面向差异化变电场景的无线信道测量与建模研究

无线通信网络对新型电力系统的建设和发展至关重要,信道测量和建模是构建无线通信系统的基础。首先,文章面向差异化变电应用场景在470 MHz和2.4 GHz频段开展信道测量工作;其次,基于信道实测数据,研究变电场景下路径损耗、阴影衰落和时延扩展建模方法;对比分析不同频段下、室内外场景的信道建模结果。最后,将建模结果与3GPP标准化信道参数作对比,结果表明,变电场景信道参数与3GPP标准化信道参数有很大不同。文章获得的信道参数填补了现有标准在电力场景的空白,为新型电力系统下无线通信网络的部署和优化提供基础信道模型。

面向输变电场景的基于SSA的WSN分簇路由算法

针对部分输变电场景传感器众多、不具有组网能力的特点,提出采用计算能力高的中继节点收集传感器信息,并对中继节点进行组网的解决方案。根据方案,提出一种轮换中继节点网络的根节点-无线网关节点的分簇路由算法(LEACH-WGR-SSA),并且引入麻雀搜索智能算法(SSA),对节点网络中的簇首选举进行优化,并加入Levy飞行策略避免算法陷入局部最优。对于无线网关节点和网络簇首的选举均考虑了节点剩余能量、邻接节点的个数和位置信息。仿真实验表明,在50%节点死亡时,LEACH-WGR-SSA的网络生存轮数相较于LEACH、LEACH-WGR、LEACH-WGR-PSO分别延长121.6%、64.1%、6.5%,均衡了能耗,延长了网络生存周期,并有效地提高了寻优精度。

基于三维模型的输变电运维业务应用开发及实践

三维模型可拓展信息记录与展示的维度,极具应用潜力,已在电力规划、建设、运维等多个环节初步发挥作用。如何更好地应用三维模型,成为行业关注的热点和难点。该文首先梳理总结三维模型在输变电运维场景的传统典型应用,然后从时、空2个维度剖析当下三维模型应用开发不足及与数字孪生技术融合的价值潜力,提出数字孪生三维模型应用路径,最后结合场景给出若干新应用开发建议。研究成果可为明晰三维模型的应用开发提供参考。

异源特征差异化融合引导的变电站场景语义分割

变电站场景图像语义分割能够为巡检机器人提供像素级的场景理解,是变电站智能化巡检、管控的关键步骤之一,但由于设备种类众多、背景环境复杂,仅依赖单一模态图像的语义分割方法准确性受限。针对该问题,提出一种基于多尺度特征差异化融合的语义分割网络,根据不同层次、不同模态特征图的特点,利用差异化的融合策略,提取红外与可见光图像在空间细节与语义信息的互补内容,从而利用融合信息引导解码过程,实现稳定的异源图像语义分割。为了验证算法的性能,利用无人机与机器人平台采集大量异源图像,手工标注并构建了数据集。实验证明本文提出的算法可以准确识别各类电力设备,对于保障电力系统安全稳定的运行具有实用价值。

基于Z-buffer算法优化的大型变电站场景模型快速线消隐方法

针对现有三维模型消隐方法面向大规模三维场景模型应用中存在的计算复杂、耗时长等缺陷,本文提出了基于改进Z-buffer算法对大型变电站场景消隐的快速可视化方法。首先,为了简化计算,将场景模型数据整合并重构;其次,通过透视投影变换将变电场景模型像素化;进一步,基于Z-buffer算法高效的像素化计算特性提出了快速模型筛选方法,从而得到变电场景的子模型遮挡关系。最后,实验中将所得遮挡关系列表融合现有消隐算法,结果表明本文提出的方法能够大幅度提升消隐的运算性能。

变电站场景下高置信度策略的DSST目标检测及跟踪

目标跟踪在视频监控、人机交互及图像压缩等领域发挥着重要作用。由于DSST(discriminative scale space tracking)跟踪算法需要手动标记初始帧的位置,并且其实时速度和更新策略有待改善。因此,提出了一种改进的DSST跟踪算法;该算法在DSST算法的基础上融合了检测算法和图像缩放算法,同时引入了APCE(average peak-to correlation energy)置信度指标。使用变电站和benchmark数据集对其进行了测试,并与FCT(fast compressive tracking)及Staple等算法相比。结果表明该算法提高了跟踪精度,缩短了每帧的运行时间,且在背景、尺度变化及遮挡等方面表现出较强的鲁棒性。

基于三维模型的输变电运维业务应用开发及实践

三维模型拓展了信息记录与展示的维度,极具应用潜力,已在电力规划、建设、运维等多个环节初步发挥作用。如何更好地应用三维模型成为行业关注的热点和难点,首先梳理了三维模型在输变电运维场景的传统典型应用,然后从空间、时间两个维度剖析了当前三维模型应用开发的不足及其与数字孪生技术融合的价值潜力,提出了数字孪生三维模型的应用路径,最后结合场景给出了若干新应用开发建议。研究成果可为明晰三维模型的应用开发提供参考。

变电站场景下运动目标的检测和跟踪方法

在遮挡物较多的变电站场景下,传统的目标跟踪算法容易出现人员跟丢、身份变换、目标被遮挡无法识别等情况,无法做到对目标的准确实时跟踪。针对此问题,提出了融合度量学习与卡尔曼滤波的变电站运动目标跟踪方法。首先,采用融合多尺度特征的YOLOv3算法检测目标,利用带权值的匈牙利算法匹配目标的历史运动轨迹;然后,通过卡尔曼滤波进行轨迹预测,并应用度量学习匹配预测轨迹与历史运动轨迹,结合目标外观特征信息,以实现变电站内运动目标的跟踪;最后,以变电站场景下的人员为例进行实验,结果表明,人员跟踪准确率高,且能满足变电站应用场景下的鲁棒性和实时性要求。

基于语义信息距离解耦的变电运维多类别缺陷图像检测

变电站设备种类繁多、缺陷类型复杂、特征差异大,传统的基于深度学习的缺陷图像检测模型难以同时有效处理不同设备的多种缺陷。为此,提出了一种基于语义信息距离解耦的缺陷图像检测模型(sematic-distance based decoupling detection model,SDB-DDM)。首先对缺陷类别进行语义信息聚簇,构建解耦式网络结构,然后对网络输出进行加权锚框融合,并在损失函数中加入局部预测损失以提升预测能力,同时提出解耦式非极大值抑制策略以加快模型推理速度。该模型可根据缺陷类别进行自适应调整,以适用变电运维多类别缺陷图像检测的应用场景。实验结果显示,该模型的平均精度均值达到了69.68%。同平台下相较于目前性能最佳的目标检测模型(YOLOX),精度提升了1.36个百分点,参数量下降了5%,推理速度提升了34%。

变电站巡视系统设计与应用研究

设计变电站巡视系统,基于图像分析技术实现机器人和视频摄像机的联合巡视;巡视系统通过与变电站主/辅设备监控系统、一键顺控系统、主站巡视集中监控系统的互联交互,实现与主/辅设备监控系统间的正向联动、反向联动、视频双确认等智能联动。利用机器人机动灵活、视频摄像机巡视效率高的特点,合理规划视频摄像机位置和机器人巡视路径完成巡视布点,最大程度覆盖变电站的巡视范围,提升巡视效率,节省项目投资,有效支撑设备智能巡检、日常运行监控、现场巡检作业、异常故障处置等典型变电运维应用场景,替代人工巡检为远程智能巡检,替代原靠运维人员经验判断的故障分析等手段为主动预警、综合研判、智能诊断与智能决策。

基于注意力机制的变电站作业场景三维目标检测

在变电站场景中,作业人员与危险设备的空间距离感知是安全管控任务的基本问题。随着激光雷达和三维(3D)视觉理论的发展,3D点云目标检测可为下游空间距离度量任务提供必要的技术支撑。针对变电站场景下背景复杂、设备遮挡等因素引起的目标检测不准的问题,基于PointNet++模型,在局部特征提取阶段引入改进的注意力模块,提出了一种适用于变电站作业场景的3D目标检测网络PowerNet。首先经过两级局部特征提取,获取每个局部区域中的细粒度特征;其次通过mini-pointnet将所有局部特征编码成特征向量,得到全局特征;最后由全连接层输出预测结果。考虑到变电站点云数据中前景点与背景点数量差距较大,PowerNet采用Focal损失计算分类损失,使网络更加关注前景点特征信息。在自建数据集上的实验结果表明,PowerNet的均值平均精度(mAP)值达到0.735,高于其他模型,可直接在下游安全管控任务中应用。