基于Ai-IRT與5G-Sa的配網帶電作業安全行為模式檢測

胡凱波,於立峰,孟鵬軍,崔 娜

(浙江浙能蘭溪發電有限責任公司,浙江 金華 321100)

配網設備維修與檢測等的關鍵方式即為輸電線路帶電作業,該作業方式屬于一種危險性較高的作業項目,作業人員需在具備專業防護的前提下,在作業過程中和各種帶電體保持安全間距,同時需在安全工作區間內實施帶電作業行為[1]。安全的帶電作業行為模式能夠有效保障作業人員的人身安全,避免帶電作業事故的發生,可有效保障電網的平穩運行[2]。為保證配網帶電作業行為模式的安全性,需具備科學合理的技術手段,實現對配網帶電作業安全行為模式的實時檢測與預警[3-4]。以往大多通過經驗豐富的專業監控人員對配網帶電作業人員的作業行為模式實施監控,當工作量大時,人工監控的方式易被精神集中程度及疲勞程度等因素所影響,導致監控不當及忽略作業人員作業間距等,甚至帶來帶電作業事故[5]。為避免以上問題的發生,需結合恰當的配網帶電作業安全行為模式檢測方法,提升檢測的時效性,保障作業人員帶電作業的安全性。

飛行時間(TOF)技術屬于一種距離測量技術,其主要是通過計算光或微波等信號飛行于發射器與反射器二者間的時間,實現對二者間距的測量[6-7]。該技術所應用的傳感器為TOF傳感器,即TOF深度相機,通常以激光或紅外原理實現距離測量,能夠采集到有價值的深度信息,獲得深度圖像,被廣泛用于AR、機器人及電力作業等領域[8]。當該技術應用在電力作業領域內時,可實時監測電力作業區域的間距波動情況,并提供及時準確的監測信息,為避免電力作業中安全隱患的發生提供保障。

5G-Sa網絡模式屬于一種全新的網絡模式,是5G網絡部署的最高級形態,其中Sa結構與當前的LTE網絡無直接關聯[9]。該網絡模式能夠支持的上行載波功能更多,上行覆蓋區間更寬,可支撐的上行速率更高,綜合傳輸性能也更優越。

綜上,結合Ai紅外熱成像原理的TOF技術與5G-Sa網絡模式,實現配網帶電作業安全行為模式的檢測,避免帶電作業事故的發生,保障帶電作業人員的安全性及電網運行的穩定性。

1 配網帶電作業安全行為模式檢測方法

采用基于Ai紅外熱成像原理的TOF技術與5G-Sa網絡模式相結合的檢測方法,實現配網帶電作業安全行為模式的檢測。其中,TOF技術應用TOF深度相機采集配網帶電作業區域與作業人員的深度圖像,實現對作業人員帶電作業行為模式的判別;5G-Sa網絡主要用于傳輸TOF深度相機的檢測結果至地面監控中心,由監控中心依據檢測結果分析作業人員的作業行為模式是否安全并實施記錄,當檢測結果為非安全行為模式時發出預警,以此實現配網帶電作業安全行為模式的檢測。檢測過程如圖1所示。

圖1 配網帶電作業安全行為模式檢測過程圖

由圖1可知,整體檢測過程為:①以待作業的配網輸電線路帶電桿塔與電壓級別為依據,設定帶電作業方式與桿塔相關參數,自動運算安全監控方位。首先確認需要監控的區域,然后在監控區域中選擇合適的安裝位置,根據監控設備的參數,如焦距、視角等計算出監控設備的覆蓋范圍,最后根據監控區域和監控設備的覆蓋范圍,確定安全監控方位。②將TOF深度相機安裝于安全監控方位的桿塔塔身,實時采集作業人員及配網帶電作業區域深度圖像。③將所采集到的深度圖像轉換為平面圖像,并劃分平面圖像內配網帶電作業區域為安全區間、預警區間及作業區間3部分,經運算得出安全區間與作業區間的尺寸參數。④以預警區間作為檢測區間,通過TOF深度相機采集此區間及其控制線的近紅外激光點云數據,運用所采集點云數據及安全區間的尺寸參數,對作業人員是否超出該區間控制線實施判別,即判別作業人員的帶電作業行為模式是否安全。⑤所得判別結果經由5G-Sa網絡傳送到地面監控中心,當判別結果為作業人員超出預警區間控制線時,監控中心立即向作業人員發出預警,并記錄為非安全帶電作業行為模式;當判別結果顯示作業人員未超出預警區間控制線時,則記錄為安全帶電作業行為模式,完成配網帶電作業安全行為模式檢測。

1.1 基于TOF深度相機的配網帶電作業區域與人員深度圖像采集

TOF深度相機以Ai紅外熱成像原理為依據,實現配網帶電作業區域與作業人員的深度圖像采集[10]。TOF深度相機通過近紅外光反射計算配網帶電作業區域與相機的間距及作業人員與相機的間距,生成深度圖像。其中,作業人員與相機的間距即為TOF深度相機的檢測深度D:

(1)

式中:γ為調制后的近紅外光脈沖的信號波長;m為近紅外光脈沖的數量;Δθ為發射近紅外光和接收近紅外光之間的相位延遲。

1.2 配網帶電作業區域劃分

轉換TOF深度相機所采集的配網帶電作業區域與作業人員深度圖像為平面圖像,使用TOF深度相機獲取配網帶電作業區域與作業人員深度圖像,去除深度圖像中可能存在噪聲和異常值,將深度圖像進行反投影,即將每個像素點的深度值轉換為三維空間中的坐標;根據反投影得到的三維坐標,將其映射到二維平面上,生成平面圖像。運用所轉換的平面圖像對配網帶電作業區域實施劃分,劃分情況如圖2所示。

圖2 配網帶電作業區域劃分情況

(2)

式中:d1為安全區間控制線的上邊界與帶電作業人員之間的間距;d2為該控制線的右邊界與帶電作業人員的間距;d3為該控制線的下邊界和帶電作業人員的間距。設安全區間長方體的高度與長度依次為h和l:

(3)

由于安全區間的寬度方向與作業人員所作業的導線方向相同,對于作業人員而言,其在此方向上移動不會影響到對其作業安全行為模式的檢測[12],因此可以現實狀況為依據設定安全區間的寬度w。

(4)

則作業區間長方體的高度h′、長度l′和寬度w′可表示為:

(5)

1.3 作業人員的帶電作業安全行為模式檢測

以預警區間作為檢測區間,運用安裝于塔身的TOF深度相機采集此區間及其控制線的近紅外激光點云數據,運用所采集的點云數據判別作業人員是否超出預警區間控制線,也就是帶電作業行為模式是否安全。當檢測區間內存在作業人員的點云數據,同時該點云數據的橫向位置Di符合預警判別條件式(6)時,則判別該作業人員已超出預警區間控制線,即該帶電作業行為模式不安全。

(6)

反之,當檢測區間內未出現作業人員的點云數據,或所出現的點云數據不符合式(6)時,則判別該作業人員沒有超出預警區間控制線,即該作業人員的帶電作業行為模式安全。

1.4 基于5G-Sa網絡模式的檢測結果傳輸

為實時保障作業人員帶電作業時的安全性,在作業人員帶電作業過程中,所得檢測結果需實時向地面監控中心傳送,以便于監控中心根據檢測結果及時向作業人員發出預警。選用5G-Sa網絡[13-14]將所得的檢測結果傳送到地面監控中心,實時監控作業人員的帶電作業行為模式并實施記錄,如圖3所示。當檢測結果顯示作業人員超出預警區間控制線時,即其帶電作業行為模式不安全時,即刻發出預警。

圖3 用于檢測結果傳輸的5G-Sa網絡模式

在所選用的5G-Sa網絡模式中,LTE網和5G無線網不存在關聯,而5G無線網與5G核心網直接相連,且在5G核心網內,用戶面網元和控制面互為獨立[15]。由圖3可知,虛線框內的為5G-Sa網絡起始階段部署時所用到的關鍵網元,AUSF與AMF分別代表認證服務器功能與訪問和移動功能;NRF與UDM分別代表網絡存儲庫功能和統一數據管理;SMF與NEF分別代表會話管理功能與網絡曝光功能;NSSF代表網絡切片選取功能;PCF代表策略和收費功能;UE代表用戶體驗;DN代表域名;(R)AN代表接入網;UPF代表用戶面網元。

2 實驗分析

以某電力公司配網帶電作業中心的220kV輸電線路的5號與10號桿塔作為實驗配網帶電作業對象,其中5號桿塔的帶電作業項目為更換導線間隔棒(帶電作業項目A),10號桿塔的帶電作業項目則為更換絕緣子(帶電作業項目B),檢測兩個帶電作業項目中作業人員的帶電作業安全行為模式,通過實驗檢測結果檢驗所提方法的應用效果。實驗中TOF深度相機型號為blaze-101,關鍵參數如表1所示。

表1 實驗關鍵參數

采集帶電作業項目A、B的帶電作業區域深度圖像,效果呈現如圖4所示。依據電力安全工作規程,220 kV輸電線路帶電作業時的最低安全間距d=1.8 m,在此最低安全間距下,檢測獲得項目A、B帶電作業區域內的作業區間與安全區間尺寸參數,如圖5所示。對兩項目作業過程中預警區間內出現的作業人員點云數據實施檢測,其中項目A共檢測到12組作業人員點云數據,項目B檢測到10組作業人員點云數據,所檢測到的各組點云數據的橫向位置如圖6所示。

圖4 兩項目帶電作業區域深度圖像

圖5 兩項目帶電作業區域的各區間尺寸

圖6 項目預警區間作業人員點云橫向位置

由圖5～圖6所獲得的檢測結果,對兩項目作業過程中作業人員的帶電作業行為模式進行判別,并將判別結果經傳輸網絡傳送至地面監測中心,實現記錄及非安全行為模式預警。檢測結果記錄及預警情況如表2所示。

表2 檢測結果記錄與預警情況

由表2可知,所提檢測方法可實現配網帶電作業安全行為模式檢測,同時可根據檢測結果對不安全帶電作業行為模式及時發出預警,提醒帶電作業人員已超出預警區間控制線,保障作業人員帶電作業的安全性,避免發生帶電作業事故。

在判別結果傳輸過程中,若傳輸網絡性能不佳,或存在嚴重的丟包等問題,勢必造成檢測效果的下降,甚至無法有效預警而導致作業人員發生危險事故。因此,需針對所提檢測方法在傳輸檢測結果時的網絡傳輸性能實施測試。測試中選取無擁塞與有擁塞兩種場景,且每種場景下各模擬5種不同的發包數量,以此測試其傳輸檢測結果時的網絡傳輸性能,測試結果如表3所示。

表3 所提方法的網絡傳輸性能測試結果

由表3可知,當處于無擁塞場景下時,所提檢測方法在傳輸檢測結果時的發包與收包數量相同,未出現丟包現象,網絡傳輸性能穩定;在有擁塞場景下,當發包數量增長至1 000 000時,所提檢測方法的網絡傳輸僅出現少量的丟包現象,可見,所提檢測方法的網絡傳輸綜合性能較好,能夠滿足配網帶電作業安全行為模式檢測中的實際傳輸需求。

3 結論

為保障配網帶電過程中作業人員的安全性與電網運行的穩定性,針對一種基于Ai紅外熱成像與5G-Sa網絡模式的配網帶電作業安全行為模式檢測方法展開研究,選取以Ai紅外熱成像原理為核心的TOF深度相機采集配網帶電作業區域及作業人員的深度圖像,實現配網帶電作業區域內各區間尺寸的測量,依據測量結果實時監測并判別作業人員的行為模式,將判別結果經由5G-Sa網絡向地面監控中心傳輸,實現不安全行為模式的預警及安全行為模式的記錄。結果表明:所提檢測方法能夠檢測出配網帶電作業中作業人員的行為模式是否安全,同時可穩定有效地傳輸檢測結果至監控中心,保障監控中心對不安全行為模式的及時預警,避免帶電作業事故的發生,提升作業人員的人身安全性與電力系統運行的平穩性。