電纜防外破監測預警系統應用[J]. 東北電力技術, 2020, 41 (06) : 30 - 33.

[12] 項恩新, 李建發, 聶鼎, 楊秋昀, 任明. 基于振動特征邊緣提取的電纜外力擾動智能感知技術[J]. 電網與清潔能源, 2020, 36 (10) : 55 - 60.

[13] 江智洲. 電力電纜隧道智能監控預警系統剖析[J]. 中國公共安全, 2015 (09) : 77 - 80.

[14] 楚德全. 基于行波技術的電纜故障預警及測距技術的應用[J]. 自動化應用, 2011 (12) : 53 - 54.

[15] 胡叢飛. 一種電纜防外破預警裝置的應用[J]. 農村電工, 2021, 29 (04) : 31 - 32.

[16] 楊艷晶, 趙天, 李超權. 智慧電纜安全預警系統探討——以智慧電纜為基礎載體的基于光纖傳感技術的電氣安全預警平臺[J]. 智能建筑 電氣技術2021, 15 (03) : 77 - 80.

[17] 李劍. 電力電纜接頭溫度檢測及預警系統的設計[J]. 新型工業化, 2020, 10 (06) : 35 - 36.

[18] 盧忠亮. 電纜在線監測及故障預警測距系統方案實踐[J]. 冶金動力, 2019 (11) : 11 - 15.

[19] 竇巍, 錢俊波, 韓葉祥. 高壓電纜接頭在線監測系統的綜合預警機制[J]. 通信電源技術, 2018, 35 (11) : 237 - 240.

[20] 石武. 電力電纜故障監測及預警系統設計研究[J]. 中國設備工程, 2018 (15) : 118 - 119.

[21] 歐潔. 多源異構數據的主題挖掘與信息推薦[D]. 南京農業大學, 2018.

[22] 于毅. 交叉互聯電纜行波故障定位方法研究[D]. 山東理工大學, 2021.

[23] 田純青. 移動互聯網技術與人工智能在電力行業中的應用[J]. 電子世界, 2019 (10) : 122 - 123 + 127.

[24] 鄧顯波, 費雯麗. 基于知識圖譜的電纜故障診斷分析[J]. 現代信息科技, 2020, 4 (21) : 148 - 151.

[25] 袁翠翠. 人工智能在電氣自動化中的運用[J]. 南方農機, 2020, 51 (12) : 181 + 188.

[26] 孫欽章, 林斌, 胡壯麗. 基于綜合監控的高壓電纜線路智能運維方法探討[J]. 電工技術, 2019 (22) : 69 - 71.

[27] 張立云. 電纜隧道機器人監控平臺的設計與實現[D]. 河北科技大學, 2019.

[28] 陳興良, 杜秋實, 張營, 魯宇. 新型電纜溝道智能巡檢系統研究[J]. 黑龍江科技信息, 2017 (12) : 98.

摘自《自動化博覽》2023年8月刊