基于改进Faster-RCNN的输电线路巡检图像检测

针对传统输电线路目标巡检图像识别方法响应速度慢、准确率不高的问题,文中提出一种改进的更快速区域卷积神经网络(Faster-RCNN)深度学习识别算法。通过轻量化卷积神经网络(ZFnet)提取图像特征,并重置模型参数以获取更多目标细节;利用Faster-RCNN对目标进行检测,由子网络区域提议模型生成目标候选框和快速区域卷积神经网络(Fast-RCNN)进行参数调优,并在Faster-RCNN输出部分引入精炼阶段,增加目标特征的分类细化和回归细化,将存在目标的多个边界框合并,实现精确分类以及坐标定位。实验结果表明:改进Faster-RCNN算法可有效识别线路设备及设备缺陷,总体识别率达到93.5%,响应时间在1 s内。与图像识别法或单步多阶目标检测(SSD)、实时快速目标检测(YOLO)深度学习法相比,所提算法提高了电力设备的识别精度与响应速度,在输电线路智能巡检中具有一定的优越性。

基于自适应层次分析法和变权理论的输电线路铁塔关键指标体系评价方法

针对当前输电线路铁塔评价指标体系冗杂和模糊评价难以反映实际工况的问题,提出了一种输电线路铁塔基础设施安全评价方法。通过关联规则对铁塔指标体系进行了量化,并基于主成分分析法建立了铁塔基础设施的关键指标评价体系。为了避免反复调整判断矩阵引起的盲从性问题,引入自适应层次分析法(self-adaptive analytic hierarchy process,S-AHP)确定初始权重。并通过变权理论引入均衡函数,对各指标的初始权重进行了调整,以解决常权系数下铁塔某项指标出现异常时对模糊评价结果无影响的问题。实例计算表明:关键指标体系能反映出铁塔整体工况,变权后的模糊评价可以准确确定异常铁塔,评价结果能很好地辅助后续铁塔检修计划的制定。

基于输电线路在线监测设备布局优化的新型铁塔塔头设计

输电线路通道数字化转型已成为“数字新基建”背景下电力系统发展趋势,然而,铁塔多参量感知设备加装极大地增加了塔体结构冗余度,由于缺乏铁塔传感器布局的相关规程规范,监测装置无序布置已构成巨大的塔身安全威胁。为解决此问题,对国网通用设计铁塔的塔头结构进行改进,设计一种便于在线监测设备安装的新型塔头。同时,考虑到减小线路运维成本,最大限度提高设备利用率和采集数据的精确度,提出对监测设备的布局方式进行优化。最后在Ansys中搭建塔头的有限元模型,对塔头在正常工况、最大设计风速以及覆冰有风这3种情况下的力学性能进行分析和强度校验。结果表明,该塔头塔材的受力,杆塔倾斜率与铁塔横担歪斜度均满足架空输电线路运行规程,结果可作为该型号直线杆塔结构优化设计的参考依据。

500 kV输电线路运行稳定性评价模型研究

针对目前500 kV输电线路运维工作任务分配不合理,导致巡检效率低以及线路大修技改采取“差异化”改造方案如何选择规划的问题,建立一种输电线路多维度评价模型。该模型采用模糊综合评价方法,选择与输电线路巡检与大修技改密切相关的多个指标,通过层次分析法与熵权法确定各指标权重,计算各指标对应评语集的隶属度,最终得出评估结果。通过具体案例分析,该模型符合实际情况,能较好地对500 kV输电线路运行稳定性进行评估。