基于深度学习的变电站人员安全装备检测应用研究

门禁系统作为保护变电站设备安全和人员安全的重要一环,对保障变电站运行稳定性有着重要作用。以往变电站门禁系统识别效率不高且识别信息量过于单一,而且员工没有穿戴安全设备,也会给变电站运行和施工过程中带来风险,从而造成经济损失。针对以上问题,提出了一种对变电站人员的安全装备进行检测的模型。首先采集员工穿戴安全帽、绝缘服等安全装备的图像数据,结合目标检测模型YOLOv4和人脸识别模型RetinaFace+Facenet,设计了一种同时检测员工的人员信息与安全装备穿戴情况的检测模型。该检测模型将图像信息同时输入到YOLOv4和RetinaFace+Facenet模型当中分别进行安全装备佩戴情况识别和员工信息识别。在输出网络当中将两个模型的结果进行结合,使输出图像同时显示两个模型的检测结果。结果表明:该检测模型对员工是否穿戴安全帽、绝缘服等安全装备识别的平均精度mAP为91.81%,对员工身份信息识别的准确率为98.22%,并且在与Faster-RCNN、YOLOv3、SSD等深度学习模型的对比试验中具有更好的精确性。该模型可在实际环境中对员工是否穿戴安全装备和员工信息进行检测,对保障变电站设备安全和变电站员工安全具有一定的应用价值。

分布式光伏电源接入对配电网保护的影响

阶段式电流保护常用于配电网继电保护中,但分布式电源接入配电网后,会改变其短路电流大小及方向,导致保护误动拒动等。以ETAP软件为平台搭建含光伏电源的10 kV配电网模型,研究一定容量的光伏电源接入后对传统电流速断保护及反时限过电流保护动作配合的影响,并在不改变原有保护方案的基础上,仿真并验证限制光伏电源接入容量的保护策略。