关键词： 煤炭开采   概率积分法   数值模拟   稳定性评价   建设适宜性  

摘要： 我国是煤炭资源含量丰富的国家,从近几年拟建的高压输变电线路来看,有些输变电线路必然要经过矿井。大规模的矿山开采势必会导致采空区上覆土层发生位移、变形,特别是不均匀沉陷,从而给地基及上覆土层施加附加力,导致地基上覆土层的破坏。受矿山开采等因素的影响,可能导致输电线基础倾斜、开裂、杆塔变形,甚至可能导致基础沉降、杆塔倾倒,从而对输电线路的安全运营构成极大的威胁。因此,本文将以陇东-山东±800k V特高压输电线路工程途径孙庄煤矿北部采区为研究对象,运用概率积分法计算多层煤开采引起的地表变形量大小及残余沉降大小,并使用FLAC3D数值模拟软件建立模型,模拟矿区多层煤开采过程中地表变形情况,分析煤炭开采对地表的影响,论文的主要工作如下: （1）以概率积分法为理论基础,总结了不同变形参量的理论计算公式,并结合实际工程估算了煤层开采引起的地表变形量,研究区2#煤层经充分采动后,沉降中心最大沉降值为1.834m;2#、4#煤层经充分采动后,沉降中心的最大沉降值为2.494m;2#、4#、6#煤层经充分采动后,沉降中心的最大沉降值为3.448m。 （2）使用FLAC3D建立数值模型,模拟煤层开采对地表的影响。模拟2#煤层开采结束,得出其地表沉降值的最大值为1.742m;模拟4#煤层开采结束,得出其地表沉降值的最大值为2.356m;模拟6#煤层开采结束,得出其地表沉降值的最大值为3.027m。概率积分法的计算结果大于数值模拟计算,其原因在于概率积分法无法完全考虑各个地层的岩体物理力学参数,使其得到的结果比数值模拟偏大。 （3）利用经验公式计算出采空区的地表运动持续时间,并利用概率积分法对研究区域内拟建的塔基进行未来残余变形预测。根据计算,研究区地表移动延续时间已经完成,进入地表移动残余变形阶段。三层煤开采的最大残余沉降值为101mm,最大残余倾斜值为0.79mm/m,最大残余曲率值为0.01×10-3/m,最大残余水平移动值为25mm,最大残余水平变形值为0.30mm/m。 （4）根据相关规范评价研究区开采煤层后的场地的稳定性;分析煤炭开采对研究区高压线路架设的影响程度;最后对高压线建设进行适宜性评价,并提出工程建议及安全保护措施。

关键词： 无人机   输电线路巡检   遥感   目标检测   YOLOv5  

摘要： 无人机已经成为高压输电线路检查的重要工具,而无人机拍摄的巡检影像通常包含复杂的背景和多种类型的小目标,这给目标检测算法带来诸多挑战。 为克服这些挑战,本文构建了一个基于真实无人机巡检影像的高质量输电线路巡检数据集,命名为TLID(Transmission Line Inspection Dataset),并在此基础上,设计了一种轻量级目标检测框架TLI-YOLOv5,为输电线路巡检任务提供了一种可靠的解决方案。本文的主要研究内容及创新点概述如下: 首先,构建高质量无人机输电线路巡检数据集TLID。TLID的原始影像从13744张真实的输电线路巡检影像中,遵循场景多样化和高清晰度的原则,挑选其中1231张影像进行标注,标注样本类别多达8种,包括杆塔、绝缘子、接线板、均压环、线夹、防振锤、塔牌和鸟巢,标注框数量达39,151个。这些影像覆盖我国多个省市的不同环境,如城市景观、农村环境、山地和森林地区。此外,数据集中的影像涵盖了多种不同距离、角度和天气条件,具有极高的多样性和复杂度,旨在提高模型的泛化能力。 其次,引入YOLOv5n至输电线路巡检领域,实现实时准确的输电线路目标检测。YOLOv5n作为YOLOv5系列中最小、最快的变体,其轻量化的程度甚至超过YOLOv6n和YOLOv8n,在精度和速度之间取得更好的平衡,因此更适合部署在实时输电线路巡检任务中。 最后,提出一种名为TLI-YOLOv5的轻量级目标检测框架,旨在实现更高效的输电线路目标检测。具体而言,在YOLOv5n网络的基础上,进行以下方面的改进:首先,将无参数注意力模块Sim AM融入YOLOv5n网络的骨干中,从而在不增加网络参数的情况下增强特征提取能力;其次,改进损失函数为Wise-Io U(WIo U),提高模型的准确度、鲁棒性和泛化能力;此外,还采用迁移学习和余弦学习率衰减的训练策略来加快训练过程中的收敛速度并提高模型的性能。 实验结果表明,与原始YOLOv5n相比,TLI-YOLOv5精度提高0.40%、召回率提高4.01%、F1分数提高1.69%、m AP50提高2.91%,以及m AP50-95提高0.74%,同时保持76.1FPS的高检测速度和4.15MB的紧凑体积。 本研究为大规模实时输电线路检查任务提供了一种实用高效的解决方案,旨在促进目标检测算法在输电线路巡检任务中的更广泛应用,推动输电线路巡检任务进一步走向自动化和智能化。

关键词： 输电线路   智慧巡检   线路巡检  

摘要： 随着信息技术的高速发展，虚拟建造、AI智能、无人机等手段和科技产品逐步应用到各个行业中，针对目前输电线路巡检过程中出现的人员短缺、科技应用成果独立、部分科技产品性能冗余等问题。基于此，本文针对目前输电线路存在的问题，深度结合大数据、云计算、虚拟建造、AI智能等技术发展，完善巡检综合管理平台，提升其核心采集、分析、自主判断功能，设置调控中心，配置相应移动终端，旨在完善输电线路智慧巡检技术，提高科技成果产品间交互复用，整体提升输电线路安全性和设备完整性。

摘要： 输电带电作业班隶属于内蒙古电力（集团）有限责任公司薛家湾供电分公司，现有员工14人，全部为本科及以上学历，目前班内有工程师4名，助理工程师9名，技师2名、高级工3名、中级工5名，是一支专业技术过硬，综合能力较强的检修队伍，主要负责着准格尔地区输电线路的带电检修工作。班组在日常工作中发现，如果防振锤不在原始的设计位置，就失去了对架空地线的保护，如不及时复位防振锤，会导致架空地线发生断股甚至断线，继而造成输电线路事故。班组设计了一种基于无线遥控电动架空地线防振锤复位装置，改变了原有架空地线防振锤复位的作业方式，减少了作业人数，提高了供电可靠性，有效的保障了可靠安全经济用电的需求。

关键词： 深度学习   输电线路   缺陷检测   图像配准   多模态融合  

摘要： 随着深度学习和无人机技术发展,人机协同和无人自主巡检逐渐代替人工检测成为输配电线路缺陷检测的主要手段。针对输电线路电力设备热缺陷巡检中,单模态电力设备热缺陷检测模型对输电线路中小型电力设备目标检测能力有限,在昼夜、恶劣气候或遮蔽场景下易导致目标信息缺失,且无法将各模态互补信息进行整合的问题,本文提出了“基于多模态融合的输电线路热缺陷检测方法”研究课题。课题聚焦于10kV输电线路热缺陷巡检任务,提出了基于自适应阈值的轻量化SIFT算法和基于多尺度融合的轻量化目标检测模型AML-YOLO,显著提升了线路热缺陷检测判定准确性与智能化水平。 本文的主要研究工作有: (1)在基础SIFT算法上进行优化改进,提出一种基于自适应阈值的轻量化SIFT算法。首先,在图像预处理阶段对电力设备热红外图像数据集进行均值滤波、直方图均衡化处理,以消除图像中尖锐噪点,提升图像对比度及细节表现,进一步改善图像成像质量;其次,为提高算法计算效率,减少内存占用,以便于算法部署于终端设备,在保证有效特征点检测的前提下,通过减少高斯差分金字塔层数,从而构建轻量化尺度空间;最后,采用自适应阈值算法,通过分析高斯差分函数偏移量阈值及距离比率参数,在特征点检测与匹配过程中设置阈值自适应处理机制,实现冗余特征点对去除。通过在自建输电线路电力设备多模态数据集上进行实验,改进后的算法相较于基础算法匹配成功率提高了22%,运行耗时缩短了20.5%,证明该算法可有效改善电力设备多模态图像配准效率的问题,保证了后续电力设备热缺陷检测工作进行。 (2)提出一种基于多尺度融合的轻量化目标检测模型AML-YOLO。首先,特征提取采用Ghost Net网络实现模型轻量化;其次,形成针对中小目标检测的第四检测层,并在特征融合网络中添加多尺度特征融合路径,加强模型对多模态图像中小尺寸电力设备特征识别能力。最后,根据模型测试结果得到融合所需参数,进而实现基于检测结果的决策级快速目标检测。自建数据集并进行实验,结果表明与单模态检测算法相比,所提算法在保证推理速度的同时检测精度提升2.1%,验证了所提方法的有效性。

关键词： 输电线路巡检   缺陷检测   YOLOv6   RepVGG   ConvBNAct  

摘要： 在输电线路巡检中，关键电力部件经常会出现锈蚀、脱落等缺陷，从而造成误检、漏检问题，导致人力成本大大增加。文中针对此类问题，提出一种基于YOLOv6的改进算法，主要在neck部分增加了RepFPN结构，额外的增加了一个自底向上的路径聚合网络，从而增强输出特征的表达能力，提升模型性能，然而增加了计算成本。为了降低计算量，增加了RepVGG结构，它有着类似残差的结构，拥有丰富的梯度信息，经实验数据表明，当使用3个RepVGG结构替代C3层时，会提升1～2点精度；同时将ConvBNAct的算子进行融合后，只需要采用一个Conv+inplace activation就可以完成原有的3次Op计算，绝大多数情况下还能得到一致的数值结果，缓解了上述改进增加计算量的问题。实验表明，改进后的模型m AP＿0.5:0.95提高了12%，精确度提高了3.9%，各项loss值显著降低，同时很好地检测出了电力部件各种缺陷以及输电线路上的异物。

关键词： 目标检测   多尺度特征融合   跨层特征融合   YOLOv7   小目标检测  

摘要： 随着我国经济建设的快速发展,基础设施的不断完善,城市所需的用电量也随之增加,电力系统日常巡检的工作量不断变大。无人机技术的快速发展,改变了电网巡检方式,远程控制无人机巡检逐步取代了传统的人工巡检。如何快速识别无人机拍摄的大量图像中输电线路故障成为了一个新的难题。螺栓是输电线路中最常见的紧固件,同时也是整个输电线路中数量最多、极易损坏的零件。螺栓销子的缺失可能导致螺栓出现损坏进而出现线路松动等重大安全隐患。螺栓体积小,背景信息多且复杂,检测效果受天气、光线等因素的影响严重。因此,如何实现输电线路螺栓缺销检测是电力系统的难题和长期研究的目标。 早期的部件视觉缺陷检测方法主要是基于图像处理和特征工程。这类方法对图像质量的要求较高,无法真正应用于背景复杂的输电线路作业环境。基于深度学习的模型相比传统算法可以更加有效地将识别目标从复杂的图像背景中提取出来。本文在此研究的基础上,针对无人机输电线路巡检图像中螺栓缺销检测精度较低、漏检较多的问题,选用速度和精度都较有优势的YOLOv7进行改进,提高模型对输电线路螺栓缺销检测的能力。从锚框尺寸、特征提取和特征融合等角度分别对算法进行改进。 在YOLOv7的Neck部分原有的“FPN+PAN”结构的基础上,调整特征信息传递路径,构建跨层特征融合结构。跨层特征融合可以使深层特征图的信息可以更好地传递给浅层特征图,浅层特征图可以更好的将浅层的位置信息和深层的语义信息进行融合,从而提高模型对小目标的检测能力。使用k-means++算法在大、中、小三种目标数据中分别生成三种锚框,共计九种不同尺寸的锚框。使用更适合数据集的锚框尺寸可以提高模型对目标的召回率。在骨干网络中引入高效的多尺度注意力机制,针对性的提取螺栓特征,增强模型的表达能力。最后将YOLOv7的检测头设置为解耦检测头,使螺栓检测的分类任务与定位任务相互独立,提高模型对螺栓目标的检测和定位能力。使用本方法在螺栓缺销数据集上实验,精确率提升4.3%,召回率提升2%,表明改进方法可以有效的提升YOLOv7对输电线路螺栓缺销的检测能力,在智能巡检中具有一定的应用价值。