架空输电线路运行和故障综合监测评估系统

为了有效预防和减少线路事故,提高线路运行和管理水平,设计了一个统一的应用平台构建架空输电线路运行和故障综合监测评估系统对线路主要运行状态和故障情况进行在线监测、实时分析和综合评估。该系统通过安装在现场的数据采集终端和控制中心的监控主站对输电线路的导线、杆塔、绝缘子等设备进行全方位实时监控,可根据需要灵活配置实现绝缘子污秽、零值绝缘子、导线弧垂、导线温度在线监测及线路危险点实时视频监控、线路故障检测和定位等多种功能。输电线路运行和管理部门通过对系统各类监测数据的统计分析,能及时掌握线路关键运行状态的变化,为输电线路的状态检修奠定坚实的基础。

基于改进FasterRCNN的配网架空线路异常状态检测

随着无人机巡线技术的不断发展,现已广泛运用在输电线路运维工作中,但仍需由人工判断线路异常状态类型,检测准确率极易受环境影响,现有智能检测技术检测速度慢、检测手段单一。针对提高异常状态智能检测效率问题,提出基于融合FPN结构的FasterRCNN深度学习在线异常状态检测系统。首先采用ResNet50卷积神经网络对原图逐层进行特征提取,得到最高层特征图;再对该特征图使用反池化法进行上采样得到多张低特征图,并将原各层特征图与新各层特征图对应融合;最后将融合后的全部特征图输入RPN层进行二分类与边框回归,经过ROIpooling层后得到异常点检测结果。经过对配网设备及异常状态检测数据集的检测验证,所提出的网络结构对比原FasterRCNN网络,不仅具有更高的识别正确率,且可以有效识别变压器等小目标物体。

基于CenterNet的一次设备异常检测方法

目前电网一次设备存在线路长、覆盖广的特点,传统的人工运维方式不仅工作压力大,且难以及时发现故障隐患。针对上述问题,提出了一种一次设备异常检测方法。首先,使用中心网络(CenterNet)算法对样本训练集进行学习,并且使用CenterNet最后包含的高层特征做异常检测;然后,根据检测到的关键点热力图来判断异常目标的宽高信息,动态调整检测框大小;最后,通过检测当前图像异常一次设备中心点得到异常检测结果。实验结果表明,所提方法在一次设备数据集上准确率为92.6%,相较于传统的快速的基于区域的卷积神经网络(Fast RCNN)模型,准确率提升了4.3%,验证了所提方法的有效性和先进性。

基于改进FasterRCNN的配网架空线路异常状态检测

为解决人工判断无人机巡线结果准确率低、耗时长且易受环境影响等问题。本文采用基于图像特征处理与融合FPN结构的FasterRCNN深度神经网络模型,以提高架空线路无人机异常状态检测效率。具体做法是,首先使用ResNet50卷积神经网络对原图逐层进行特征提取,得到最高层特征图;再对该特征图使用反池化法进行上采样得到多张低特征图,并将原各层特征图与新各层特征图对应融合;最后将融合后的全部特征图输入RPN层进行二分类与边框回归,经过ROIpooling层后得到异常点检测结果。经数据集验证,本文所提出的网络结构对电杆、开关、变压器、绝缘子损坏、杆塔倾斜和断线的AP值分别为0.97、0.88、0.86、0.89、0.94和0.93,所有目标的mAP值为0.91。对比FasterRCNN网络及现有检测手段,不仅具有更高的识别准确率,更快的检测速度,且可以有效识别变压器等小目标物体。