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）04-060-05中圖分類號：TP206.3

★張建軍（國網北京市電力公司電纜分公司，北京100022）

摘要：本文圍繞電纜線路移動巡檢及交互診斷系統的構建方法開展研究，首先利用分布式邊緣代理組件對電纜線路進行數據流改造，并根據前、后端數據特征及應用場景進行算法設計，形成了綜合基于模糊證據理論的狀態評價模型、灰色馬爾可夫的誤差反推預測模型的前端自診斷模型和綜合相關性分析法模型、Weibull長期運行可靠性評估模型的后端多維度數據分析與決策模型，最終實現設備識別、狀態感知、數據交互與智能診斷的無縫銜接和多層級電纜運行的可靠性評價及運維管控決策，強化了設備狀態管控力，優化了設備運維策略。

關鍵詞：輸配電電纜線路；移動感知；互聯診斷；輔助決策；智能運維

現階段，國網公司電纜線路巡檢以人工巡視為主，輔以電子標簽資產管理、超聲波、紅外測溫等手段對異常風險進行探查與評估^[1-3]。隨著綜合管廊及其運檢數據量呈指數級增長，狀態數據離散化、孤島化嚴重，作業效率低下的問題進一步加劇。巡檢技術自動化與智能化水平較低，運維人員無法在巡檢過程中實時掌握管廊電力艙及電纜線路運行狀態，依靠人力為主的傳統運維檢修模式導致運維能力提升有限，已經無法滿足迅猛增長的電網運維工作需求。本文在無線泛在網絡的基礎上，采用分布式就地狀態診斷與后臺可靠性評估交互診斷的方式構建了電纜線路移動巡檢及交互診斷系統，實現設備識別、狀態感知、數據交互與智能診斷的無縫銜接，綜合提升了電纜線路智能化運維管控水平，支撐了雄安新區大規模綜合管廊的建設、運行質量和效益，強化了設備狀態管控，創新了電纜線路及通道巡檢模式，提升了巡檢效率，優化了巡檢效果。

1　電纜線路移動巡檢及交互診斷系統架構

本文所涉及的電纜線路移動巡檢及交互診斷系統^[4]架構主要包括智能識別標簽組件、電纜線路運行狀態檢測組件、邊緣代理組件、智能巡檢移動終端、后臺診斷系統平臺等5個主要部分，其應用架構如圖1所示。

圖1  電纜線路移動巡檢及交互診斷系統架構示意圖

（1）智能識別組件，其利用無源電子標簽技術，記錄存儲電纜基礎臺賬信息，與GIS系統聯合實現電纜設備資產管理與身份識別，并與無線發送、接收組件自動聯動。當移動巡檢終端接近時，可快速、遠距離識別電纜及通道設備、設施，結合巡檢計劃或人工選擇的方式，啟動狀態檢測數據發送，簡化巡檢人員查詢設備臺賬流程，并可作為參照物對巡檢路徑、巡檢到位率進行遠程管理。

（2）運行狀態感知組件，其主要承擔電纜線路及通道狀態數據采集，包括電纜線路局部放電、運行溫度、接地電流、介質損耗等電氣特征量以及通道環境、沉降、水位、視頻監控等信息數據，同時對運行狀態特征數據進行緩存，等待發送組件調用。此外，檢測組件包含常規監控、異常報警、重癥監護等多類工作模式，可結合設備運行狀態評估結果及人工定義兩類方式進行更改，滿足了不同應用場景需求。

（3）邊緣代理組件，其主要承擔數據采集組件與巡檢終端間的數據通信功能，并具備運行狀態數據初步分析與自診斷功能。在自診斷過程中發現異常時，可實現組件間的無線組網并將異常信息推送至狀態交互診斷評價系統，實現故障或風險預警。同時在巡檢人員需要參考后臺歷史數據、狀態評估結論、運維策略建議時，可通過組件間構建的數據網絡進行調用。此外該組件還可以輔助完成巡檢記錄、風險點記錄等功能，可對電纜線路及通道風險與隱患進行追蹤處理。

（4）智能移動終端，其主要功能在于感知電子標簽獲取對象信息，由數據非接觸式發送組件中收集和存儲的電纜線路及通道狀態數據，上傳至狀態交互診斷評價系統，同時接收巡檢計劃與輔助巡檢作業，記錄設備、設施缺陷與隱患，是開展電纜線路移動智能巡檢的核心單兵裝備。智能巡檢移動終端也包括巡檢機器人系統，其功能與PDA終端具有一定的相似性，但其主要執行的是定期、差異化巡視任務，對高危風險點進行復核與監控。巡檢機器人的應用可以降低人工作業強度、定期收集監控數據、降低無線發送組件的組網數據量要求以及優化電纜線路狀態感知架構體系，還可與消防機器人聯動執行火災探查與滅火，降低了人工干預的風險。

（5）后臺診斷系統，其結合了國內外在電纜絕緣老化、狀態綜合診斷、剩余壽命評估以及相關智能識別分析技術領域的相關成果，建立了綜合狀態感知、離線診斷、材料性能分析手段的綜合全過程電纜狀態檢測與評估體系，并結合了電纜線路設備質量、安裝質量及歷史試驗檢修數據，可評估電纜狀態與整定運維策略，重點強化了多狀態數據的綜合評估，支撐了電纜線路的全壽命周期管理和檢修策略的科學制定。電纜及通道狀態交互診斷系統平臺可實現電纜線路臺賬及運行信息等基礎數據管理、同類設備缺陷及故障分析、電纜運行狀態分級評價診斷以及差異化運維檢測策略決策。

2　分布式前端多狀態量融合診斷與預警

針對電纜線路在線監測前端，設計適用于局放、接地電流、溫度等監測前端短時數據，實現其數據的就地分析診斷，不僅有利于解決現有移動巡檢系統所存在的海量數據處理和通信問題，也能協助運檢巡視人員通過手持終端快速獲取設備狀態表征數據、就地診斷信息和異常信息預警，并可提升運檢人員現場巡視與處置的針對性、科學性。

電纜線路在線監測前端，其主要目的是獲取電纜狀態特征數據，并進行數據的存儲與通信。它具備一定的數據分析與處理能力，但由于其硬件條件限制，數據存儲的時間跨度一般較短，且無法開展復雜的數據運算。因此，為了適應移動巡檢過程中快速獲取電纜狀態的目標，對監測前端嵌入算法的設計應使其具備數據分析與篩查功能，故我們設計了2類算法模型來實現該目標。

首先是基于模糊和證據理論的狀態數據分析模型，該模型利用模糊評判方法確定各絕緣參數值的不同絕緣狀態隸屬度，再利用證據合成算法對其進行證據合成，并獲取最后的絕緣狀態信度分配表^[5-6]，進而評估電纜的絕緣狀態。該模型包含3個子步驟：

（1）選用模糊分布函數中的半梯半嶺相結合的隸屬函數來確定各絕緣參數的絕緣狀態隸屬度。

（2）由于與決策相關數據的精度存在不確定性、數據量不夠大等原因，在決策過程中將會出現不確定性問題。同時，考慮到不同子證據體的相對重要程度的差異性，可引入置信度系數來修正證據合成前的信度函數值。它表示考慮數據量不夠和獲取數據過程中存在誤差等因素后的證據體的可信度，可參考以往數據和專家意見獲取該值。

（3）將由第二步修正后得到的各參數的隸屬度當作證據合成理論中的證據，利用式Dempster合成法則進行證據合成，便可以得到相應的信度函數分配表，以此判斷出電纜的絕緣狀態。

針對電纜絕緣狀態的預測過程中可用數據量少和精確度不高的問題，可采用一種基于灰色預測的馬爾可夫狀態預測模型。該模型在對絕緣參數進行灰色預測的同時，將預測得到的數據跟原始數據做相對誤差計算，再通過馬爾可夫模型進行誤差預測并修正灰色預測數據，進而得到最終的預測數據，最后，對其進行狀態評價獲得電纜絕緣的未來狀態。結合模糊和證據合成理論的灰色馬爾可夫的XLPE電纜絕緣狀態預測模型建立過程如圖2所示。該模型的實現步驟如下：

（1）對原始數據序列進行灰色預測得到預測數據；

（2）計算預測數據與原始數據的相對誤差，并進行馬爾可夫誤差預測，得到未來某一時刻，K+1時刻的相對誤差；

（3）用誤修正通過灰色模型預測得到的數據，獲得修正后的預測數據；

（4）通過模糊隸屬函數和證據合成理論對修正后的預測數據進行狀態評價，得K+1時刻的狀態。

圖2  電纜線路狀態預測模型

3　大數據后臺多維融合評估與運維決策

3.1　特征指紋與風險因子算法

在大數據后臺中，為進一步充分利用臺賬、設備型號、檢修作業，檢測試驗以及監測感知等多維度數據，本節提出了一種電纜線路后端多維度數據融合評估與決策方法，目的是解決依靠傳統狀態量數據對單一電纜局部絕緣狀態診斷的制約，實現綜合宏觀與局部、時序與廣域、知識邏輯與數據驅動相融合的高壓電纜設備可靠性主動研判與運維策略的分級決策，并通過同類型設備故障風險研判、長時間特征趨勢變化等維度，實現對感知前端缺失的同類風險設備的挖掘。其主要步驟如下：

（1）建立設備信息數據庫：根據設備的初始狀態信息、設備的歷史正常運行信息與故障信息，建立設備信息庫，為設備故障診斷提供深度數據支撐。設備信息庫包括設備正常運行信息庫、設備故障信息庫以及設備初始狀態信息庫。

（2）狀態感知與特征提取：根據設備診斷的需要，使用傳感器、數據采集器等技術手段，在設備運行過程中，選擇能表征設備運行狀態的信號量加以檢測與采集，并形成設備的運行狀態數據，為設備故障診斷提供最原始的狀態數據。將采集到的設備運行狀態數據按照特定的規約進行處理、加工，去除數據冗余，提高數據質量，提取設備的運行狀態特征量，形成設備的“運行指紋”，即表征設備運行狀態的設備運行狀態數據，為設備故障診斷提供診斷數據。

（3）指紋庫建立：特征指紋庫的建立主要采用相關性分析法^[7-8]，其流程如圖3所示。

圖3  特征指紋及其量化風險因子算法流程

3.2　電纜健康狀態多維融合評估

首先將電纜線路缺陷、故障分成電纜本體和附件的不同狀態參量進行分析，詳細分析典型狀態量與不同部件的主要缺陷間的相關性，并基于典型相關性分析法分析兩兩狀態量之間的關聯性，即CCA相關系數ρ。若|ρ|=1，則表明X與Y之間線性相關，在工程應用中可將該條件放寬至|ρ|>0.9。但是，對于隨機變量非線性相關，單一的相關性系數則無法表征。

若|ρ|≤0.9，則使用跨領域典型相關性分析（Canonical Correlation Analysisacross Different Domains，CCADD）、（混合）概率典型相關性分析（Mixtureof Probabilistic Canonical Correlation Analysis，（Mix）PCCA）、Coupula函數模型[9-11]等方法研究變量之間相關性規律，并通過計算數據權重規律/概率規律及數列向異性規律，找到最大出現的權重/概率等參數的變化規律，從而得到電纜線路及通道運行狀態量數據量化風險因子指紋。

通過篩查最大出現的權重/概率等參數，可以建立不同設備故障所指向的電纜線路故障表征數據組。

在缺陷嚴重程度評估參量提取的過程中，構造描述缺陷發展過程的原始多源評估參量集，引入互信息、最大信息系數等新變量衡量特征信息之間以及特征信息與缺陷嚴重程度之間的關聯關系，采用權重因子衡量冗余度與相關度的重要性，以最大相關最小冗余為準則進行特征選擇，最終可優選出最能表征缺陷嚴重程度的特征參量。

通過現有狀態監測量進行表征電纜線路及隧道運行狀態的準確性與可靠性分析，建立電纜線路及隧道運行狀態特征量集合與狀態評價映射關系，最終可形成電纜線路缺陷、故障及狀態特征表征數據指紋庫。電纜運行可靠性的相關影響因素分為兩類：依時協變量和非依時協變量^[9-10]。依時協變量，比如電纜的溫度、環流、局部放電、介損、空氣濕度等；非依時協變量，比如電纜的施工單位、電纜長度、電纜廠家等。根據指紋庫及其權重/概率系數，可以對電纜運行可靠性表征數據進行分類歸一化，并可建立依時協變量和非依時協變量概率關聯性及其概率規律，從而簡化Weibull模型計算復雜度。

Weibull分布可以用來分析依時協變量，其函數表達式如式（1）所示。

其中Xj為非依時協變量，Y_j為X_j對應的回歸系數，n為依時協變量的個數，β為Weibull分布形狀參數，η為Weibull尺度參數。

可靠度表示設備在時間t內正常工作的概率，Weibull比例風險模型^[11-12]對應的可靠度函數如式（2）所示。

故障概率密度函數如式（3）所示。

構造故障概率密度函數的似然函數如式（4）所示。

其中n為數據的總數，m為故障數據個數，n-m表示截尾數據個數。

當K=0時，代入β、η和α的初值β0、η0和α0進行求解，獲得Weibull分布的形狀參數，根據Weibull分布求出可靠性，并結合狀態評價結果得到最終的可靠性評估結果^[13-14]；同時分析電纜的故障數據和狀態數據，并通過求解模型的參數繪制電纜的狀態決策曲線。根據可靠度將電纜的狀態劃分為正常工作、臨界區、維修三類，同時也可以實現電纜剩余壽命的預測^[15]。

3.3　基于RF算法的電纜通道狀態評估方法

RF是一種集成多決策樹的算法，每個決策樹都是一個分類器，將所有分類投票結果集成在一起，指定具有最高投票數的類別作為最終的輸出。RF具有精度高、效率高、自行評估特征量重要度和自行計算內部誤差無偏估計等優點，是一種具有較高靈活度的機器學習算法，應用范圍廣泛。

電纜通道實時監測數據經過邊緣計算處理后發送至中臺，每次刷新的一組數據可組成一個樣本矩陣。根據電纜運行原理和日常運維經驗，每個樣本中不同特征量在事故誘發因素中權重不同，例如接頭處溫度超過閾值屬于影響權重較高的特征量，而非電纜本體的設備銹蝕在一定程度以下影響較小；同時某些特征量具有較強的相關性，例如煙霧、火焰和溫度。在RF的計算過程中，樣本和特征的選擇是一個隨機抽取的過程，因此可以對決策樹進行去相關，從而降低內部誤差。同時可使用袋外誤差率的計算來評估各特征量的貢獻從而確定各特征量的權重。RF中決策樹的數量增加在初期會提升算法的效果，但大于一定值時，計算效果會趨于平緩不再有明顯的提升。這是一個魯棒性較強的參數，一定范圍內的調整并不會明顯地影響算法的分類識別效果，因此特征量維數和訓練集數量在一定范圍內時，可使用固定的推薦值。電纜通道的在線監測實際物理測量裝置的增減，基于現實具有較長的變化周期，其特征量的形式和維數變化頻率是較低的。總體來說，針對電纜通道運行參數的狀態評估，在采用RF算法的計算過程中不需要做很多參數調試，同時可以兼容較長時間的監測設備更替，具有較強的魯棒性。

4　結論

針對電纜線路高可靠性和智能運維管理需求，本文提出了電纜線路移動巡檢及交互診斷系統的設計方法，并結合數據分級分析與前后端融合的基本思路，提出了綜合基于模糊證據理論的狀態評價模型、灰色馬爾可夫的誤差反推預測模型的前端自診斷模型和綜合相關性分析法模型、Weibull長期運行可靠性評估模型的后端多維度數據分析與決策模型，實現了綜合管廊電力艙內電纜線路多狀態量的前后端運行狀態分級分析與決策。經實踐應用證明，該系統不僅能便于運維人員快速掌握電纜線路運行狀態信息，而且實現了對電纜線路中存在普遍性潛伏性隱患缺陷的研判與挖掘，有助于提升高壓電纜設備狀態管控能力和運檢決策科學水平。

作者簡介：

張建軍（1976-），男，黑龍江鶴崗人，工程師，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運維檢修。

參考文獻：

[1] 吳明祥, 歐陽本紅, 李文杰. 交聯電纜常見故障及原因分析[J]. 中國電力, 2013, 46 (5) : 66 - 70.

[2] 王少華, 葉自強, 梅冰笑．電纜故障原因及檢測方法研究[J]. 電工電氣, 2011, 11 (5) : 58 - 62．

[3] Q/GDW 11316-2014, 電力電纜線路試驗規程[S].

[4] 王昱力, 夏榮, 任廣振, 黃肖為. 電纜線路及通道移動巡檢與交互診斷技術研究[J]. 電力系統裝備, 2018 (11) : 95 - 97．

[5] Tang Z Y. Analysis of significant factors on cable failure using the Cox proportional hazard model[J]. IEEE Transactions on Power Delivery, 2014, 29 (2) : 951 - 957.

[6] Bajbor Z Z. Cable Life Expectancy Calculation - A Practical Approach[J]. IEEE Transactions on Electrical Insulation, 1987, EI-22 (4) : 485 - 487.

[7] Zickler U, Schnettler A, Schwan M. Impact of maitenance on component condition and system supply reliability in distribution networks[C]. International Conference and Exhibition on Electricity Distribution, IEEE Xplore, 2009 : 1 - 4.

[8] Stotzel M, Zdrallek M, Wellssow W H. Reliability calculation of MV-distribution networks with regard to ageing in XLPE-insulated cables[J]. Generation, Transmission and Distribution, IEE Proceedings, 2001, 148 (6) : 597 - 602.

[9] Chiodo E, Gagliardi F, Lauria D. Probabilistic approach to transient stability evaluation[J]. Generation Transmission and Distribution, 1994, 141 (5) : 537 - 544.

[10] 粟秋碩, 廖洪根, 張澤秋, 等. 電力電纜故障分類和絕緣檢測方法[J]. 紅水河, 2007, 26 (4) : 103 - 105.

[11] Cox D R. Regression Models and Life-Tables[J]. Journal of the Royal Statistical Society, 1992, 34 (2) : 187 - 220.

[12] Weibull W. Spread around the initiating point of the detonation wave in high explosives.[J]. Nature, 1947, 160 (4055) : 92 - 93.

[13] 羅潘, 任志剛, 徐陽, 等. 退役高壓交聯聚乙烯電纜絕緣老化狀態分析[J]. 電工技術學報, 2013, 28 (10) : 41 - 46.

[14] 周承科, 李明貞, 王航, 等. 電力電纜資產的狀態評估與運維決策綜述[J]. 高電壓技術, 2016, 42 (8) : 2353 - 2362.

[15] Q/GDW 456—2010, 電纜線路狀態評價導則[S]. 2010.

摘自《自動化博覽》2023年4月刊