基于深度学习的智能变电站安措票审票方法

智能变电站二次检修基础工作是审核安措票,为解决目前主流的人工审票方法易受审票人主观因素影响,审核结果存在不确定性的问题,提出基于注意力机制改进的双向GRU神经网络智能审票方法。通过word2vec对安措文本进行向量化表示与语义映射;建立Attention-Bi GRU模型进行安措票文本语义挖掘与正误审核。案例分析表明,所提方法精度较高,审核性能优异。     

基于环网图标注技术的调度图形可视化审票方法

随着我国信息技术的不断发展,如何采用电子数据进行调度图形可视化审票的研究与应用,成为了当前电网发展中需要面对的热点问题。本文探讨了传统的配网调度审核检修申请方式,从而针对环网图标注技术的调度图形可视化审票方法进行了研究,为今后的环网图标注技术在调度图形可视化审票工作中的应用提供理论基础。     

基于DenseNet和随机森林的电力用户窃电检测

窃电作为配电网络非技术损耗的主要因素之一,不仅严重扰乱供电秩序,还会危害电网安全,造成供电企业甚至国家的重大损失.为了更高效地检测窃电情况,提出了一种新型的密集卷积神经网络和随机森林(DenseNet-RF)模型,基于该模型实现了电力用户窃电行为的检测.首先,分析了密集卷积神经网络(DenseNet)的结构;其次,将密集卷积神经网络(DenseNet)对大规模的智能电表数据集进行自动特征提取;然后,根据获得的特征再使用随机森林(RF)训练分类器,以检测用户是否窃电.在建立融合模型时,采用网格搜索算法确定最优参数.最后,进行实验验证,实验结果表明,所提出的检测模型优于宽而深的卷积神经网络(WDNet)、DenseNet、极限学习机(ELM)等模型的分类准确性,其模型准确率为96.76％,同时具有良好的泛化能力.     

基于大数据的水电厂工作票办理支持系统的设计与实现（电促会电力大数据投稿）（6.14日修改）

目前,大多数水电厂生产信息管理系统中的工作票只建立在某一项检修工作而孤立存在,不具备系统性的检修工作统筹安排,缺乏有效的智能技术手段对同时存在的多张工作票进行系统的管理,同时,工作票办理环节中如审票、注销等业务缺少智能技术支持,往往导致工作票办票效率低下且容易疏漏。本文通过分析当前工作票办理环节中存在的不足之处,结合电厂运行人员需求,对当前生产管理系统中的海量工作票、操作票数据字段进行深入分析,梳理,采用数据挖掘技术,设计并开发了一套水电厂工作票办理支持系统。该系统能够实现自动审票、办票参考、安措查询,操作项查询等功能,解决了以前繁琐的手工查询、核对等工作,既能大幅提升工作效率,又能大大提高安全管理水平。     

基于卷积神经网络的无人机油气管线巡检监察系统

为满足深埋式油气管道巡检监察需求,以及解决常规人工巡检手段效率低、时效性差、安全性低等问题,通过结合无人机飞行平台、卷积神经网络算法及计算机系统集成技术,设计并开发了一套基于卷积神经网络的无人机油气管线巡检监察系统,为油气管线的巡检监察工作提供技术支撑.本文首先介绍了巡检监察系统的总体设计方案、及作业流程进行了介绍;其次对系统组成进行了详细介绍,整个系统由无人机飞行平台、神经网络目标检测系统、无人机巡检监察管理系统以及无人机巡检执法终端四大子系统组成,无人机飞行平台以油动固定翼无人机为飞行载体,搭载高清相机进行数据采集,神经网络目标检测系统对影像数据进行自动检测、识别、搜索沿线工程车辆和管线隐患的目标,无人机巡检监察管理系统实现数据信息的存储管理及分发推送,无人机巡检执法终端接收隐患目标推送信息并进行现场快速执法;最后,对该系统的应用情况及后续的发展方向进行了总结和展望.目前,该系统成功应用于河南、甘肃等省份的油气管线巡检监察作业中,结果表明系统满足油气管线巡检监察的业务需求.     

基于多时序特征和卷积神经网络的农作物分类

近年来,以卷积神经网络为主的深度学习模型在各种遥感应用中都显示出巨大的潜力。以加州帝国郡为研究区,以Landsat 8 OLI年内时序遥感影像计算时序植被指数NDVI、EVI、RVI以及TVI,组合后输入到构建的一维卷积神经网络 模型,以实现作物的高精度精细分类。为了验证卷积模型的优越性,另搭建了基于递归神经网络及其变体的深度学习模型。结果表明：①引入其他时序特征后,能够有效地提高卷积神经网络的分类精度。NDVI+EVI+TVI+RVI组合特征总体精度和Kappa系数最高,分别是89.667 4%和0.856 0,对比NDVI时序特征总体精度和Kappa系数提高了近4%和0.6。②在与其他深度学习模型的对比中,一维卷积神经网络分类精度最高,能够从时序数据中较为准确捕捉作物时序特征信息,尽管递归神经网络被广泛应用于序列数据的研究,但分类结果要略差于卷积神经网络。实验表明在NDVI的基础上引入其他植被指数辅助,能够有效地提高分类精度。基于一维卷积神经网络的深度学习框架为长时间序列分类任务提供了一种有效且高效的方法。     

基于改进CNN的部队门禁系统

针对部队武器仓库等重要场所的门禁管理方式安全性较低等问题, 设计了基于改进卷积神经网络的门禁系统. 首先对卷积神经网络进行介绍, 引入PSO算法设计优化的卷积神经网络的初始权值以及阈值. 然后对手写数字数据集进行分类实验. 实验结果证明, 基于PSO算法的卷积神经网络改进方案能够使得训练过程收敛速度较快, 损失较小, 效果优于传统卷积神经网络. 在此基础上, 根据部队实际工作情况, 将粒子群算法应用于MTCNN以及孪生ResNet算法, 设计基于改进卷积神经网络的门禁系统, 使得部队重要场所的门禁管理具有更高的安全性和可靠性.     

基于物联网技术电网作业接地管控系统的研究

为适应管理模式从变电站现场有人值守到变电站现场无人值班及近端信息掌握全面过渡到远端信息管理,避免临时接地线失控导致的事故,文中提出一种基于物联网技术的电网作业接地管控系统,在作业接地设备的固定接地端或接地点上安装基于RFID技术的身份识别芯片,通过专用APP操作软件记录操作人、操作时间、操作地点等相关接地信息,实现全网作业接地管控技术与调度、检修电脑网络操作票、作业票计划相关联,具有与接地信息自动核对功能同时可形成相关数据报表的管控系统,为电力系统的安全运行提供技术保障。     

基于卷积神经网络的目标检测研究综述

随着训练数据的增加以及机器性能的提高,基于卷积神经网络的目标检测冲破了传统目标检测的瓶颈,成为当前目标检测的主流算法。因此,研究如何有效地利用卷积神经网络进行目标检测具有重要的价值。首先回顾了卷积神经网络如何解决传统目标检测中存在的问题;其次介绍了卷积神经网络的基本结构,叙述了当前卷积神经网络的研究进展以及常用的卷积神经网络;然后重点分析和讨论了两种应用卷积神经网络进行目标检测的思路和方法,指出了目前存在的不足;最后总结了基于卷积神经网络的目标检测,以及未来的发展方向。     

石油化工企业生产现场安全管理系统的设计

石油化工企业安全管理的重点在生产现场,落实各项规章制度和操作规程,按时到位巡检,及时发现隐患是生产现场安全的基本前提,也是石油化工企业安全管理的一道重要防线。通过分析大型石化企业作业现场安全管理现状,提出一种石化行业生产作业现场安全管理系统设计方案。该系统基于无线局域网络、手持电脑、二维条码和RFID等技术,实现生产作业现场的巡检智能化管理、电子作业许可证签发和厂区人员进出管控等多个功能。     

基于卷积神经网络的城管案件图像分类方法

以智慧城市管理系统中上报的案件图像为研究对象,利用卷积神经网络能够自行学习图像特征的优势,提出一种改进的深层卷积神经网络算法,并利用该算法对智慧城市管理系统（下简称“智慧城管”）的案件图像进行快速精确分类,从而完成城市管理系统中案件的自动分类。采用ZCA白化处理降低图像数据特征之间的相关性;搭建八层卷积神经网络对白化后的图像进行分类,并在卷积层采用线性纠正单元（ReLU）加速训练过程,在pooling层利用dropout技术防止算法过拟合;在网络精调阶段采用BP（Back Propagation）算法进行优化,提高算法的鲁棒性。基于上述方法对道路交通类和市容环境类两类案件图像进行二分类实验,平均精度达到97.5%,F1-Score达到0.98,性能超过了LSVM、SAE以及传统的CNN等方法;同时该方法又对电动车乱摆放类、乱扔垃圾类、机动车违章停放类、垃圾桶周围脏乱类共四类案件进行四分类实验,平均精度为90.5%,F1-Score为0.91,性能依然超过了LSVM、SAE以及传统的CNN等方法。     

基于卷积神经网络的身份证号码识别研究与实现

卷积神经网络是深度学习的一种高效识别算法,将卷积神经网络引入身份证号码识别中,能够提高识别精度。卷积神经网络可以直接输入原始图像,避免对图像进行复杂预处理工作。在卷积神经网络的设计中,主--考虑网络层数、卷积层神经元数、子采样层神经元数和输出层的神经元数等因素。本次实验所设计的卷积神经网络结构由3个卷积层、2个子采样层及1个完全连接层组成。     

基于卷积神经网络的电网工控系统入侵检测算法

传统的电网工控系统主要通过防火墙等工具, 与外部网络进行隔离, 但是随着云计算、物联网等新技术的应用, 网络之间互联程度不断深入, 安全防护难度大大提高, 如何有效检测出网络入侵行为变得至关重要. 与传统入侵检测技术相比, 卷积神经网络具有更好的提取入侵特征的能力. 本文提出一种基于卷积神经网络的电网工控系统入侵检测算法, 使用经过处理的KDD99数据集进行模型训练, 并添加级联卷积层优化网络结构. 在参数规模不大的前提下, 保证了模型运行的实时性要求. 本文算法相对于传统SVM算法和K-means算法, 提高了入侵检测的准确率, 降低了误检率, 可以有效检测出对于电网工控系统的入侵行为.     

面向云端FPGA的卷积神经网络加速器的设计及其调度

卷积神经网络的高计算复杂性阻碍其广泛用于实时和低功耗应用,现有软件实现方案难以满足其对运算性能与功耗的要求,传统面向FPGA的卷积神经网络构造方式具有流程复杂、周期较长和优化空间较小等问题。针对该问题,根据卷积神经网络计算模式的特点,提出一种面向云端FPGA的卷积神经网络加速器的设计及其调度机制。通过借鉴基于HLS技术、引入循环切割参数和对卷积层循环重排的设计,采用模块化方式构造网络,并进行参数拓展以进一步优化加速器处理过程;通过分析系统任务和资源的特性总结调度方案,且从控制流和数据流两方面对其进行优化设计。与其他已有工作相比,提出的设计提供了一种同时具有灵活性、低能耗、高能效和高性能的解决方案,并且探讨了加速器的高效通用调度方案。实验结果表明,该加速器可在有效提高运算整速度的同时减少功耗。     

基于改进卷积神经网络的图像数字识别方法研究

针对试卷分数的统计问题,采用一种带有特殊分值框的试卷,并提出了一种基于改进卷积神经网络的识别统计方法。首先基于YOLO目标检测算法对分值框进行定位,并引入膨胀卷积模块丰富感受野、调整边框损失函数、提高收敛速度,然后基于ResNet卷积神经网络对分数进行识别,并融合注意力机制提高特征提取能力。实验结果表明,经改进的模型对1 000份试卷中题目分数的识别准确率为99.2%,可以准确、高效地识别试卷图像中的分数。     

深度卷积神经网络应用于人脸特征点检测研究

为解决在复杂环境下，如姿势不同、光照条件以及遮挡等因素导致传统人脸特征点检测算法的精度大幅度下降的问题，在特征点检测理论知识以及研究现状的基础上，针对传统卷积神经网络模型在处理人脸特征点检测问题时的不足之处，提出基于小滤波器的深卷积神经网络。算法引入小滤波器思想和以拓展“网络深度”优先的深层卷积神经网络模型，针对人脸特征点检测重新设计训练，提高了算法的有效性与适用性。通过将算法应用于ALFW和AFW人脸数据集上预测5点人脸特征点问题，并与其他多个经典算法进行对比分析，结果表明：基于小滤波器的深卷积神经网络在预测人脸5点特征点问题上有更好的准确性和鲁棒性。     

应用改进卷积神经网络的网络安全态势预测方法

针对神经网络态势预测模型训练复杂度高的问题，提出了一种基于改进卷积神经网络的态势预测方法。结合深度可分离卷积与分解卷积技术的优点，提出了一种基于复合卷积结构的改进型卷积神经网络安全态势预测模型，实现了态势要素和态势值的映射。实验仿真结果证明，相比于已有的典型预测方法，该方法明显降低了复杂度，减少了预测时间，并提升了预测准确率。     

基于卷积神经网络的滚动轴承故障诊断方法

为了简单、准确地进行轴承故障诊断,结合深度学习理论,对基于卷积神经网络的滚动轴承故障诊断方法进行了研究;首先,选用了结构相对简单的LeNet5卷积神经网络;然后,对轴承振动信号原始数据进行截取和归一化处理后直接生成生成二维矩阵作为神经网络输入;接着,优选卷积核大小、批大小、学习率及迭代次数等网络模型参数;最后,应用sigmoid函数进行多标签分类;实验结果表明,该方法能有效识别正常状态及不同损伤程度下的内圈、外圈、滚动体故障状态,识别准确率达到99.50%以上水平;基于卷积神经网络的滚动轴承故障诊断方法不仅在一定程度上可以简化故障诊断的过程,而且可以充分利用卷积神经网络模型的优势实现高效准确地故障诊断。     

卷积神经网络在验证码识别上的应用与研究

针对日前在互联网中被广泛使用的验证码,提出将卷积神经网络引入到验证码识别之中。通过设计新的卷积网络拓扑结构,针对可分割成语验证码提出基于k-means聚类的字符分割方法,以及仿真验证码图片自生成训练集,通过预训练过程使得卷积训练网络具有良好初值,加速收敛并提高模型泛化能力;针对不可分割验证码,省去字符分割操作直接将验证码整体作为卷积模型输入,引入仿射变换、水漫填充等预处理和SVM算法二分类,或者结合多标记学习方法设计卷积拓扑等。最终实验研究证实卷积神经网络对于可分割及不可分割验证码的平均识别准确率均收敛于99%左右。     

应用AI技术的新一代电力安全生产管理平台

为满足新时代背景下,社会经济对电力生产管理的新要求,基于AI技术的新型生产管理平台成为当前行业重点研究内容。该类型的系统在实际研究过程中具备较强的智能化特征,可以有效支持设备检修、人票合一、精准定位等功能实现,对提升电力生产安全性以及重要性具有重要意义。基于此,本文通过实践验证方式,对基于AI技术的电力安全生产管理平台价值以及应用性进行分析。具体研究过程中,本文以电厂生产管理系统实际情况为切入点,对设备巡检系统(LST)、定位信息系统(GPS)等进行详细研究。经过实践验证可以得出结论,基于AI的新一代电力安全生产智慧管理平台可实时掌控数据变化,查看数据动态,实现对区域内检修定检、操作票、工作票的数据汇集、远程监视、故障诊断和远程调度等功能,为及时做出预案及相关处理起到了重要的作用。