★ 华能澜沧江上游水电有限公司班达水电工程建设管理局 王畴，汤荣平

关键词：无人机群；AI智能分析；施工监测；异常行为预警

1   无人机群协同定位与巡查方法

1.1   水电站无人机群续航模型

为适配水电站高湿、多云雾且昼夜温差大的复杂环境，需构建精准的无人机群续航模型以保障自主续航能力。本文模型以“光伏-储能-水能互补”供电体系为核心，综合考虑了光伏组件发电效率、储能模块充放电特性及水能辅助供电强度对续航时间的影响^[1]。首先确定无人机群总能耗与各模块能耗的关系，总续航时间计算需基于供电总量与单位时间能耗的比值，其计算公式如式（1）所示：

式中，T代表无人机群的总续航时间； E_pv为光伏组件在监测时段内的总发电量，该值与日照强度、光伏板转换效率及有效光照时长相关；E_st为储能模块初始存储电量与监测过程中可补充电量的总和，受储能介质容量与充放电效率制约； E_hy }为水能辅助供电系统提供的总电量，取决于水电站施工区域可利用水能资源的稳定性；P_ανg 则是无人机群在巡查过程中的平均单位时间能耗，涵盖飞行能耗、传感器工作能耗及数据传输能耗等。

基于上述总续航时间，还需进一步优化各无人机的续航分配，确保群内各无人机续航能力匹配巡查任务需求，避免因部分无人机续航不足导致巡查覆盖缺口。针对不同巡查区域的能耗差异，引入续航调整系数，修正单架无人机的实际有效续航时间，公式如式（2）所示：

式中，T_i为第i架无人机的实际有效续航时间；α_i为第架无人机所在巡查区域的环境能耗系数，高湿、多云雾区域该系数取值大于1，代表能耗增加；β_i为第i架无人机的设备效能系数，与无人机自身电池健康度、动力系统效率相关， 性能良好的无人机该系数趋近于1。通过以上步骤计算，可精准得出无人机群及单架无人机的续航能力，为巡查任务规划提供了可靠依据。

1.2   无人机群自适应避障算法

水电站施工区域存在大坝浇筑设备、库区边坡支护结构及地下厂房洞室群等复杂障碍物，无人机群需具备高效的自适应避障能力[2]。该算法基于多传感器融合数据，通过实时计算无人机与障碍物的相对位置关系及运动趋势，动态调整飞行路径。首先建立障碍物威胁评估模型，量化障碍物对无人机飞行的威胁程度，计算公式如式（3）所示：

式中，D_threat为障碍物对无人机的威胁度值， 威胁度越高则需越早调整飞行路径； k₁和k₂分别为距离权重系数与障碍物尺寸权重系数，根据水电站施工场景特点，对大型固定设备如大坝浇筑机取较大的k₂值；d为无人机与障碍物的实时直线距离； V_drone为无人机当前飞行速度；为障碍物在无人机飞行平面上的投影面积。

基于威胁度计算结果，进一步确定无人机的避障转向角度，确保其避障后仍能回归原巡查路径，公式如式（4）所示：

式中，θ为无人机避障所需的转向角度； D_safe 为无人机与障碍物之间的安全距离，根据水电站不同施工区域的障碍物类型设定，如地下厂房洞室群区域安全距离大于大坝浇筑区；L为无人机从当前位置到预计避障点的飞行距离；γ为路径修正系数，用于避免多架无人机同时避障时产生碰撞，取值范围为0.8～1.2，可根据无人机群的实时位置分布动态调整。通过这两个公式的协同计算，无人机群能够在复杂施工环境中实现自适应避障，保障了巡查过程的安全性与连续性。

2   施工行为识别与预警模型

2.1   实时异常行为检测网络

为实现水电站施工人员异常行为的实时识别，构建轻量化深度学习检测网络。该网络以改进的YOLOv5模型为基础，针对施工场景优化特征提取模块与分类器^[3]。首先通过特征金字塔网络提取施工人员行为的多尺度特征， 再计算特征向量与异常行为特征模板的相似度， 判断是否存在异常行为，相似度计算如式（5）所示：

式中，S为提取的施工人员行为特征向量与异常行为特征模板向量的余弦相似度；为当前检测到的施工人员行为特征向量， 包含肢体动作、运动轨迹等信息；为预设的异常行为特征模板向量，如未佩戴安全装备、违规攀爬等行为的特征模板； 分别为两个特征向量的模长。当S大于设定阈值时，判定存在异常行为。

为提升检测网络的实时性，引入特征降维系数，减少计算量，同时保证识别精度。降维后特征向量的计算如式（6）所示：

式中，为降维后的特征向量； W_red为特征降维矩阵，通过主成分分析算法对大量施工行为样本特征训练得到。矩阵维度根据水电站施工行为的特征复杂度设定，确保降维后仍能保留关键行为特征信息。

2.2   人员安全距离预警算法

水电站施工区域存在大型机械作业、高落差作业等风险场景，需实时监测施工人员与危险区域或设备的安全距离，以便及时发出预警[4]。该算法首先通过无人机搭载的视觉传感器与激光雷达融合数据，然后计算施工人员与危险源的实时距离，公式如式（7）所示：

式中， d_ps为施工人员与危险源之间的三维空间距离；x_p、y_p,、z_p为施工人员的实时三维坐标， 通过无人机群协同定位技术获取； x_s、y_s、z_s为危险源的三维坐标，如大型施工机械的中心点、边坡边缘线等，预先录入系统并根据施工进度动态更新。

当计算出的实时距离小于安全距离阈值时，启动预警机制，预警等级根据距离与阈值差值确定，公式如式（8）所示：

式中，L_warn为预警等级：1级代表安全状态，无需预警、2级代表警戒状态，发出提示预警、3级代表危险状态，发出紧急预警并联动现场声光报警设备； D₁为一级安全距离阈值，D₂为二级安全距离阈值，根据水电站不同施工场景的风险等级设定。通过这两个公式计算，可实现施工人员安全距离的实时监测与分级预警，有效降低了安全事故的发生概率。

3   方法性能测试

3.1   巡查效率与定位精度测试

实验对象为水电站施工区域的大坝浇筑区、地下厂房洞室群和库区边坡三个典型场景，采用无人机群执行巡查任务。实验步骤包括：首先部署三种对比方法：本文所提方法、传统GPS定位方法和视觉定位方法， 在相同环境条件下进行多轮巡查测试；每组测试记录无人机群覆盖指定区域所需时间及定位数据，并通过地面基准点计算定位误差；最终收集巡查效率与定位精度数据进行分析。实验结果如表1所示。

表1 巡查效率与定位误差对比

由表1可知，在大坝浇筑区场景中，本文所提方法巡查效率达到120m²/s，定位误差仅为0.5米，传统GPS方法效率为80m²/s且误差为2 .0米，视觉定位方法效率为100m²/s且误差为1.5米；在地下厂房洞室群场景中，本文所提方法效率为110m²/s，误差为0.6米，传统GPS方法效率降至70m²/s，误差增至2 .5米，视觉定位方法效率为90m²/s，误差为1 .8米；在库区边坡场景中，本文所提方法效率最高为130m²/s，误差最小为0.4米，而传统GPS方法效率为90m²/s，误差为1 .8米，视觉定位方法效率为110m²/s，误差为1.2米。这些数据表明，本文所提方法通过自适应续航和避障算法，在所有场景中均实现了更高巡查效率和更低定位误差，显著优于其他方法，有效提升了无人机群在复杂环境中的监测性能。

3.2   识别准确率与预警延迟对比

实验对象为水电站施工区域的施工人员行为监测系统，针对白天、夜晚和雾天三种光照条件进行测试。实验步骤包括：使用无人机群采集视频流数据，模拟未佩戴安全装备、违规攀爬等异常行为；部署三种对比方法：本文所提方法、传统图像处理方法和另一种深度学习模型，在相同硬件环境下运行；记录每种方法对异常行为的识别准确率及从行为发生到预警发出的时间延迟；每组测试重复多次以取平均值。实验结果如图1所示。

图1 识别准确率与预警延迟对比

由图1可知，在白天条件下，本文所提方法识别准确率为98.5%，预警延迟为0.8秒，传统图像方法准确率为85.0%且延迟为2.5秒，深度学习模型准确率为92.0%且延迟为1.5秒；在夜晚条件下，本文所提方法准确率为96.0%，延迟为1.0秒，传统图像方法准确率降至70.0%，延迟增至3.0秒，深度学习模型准确率为88.0%，延迟为2.0秒；在雾天条件下，本文所提方法准确率为94.5%，延迟为1.2秒，传统图像方法准确率仅为65.0%，延迟为3.5秒，深度学习模型准确率为86.0%，延迟为2.5秒。这些结果表明，本文所提方法通过轻量化网络和实时检测算法，在各种环境中均能保持高准确率和低延迟，明显优于对比方法，确保了施工行为监测的及时性和可靠性。

4   结论

本文针对水电站复杂施工环境监测难题，以“光伏-储能-水能互补”续航模型为基础，构建了改进YOLOv5轻量化深度学习网络，实现了AI驱动的施工人员异常行为实时检测与智能预警。在昼夜及雾天条件下，该方法识别准确率保持在94.5%～98.5%，预警延迟控制在0.8～1.2秒，实现了AI应用贯穿监测、识别、预警全流程的智能化管控。该方法有效解决了传统监测覆盖不足、响应滞后等问题，为水电站施工安全管理提供了高可靠性智能技术方案，达到了复杂工程场景下AI赋能施工监测的先进水平。 

作者简介：

王   畴 （1986-），男，陕西绥德人，工程师，本科，现就职于华能澜沧江上游水电有限公司班达水电工程建设管理局，研究方向为安全、电气 。

汤荣平（1973-）男，云南永胜人，高级工程师，本科，现就职于华能澜沧江上游水电有限公司班达水电工程建设管理局，研究方向为安全管理 。

参考文献：

[1] 尹帅, 李晶晶, 陈立, 等. 有/无人协同探测编队指挥控制系统结构设计[J]. 火力与指挥控制, 2023, 48 (2) : 103 - 107.

[2] 于红妍, 张世荣, 赵兴群, 等. 基于无人机航拍和生态位模型的草原毛虫宜生区研究[J]. 农业机械学报, 2023, 54 (3) : 224 - 233.

[3] 邱修林, 宋博, 殷俊, 等. 基于强化学习的无人机智能组网技术及应用综述[J]. 哈尔滨工程大学学报, 2024, 45 (8) : 1576 - 1589.

[4] 刘胜久. 基于AI技术的固定翼无人机集群分布式规避控制系统研究与设计[J]. 计算机测量与控制, 2024, 32 (7) : 85 - 91.

[5] 王月星, 周启扬, 李敏倩, 等. 无人机集群控制软件原型设计[J]. 航空学报, 2024, 45 (20) : 84 - 97.

摘自《自动化博览》2026年8月刊