方 權(quán),侯金華,翁永春,李海濤,楊世強(qiáng),楊曉東

(1.湖北省電力有限公司 檢修公司宜昌運(yùn)維分部,湖北 宜昌 443000;2.三峽大學(xué) 電氣與新能源學(xué)院,湖北 宜昌 443002)

0 引 言

近年來社會經(jīng)濟(jì)快速發(fā)展, 電網(wǎng)投資建設(shè)力度逐漸加大, 各種線路基建大修技改工程日益繁多, 線路生產(chǎn)施工安全監(jiān)護(hù)面臨的問題也越來越突出, 面臨的挑戰(zhàn)也更加多元化[1]。 安全監(jiān)護(hù)作為線路工程主管單位抓牢安全管控的重要手段, 也急需進(jìn)一步提升強(qiáng)化, 以適應(yīng)新形勢新環(huán)境下的發(fā)展要求[2]。

分析幾例線路安全生產(chǎn)事故可以發(fā)現(xiàn), 其中多數(shù)事故發(fā)生的原因是由于現(xiàn)場施工過程中[3-5],因?yàn)槭┕っ娣稚?、安全監(jiān)護(hù)環(huán)節(jié)繁多、監(jiān)護(hù)責(zé)任履行不到位等原因?qū)е略O(shè)備故障事件發(fā)生。 因此,對于遠(yuǎn)距離高壓輸電線路風(fēng)險預(yù)警是具有必要性的[6]。現(xiàn)有的預(yù)警系統(tǒng)容易受到自然災(zāi)害和人工干預(yù)的影響,導(dǎo)致預(yù)警效果較差。 文獻(xiàn)[7]提出并設(shè)計(jì)了基于GA-BP神經(jīng)網(wǎng)絡(luò)算法的高密度電法非線性反演系統(tǒng)，將BP神經(jīng)網(wǎng)絡(luò)算法與遺傳算法聯(lián)合演算,實(shí)現(xiàn)高密度電法的二維非線性反演， 但是在利用該方法進(jìn)行反演的過程中,缺少對預(yù)警信息分類的步驟,導(dǎo)致預(yù)警信息提取的準(zhǔn)確性差,致使最終的高壓輸電線路風(fēng)險預(yù)警精準(zhǔn)度較差。 文獻(xiàn)[8]設(shè)計(jì)了特高壓輸電線路污閃和風(fēng)偏風(fēng)險實(shí)時評估與預(yù)警系統(tǒng), 將氣象數(shù)據(jù)引入特高壓輸電線路電氣可靠性實(shí)時評估與預(yù)警中,預(yù)測特高壓輸電線路在不同氣象條件下的污閃和風(fēng)偏閃絡(luò)電壓,進(jìn)而得到特高壓輸電線路在不同氣象條件下的風(fēng)險等級,實(shí)現(xiàn)評估與預(yù)警，但是該系統(tǒng)同樣忽略了對預(yù)警信息的分類處理,導(dǎo)致輸電線路預(yù)警信息分類召回率較低。

針對以上問題,本文設(shè)計(jì)了基于GA-BP算法的遠(yuǎn)距離高壓輸電線路風(fēng)險預(yù)警系統(tǒng)。對遠(yuǎn)距離高壓輸電線路風(fēng)險預(yù)警系統(tǒng)的總體結(jié)構(gòu)進(jìn)行分析，并給出系統(tǒng)的硬件和軟件設(shè)計(jì)方案。實(shí)驗(yàn)結(jié)果表明,該系統(tǒng)具有較高的預(yù)警效果,大大降低了施工安全事故發(fā)生概率。

1 系統(tǒng)設(shè)計(jì)

系統(tǒng)通過攝像機(jī)采集現(xiàn)場圖像, 經(jīng)過視頻采集能夠進(jìn)行模塊轉(zhuǎn)換, 一旦輸電線路出現(xiàn)異常情況, 視頻監(jiān)測分機(jī)會將現(xiàn)場情況通過光纖網(wǎng)絡(luò)發(fā)送到后臺監(jiān)控中心[9-11]。 系統(tǒng)總體結(jié)構(gòu)設(shè)計(jì)如圖1所示。

圖1 風(fēng)險預(yù)警系統(tǒng)總體結(jié)構(gòu)設(shè)計(jì)Fig.1 Overall structure design of risk warning system

圖1中,由ARM+DSP分機(jī)構(gòu)成的主控板是以ARM微處理器為主控芯片,通過SIP會話發(fā)起協(xié)議進(jìn)行通信的[12]。將采集到的視頻圖像傳遞給微處理器端,再經(jīng)過調(diào)試DSP數(shù)字信號處理中的視頻差異來分析現(xiàn)場運(yùn)行狀態(tài)。同時,后臺監(jiān)控中心收到的現(xiàn)場預(yù)警信息是通過微信平臺實(shí)時發(fā)送的,網(wǎng)絡(luò)服務(wù)器將信息同步到主機(jī)之中,用戶通過登錄手機(jī)服務(wù)器可再次進(jìn)行查看[13-14]。

1.1 硬件結(jié)構(gòu)設(shè)計(jì)

采用模塊化設(shè)計(jì)理念,對系統(tǒng)的硬件結(jié)構(gòu)進(jìn)行設(shè)計(jì)。系統(tǒng)整體硬件結(jié)構(gòu)包括視頻采集、主機(jī)控制、風(fēng)險預(yù)警電路等模塊。將采集到的模擬視頻信號轉(zhuǎn)換為數(shù)字信號,并上傳至視頻處理模塊。根據(jù)相關(guān)差異化原則,對輸電線路現(xiàn)場是否有危險進(jìn)行判斷通過光纖網(wǎng)絡(luò)可將預(yù)警信息發(fā)送至后臺[15-17]。

1.1.1 主機(jī)控制模塊 控制主機(jī)是對遠(yuǎn)距離高壓輸電線路受到外力破壞進(jìn)行監(jiān)視的主要設(shè)備[18-19],采用SN-RDR900型號的網(wǎng)絡(luò)視頻服務(wù)器,內(nèi)部含有實(shí)時數(shù)字硬盤監(jiān)控系統(tǒng),可在Windows XP系統(tǒng)上進(jìn)行遠(yuǎn)程操作,支持HTTP通信協(xié)議[20]。

1.1.2 視頻采集模塊 采用TVP5147型號視頻解碼芯片將視頻采集到的模擬信號轉(zhuǎn)換為數(shù)字信號,再傳送至視頻前端進(jìn)行處理。為了采集微弱的負(fù)載電壓,需使用高精度電壓傳感器經(jīng)過AD放大器進(jìn)行信號放大處理,不斷調(diào)節(jié)電阻,使其滿足數(shù)字處理器對輸入信號高標(biāo)準(zhǔn)要求[21-22]。經(jīng)過AD轉(zhuǎn)換,可對多路數(shù)據(jù)同時采集,通過串口連接方式可將采集到的數(shù)據(jù)全部傳輸?shù)酱诜?wù)器中,為風(fēng)險預(yù)警提供數(shù)據(jù)支持。

1.1.3 風(fēng)險預(yù)警電路 風(fēng)險預(yù)警電路使用LM386作為報(bào)警器運(yùn)行功率放大器,具備音頻集成功能。LM386輸入端的單片機(jī)具備P3.4引腳,能夠在輸出端連接揚(yáng)聲器。一旦實(shí)際風(fēng)險閾值超過設(shè)定的最低閾值時,單片機(jī)引腳會輸出頻率信號,經(jīng)過音頻放大處理后,系統(tǒng)會進(jìn)行報(bào)警[23-25]。

1.2 軟件功能設(shè)計(jì)

結(jié)合遠(yuǎn)距離高壓輸電線路安全監(jiān)護(hù)的特點(diǎn),將安全監(jiān)護(hù)過程中零散的圖文信息資料等通過建立在微信即時通訊平臺上的程序系統(tǒng)有機(jī)的整合在一起,起到監(jiān)護(hù)全覆蓋、危險點(diǎn)辨識與預(yù)控、安全監(jiān)護(hù)履職情況及信息反饋等作用[26-28]。

1.2.1 微信平臺分機(jī)程序 微信平臺分機(jī)程序設(shè)計(jì),主要包括ARM微處理器和DSP數(shù)字處理器,通過微處理器對設(shè)備進(jìn)行配置與控制。由控制器、引擎、白平衡模塊組成的視頻前端模塊能夠直接將獲取的視頻信號存放在已有視頻信號庫中;而由引擎和視頻編碼組成的后端模塊,可將2個視頻疊加在1個視頻窗口之上,實(shí)現(xiàn)畫中畫功能。視頻解碼芯片傳遞給ARM微處理器,調(diào)用數(shù)字處理器中的GA-BP算法,可對現(xiàn)場調(diào)回的視頻進(jìn)行實(shí)時分析,并將結(jié)果傳到微處理器,經(jīng)過光纖通信可將數(shù)據(jù)發(fā)送到后臺服務(wù)器,再同步到微信，以信息形式發(fā)到設(shè)定好的工作人員移動設(shè)備之中[29-31]。

1.2.2 基于GA-BP算法的預(yù)警信息分類 BP神經(jīng)網(wǎng)絡(luò)模擬人腦神經(jīng)網(wǎng)絡(luò)真實(shí)工作機(jī)制,完成信號前后的雙向流動。BP神經(jīng)網(wǎng)絡(luò)模型包含輸入層、隱含層和輸出層,各層之間使用神經(jīng)元進(jìn)行全連接。輸入層的輸電線路信息,稱之為輸入數(shù)據(jù),經(jīng)神經(jīng)網(wǎng)絡(luò)前向傳播計(jì)算后,得到輸出數(shù)據(jù)。按照誤差大小可任意改變網(wǎng)絡(luò)神經(jīng)元之間所連接的權(quán)值,保證網(wǎng)絡(luò)輸出結(jié)果能夠達(dá)到設(shè)定的目標(biāo)值。

為了克服盲目取值問題,設(shè)a為輸入層，b為隱含層,c為輸出層神經(jīng)元數(shù)量,根據(jù)微信平臺分機(jī)應(yīng)用程序,利用a，b和c計(jì)算中間層節(jié)點(diǎn)數(shù)量,獲取大致約束范圍,采用GA算法得出網(wǎng)絡(luò)輸出效果最優(yōu)值。具體描述如下所示:

① 初始化網(wǎng)絡(luò),根據(jù)預(yù)警類型設(shè)計(jì)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),確定算法參數(shù),借助編碼優(yōu)化對象,產(chǎn)生初始遺傳種群。利用二進(jìn)制編碼進(jìn)行遺傳操作,并確定初始權(quán)值和閾值總數(shù)[32-33];

② 輸入訓(xùn)練樣本,獲取BP神經(jīng)網(wǎng)絡(luò)均方差,由此獲取誤差平方和,即

(1)

式中:Ei表示網(wǎng)絡(luò)輸出期望值;Si表示網(wǎng)絡(luò)實(shí)際值;f表示神經(jīng)元個數(shù)。

③ 采用比例法選擇已編碼的閾值進(jìn)行復(fù)制,獲取新的閾值P為

(2)

式中n表示網(wǎng)絡(luò)鏈路數(shù)量i的最大值。對選取的閾值進(jìn)行個體間交叉和自身變異,由此產(chǎn)生新種群,并計(jì)算適應(yīng)度d,其適應(yīng)度區(qū)間為[0,1],根據(jù)適應(yīng)度對遠(yuǎn)距離高壓輸電線路信息的狀態(tài)Z進(jìn)行判斷:

(3)

式中β表示風(fēng)險因子。根據(jù)式(3)可以看出,當(dāng)新種群的適應(yīng)度為0時,遠(yuǎn)距離高壓輸電線路信息為風(fēng)險預(yù)警信息。

④ 依據(jù)輸出數(shù)據(jù)判斷遠(yuǎn)距離高壓輸電線路是否存在危險,不斷重復(fù)步驟3,直到誤差完全滿足目標(biāo)要求,獲取分類結(jié)果[34]。

綜合上述分析結(jié)果,可獲取遠(yuǎn)距離高壓輸電線路風(fēng)險預(yù)警信息分類流程,如圖2所示。

圖2 預(yù)警系統(tǒng)操作流程Fig.2 Early warning system operation process

2 實(shí) 驗(yàn)

2.1 環(huán)境參數(shù)

工程線路總長為756 km,全線采用同塔雙回的架構(gòu),線路長為750 km,分為350 km、230 km和170 km共3段。實(shí)驗(yàn)中采集遠(yuǎn)距離高壓輸電線路數(shù)據(jù)1 200個,分為12組,每組100個,其中2組作為訓(xùn)練樣本,用于神經(jīng)網(wǎng)絡(luò)模型構(gòu)建,另外8組作為測試樣本,用于實(shí)驗(yàn)分析。

視頻采集圖像的分辨率1 600×1 200,像素尺寸3.2 μm×3.2 μm,輸出顏色為黑白或彩色,神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)位數(shù)為RGB各10選8,數(shù)據(jù)信噪比大于42 dB,隱層節(jié)點(diǎn)數(shù)量10個。

2.2 結(jié)果與分析

為了驗(yàn)證本文系統(tǒng)的有效性,分別在自然災(zāi)害和人工干預(yù)情況下對本文所提系統(tǒng)和傳統(tǒng)系統(tǒng)進(jìn)行對比檢驗(yàn)。

2.2.1 自然災(zāi)害 在6種不同氣候影響下,對2種系統(tǒng)遠(yuǎn)距離高壓輸電線路風(fēng)險預(yù)警的有效性進(jìn)行對比分析,計(jì)算2種系統(tǒng)的預(yù)警精準(zhǔn)度(風(fēng)險預(yù)警信息/全部輸電線路信息),計(jì)算結(jié)果如表1所示。其中,A代表傳統(tǒng)系統(tǒng),B代表基于GA-BP算法的預(yù)警系統(tǒng)。

表1 2種系統(tǒng)預(yù)警精準(zhǔn)度Table 1 Warning precision of two kinds of systems %

從表1可知,在不同災(zāi)害情況下,采用基于GA-BP算法的預(yù)警系統(tǒng)始終比傳統(tǒng)系統(tǒng)預(yù)警精準(zhǔn)度高。由此可知,本文系統(tǒng)的預(yù)警值與實(shí)際標(biāo)定數(shù)值之間存在的誤差較小,采用基于GA-BP算法的預(yù)警系統(tǒng)比傳統(tǒng)系統(tǒng)預(yù)警效果要好。

2.2.2 (2) 人工干預(yù) 在人工干預(yù)影響下,對2種系統(tǒng)遠(yuǎn)距離高壓輸電線路風(fēng)險預(yù)警進(jìn)行對比分析,結(jié)果如圖3所示。

圖3 2種系統(tǒng)預(yù)警精準(zhǔn)度對比分析Fig.3 Comparison of two systems′ warning accuracy

從圖3可知,雖然隨著實(shí)驗(yàn)次數(shù)的增加,在人工干預(yù)下2種系統(tǒng)的預(yù)警精準(zhǔn)度都存在一定程度的波動,但基于GA-BP算法預(yù)警系統(tǒng)的預(yù)警精準(zhǔn)度始終比傳統(tǒng)系統(tǒng)高,可達(dá)到95%。綜上所述,基于GA-BP算法的風(fēng)險預(yù)警系統(tǒng)通過硬件結(jié)構(gòu)和軟件功能可以有效抵制外界條件干擾,具有較理想的預(yù)警效果。本文系統(tǒng)軟件設(shè)計(jì)過程中,利用GA-BP算法獲取中間層節(jié)點(diǎn)數(shù)量,確定約束范圍,對預(yù)警信息進(jìn)行分類研究,在此基礎(chǔ)上實(shí)現(xiàn)了對預(yù)警系統(tǒng)的設(shè)計(jì),增加了系統(tǒng)的預(yù)警精準(zhǔn)度。

為進(jìn)一步驗(yàn)證本文系統(tǒng)是否有效,分別在5次、10次、15次和20次實(shí)驗(yàn)下,對本文的預(yù)警信息分類召回率與傳統(tǒng)系統(tǒng)進(jìn)行對比分析。對比結(jié)果如圖4所示。

圖4 預(yù)警信息分類召回率對比結(jié)果Fig.4 Comparative results of classification recall rate of warning information

從圖4可知,本文系統(tǒng)的輸電線路預(yù)警信息分類召回率高達(dá)93.5%,而傳統(tǒng)系統(tǒng)的最高分類召回率僅為63.2%,可以明顯的看出,本文系統(tǒng)性能較為優(yōu)越。

3 結(jié) 語

基于GA-BP算法的風(fēng)險預(yù)警系統(tǒng)，以遠(yuǎn)距離高壓輸電線路風(fēng)險預(yù)警系統(tǒng)的總體結(jié)構(gòu)為基礎(chǔ),設(shè)計(jì)系統(tǒng)的整體硬件結(jié)構(gòu)和軟件功能，不僅有效提高了預(yù)警效果,還降低了施工安全風(fēng)險,降低安全事故發(fā)生的概率。

輸電線路工程作為近幾年電力行業(yè)發(fā)展的重要渠道,其在施工安全風(fēng)險預(yù)警方面還是一個全新的領(lǐng)域。由于實(shí)驗(yàn)設(shè)備有限,針對系統(tǒng)預(yù)警可靠性還有待研究。在電力建設(shè)精細(xì)化管理趨勢下,想要建立精細(xì)化的預(yù)警系統(tǒng),需后期進(jìn)一步展開研究。