关键词： 绝缘子   深度学习   多缺陷检测   注意力模块  

摘要： 绝缘子作为架空输电线路安全平稳工作至关重要的构件,定期对输电线路绝缘子巡检有着重大的意义。本文以航拍的输电线路绝缘子图像为主要研究对象,针对绝缘子缺陷在航拍图像中占比过小的问题,设计了基准模型为YOLOv7的级联目标检测网络,对基于深度学习的输电线路绝缘子的多种缺陷进行了检测研究。级联检测网络主要由两级目标检测网络组成,第一级目标检测网络识别了绝缘子数据集中的所有绝缘子,把原图的所有绝缘子数据都检测出来,并输入到第二级网络模型;第二级网络模型对绝缘子缺陷进行了目标检测,把绝缘子的各种缺陷情况都检测出来,并同时提供了缺陷的具体类别。本文中主要的研究内容如下: （1）设计基准模型为YOLOv7的级联目标检测网络。首先,使用形状、颜色、对比度等数据增强算法对输入的图像做预处理,增加数据的多样性;其次,将处理后的图片输入级联检测网络的第一级检测模型YOLOv7-d6算法来识别图像中的绝缘子目标;最后,该级联检测网络中的第二级模型使用YOLOv7x算法,能够检测图像中的绝缘子目标,并对其缺陷类别进行检测。 （2）优化YOLOv7-d6算法模型。本文对第一级网络模型进行了改进,通过引入ECANet通道注意力模块和FReLU激活函数来优化YOLOv7-d6算法模型,旨在提高模型对缺陷信息的关注程度和深度信息获取能力。ECANet在每个基础卷积模块的批归一化层后添加通道注意力模块,并用FReLU替换Leaky Relu作为激活函数。在数据集上训练和测试级联目标检测框架后,第一级模型的mAP@0.5为96.6%,提高了 3.76%,召回率recall达到96.7%。 （3）优化YOLOv7x算法模型。为了提高目标检测的精度,在YOLOv7x算法中引入CBAM注意力模块和小目标检测层,并采用DIoUNMS代替NMS进行结果筛选。这样可以更好地学习特征,提高模型对小目标的检测能力,并减少误检和漏检的情况,从而提高整体检测精度。在对数据集进行训练和测试后,优化后的YOLOv7x算法模型在mAP@0.5指标上相较于YOLOv7x改进前提高了 10.9%。 实验结果表明,本文提出的基准模型为YOLOv7的级联目标检测网络在绝缘子缺陷检测方面表现优异,能够满足各种缺陷检测需求,同时也能够高精度地检测出绝缘子中的小缺陷。

关键词： 多变量时间序列   多尺度分析   聚类预测   多头注意力机制   时间序列特征图  

摘要： 随着电力技术的日益发展，电网系统的安全性成为了人们正常生活的重要保 障，而电网系统会受到很多自然灾害的冲击，比如在高原寒冷地区，由于低温的原 因使得空气中的水分在输电线路表面形成覆冰，严重危害电网系统的安全，因此电 网系统中的覆冰灾害的预警和分析成为了非常重要的研究方向。随着互联网和大 数据的发展，电网数据的在线监测也日益成熟，覆冰和微气象数据可以被精确记录。 本文基于现场监测数据，通过研究覆冰的多变量时间序列特性，建立输电线路覆冰 实时预测模型，得到未来输电线路覆冰负荷的预测值，为输电系统的除冰和维护决 策提供帮助，保护电力系统的安全。 本文通过研究覆冰过程的多变量时间序列特性，解决了现有线路覆冰预警模 型存在的预测精度差、时间序列多尺度分析不足、实用性差、时间序列特征未能充 分挖掘等问题。本文的研究结果如下： （1）为了分析输电线路覆冰过程的多变量时间序列存在的高维非线性、非平稳、 多尺度的特性，结合主成分分析算法（Principal Component Analysis, PCA）、变分 模态分解（Variational Mode Decomposition, VMD）、卷积神经网络（Convolution Neural Network ,CNN）建立了考虑时间多尺度的输电线路覆冰负荷定量预测模型。 首先，基于 PCA 对微气象因素进行降维，减少数据冗余，加快收敛速度，使用 VMD 方法将覆冰序列分解为多个本征模态分量（Intrinsic Mode Function, IMF）； 然后用 CNN 对每个 IMF 进行训练预测，将每个 IMF 的预测结果相加，得到最 终的预测结果。并且为了使该模型能够在线动态预测覆冰负荷，具有更好的实用性， 提出了在线多尺度的覆冰负荷预测模型，利用在线分解策略对覆冰的多变量时间 序列进行在线多尺度分析。通过实例验证，该模型比单一的 CNN，1 至 16 步长 的均方根误差依次降低了 31%、26%、16%、7%、8%。 （2）为了分析输电线路覆冰过程的多变量时间序列在不同时期的特征和影响 因素之间的差异性、提高训练样本之间的相关性、充分挖掘覆冰数据的多元时间序 列信息，利用密度峰值快速搜索算法（Clustering by Fast Search and Find of Density Peaks, CFSFDP）和 transformer 进行覆冰负荷定量预测。首先利用 CFSFDP 聚类 算法，根据历史覆冰序列与微气象序列将覆冰数据分为多类；其次将每一类覆冰数 据分别建立多个 transformer 时间序列预测模型，transformer 可以充分挖掘时间序 I云南大学（专业）硕士学位论文 II 列之间的相关信息，提取时间序列的相关特征，对于未来测试数据，根据输入特征 判断为第 i 类数据，再选取对应的第 i 个预测模型，得到测试数据的预测值，并 进行了本文模型的有效性和鲁棒性验证。通过实例验证，聚类前后使 LSTM、 BiLSTM、transformer 的均方根误差分别降低了 31%、14%、21%。 （3）为了探究时间序列转图像方法是否能对未来覆冰的定性分析起到有效作 用，基于时间序列转图像的方法和图像分类算法，建立了基于时间序列特征图的覆 冰灾害预警模型，选取了格拉姆角场（Gramian Angular Field, GAF）和马尔可夫转 移场（Markov Transition Field, MTF）将序列转为二维特征图；选取了 VGG-16 和 ResNet-18 这两个常用的图像分类算法进行验证。通过实例验证，该模型对未来 1、 2、4、8 小时后是否会出现严重覆冰的平均准确率分别为 93.62%、92.09%、86.73%、 82.91%。

关键词： 输电线路   图像处理   深度学习   目标检测  

摘要： 为把握以人工智能等新技术为代表的第四次工业革命给电力行业智能化转型带来的新机会,近年来,国家电网有限公司致力于提升电力系统智能化水平。作为电力系统的主要载体,输电线路不仅影响着国家整个电力系统的安全稳定运行,更涉及国计民生。因此,定期对输电线路巡检至关重要。伴随着计算机硬件、电子和通信的发展以及相关算法的进步,无人机与基于深度学习的目标检测算法相结合的输电线路关键部件及缺陷检测方法被广泛应用于输电线路巡检中。然而,低质量的输电线路数据集以及现有的目标检测算法存在的检测精度低、泛化能力差等问题严重制约着智能巡检作业的效率。本文面向输电线路中智能巡检工作任务,基于数据和算法两个方面,研究了输电线路中关键部件及缺陷的检测。(1)在数据方面,输电线路目标种类繁多,以人工手动标注图像数据的方式耗时、费力。此外,在智能电网的大背景下,无人机巡检输电线路进行样本采样的频率愈发频繁,人为标注数据将面临更高强度的工作量的同时,也不利于数据的可持续积累。针对以上问题,提出了一种半自动标注方法,半自动标注方法将整个标注过程划分为部分标注、检测标注以及人工调整,大幅度提高了标注效率。(2)在算法方面,研究了与公共目标检测领域相比,主流深度学习算法在输电线路目标检测领域精度较低的原因。基于上述分析,提出了一种改进YOLOX的输电线路关键部件及缺陷检测算法。从特征融合的角度,设计了一种自适应加权特征融合网络,丰富特征图中的细节信息与语义信息;从空间信息的角度,引入了位置注意力机制,以较轻量化的方式提取位置信息;从定位损失的角度出发,提出了一种分类回归损失策略,自适应分配不同定位难度目标的回归损失值,进一步提升检测精度。(3)改进YOLOX的输电线路关键部件及缺陷检测算法能够有效提升输电线路目标检测领域的精度上限,但是,针对移位型缺陷,检测精度仍有提升空间。为此,提出一种针对更多目标类别的双分支融合网络检测算法。从特征提取的角度,在主干网络同时引入卷积神经网络和Transformer;从特征交互的角度,设计了多尺度卷积模块和多尺度池化模块,用于消除维度差异和语义差异;从尺度差异的角度,构建了加强特征提取网络,减少了深层神经网络中细节信息的丢失。基于上述研究,半自动标注方法能够将标注效率提升40%,实现了输电线路数据的高效率标注。改进YOLOX算法六类输电线路关键部件及缺陷上的平均检测精度达到90.74%,双分支融合算法在九类输电线路关键部件及缺陷上的平均检测精度达到91.32%,实现了输电线路关键部件及缺陷的高精度检测,为我国输电线路智能巡检作业提供了理论方案,具有明确的工程应用价值和科学研究意义。

关键词： 监拍装置   AI能力测试   自动标注   样本分级   目标检测  

摘要： 随着输电线路监拍装置的广泛应用,监拍装置对输电线路周围环境隐患目标的检测性能受到越来越多地关注,但目前在输电线路监拍装置AI能力的测试中,缺乏成套的测试系统,测试效率低;且原有的评价指标难以直观有效地分析测试结果;同时,测试样本的构建过程完全由人工进行,既耗费了大量的人力,又可能由于人工的失误造成样本误标注、漏标注的问题,导致监拍装置AI能力的测试结果不够准确。针对上述问题,设计能够实现构建测试样本和自动测试AI能力的监拍装置测试系统具有重要意义。由于监拍装置属于嵌入式设备,通过对嵌入式系统的测试方法、测试过程及测试样本设计过程的分析,提出AI能力的评价指标和AI能力测试系统的总体设计方案。测试系统主要包括测试样本的构建和自动化交叉测试过程,测试样本的构建过程由测试样本的自动标注、分级和人工修正完成;自动化交叉测试通过目标检测能力测试单元、电流采集单元和综合处理单元协同实现。为满足测试样本自动标注的需要,提出改进Center Net目标检测模型的方法对测试样本进行标注。针对原Center Net模型主干网络层数少、特征提取不充分、预测位置有偏差等问题,首先设计包含ECA的Efficient Net-B0网络进行特征提取,并提出AF-Bi FPN模块进行特征融合,丰富隐患目标的特征信息,之后引入MIOU损失将目标的中心点位置和尺寸进行联合预测,减少目标检测过程的位置偏差,进而实现测试样本的自动标注。为进一步定性地判断监拍装置的AI能力,以隐患目标外部特征表现完整度为根据对测试样本进行分级,进而评估监拍装置AI能力的等级。测试样本的分级由改进YOLOv4的目标检测模型实现。针对隐患目标尺度差异较大且YOLOv4对较小目标特征提取不充分的问题,设计多尺度空洞卷积模块、引入CBAM注意力机制和FRM特征细化模块,提高模型对不同尺度目标的检测能力,进而实现测试样本的分级。通过分析测试样本的构建过程和自动化交叉测试的原理,设计了测试样本构建工具、研发了AI能力测试软件,并结合工控机、电流监测设备和交换机等硬件设备搭建AI能力测试系统,实现了对监拍装置AI能力的测试。

关键词： 复杂气候环境   高压交流输电线路   无线电干扰   可听噪声   预测模型  

摘要： 电磁环境问题是输电线路导线选型和工程建设的重要考量因素。高电压等级交流输电线路电晕放电更加剧烈,尤其在高海拔复杂环境条件下,电晕产生的无线电干扰和可听噪声水平更高,同时受多种因素耦合作用影响,呈现出复杂波动的特点。长期以来,交流线路无线电干扰和可听噪声的预测主要基于电晕笼试验数据拟合获得半经验公式进行计算,主要考虑大雨条件下的相对稳定数据,应用场景有限,难以有效描述多种因素与无线电干扰和可听噪声之间的复杂波动联系。本文基于西宁高海拔不同条件下大电晕笼试验数据,对高压交流输电线路无线电干扰和可听噪声的预测方法进行研究,实现了两者的单点和区间预测,可以为复杂环境下高压交流输电线路的无线电干扰和可听噪声的预测提供方法参考。 首先,利用最大互信息系数(MIC)算法分析了不同因素对无线电干扰和可听噪声的影响程度,通过计算每种因素的MIC值,衡量其影响权重。同时,对数据集进行了无线电干扰测量数据与激发函数值的转换、可听噪声背景修正、数据缺失值和异常值处理等预处理工作,最终获得了能反映无线电干扰和可听噪声本质特征的高质量数据。 其次,构建了一维残差网络和深度级联森林两种结构原理的预测模型,分析了场强、导线结构、降雨强度等不同因素影响规律,实现了西宁高海拔不同气候条件下交流无线电干扰和可听噪声的预测。研究发现,两种模型在可听噪声的预测表现优于无线电干扰,不同数据集上的预测效果差异与无线电干扰和可听噪声的数据组成分布有关,分散性较大的试验数据会对模型的预测精度造成一定的影响。无论对无线电干扰还是可听噪声预测,深度级联森林模型的预测性能均优于一维残差网络模型,但也付出了较大的运算成本。 最后,基于一维残差网络和深度级联森林模型,结合上下界限估计法(LUBE)和鲸鱼优化算法(WOA),分别构建了两种区间预测模型,实现了85%、90%、95%三种较高置信水平的无线电干扰和可听噪声的区间预测。在高海拔条件下,对单回和同塔双回两种输电线路的无线电干扰和可听噪声进行预测,获得了恶劣天气条件下的区间预测结果。与大雨条件下半经验公式的预测值相比,预测区间可以描述恶劣天气条件下无线电干扰和可听噪声的可能波动范围,更好地为交流输电线路的工程建设提供参考。

关键词： MMC-HVDC系统   故障诊断   卷积神经网络   双向循环门单元   多任务学习  

摘要： 目前基于模块化多电平换流器(Modular Multilevel Converter,MMC)技术的高压直流输电(High Voltage Direct Current,HVDC)技术在我国远距离和大容量高效输电的工程应用中发挥着重要作用。HVDC系统的稳定运行对连接它的每个系统、甚至整个电网的稳定性至关重要,而HVDC输电线路则是整个系统中最容易发生故障的部分。因此,针对高压直流输电线路上的故障实现故障类型的快速识别和故障位置的准确定位,对于维护系统安全可靠运行具有重要意义。MMC-HVDC输电线路故障暂态行波具有时序性和强非线性的特点,会导致故障识别准确率降低,针对这一问题,提出基于卷积神经网络(Convolutional Neural Network,CNN)和双向循环门单元(Bidirectional Gate Recurrent Unit,Bi GRU)的HVDC输电线路故障识别方法。首先,采用故障后整流侧的双极暂态电流行波作为特征向量,通过CNN提取全局特征,并从中剔除噪声和不稳定成分,完成对数据的降维处理。然后,采用Bi GRU来捕获CNN提取到特征的前后时间信息,进一步提取数据中的时序特征,以实现HVDC输电线路故障识别。仿真实验表明:该方法可在不同故障地点以及不同过渡电阻下对单极接地、双极短路、雷击故障、雷击干扰共四种故障实现准确识别,可靠性高,具有较强的耐受过渡电阻能力,同时具备一定的抗噪性能。基于多任务学习(Multi-Task Learning,MTL)思想,提出了一种故障定位方法,能够同时对多种故障进行定位。选择CNN的Softmax分类器和Bi GRU构造特定任务层,分别完成故障类型确定和故障点定位的任务。首先,将整流侧故障电流行波输入CNN对进行特征提取。然后,根据Softmax分类器输出的故障类型,将CNN的隐藏层作为共享层输入到与故障类型的相对应Bi GRU来完成故障定位任务。实验结果证明:该方法对过渡电阻千欧级的高阻接地故障也有较高定位精度。与其他传统方法相比,具有更好的耐受过渡电阻能力、抗噪性和泛化性。

关键词： 输电线路   施工技术   控制措施  

摘要： 输电线路的建设和施工是电力行业中至关重要的环节，涉及诸多关键工程技术和控制措施。本文针对输电线路施工关键工程技术及控制进行了探讨和分析。本文介绍了输电线路施工的重要性和挑战，明确了本文研究的目的和意义，从输电线路施工前期准备、塔杆施工、绝缘子串和导线施工以及绝缘和接地施工等方面进行了详细阐述。

关键词： 混合直流输电系统   线路保护   故障测距   故障分析  

摘要： 近年来我国直流输电技术发展迅速,随着“碳达峰”、“碳中和”目标的提出,混合直流输电技术将成为未来高压直流输电技术发展趋势之一。混合直流输电系统输电线路长,线路故障概率高,其中多端混合直流输电系统拓扑结构复杂,运行方式多样,其线路保护和故障测距方面的研究还不完善。本文以混合三端直流输电系统为研究对象,通过理论分析和仿真验证,研究混合三端直流输电线路纵联保护和故障测距方法。 首先,针对混合三端直流输电系统的送、受端边界特性、故障响应特性不一致,难以适应于传统直流线路纵联保护的问题,提出一种不依赖双端边界一致性的混合直流输电线路纵联保护。分析换流站直流侧等效阻抗,在此基础上对区内、外故障分量附加网络的理论分析表明,保护正方向故障时,电压、电流满足电感元件性能方程或RLC二阶电路方程;保护反方向故障时,电压、电流不满足电感元件性能方程或RLC二阶电路方程。将测量电流代入上述方程可得到计算电压,利用余弦相似度衡量计算电压与测量电压的波形差异判断正、反向故障,利用电流方向构造选线判据。仿真结果证明该方法能快速、灵敏、可靠地识别区内外故障,且具有较强的耐受过渡电阻能力,可用做直流电网后备保护。 其次,提出一种基于高频分量的混合三端直流输电线路纵联保护。考虑混合三端直流输电线路边界、输电线路对高频分量的衰减作用,基于EEMD-TEO算法得到行波瞬时能量曲线,利用区内、外故障下行波瞬时能量峰值差异构造保护。利用T区两测点的电流方向差异和行波瞬时能量峰值共同实现故障区域选择。仿真结果证明,方法能有效识别区内、外故障,只需单端测量量配合对端通讯设备,减少了计算量;耐受1000Ω过渡电阻;无需三站通讯,减少了通讯时间,可用做直流电网快速后备保护方案。 最后,针对行波测距法波头检测算法存在的缺陷,提出了一种基于零空间追踪算法的混合三端直流输电线路故障测距方法。用能改善模态混叠的零空间追踪算法对故障信号进行分解,再与Teager能量算子结合标定行波波头,获取行波到达测量点的时刻。利用两端行波到达的时间差判断故障分支。依据行波测距的机理,提出一种不受波速影响的故障测距法。仿真结果表明,该方法具有较高精度,基本不受故障位置、过渡电阻、故障类型等因素的影响。