特高压(ultra high voltage,UHV)换流站阀厅的金属屋面系统在风荷载作用下易发生屋面表层风揭事故。为深入探讨该类建筑屋面的风压极值特性,基于风洞试验分别探讨了大气边界层(atmospheric-boundary-layer,ABL)风、壁面射流、均匀湍流...特高压(ultra high voltage,UHV)换流站阀厅的金属屋面系统在风荷载作用下易发生屋面表层风揭事故。为深入探讨该类建筑屋面的风压极值特性,基于风洞试验分别探讨了大气边界层(atmospheric-boundary-layer,ABL)风、壁面射流、均匀湍流三种风场作用下的屋面风压特性,比较了平均风剖面、风速、风向、湍流强度等因素对屋面风压的影响。结果表明:阀厅屋盖迎风前缘负风压最大,且控制风向角在45°左右;壁面射流风场下平均风压系数与脉动风压系数均超过大气边界层风场的结果;风速对阀厅屋盖的负风压系数均值和极值影响较小,而湍流度对风压系数的极值影响较大;大气边界风场时,JGJ/T 481—2019《屋盖结构风荷载标准》的最不利风压系数建议值偏于安全;而在壁面射流风场下,阀厅屋盖全风向最不利风压系数在所有区域都大于JGJ/T 481—2019的建议值,设计中应加以重视。展开更多
针对换流站多种电气设备检测时背景复杂干扰性强而又需要快速准确检测出故障的实际情况,提出基于改进YOLOv5(You Only Look Once)的检测方法。首先,为提高算法的准确性和收敛速度,通过K-means聚类算法对YOLOv5模型中的锚框预设进行改进...针对换流站多种电气设备检测时背景复杂干扰性强而又需要快速准确检测出故障的实际情况,提出基于改进YOLOv5(You Only Look Once)的检测方法。首先,为提高算法的准确性和收敛速度,通过K-means聚类算法对YOLOv5模型中的锚框预设进行改进,在数据集预处理阶段得到更适用于换流站电气设备的锚框,使其更加契合换流站电力设备数据集;然后,为提高算法检测过程的识别速度,在特征提取网络添加注意力机制模块,筛选出重要的特征信息。将改进后的算法网络识别效果与YOLOv5中的原始算法网络检测结果进行对比分析。结果表明,检测平均识别精度均值由71.16%提高至92.51%,检测速度由21帧/s提升至31帧/s;同时与R-CNN(Regions with convolutional neural networks)等算法相比,检测精度与速度都有较大提升。添加可解释性分析,将识别结果通过热力图的形式显示,可以更好地应对算法的潜在风险。展开更多
文摘特高压(ultra high voltage,UHV)换流站阀厅的金属屋面系统在风荷载作用下易发生屋面表层风揭事故。为深入探讨该类建筑屋面的风压极值特性,基于风洞试验分别探讨了大气边界层(atmospheric-boundary-layer,ABL)风、壁面射流、均匀湍流三种风场作用下的屋面风压特性,比较了平均风剖面、风速、风向、湍流强度等因素对屋面风压的影响。结果表明:阀厅屋盖迎风前缘负风压最大,且控制风向角在45°左右;壁面射流风场下平均风压系数与脉动风压系数均超过大气边界层风场的结果;风速对阀厅屋盖的负风压系数均值和极值影响较小,而湍流度对风压系数的极值影响较大;大气边界风场时,JGJ/T 481—2019《屋盖结构风荷载标准》的最不利风压系数建议值偏于安全;而在壁面射流风场下,阀厅屋盖全风向最不利风压系数在所有区域都大于JGJ/T 481—2019的建议值,设计中应加以重视。
文摘针对换流站多种电气设备检测时背景复杂干扰性强而又需要快速准确检测出故障的实际情况,提出基于改进YOLOv5(You Only Look Once)的检测方法。首先,为提高算法的准确性和收敛速度,通过K-means聚类算法对YOLOv5模型中的锚框预设进行改进,在数据集预处理阶段得到更适用于换流站电气设备的锚框,使其更加契合换流站电力设备数据集;然后,为提高算法检测过程的识别速度,在特征提取网络添加注意力机制模块,筛选出重要的特征信息。将改进后的算法网络识别效果与YOLOv5中的原始算法网络检测结果进行对比分析。结果表明,检测平均识别精度均值由71.16%提高至92.51%,检测速度由21帧/s提升至31帧/s;同时与R-CNN(Regions with convolutional neural networks)等算法相比,检测精度与速度都有较大提升。添加可解释性分析,将识别结果通过热力图的形式显示,可以更好地应对算法的潜在风险。
