Risk assessment method for external breakage of overhead lines in mining areas
-
摘要: 矿区架空线路运行环境恶劣，易受到外界因素影响而导致线路损坏，需要准确评估矿区架空线路外破风险水平。然而现有的定性评估方法存在主观性强、评价结果可比性差等缺点，定量评估方法虽然有着较高的客观性，但其准确评估的基础是大量高质量数据。为均衡评估结果的客观性和评估数据的获取难度，采用半定量评估方法中的作业条件危险性分析（LEC）法，并基于矿区线路实际运行环境对其进行改进，提出了一种基于改进LEC法的矿区架空线路外破风险评估方法。首先，通过分析矿区架空线路的实际运行环境，明确主要的外破风险要素，构建矿区架空线路外破风险评估指标体系。其次，借助基于YOLOv5的图像识别策略来辨识线路环境中的外破风险源，实现线路外破风险数据的实时获取，克服了传统LEC法人工获取的数据实时性较差、数据量不足的缺点。然后，改进了LEC法的要素赋值规则，基于图像辨识结果对要素进行赋值，实现线路外破风险的实时评估，提高了评估结果的客观性，解决了传统LEC法的要素赋值依赖评价者个人经验的弊病。最后，为衡量各类风险带来的叠加影响，利用层次分析法确定各风险评价指标权重，最终实现矿区架空线路外破风险的综合评估。结合露天煤矿实际运行过程中某场景进行案例分析，结果表明该方法能对具体场景中的架空线路外破风险等级进行有效评估。Abstract: The operating environment of overhead lines in mining areas is harsh. The lines are easily affected by external factors, leading to line breakage. It is necessary to accurately evaluate the risk level of external breakage of overhead lines in mining areas. However, existing qualitative evaluation methods have shortcomings such as strong subjectivity and poor comparability of evaluation results. Although quantitative evaluation methods have high objectivity, the accurate evaluation is based on a large amount of high-quality data. In order to balance the objectivity of the evaluation results and the difficulty of obtaining evaluation data, the likelihood exposure consequence (LEC) method in semi quantitative evaluation method is adopted. Based on the actual operating environment of mining area lines, an improved LEC method is proposed for the risk assessment of external breakage of overhead lines in mining areas. Firstly, by analyzing the actual operating environment of overhead lines in mining areas, the main risk factors of external breakage are identified. The risk assessment index system for external breakage of overhead lines in mining areas is constructed. Secondly, using the YOLOv5 based image recognition strategy to identify the sources of external breakage risk in the line environment, real-time acquisition of external breakage risk data of the line is achieved. It overcomes the shortcomings of poor real-time performance and insufficient data volume obtained manually by traditional LEC methods. Thirdly, the element assignment rules of the LEC method are improved. The elements are assigned based on image recognition results to achieve real-time evaluation of the risk of external breakage to the line. It improves the objectivity of the evaluation results and solves the problem of the traditional LEC method's element assignment relying on the personal experience of the evaluator. Finally, in order to measure the superimposed impact of various risks, the analytic hierarchy process is used to determine the weight of each risk evaluation index. Ultimately, the comprehensive assessment of the risk of external breakage to overhead lines in mining areas is achieved. A case study is conducted during the actual operation of an open-pit coal mine. The results show that this method can effectively evaluate the risk level of external breakage of overhead lines in specific scenarios.
-
Keywords:
- mining area route /
- external breakage risk /
- YOLOv5 /
- improved LEC method /
- evaluation index system
-
0. 引言
许多煤矿事故是由井下人员的不合理行为造成，因此，井下人员行为识别是保障煤矿安全生产的重要措施。当前井下人员行为识别主要通过图像识别方式实现，由于煤矿井下环境复杂、光线昏暗并存在大量拍摄死角，使得基于视频和图像的识别方法受到一定限制[1]。WiFi网络具有部署简单、覆盖范围大等特点，已在井下得到广泛部署。通过判断WiFi信号强度的变化可实现井下人员行为识别[2-4]，然而，由于井下环境复杂，易出现信号延迟、反射等现象，使得信号强度经常发生异常变化[5]，不能实现细粒度检测。
随着特殊驱动发布，研究者可以从一些普通设备中获得信道状态信息（Channel Status Information，CSI），相比于信号强度，CSI能够提供更多、更细粒度的特征值[6-8]。初始的研究主要是直接利用CSI提供的幅度和相位作为特征值实现行为识别[9-10]，随着研究的深入，一些基于深度学习的方法也被应用到无线感知中。文献[11]提出了一种三层长短期记忆(Long Short-Term Memory，LSTM)网络，实现了对不同行为的分类。文献[12]提出采用三层卷积神经网络（Convolutional Neural Network, CNN）提取特征，平均行为识别精度为86.3%。
现有研究利用原始信息构造特征值，通过建立不同的神经网络实现人员行为识别，但缺少对感知机理的研究与分析，且特征提取手段单一。针对该问题，本文分析了人员行为感知机理，提出利用CSI时序信息和统计信息构建多维度人员行为特征信息，在此基础上，提出了一种由多尺度CNN与基于门控循环单元(Gate Recurrent Unit，GRU)的编解码器网络组成的融合网络，用于实现井下人员行为识别。
1. 基于CSI的行为感知模型
CSI是物理层的细粒度信息，描述了无线信号在每个信道上的散射、反射和衰减等信息[13]。信号在正交频分复用系统中通过多个子载波进行调制，子载波经过多条路径到达接收端后，信道频率响应(Channel Frequency Response，CFR)为[14]
$$ H({f_k}) = {{\rm{exp}}({ - {\rm{j}}\Delta \theta }})\sum\limits_{l = 1}^L {{ \alpha _l}} {{\rm{exp}}({ - {\rm{j}}2{\text{π}} {f_k}{\tau _l})}} $$ (1) 式中：fk为第k个子载波的频率；
$ \Delta \theta $ 为不同频率子载波之间的相位差；L为路径总数；$ {\alpha _l} $ 为第l条路径的信号衰减系数；$ {\tau _l} $ 为第l条路径的信号传输时延。将CFR分解为静态分量和动态分量：
$$ H({f_k}) = {{\rm{exp}}({ - {\rm{j}}\Delta \theta }})({H_{\rm{s}}}({f_k}) + {{\boldsymbol{H}}_{\rm{d}}}({f_k})) $$ (2) 式中：
$ {H_{\rm{s}}}({f_k}) $ 为CFR静态分量，可取常量；$ {{\boldsymbol{H}}_{\rm{d}}}({f_k}) $ 为CFR动态分量，是由人员动作引起的相关动态变化向量的叠加值[15]。结合菲涅尔区阐述不同位置处人员动作导致CSI变化的规律。菲涅耳区原理如图1所示。假设P1，P2分别为接收机和发射机的位置，Qn为以P1，P2为焦点的第n个椭圆上的点，对于波长为
$ \lambda $ 的WiFi信号，有$$ \left| {{P_1}{Q_n}} \right| + \left| {{Q_n}{P_2}} \right| - \left| {{P_1}{P_2}} \right| = n\lambda /2 $$ (3) 当人员动作出现在Q1位置时，动态路径信号与视距信号的行程差为
$ \lambda /2 $ ，相位差为π，同时反射引入的相位偏转为π，则2路信号的相位差为2π。依此类推，当人员在Q2位置动作时，2路信号的相位差为3π。在人员动作切割菲涅耳区的过程中，2路信号不断出现相干叠加和相干相消的现象，CSI将呈现出类正弦波的变化。2. 井下人员行为识别方法
基于融合网络的井下人员行为识别方法如图2所示，主要包括数据预处理、特征构建和判识网络构造3个部分。数据预处理模块通过CSI商模型、子载波去直流和离散小波去噪对采集的CSI数据进行处理，再将动作特征转换为图像，送入融合网络中进行识别。
2.1 数据预处理
2.1.1 CSI商模型
由于设备制作工艺和环境的影响，数据采集过程中会引入误差。为了减少该误差，采用CSI商模型对采集的数据进行处理。CSI商模型是将接收天线之间的CSI信息相除，即振幅相除，相位相减。天线间的CSI商为
$$ {d_{\rm{q}}}({f_k}) = \frac{{{H_{{\rm{s}}1}}({f_k}) + {{\boldsymbol{H}}_{{\rm{d}}1}}({f_k})}}{{{H_{{\rm{s}}2}}({f_k}) + {{\boldsymbol{H}}_{{\rm{d}}2}}({f_k})}} $$ (4) $$ {{\boldsymbol{H}}_{{{\rm{d}}1}}}({f_k}) = {A_1}(f_k){{\rm{exp}}\left( { - {\rm{j}}2{\text{π}} \dfrac{{{m_1}}}{\lambda }}\right)} $$ (5) $$ {{\boldsymbol{H}}_{{{\rm{d}}2}}}({f_k}) = {A_2}(f_k){{\rm{exp}}\left( { - {\rm{j}}2{\text{π}} \dfrac{{{m_2}}}{\lambda }} \right)} $$ (6) 式中：
$ {H_{{\rm{s}}1}}({f_k}) $ ，$ {H_{{\rm{s}}2}}({f_k}) $ 分别为天线1和天线2的CFR静态分量；$ {{\boldsymbol{H}}_{{\rm{d}}1}}({f_k}) $ ，$ {{\boldsymbol{H}}_{{\rm{d}}2}}({f_k}) $ 分别为天线1和天线2的CFR动态分量；A1$({f_k}) $ ，A2$({f_k}) $ 分别为2条传输路径的信号衰减系数；m1，m2分别为天线1、天线2到人员的距离。将式（5）和式（6）代入式（4）可得
$$ {d_{\rm{q}}}(f_k) = \frac{{{H_{{\rm{s}}1}}(f_k) + {A_1}(f_k){{\rm{exp}}\left( { - {\rm{j}}2{\text{π}} \dfrac{{{m_1}}}{\lambda }} \right)}}}{{{H_{{\rm{s}}2}}(f_k) + {A_2}(f_k){{\rm{exp}} \left( { - {\rm{j}}2{\text{π}} \dfrac{{\Delta m}}{\lambda }}\right)} {{\rm{exp}} \left( { - {\rm{j}}2{\text{π}} \dfrac{{{m_1}}}{\lambda }}\right)}}} $$ (7) 式中
$ \Delta m $ 为2个天线的间距，$ \Delta m $ =m2−m1。2.1.2 子载波去直流
人员动作时，子载波受到直流信号的影响，导致采集数据产生向上或向下的偏移，从而影响数据准确性，需要进行去直流处理。设h为一组经过CSI商模型处理后的数据，对h进行离散傅里叶变换[16]，将变换后信号频率置0即可得到直流分量，用处理后的数据减去直流分量，即可去除子载波中的直流信号。
2.1.3 离散小波去噪
在极低信噪比情况下，可用CSI信息会淹没在设备产生的硬件噪声中，从而导致识别结果出现严重偏差。为了降低设备噪声的影响，使用离散小波变换进行去噪处理[17]。
设u为有效数据，e为噪声数据，则h=u+e，对h进行小波处理，可得
$$ {D} (h) = {{D} _u}(a,b) + {{D} _e}(a,b) $$ (8) 式中：D为小波处理函数；Du，De分别为有效数据的近似系数、噪声数据的细节系数；a，b分别为平移因子和伸缩因子。
在小波处理过程中，通过高通滤波器和低通滤波器对h进行降采样，获得含有设备噪声的细节系数及含有人员动作相关信息的近似系数，再对细节系数进行多次小波处理，从而消除设备引入的噪声。
2.2 特征构建
2.2.1 图像特征构建
传统的特征提取方法将处理后的CSI信息直接送入CNN中进行特征提取。然而，这些提取的特征在经过多层池化计算后，表达能力会逐渐减弱，不利于准确描述人员行为[18]。因此，本文利用格拉姆和/差角场 (Gramian Angular Summation/Difference Fields，GASF/GADF)将处理后的数据转换成图像，从而保留数据的空间和时间特性[19]。
对数据X={x1，x2，…，xN}（N为序列中数据个数）进行归一化，将归一化数据编码为角余弦，使用极坐标表示新的序列：
$$ \left\{ \begin{gathered} \phi_i = {\rm{arccos}}\;{{\tilde x}_i} \qquad i =1,2,\cdots, N \\ r_i = \frac{{{t_i}}}{t_0} \\ \end{gathered} \right. $$ (9) 式中：
$ \phi _i$ 为数据序列转变成极坐标后对应的角度；$ {\tilde x_i} $ 为$x_i $ 归一化后的值，$- 1 \leqslant {{\tilde x}_i} \leqslant 1 $ ；ri为xi的归一化采样时间戳；ti为xi的采样时间戳；t0为序列总的采样时间。分别利用余弦和正弦函数计算数据之间的和与差，将计算结果放入矩阵中，从而构建出能够表征数据序列相关性的特征矩阵：
$$ {{{\boldsymbol{S}}}} = \left[ {\begin{array}{*{20}{c}} {\cos ({\phi _1} + {\phi _1})}&{\cos ({\phi _1} + {\phi _2})}& \cdots &{{\text{ }}\cos ({\phi _1} + {\phi _N})} \\ {\cos ({\phi _2} + {\phi _1})}&{{\text{ }}\cos ({\phi _2} + {\phi _2})}& \cdots &{{\text{ }}\cos ({\phi _2} + {\phi _N})} \\ { \vdots {\text{ }}}& \vdots & & \vdots \\ {\cos ({\phi _N} + {\phi _1}){\text{ }}}&{\cos ({\phi _N} + {\phi _2}){\text{ }}}& \cdots &{\cos ({\phi _N} + {\phi _N})} \end{array}{\text{ }}} \right] $$ (10) $$ {\boldsymbol{E}} = \left[ {\begin{array}{*{20}{c}} {\sin ({\phi _1} - {\phi _1})}&{\sin ({\phi _1} - {\phi _2})}& \cdots &{{\text{ }}\sin ({\phi _1} - {\phi _N})} \\ {\sin ({\phi _2} - {\phi _1})}&{{\text{ }}\sin ({\phi _2} - {\phi _2})}& \cdots &{{\text{ }}\sin ({\phi _2} - {\phi _N})} \\ { \vdots {\text{ }}}& \vdots & & \vdots \\ {\sin ({\phi _N} - {\phi _1}){\text{ }}}&{\sin ({\phi _N} - {\phi _2}){\text{ }}}& \cdots &{\sin ({\phi _N} - {\phi _N})} \end{array}} \right] $$ (11) 2.2.2 统计特征提取
由于人员动作的复杂性和多样性，需要构建更多有用的特征来提高分类精度。本文提取的特征信息包括10个时域特征、5个频域特征和1个能量特征。时域特征为最大值、最小值、均值、方差、标准差、峰峰值、均方根、偏度、四分位距、波形因数，频域特征为峰值因子、最小频率、最大频率、谱概率、频谱熵，能量特征为信号能量。
2.3 判识网络构造
根据人员动作的特点，提出一种由基于GRU的编解码网络和多尺度CNN组成的融合网络，如图3所示。利用GRU保留前后数据之间的关联性，同时利用注意力机制的权重分配策略有效提取关键特征，以提高行为识别的准确率。输入数据主要来自2个部分：一部分是利用GASF/GADF建立的图像特征，该部分特征用多尺度CNN进行处理；另一部分是从CSI信息中提取的统计特征，该部分特征用基于GRU的编解码网络进行处理。对2个部分的特征进行拼接，再通过多层感知机实现动作识别。
表 1 基于GRU的编解码网络参数Table 1. Parameters of encoding and decoding network based on GRU序号 网络层 输出维度 1 GRU 256×512 2 GRU 256×256 3 GRU 128×256 4 GRU 128×128 5 Transposed Convolution 128×128 6 Self−Attention 128×128 7 Transposed Convolution 128×256 8 Self−Attention 128×256 9 Transposed Convolution 128×512 10 Self−Attention 128×512 11 1D−Convolution 64×256 12 Flattern 2048×1 表 2 多尺度CNN参数Table 2. Parameters of multi-scale CNN序号 网络层 核大小 核数目 输出维度 1 ECA 512×1600 1−1 Con1−1 5 256 256×800 1−2 Con1−2 7 256 256×800 1−3 Con1−3 1 256 256×800 2−1 Con2−1 7 512 512×400 2−2 Con2−2 3 512 512×400 2−3 Con2−3 5 512 512×400 3−1 Con3−1 3 256 256×400 3−2 Con3−2 5 256 256×400 3−3 Con3−3 7 256 256×400 4−1 Pooling4−1 128×512 4−2 Pooling4−2 128×512 4−3 Pooling4−3 128×512 5−1 ECA 128×512 5−2 ECA 128×512 5−3 ECA 128×512 6 Flatten 2048×1 3. 实验分析
3.1 实验平台
为了验证井下人员行为识别方法的普适性，在中国矿业大学文昌校区的实验巷道内进行了实验。实验巷道长度为45 m，宽度约为5 m，如图4所示。
在实验过程中，使用带有三天线的D−LINK85无线路由器作为CSI信息发射端，使用装有Intel 5300网卡的计算机作为CSI信息接收端，并在主机中安装了CSI−tool工具。为了方便查看结果，开发了人员行为识别结果显示程序，如图5所示，通过该程序能够直观显示判识网络的运行结果。
3.2 实验结果
实验中共邀请8位性别和体型各异的志愿者完成包括行走、摘帽子等在内的8种动作，见表3。这8种动作代表井下工作人员存在潜在的危险行为。
表 3 实验动作Table 3. Experimental actions动作 潜在危险行为 行走 进入危险区域 摘帽子 摘安全帽 扔东西 乱扔工具 坐 在危险区域休息 抽烟 违规抽烟 挥手 斗殴 跑动 违规下车 睡觉 在危险区域睡觉 对8种动作进行识别后得到的混淆矩阵如图6所示。矩阵的每一行代表真实动作，每一列代表模型预测的动作。8种动作的平均识别准确率为97.37%，其中，对睡觉和坐的识别准确率最高，因为这2个动作相对简单，所以更容易识别。而抽烟等上肢动作持续时间和幅度差距较小，存在一定的判识难度。在所有动作中，最容易发生误判的动作是行走和跑动，因为这2个动作只是在速度上有差异，人员肢体动作十分相近。
![]()
图 6 8种动作识别结果混淆矩阵Figure 6. Confusion matrix of recognition results of 8 kinds of action3.3 对比分析
使用准确率、精确率、召回率和F1分数作为评价指标，将融合网络分别与CNN和GRU进行比较，结果如图7所示。可看出融合网络的性能最佳，其次是GRU。这主要是由于动作存在一定时间相关性，融合网络在利用时间相关性的同时，还通过不同链路信息构建图像，从而充分利用了链路之间的信息。而CNN将链接信息直接整合到矩阵中，对链路信息的利用不完整。
![]()
图 7 不同网络模型识别结果对比Figure 7. Comparison of recognition results of different network models将本文方法与HAR系统[20]、WiWave系统[21]和Wi−Sense系统[22]进行比较。其中HAR系统采用KNN作为行为识别模型，WiWave系统在卷积架构中引入了离散小波变换，Wi−Sense系统根据处理后的时变数据谱图形成多普勒指纹，并将其输入神经网络中进行判识。实验结果如图8所示。在HAR系统中，由于KNN不能表示动作之间的复杂关系，所以识别精度低于WiWave系统和本文方法。WiWave系统可以将小波变换良好的时频局部特征与神经网络的自学习能力相结合，但是没有考虑不同动作在连续时间内的不同特征，导致识别精度低于本文方法。Wi−Sense系统缺少对整体数据特征的挖掘，因此准确率低于本文方法。
3.4 影响因素分析
3.4.1 优化器和学习率对识别精度的影响
分别选择Adam，SGD，Ada Delta和RMS Prop作为网络优化器，测试在不同学习率下的识别准确率，结果见表4。可看出采用Adam作为优化器，学习率为0.001时，8种动作的平均识别准确率最高，达97.37%，而当学习率大于0.001时，模型的准确率开始下降。因此，在模型训练过程中，选择Adam作为优化器，并将学习率设置为0.001。
表 4 不同优化器和学习率下的识别准确率Table 4. Recognition accuracy under different optimizers and learning rates学习率 准确率/% Ada Delta SGD RMS Prop Adam 0.0001 95.54 94.75 96.33 97.01 0.001 93.43 94.37 94.64 97.37 0.01 96.45 94.88 93.41 92.15 0.05 92.97 92.64 90.72 92.89 0.1 88.25 89.76 91.45 91.99 3.4.2 动作速度对识别精度的影响
由于不同人员做相同动作的时间和幅度不同，可能导致在一定持续时间内采集的数据存在差异，从而影响识别精度。测试了行走与摘帽子2种动作在快速、正常速度和慢速完成时的平均识别准确率，结果如图9所示。可看出本文提出的方法能够在不同速率下取得较高的识别准确率。对正常速度动作的平均识别准确率为95.6%，高于快速动作情况下的93.6%和慢速动作情况下的92.7%。这主要是由于速度较快时能够获取的特征较少，而速度较慢时则会引入无用信息，从而对识别精度产生影响。
3.4.3 距离对识别精度的影响
分别设置收发设备之间的距离为0.5，1，1.5，2，2.5，3，3.5 m，测试不同距离对识别精度的影响，结果如图10所示。可看出距离为2 m和2.5 m时，识别准确率较高。当距离为0.5 m时，由于距离较近，一些对信号传输路径干扰较小的动作会使原来的多通信链路退化为单通信链路，从而使获得的特征信息减少，导致识别准确率下降。而当距离增加时，会引入额外的传输路径，引入更多噪声，从而影响识别精度。
4. 结论
1） 提出一种基于融合网络的井下人员行为识别方法。通过CSI商模型、子载波去直流和离散小波去噪对采集的CSI数据进行预处理，采用GASF/GADF将CSI数据转换成图像数据，最后通过融合网络实现井下人员行为识别。
2） 实验结果表明，该方法对行走、摘帽子、扔东西、坐、抽烟、挥手、跑动、睡觉8种动作的平均识别准确率为97.37%，对睡觉和坐的识别准确率最高，最容易发生误判的动作是行走和跑动。
3） 对比分析结果表明，融合网络的性能优于CNN和GRU，人员行为识别准确率高于HAR系统、WiWave系统和Wi−Sense系统。
4） 影响因素分析结果表明：采用Adam作为优化器，学习率为0.001时，8种动作的平均识别准确率最高；正常速度下行走和摘帽子2种动作的平均识别精度为95.6%，高于快速动作情况下的93.6%和慢速动作情况下的92.7%；收发设备之间的距离为2 m和2.5 m时，识别准确率较高。
-
![]()
图 1 矿区架空线路外破风险评估指标体系
Figure 1. Risk assessment index system for external breakage of overhead lines in mining area
![]()
图 2 矿区架空线路外破风险评估层次结构模型
Figure 2. Hierarchical structure model of risk assessment for external breakage of overhead lines in mining area
表 1 风险源存在分值L赋值
Table 1 Assignment of risk source presence score L
目标可信度 L 描述 （0.9，1] 8 风险源一定存在 （0.8，0.9] 7 风险源极有可能存在 （0.7，0.8] 6 风险源较大可能存在 （0.6，0.7] 5 风险源可能存在 （0.5，0.6] 3 风险源不一定存在 
下载: 导出CSV
表 2 风险源频繁度分值E赋值
Table 2 Assignment of risk source frequency score E
风险源持续时长/min E 描述 （40，60] 8 风险源长期存在 （30，40] 7 风险源存在较长时间 （20，30] 6 风险源存在一段时间 [10，20] 5 风险源短时出现 ＜10 3 风险源偶然出现
下载: 导出CSV
表 3 风险要素及其对应编号
Table 3 Risk elements and their corresponding numbers
风险要素 指标 编号 车辆类型 吊斗铲 A1 卡车 A2 推土机 A3 挖掘机 A4 风险源在预警区间内 是 X1 否 X2 风险源持续向预警区间移动 是 Y1 否 Y2
下载: 导出CSV
表 4 不同气象因素的风险调节系数取值
Table 4 The values of risk adjustment coefficient for different meteorological factors
风险调节系数 影响因素 分级标准 风险调节系数取值 Kt 气温t/（°C） t≤5 0 5＜t≤15 0.02 15＜t≤25 0.05 t＞25 0.07 Kh 相对湿度h/（%） h≥70 0 50≤h＜70 0.02 30≤h＜50 0.05 h＜30 0.07 Kw 风速w/（m·s−1） 0＜w≤3.3 0 3.3＜w≤10.7 0.03 10.7＜w≤17.1 0.05 w＞17.1 0.10
下载: 导出CSV
表 5 事故倾向度分值C赋值
Table 5 Assignment of accident propensity score C
外破风险源 评估场景 C 车辆（A） A1，X1，Y1 7.3 A1，X1，Y2 6.8 A1，X2，Y1 5.4 A1，X2，Y2 4.5 A2，X1，Y1 4.4 A2，X1，Y2 3.4 A2，X2，Y1 2.8 A2，X2，Y2 1.8 A3，X1，Y1 4.5 A3，X1，Y2 3.5 A3，X2，Y1 3.6 A3，X2，Y2 2.3 A4，X1，Y1 6.8 A4，X1，Y2 6.3 A4，X2，Y1 4.7 A4，X2，Y2 3.8 漂浮异物（B） B，X1，Y1 7.2 B，X1，Y2 6.7 B，X2，Y1 5.8 B，X2，Y2 4.3 火焰及烟雾（G） G 9.5 人员活动（D） D，X1，Y1 5.9 D，X1，Y2 5.3 D，X2，Y1 4.3 D，X2，Y2 3.3
下载: 导出CSV
表 6 不同风险值对应的事故风险等级及风险得分
Table 6 Accident risk level and risk score corresponding to different risk values
风险值R 事故风险等级 描述 基础风险得分 ＞240 Ⅳ 极有可能导致事故发生 10 （180，240] Ⅲ 导致事故发生的可能性较大 8 （80，180] Ⅱ 导致事故发生的可能性不大 4 ≤80 Ⅰ 不太可能导致事故发生 2
下载: 导出CSV
表 7 判断矩阵标度含义
Table 7 Meaning of judgment matrix scale
标度数值 含义 1 指标i与j重要性相同 3 指标i比j稍微重要 5 指标i比j明显重要 7 指标i比j重要得多 9 指标i比j极端重要 2，4，6，8 上述相邻判断的中间程度
下载: 导出CSV
表 8 平均随机一致性指标取值
Table 8 The value of average random consistency index
m 2 3 4 5 6 7 rI 0 0.58 0.90 1.12 1.24 1.32
下载: 导出CSV
表 9 不同外破风险源对应权重
Table 9 The weights corresponding to different external breakage risk sources
标签 风险源 原始权重 转换后权重 A 车辆 0.260 2 6 B 漂浮异物 0.127 3 3 G 火焰及烟雾 0.565 6 12 D 人员活动 0.046 9 1
下载: 导出CSV
表 10 不同风险源单项风险加权得分
Table 10 Individual weighted scores of different risk sources
风险源 单项风险加权得分 风险等级Ⅰ 风险等级Ⅱ 风险等级Ⅲ 风险等级Ⅳ 车辆 12 24 48 60 漂浮异物 6 12 24 30 火焰及烟雾 24 48 96 120 人员活动 2 4 8 10
下载: 导出CSV
表 11 线路外破风险等级评估标准
Table 11 Risk level assessment criteria for external breakage of lines
风险等级 评价指标 处置措施 正常（Ⅰ） $p'_\max $＜10
Rt＜24正常运行，无需特殊处理 低风险（Ⅱ） 10≤$p'_\max $＜24
24≤Rt＜36定期巡检，加强管理 中风险（Ⅲ） 24≤$p'_\max $＜60
36≤Rt＜72及时消除隐患，重点监视 高风险（Ⅳ） $p'_\max $≥60
Rt≥72立刻排查并处理风险因素
下载: 导出CSV
表 12 待评估场景中各风险源分值
Table 12 Score of each risk source in the scenario to be assessed
风险源编号 L E C K R 1 7 5 2.3 — 80.50 2 6 8 2.3 — 110.40 3 5 8 6.3 — 252.00 4 5 5 9.5 1.1 261.25
下载: 导出CSV
-
[1] 赵明辉. 煤矿供电系统安全评价研究及应用[D]. 西安:西安科技大学,2019. ZHAO Minghui. Safety evaluation and application of coal mine power supply system[D]. Xi'an:Xi'an University of Science and Technology,2019.
[2] 吴昊. 输电系统运行风险评估方法[J]. 电力系统及其自动化学报,2017,29(12):139-145. DOI: 10.3969/j.issn.1003-8930.2017.12.022 WU Hao. Operation risk assessment method for transmission system[J]. Proceedings of the CSU-EPSA,2017,29(12):139-145. DOI: 10.3969/j.issn.1003-8930.2017.12.022
[3] 李轶. 基于多源数据融合的电网巡检安全评价方法研究[D]. 宜昌:三峡大学,2019. LI Yi. Research on safety evaluation method of power grid inspection based on multivariate data fusion[D]. Yichang:China Three Gorges University,2019.
[4] 黄新波,吴明松,朱永灿,等. 基于模糊数学的电缆线路风险评估模型研究[J]. 高压电器,2021,57(9):19-25. DOI: 10.13296/j.1001-1609.hva.2021.09.003 HUANG Xinbo,WU Mingsong,ZHU Yongcan,et al. Research on risk assessment model of cable line based on fuzzy mathematics[J]. High Voltage Apparatus,2021,57(9):19-25. DOI: 10.13296/j.1001-1609.hva.2021.09.003
[5] 胡志鹏,刘剑,张玻,等. 基于风险关键特征量的输电线路运行环境风险评估[J]. 电力系统自动化,2017,41(18):160-166. DOI: 10.7500/AEPS20161213002 HU Zhipeng,LIU Jian,ZHANG Bo,et al. Risk assessment of operation environment for transmission lines based on risk key characteristic[J]. Automation of Electric Power Systems,2017,41(18):160-166. DOI: 10.7500/AEPS20161213002
[6] 颜祖明. 基于数据驱动的输电线路状态评估方法及运维策略研究[D]. 广州:广东工业大学,2022. YAN Zuming. Research on state assessment method and operation and maintenance strategy of transmission lines based on data-driven[D]. Guangzhou:Guangdong University of Technology,2022.
[7] 刘小杰,付建国,苏敬厚,等. 基于安全评价的黑岱沟矿运输系统管控措施制定[J]. 煤矿安全,2015,46(增刊1):71-75. DOI: 10.13347/j.cnki.mkaq.2015.S1.018 LIU Xiaojie,FU Jianguo,SU Jinghou,et al. Decision of Heidaigou Mine transport system control based on safety assessment[J]. Safety in Coal Mines,2015,46(S1):71-75. DOI: 10.13347/j.cnki.mkaq.2015.S1.018
[8] 王长申,孙亚军,杭远. 安全检查表法评价中小煤矿潜在突水危险性[J]. 采矿与安全工程学报,2009,26(3):297-303. DOI: 10.3969/j.issn.1673-3363.2009.03.009 WANG Changshen,SUN Yajun,HANG Yuan. Using safety checklist in assessment of potential risk of water inrush from medium and small mines[J]. Journal of Mining & Safety Engineering,2009,26(3):297-303. DOI: 10.3969/j.issn.1673-3363.2009.03.009
[9] 陈友鹏,陈璟华,何东升,等. 基于蒙特卡洛模拟和综合评判法的配电变压器抗短路能力评估[J]. 广东电力,2022,35(1):60-69. DOI: 10.3969/j.issn.1007-290X.2022.001.007 CHEN Youpeng,CHEN Jinghua,HE Dongsheng,et al. Evaluation of short-circuit resistance ability of distribution transformer based on Monte Carlo simulation and comprehensive evaluation method[J]. Guangdong Electric Power,2022,35(1):60-69. DOI: 10.3969/j.issn.1007-290X.2022.001.007
[10] 康新兴. 基于蒙特卡罗仿真的电力变压器故障树分析[J]. 国外电子测量技术,2018,37(10):5-9. DOI: 10.19652/j.cnki.femt.1800994 KANG Xinxing. Fault tree analysis of power transformer based on Monte Carlo simulation[J]. Foreign Electronic Measurement Technology,2018,37(10):5-9. DOI: 10.19652/j.cnki.femt.1800994
[11] 曾芬钰,郝世旺. 电力变压器设备风险评估研究综述[J]. 电工电气,2023(2):9-14,66. DOI: 10.3969/j.issn.1007-3175.2023.02.002 ZENG Fenyu,HAO Shiwang. Research review on the risk assessment of power transformer equipments[J]. Electrotechnics Electric,2023(2):9-14,66. DOI: 10.3969/j.issn.1007-3175.2023.02.002
[12] 云玉新,赵富强,张磊,等. 结合相关系数及改进层次分析法的油浸式变压器质量评估[J]. 重庆理工大学学报(自然科学),2022,36(5):203-210. YUN Yuxin,ZHAO Fuqiang,ZHANG Lei,et al. Quality evaluation of oil-immersed transformer based on correlation coefficient and improved analytic hierarchy process[J]. Journal of Chongqing University of Technology (Natural Science),2022,36(5):203-210.
[13] 沙池橙,林祖荣,钱振东,等. 基于灰色关联分析的定向权重式架空输电线路状态模糊评价方法[J/OL]. 武汉大学学报(工学版):1-11[2023-05-12]. http://kns.cnki.net/kcms/detail/42.1675.T.20220426.1115.002.html. SHA Chicheng,LIN Zurong,QIAN Zhendong,et al. Fuzzy evaluation method of directional weight overhead transmission line state based on grey correlation analysis[J/OL]. Engineering Journal of Wuhan University:1-11[2023-05-12]. http://kns.cnki.net/kcms/detail/42.1675.T.20220426.1115.002.html.
[14] 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. FANG Quan,LIU Chuang,SONG Min,et al. Failure rate prediction of overhead transmission line based on fuzzy evaluation and PSO-optimized LSSVM[J]. Water Resources and Power,2021,39(1):171-175.
[15] 刘君,赵立进,黄良,等. 基于TOPSIS和灰色关联分析的变压器状态评价方法[J]. 电力科学与技术学报,2019,34(4):63-68. DOI: 10.3969/j.issn.1673-9140.2019.04.009 LIU Jun,ZHAO Lijin,HUANG Liang,et al. State evaluation method for power transformer based on the TOPSIS and grey relational analysis[J]. Journal of Electric Power Science and Technology,2019,34(4):63-68. DOI: 10.3969/j.issn.1673-9140.2019.04.009
[16] 王书明. 某垃圾焚烧发电项目电气系统安全性评价[J]. 电力系统保护与控制,2017,45(24):163-168. DOI: 10.7667/PSPC201780 WANG Shuming. Safety evaluation of electrical system for a waste incineration power generation project[J]. Power System Protection and Control,2017,45(24):163-168. DOI: 10.7667/PSPC201780
[17] 王君莉. 煤矿电气火灾风险的PHA−LEC评估模型及其应用[J]. 煤矿机械,2017,38(12):138-140. DOI: 10.13436/j.mkjx.201712049 WANG Junli. Risk assessment model for coal mine electrical fire based on PHA-LEC and application[J]. Coal Mine Machinery,2017,38(12):138-140. DOI: 10.13436/j.mkjx.201712049
[18] 毛吉星. 煤矿风险管理技术与应用研究[J]. 煤矿安全,2016,47(11):230-233. DOI: 10.13347/j.cnki.mkaq.2016.11.064 MAO Jixing. Research on coal mine risk management technology and its application[J]. Safety in Coal Mines,2016,47(11):230-233. DOI: 10.13347/j.cnki.mkaq.2016.11.064
[19] 黄悦华,陈照源,陈庆,等. 基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法[J]. 电力建设,2023,44(1):91-99. DOI: 10.12204/j.issn.1000-7229.2023.01.011 HUANG Yuehua,CHEN Zhaoyuan,CHEN Qing,et al. Real-time detection method for transmission line faults applying edge computing and improved YOLOv5s algorithm[J]. Electric Power Construction,2023,44(1):91-99. DOI: 10.12204/j.issn.1000-7229.2023.01.011
[20] 龙乐云,周腊吾,刘淑琴,等. 改进YOLOv5算法下的输电线路外破隐患目标检测研究[J]. 电子测量与仪器学报,2022,36(11):245-253. DOI: 10.13382/j.jemi.B2205638 LONG Leyun,ZHOU Lawu,LIU Shuqin,et al. Identification of hidden damage targets by external forces based on domain adaptation and attention mechanism[J]. Journal of Electronic Measurement and Instrumentation,2022,36(11):245-253. DOI: 10.13382/j.jemi.B2205638
[21] 张可颖,吴新桥,赵继光,等. 基于特征工程和集成学习与模型融合的输电走廊实时山火风险评估模型[J/OL]. 电网技术:1-13 [2023-05-12]. https://doi.org/10.13335/j.1000-3673.pst.2022.2235. ZHANG Keying,WU Xinqiao,ZHAO Jiguang,et al. A real-time wildfire risk assessment model for transmission corridors based on feature engineering,ensemble learning and model fusion[J/OL]. Power System Technology:1-13 [2023-05-12]. https://doi.org/10.13335/j.1000-3673.pst.2022.2235.
-
期刊类型引用(0)
其他类型引用(2)
计量
- 文章访问数: 177
- HTML全文浏览量: 97
- PDF下载量: 24
- 被引次数: 2
