基于深度学习的输电线路外力破坏危险行为预测及识别

作     者：张煜彬 

作者单位：内蒙古科技大学 

学位级别：硕士

导师姓名：方中纯

授予年度：2021年

学科分类：0808[工学-电气工程] 080802[工学-电力系统及其自动化] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

主      题：输电线路 深度学习 外力破坏 图像识别 目标检测 

摘      要：架空输电线路是电网稳定运行的重要保障,与国民经济的发展和社会稳定有着密切的关系,确保输电线路不遭到外力破坏非常重要。近年来,随着我国城市和电网规模的不断扩大,电力安全事故的发生率也逐渐升高。据国内电力安全事故分析数据统计,电力安全事故的发生有三分之一左右都是由外力破坏引发的。目前,针对输电线路外力破坏危险行为的检测主要通过人工定期巡线、无人机巡线、传感器和实时监控等方式进行。人工定期巡线需要耗费大量的人力、物力及时间,工作效率低下。无人机巡线较人工巡线而言,提高了巡线效率,但无人机工作距离和巡航时间都有限,很难广泛应用在电力系统中。传感器探测方法虽然不受距离和时间限制,但目前尚存在技术问题:探测器的精度低、易受恶劣天气影响、无法准确判断进入警戒区域内的外力破坏危险行为类型等,破坏程度也只能通过人工进行现场勘察才可判定。实时监控方式需要工作人员对外力破坏危险行为的类型进行辨别,检测的效率和准确率都无法保证。实时监控覆盖率的提升产生了海量的图像数据,对这些数据的处理需要借助人工参与,反而增加了工作量,工作效率变低。实时监控的方式没有从根本上实现对输电线路外力破坏危险行为的智能化检测。期望通过使用电子图像数据分析、模式识别、机器深度学习等技术手段对电力监控线路视频内容实时进行自动解读,对电力输电线路警戒区域内可能出现的外力破坏危险行为及危险行为的类型进行实时检测、判别,这样就可以有效减少使用传统的线路监控视频方法操作所需的大量人力资源和大量处理时间。本文应用深度学习和目标检测技术,提出了一种基于深度学习的输电线路外力破坏危险行为检测方法。主要思路是:首先对目前国内外的研究现状以及本文研究的必要性进行了阐述。然后介绍了进行该研究所要用的技术手段:卷积神经网络和目标检测技术。并且通过对比几种目标检测模型的原理,选取了在保证实时性的前提下检测精度表现也较好的YOLOv3算法作为外力破坏危险行为检测的基础算法。其次,进行了数据集构建,本文首先通过使用数据增强的方式进行了数据扩充,对扩充后的数据进行了标注。最后,针对本文中研究对象的特点,在选取的基础算法上进行改进。改进点主要是:1.网络结构改进:在原有网络上增加了两个卷积层和删减了原有网络的一个预测尺度,应用测试集中的图像数据进行测试,验证了改进的合理有效性。2.损失函数改进:参考GIoU和Focal Loss算法对YOLOv3损失函数进行改进,应用测试集中的图像数据进行测试,验证了改进的合理有效性。3.算法中所用的关键技术改进:参考K-means++算法、Soft-NMS算法对YOLOv3中聚类分析和非极大值抑制算法进行改进。应用测试集中的图像数据进行测试,验证了改进的合理有效性。最后,以本文中进行数据增强处理后的图像数据集进行验证,数据表明本文改进的算法与原YOLOv3检测算法在检测性能和检测速度上都得到了很大提升,外力破坏危险行为检测精度mAP（mean Average Precision）提升了4.2%,准确度（Precision）提升了5.2%。