“高电压与绝缘技术”课程思政教学实践

高电压与绝缘技术是电气工程的专业主干课,在该课程教学中推行课程思政,实现知识传授与价值引领的统一非常必要。为了能够在提高专业课教学质量的同时达到思政育人的目的,从“开学第一课”激发专业责任感和使命感、“大国重器”培养家国情怀和民族自信、“科学家精神”引领价值观塑造三个层面,探索了高电压与绝缘技术课程思政的课程设计和教学实践。     

基于一维电弧模型的SF6混合气体灭弧性能评价

SF₆混合气体是广受关注的SF₆替代气体方案之一。为定量评估SF₆混合气体的灭弧性能,文中采用一维衰减电弧模型和玻尔兹曼方程相结合的方法,将电弧熄灭过程划分为热恢复阶段、弧前介质恢复阶段和弧后介质恢复阶段,分别引入热恢复率、弧前介质恢复率和弧后介质恢复率作为各阶段的评价参数,并计算三者的调和平均数作为综合评价参数,以此来评估SF₆-N₂、SF₆-CO₂、SF₆-CF₄以及SF₆-Air混合气体的灭弧性能。基于上述方法,文中初步探讨SF₆含量、背景气体种类和压强大小对SF₆混合气体灭弧性能的影响。结果表明,随着SF₆含量的减少,混合气体的灭弧性能整体上呈现下降趋势;当SF₆含量为10%～50%时,4种混合气体中SF₆-N₂的灭弧性能最优,其次分别为SF₆-Air、SF₆-CO₂和SF₆-CF₄。     

基于改进 R 3 det 的无人机电力杆塔倾斜程度检测

无人机巡检图像中的电力杆塔具有多姿态、大长宽比等特点,难以利用特有的先验知识来准确定位和判别不同倾斜程 度的杆塔。 本文提出了一种改进的 R 3 det 网络模型(Multi-Head-KF-R 3 det),可提高电力杆塔倾斜程度检测精度。 首先,在原始 R 3 det 中引入倾斜程度分支,实现了电力杆塔类别和倾斜程度的判别以及电力杆塔的准确定位。 然后,将基于卡尔曼滤波的旋 转交并比损失项引入回归损失函数中,在不增加额外超参的情况下,进一步提升了模型整体检测精度以及倾斜程度检测召回 率。 最后,基于 Ghost 轻量化网络设计原理对改进后的模型进行合理压缩,为模型在嵌入式设备中的部署奠定基础。 实验结果 表明,Multi-Head-KF-R 3 det 在多尺度和多姿态的电力杆塔数据集上检测精度和召回率分别可达 94. 5% 和 94. 9% 。     

基于改进生成对抗网络的无人机电力杆塔巡检图像异常检测

无人机电力线路巡检拍摄的杆塔图像背景复杂且正负样本极不均衡,严重影响了电力杆塔异常检测的准确性。该文提出一种基于压缩激活改进的快速异常检测生成对抗网络（SE-fAnoGAN）,可提高复杂背景下无人机电力杆塔巡检图像异常检测的精度。首先,在f-AnoGAN编码器中引入压缩激活网络（SENet）,提取图像中的显著性信息。然后,将生成对抗网络的无监督学习和二分类器的有监督学习有机结合,实现前者特征提取优势和后者判别优势的互补。在此基础上,借助基于迁移学习的优化训练策略进一步有效提升模型在大规模数据集上的泛化性能。实验结果显示,总体样本的检测准确率为95.74%,正负样本的召回率分别达到96.05%和95.36%,证明了SE-f-AnoGAN在异常检测中的有效性。     

基于YOLO的无人机电力线路杆塔巡检图像实时检测

无人机巡检已成为电力线路灾后巡检的重要方式。然而,目前的无人机巡检仍主要通过人工方式评估线路灾损,不仅费时费力,而且准确率低。提出了一种基于深度学习算法（YOLO）的实时目标检测模型,用于灾后根据无人机巡检视频实时检测电力杆塔的状态。通过对倒断类杆塔图像进行数据增广,解决了杆塔类别不平衡问题。通过使用K-means算法对杆塔数据集的目标框进行重新聚类,改进了YOLO算法参数。测试结果表明,该模型能有效检测多种环境下多种尺度的杆塔目标。改进后的模型在测试集上的召回率和交并比（IoU）较改进前有所提高,且平均均值精度（mAP）达到94.09%,检测速度达到20帧/s。此外,也对更快的简化版YOLO模型进行了测试,检测速度能达到30帧/s。