关键词： 龙卷风   输电线路   失效破坏   倒塔分析   抢修方案  

摘要： 以盐城地区龙卷风引起的500kV事故铁塔为分析对象,开展现场调查分析,截取事故铁塔主材、塔腿斜材试件进行材料力学性能试验,测得钢材力学性能参数均满足规范要求,并以钢材实测屈服强度作为倒塔分析输入条件。进行铁塔整体受力分析,推算得到杆塔极限风速为42m/s。建立了龙卷风风荷载模型并进行加载分析,结果发现塔腿主材及斜材首先发生破坏,与实际铁塔倒塌状态较为吻合,并提出了杆塔抢修方案。

关键词： 电力系统   架空输电线路   运行安全   巡视方式  

摘要： 随着电力需求的不断增长和电网规模的扩展，传统的人工巡视方式由于效率低、覆盖范围有限，已经难以满足现代电力运行管理的要求。加之复杂的地理环境、气候变化和设备老化等因素，增加了输电线路维护的难度和风险。基于此，文章阐述了架空输电线路的构成与运行特点，分析了新时代电力架空输电线路运行面临的挑战，并提出一系列现代化的巡视方式，包括优化巡检周期和精细化管理目标；科技赋能，实现可视化快速巡检；强化风险评估，建立安全预警模型等，旨在为电力架空输电线路的运行管理提供参考。

关键词： 输电线路组件   DC-YOLOv8s   可变形卷积   激活函数   回归损失  

摘要： 输电线路组件在长期运行过程中,易受到各种外部因素的影响,如天气变化、设备老化、人为操作等,导致线路故障的发生。及时准确地检测出输电线路组件的异常状况,对于保障电网的安全运行和供电可靠性至关重要。随着电力系统维护逐渐迈向无人机航拍巡检,目标检测算法已经成为了无人机巡检必要的技术支持。鉴于输电线路组件对供电系统的重大意义以及其检测背景的复杂程度,因此,对使用的目标检测算法提出了更高的检测精度要求。 针对输电线路组件异常检测复杂背景下目标检测算法识别精度和定位精度低的问题,提出了一种基于DC-YOLOv8s(Deformable Convolutional-You Only Look Once v8s)的输电线路组件异常检测算法,该算法由特征提取单元、特征融合单元和检测单元组成。构建了包含绝缘子闪络、绝缘子缺陷、防震锤锈蚀、防震锤倾斜、均压环倾斜和输电线路异物六种输电线路组件异常(Transmission Line Component Anomaly,TLCA)数据集。针对原YOLOv8s模型特征提取单元感受野受限问题、Si LU激活函数在负区间泛化能力差的问题以及CIOU(Complete Intersection Over Union)损失函数惩罚项失效问题,提出了可变形卷积、基于分布均值的自适应激活函数、Focal-ICIOU(FocalImproved CIOU)损失函数三个对应的解决方案。实验表明,通过引入可变形卷积,使得模型的感受野可以根据目标对象的结构进行动态调整,模型的检测准确率提高了3%;基于分布均值的自适应激活函既能在正区间学习Si LU函数的非线性变换能力,又能在负区间表现出类似Re LU激活函数的截断效应。Focal-ICIOU损失函数在强化横纵比惩罚项、改善函数退化问题的同时抑制了低质量样本的作用,相较于原CIOU损失函数,召回率提高了4.4%,平均训练迭代时间为10.1min。 在TLAC数据集测试中,DC-YOLOv8s准确率达到了94.2%,召回率达到了93.2%,与原YOLOv8s模型相比,准确率和召回率分别提升了4.3%和5.7%。并且定位精度提升了0.062。在鲁棒性实验中,DC-YOLOv8s能够在非极端光照条件下维持较好的准确率,对于旋转角度低于15°的图像,检测准确率能够保证在90%以上,当遮挡面积增加至70%时,算法仍然能够检测到目标,并且能够抑制30dB噪声的影响。

关键词： 绝缘子   目标检测   YOLO   注意力机制   PSPNet  

摘要： 传统的输电线路绝缘子故障检测方法成本大且效率低,快速准确的排查绝缘子故障是当今电网安全稳定运行的重要前提。针对现有研究在处理复杂背景、小目标学习和数据集正负样本不均衡等方面的不足,本文提出单级和多级式的绝缘子缺陷检测算法,研究工作主要包括以下两个方面: 1、提出一种基于注意力和损失函数的单级式绝缘子缺陷检测算法AL-YOLOv7(YOLOv7 model based on attention mechanism and loss function improvement)。该算法针对输电线路绝缘子图像背景复杂和现有算法对缺陷检测精度不高的问题,首先通过限制对比度自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization,CLAHE)方法增强图像中绝缘子的特征信息;然后利用CA(Coordinate Attention)注意力机制筛选特征信息,使得算法更有效地对绝缘子特征进行提取;最后通过对损失函数的优化,强化网络区分难易样本的能力,增强模型对样本不均衡数据集的适应能力,从而提高绝缘子检测精确度。实验结果表明,相比YOLOv7算法,本文提出的AL-YOLOv7算法在全类平均精度(m AP)和召回率(recall)上分别提高了3.5%和2.6%。 2、提出一种结合语义分割和目标检测的级联式绝缘子缺陷检测模型。该模型针对绝缘子及其缺陷目标相对较小而导致在特征学习过程中信息丢失的问题,通过语义分割-裁剪-检测的级联式方法去除绝缘子图片中大量干扰背景,使绝缘子占比变大,有效减少漏检的情况。首先,语义分割环节以PSPNet(Pyramid Scene Parsing Network)为基础,引入卷积注意力模块(Convolutional Block Attention Module,CBAM)以提高计算速度和分割精度,同时构造多尺度特征融合结构来融合高层语义信息和低层空间位置信息。其次,对语义分割环节输出的二值化图片使用高斯滤波进行降噪,再应用Canny算法进行边缘检测,得到绝缘子轮廓并获取最小外包矩形。最后,使用AL-YOLOv7算法对绝缘子最小外包矩形图片进行缺陷检测。实验结果表明,(1)改进后的PSPNet较原始网络像素准确率(PA)提高4.3%,交并比(Io U)提高3%,且精度和召回率均有提高;(2)本文提出的级联式绝缘子缺陷检测模型与单级式模型相比,精度和召回率分别提升3.6%和7.1%。