基于 FCN 的阀门内泄漏声发射信号识别方法

针对石化工业中输气管道阀门的内泄漏故障,将声发射检测技术与深度学习技术相结合,提出了一种基于全卷积神经 网络(FCN)的阀门内泄漏声发射信号识别方法。 该方法利用声发射技术采集阀门内泄漏的声发射信号,基于 FCN 搭建阀门内 泄漏分类诊断模型,充分发挥了声发射技术在阀门内泄漏检测领域的优越性,以及 FCN 在时间序列分类任务上的高性能。 该 方法相较于传统的识别方法,无需对原始采集数据进行特征提取或繁重复杂的预处理,而是将特征提取的任务也交于神经网络 模型来学习和完成,可实现端到端的阀门内泄漏声发射信号分类识别。 搭建阀门内泄漏检测实验平台,采集并制作阀门内泄漏 声发射信号数据集,建立了基于 FCN 的阀门内泄漏声发射信号的二分类模型,实验结果表明,该模型的分类识别准确率可达 98. 72%,相比较于其他先进的分类模型在数据集上表现出了更加优越的分类识别性能和训练效率,同时对环境噪声具有良好 的抗干扰性能。     

改进YOLOv4的绝缘子图像检测模型

为了满足无人机巡检过程中实时检测的需求，提出一种改进YOLOv4的绝缘子缺陷检测方法，在保证绝缘子检测精度的前提下，减小模型参数量，提升检测速度。该方法使用CSPDarknet53和MobileNetV1提取绝缘子的特征信息，对输出特征层进行堆叠处理，缩减通道数，减少模型计算量；精简路径聚合网络(path aggregation network, PANet)结构,将其中的标准卷积替换为深度可分离卷积；使用Decoupled Head替换原有预测网络；在训练过程中加入迁移学习策略和数据增强方法提高训练精度，使用绝缘子图像和视频测试网络训练效果。实验结果表明，改进后模型的绝缘子检测精度达到98.17%,同时对于单张绝缘子图像的识别速度提升5 ms。     

IGCT三电平变流器故障识别及状态监测方法

针对以IGCT为核心的中压三电平变流器短路故障保护以及运行过程中主回路器件参数变化监测的问题，提出一种同时实现IGCT三电平变流器故障识别及主回路运行状态监测方法。通过硬件电路检测其电感后端的电压波形并结合器件开关状态来预判是否发生短路故障，筛选电压波形数据中峰值电压与峰值电压时间作为特征值，推导主回路电气参数与峰值电压、峰值电压时间关系，形成对应数据训练神经网络权重构建数值拟合观测器，将实时采样波形数据输入数值拟合观测器在线辨识变流器主回路参数，实现当器件因虚焊、老化、发热等异常原因导致参数变化时予以报警提示。     

基于二维灰度图的数据增强方法在电机轴承故障诊断的应用研究

在基于深度学习的电机轴承故障诊断中,一般采用基于生成对抗网络(generative adversarial networks,GANs)的数据增强方法以获取足量故障数据,从而保证模型的性能。一维时序信号下的数据增强会出现生成数据质量差、网络训练速度慢以及训练过程繁琐等问题,该文针对此,提出一种基于二维灰度图及辅助分类生成对抗网络(2D gray pixel images and auxiliary classifier generative adversarial networks,2D-ACGANs)的数据增强方法。首先将原始的一维时序信号转换为二维灰度图,以得到适用于二维卷积神经网络的输入数据;在此基础上结合辅助分类生成对抗网络,将原始数据的标签作为此网络的输入进行数据增强,该方法较一维数据增强方法有效减少网络训练参数量,同时解决传统方法中训练繁琐及标签信息丢失的问题。最后将提出的方法用于电机轴承的故障实验数据中进行对比验证,结果表明改进的2D-ACGANs算法能生成更高质量的数据,有效提高故障识别准确率及网络训练速度,具备良好的工程应用可行性。     

基于深度可分离卷积的轻量级YOLOv3输电线路鸟巢检测方法

针对输电线路无人机巡检图像鸟巢检测现有方法实时性差及小目标检测能力较弱的问题,提出一种基于深度可分离卷积的轻量级YOLOv3输电线路鸟巢检测方法。首先,使用Mosaic数据增强方法增强数据集并变相提升训练集中小目标的数量;然后,在主干特征提取网络使用深度可分离卷积代替部分标准卷积,提高检测网络的速度,并降低网络参数量从而降低权重文件内存,再使用PANet代替FPN,进一步提升特征融合的能力,增强对小目标的检测能力;最后,使用标签平滑进行训练,解决由于极少量标签错误导致的网络过度自信问题和网络过拟合问题。将某供电局无人机巡检视频剪切成图像制作数据集,使用本文算法与原始YOLOv3算法进行比较,并做消融实验。实验结果表明,本文的算法逐步提升了模型的速度和精度。     

基于改进YOLOv5的阀冷系统主循环泵电机故障检测方法

主循环泵作为柔直换流站阀冷系统的核心设备,对于维护阀冷系统安全稳定运行具有重要作用。为了对主循环泵电机的红外图像进行精准定位与状态识别,提出了一种基于改进YOLOv5的主循环泵电机故障检测方法。首先,使用全新的卷积网络ConvNeXt作为YOLOv5的主干网络,提高网络的检测精度;同时,将定位损失函数替换为有效交并比损失函数(EIOU Loss),提高网络在训练过程中的收敛精度;然后,对改进YOLOv5网络使用数据增强、标签平滑、指数移动平均、迁移学习等策略进行训练,提高网络训练效率;最后,设置实验对所提改进方法进行验证,结果表明该方法能有效提高模型的检测精度,模型最终的均值平均精度(mAP)值达到95.82%,可使电机的故障平均检测精度提高至94.34%。     

基于AlexNet深度学习网络的串联故障电弧检测方法

在家用交流供配电系统中,接触松动等原因可能会导致故障电弧的发生,威胁用电系统的安全。线路发生串联故障电弧时的电流基本与正常运行时的电流大小一致,具有很强的隐蔽性。对此,首次提出用深度学习检测电流信号的方法来检测串联故障电弧,该方法只需将电流信号输入深度学习网络,由网络自主挖掘隐含在电流信号数据背后的特征,实现对串联故障电弧的识别。搭建实验平台,并用开关模拟发生正常电弧,分别采集电阻性负载、电感性负载和阻感性负载正常运行和发生串联故障电弧时的电流数据共7 200组。构建AlexNet卷积神经网络并做相应改进,用采集到的数据训练网络并测试,结果显示辨识平均准确率在85%以上,表明该方法能够较好的实现对串联故障电弧的检测。     

基于改进YOLOv3的电力设备红外诊断方法

针对电力设备异常发热故障诊断过程中识别目标设备单一、红外数据集样本数目庞大、平均识别准确率较低和识别速率较低的问题,提出一种基于深度卷积神经网络的改进YOLOv3目标检测方法,识别和定位绝缘子、隔离开关触头、套管、线夹4类电力设备及其异常发热区域。在改进YOLOv3算法的训练过程中,网络将数据集图片裁剪为416×416像素大小,使用Yolomark工具对图像进行标注,得到的标签和样本集一起送入深度学习卷积神经网络进行训练,经历多轮迭代后得到最终模型,最后采用运检部门用红外热像仪现场采集的电气设备红外图谱数据进行效果测试。实验结果表明,训练得到的改进YOLOv3模型相比于YOLOv3和快速区域卷积神经网络(faster region convolution neural network,Faster R-CNN)算法,识别定位的准确率较高,检测速度更快,可基本实现实时检测,可有效应用于变电站电力设备的红外巡检工作。     

基于生成对抗网络的负荷序列随机场景生成方法

随着可再生能源逐步渗透,电力系统随机性不断加强,其不确定性为调度、规划、运行带来了更大的挑战,因此需要研究针对不确定进行建模的方法。提出一种基于生成对抗网络的负荷场景随机生成方法,该方法基于深度卷积生成对抗网络架构,以JS散度作为目标函数,对生成器以及判别器交替进行训练。针对生成负荷序列质量的衡量,从数据多样性以及锐度2个方面,提出TSTR(train on synthetic test on real)以及TRTS(test on real train on synthetic)2个指标,基于支撑向量回归模型进行判断,实验结果表明,随着训练的进行,生成器产生的数据质量逐渐提高,且当训练完成时可以产生满足多样性以及锐度要求的数据。     

电厂气力输灰系统故障分析及处理

介绍了包头第二热电厂气力输灰系统及其运行方式,分析了输灰系统运行过程中存在的堵灰、阀门控制回路及阀门故障的现象原因,通过对原系统进行增容改造,提高了系统输灰能力.归纳了阀门气动控制回路及阀门故障的检修维护经验,对气力输送系统的运行维护有一定借鉴作用.     

基于改进生成对抗网络与 ConvLSTM 的航空发动机剩余寿命预测方法

针对航空发动机运行周期内故障数据难以采集而造成的数据失衡等问题,提出一种基于Wasserstein距离与梯度惩罚措施的条件生成对抗网络与卷积长短时记忆网络相结合的预测模型。首先,使用WCGAN-GP模型学习预处理后的时序数据的深层分布特征;然后,利用生成器生成故障样本并与真实样本混合,作为训练集输入到基于ConvLSTM网络的预测模型中进行训练。基于C-MAPSS数据集开展验证比较,结果表明：与单一真实样本训练预测模型相比,使用混合数据时性能指标RMSE和Score平均下降了12.65%和48.95%。     

基于参考序列与全卷积网络的风速数据缺失与异常修复方法

针对风速缺失与异常数据修复问题，考虑到风速采样网络中的节点数据相关性，提出了一种基于参考序列与全卷积网络的风速数据缺失与异常修复方法。首先，构建了基于全卷积插值网络与全卷积门控网络的数据修复模型。然后，利用全卷积插值网络计算无参考修复数据，利用全卷积门控网络计算无参考修复数据与参考数据的权重系数，并将两种数据带权重求和得到最终修复数据。最后，使用两个风电场数据验证了所提方法的效果。结果表明，与其他无参考修复方法相比，所提方法能够利用相近节点的参考风速数据，提高目标节点的风速时序数据修复精度。     

基于WGAN图片去模糊的绝缘子目标检测

针对不可抗力因素造成无人机航拍绝缘子图片模糊、绝缘子目标检测率较低的问题,提出了一种基于Wasserstein距离优化的生成式对抗网络(WGAN)图片去模糊的绝缘子目标检测方法。首先在WGAN训练过程中引入残差网络,使得生成的绝缘子图片更加清晰;其次在损失函数中引入Wasserstein距离以保证训练过程的稳定性;最后通过优化模型的训练过程,使得生成的绝缘子图片细节还原度更高。绝缘子图片去模糊化实验结果表明,所提方法在结构相似性与峰值信噪比等评价指标上均高于基于卷积神经网络与深度多尺度卷积神经网络等图像去模糊算法。另外,将利用所提方法生成的绝缘子图片与模糊绝缘子图片划分为3组,采用改进的基于区域建议的卷积神经网络目标检测算法分别进行目标检测实验,精确度均值分别提高了5.77%、6.73%与5.98%,有效提高了绝缘子的目标检测率。     

基于CNN的供热管道泄漏识别方法研究

为了快速识别出供热管道泄漏故障,以管道泄漏时产生的负压波特征,研究提出了利用卷积神经网络（CNN）识别压力数据的管道漏损诊断方法。通过搭建供热管道实验平台,采集了正常、泄漏、调阀三种工况下的压力数据作为卷积神经网络的训练集和测试集。对原始数据进行小波降噪处理,应用硬阈值的处理方法有效消除了噪声信号,同时在调阀工况中出现了强化特征,增强了卷积神经网络的分类能力。针对一维数据特征采用改进的AlexNet卷积网络模型对采集的数据进行学习及识别。结果发现,在对实验室数据测试中,CNN模型的平均识别正确率达98.39%。在对实际管网的验证中,三个热力站的泄漏数据均被正确识别,表明CNN模型具备良好的故障诊断能力。     

基于WDCNN-SVM深度迁移学习的燃气轮机转子故障诊断方法

针对在使用深度学习对燃气轮机转子故障诊断过程中,因振动信号样本中正常运行数据多、故障数据少而使得模型故障诊断准确率低的问题,提出了一种采用深度迁移学习对燃气轮机转子进行故障诊断的方法。首先,使用典型行业样本数据集预训练第一层宽卷积核深度卷积神经网络（WDCNN）模型,给予模型初始的权重。其次,在源域中,使用某型燃气轮机试车获得的大量正常运行样本更新WDCNN模型的权重;在目标域中,利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征,然后使用支持向量机（support vector machines, SVM）进行分类识别,从而达到燃气轮机故障识别的目的。试车数据实验结果表明,该方法能够实现96%的识别准确率,验证了将轴承数据集预训练的深度学习模型迁移到燃气轮机转子领域进行故障诊断的可行性。     

基于全卷积去噪自编码器与卷积块注意力模块的非侵入式居民负荷分解模型

为了进一步提高低频居民负荷分解模型的分解精度与泛化能力,提出一种基于全卷积去噪自编码器与卷积块注意力模块的非侵入式居民负荷分解模型,该模型能够深度解析单一电器的功率曲线。基于全卷积去噪自编码器分别构建主回归子任务网络和辅助分类子任务网络;在子任务网络中,通过引入卷积块注意力模块自适应分配特征注意力权重,以减小不重要因素在模型训练过程中的影响;将辅助分类子任务网络的输出作为主回归子任务网络输出的门控单元,实现最终的负荷分解。基于公开数据集的算例结果表明,所提负荷分解模型比现有负荷分解模型具有更优的分解精度和泛化能力。     

基于Transformer神经网络的变压器状态监测

电力变压器是电力系统的关键设备,为保障电力系统健康稳定运行,对电力变压器开展状态监测十分必要。提出基于Transformer神经网络的变压器状态监测方法,Transformer神经网络具有自注意力机制,能够挖掘不同特征维度之间的关联性,为变压器状态监测提供更可靠的决策能力。在进行变压器数据收集时,将采集到的数据集分为健康、亚健康、病态3个类别;之后采用原始数据、小波特征以及傅里叶特征融合的方式对数据进行预处理,增加特征维度;通过数据生成和Focal Loss的方法降低模型训练时数据不平衡带来影响,再将处理后的数据输入Transformer神经网络进行模型训练,最终利用训练好的模型预测变压器健康状态。与传统机器学习方法、卷积神经网络、长短时记忆网络相对比,所提方法预测精度有明显提升,能够准确的监测变压器设备状态,预测准确率能达到90%,是一种有效的变压器状态监测方法。     

基于深度卷积神经网络的工业循环冷却水系统运行状态预测

工业循环冷却水系统运行状态预测是维护工业设备正常运行的重要保障。为此，提出一种基于深度卷积神经网络的智能工业循环冷却水系统运行状态预测方法。该方法根据工业循环冷却水水质特征，使用工业循环水在线仪表采集pH值、碱度、硬度、氯离子等实时数据，设计了深度卷积神经网络框架，在每层网络中加入Dropout层，以避免神经网络训练过拟合。利用某电厂的实际水质测量数据对该方法进行有效性验证，结果表明，该方法的预测结果准确率可达94%，且泛化能力良好，优于现有其他方法。     

基于迁移学习的电力系统暂态稳定自适应预测EI北大核心CSCD

基于人工智能的电力系统暂态稳定预测,通常需要用离线生成的大量暂稳样本对预测模型进行训练,然后根据系统的实时响应进行在线预测。但当系统的运行方式和拓扑结构发生较大变化时,预测模型的精度会显著下降,亟需一种能跟踪系统变化的自适应暂稳预测方法。针对该问题,将迁移学习引入电力系统暂稳预测,基于卷积神经网络提出了一种自适应预测方法。首先利用离线生成的大量暂稳样本训练并得到基于卷积神经网络的预训练模型。当系统运行方式和拓扑结构发生较大变化时,保持预训练模型的网络结构不变,将其中的2个卷积层、2个池化层和全连接层的网络参数迁移至新模型;提出了一种最小均衡样本集的变步长生成方法,用新生成的最小均衡样本集训练分类层参数,从而快速得到新的预测模型。新英格兰10机39节点系统的测试结果表明:所提方法能自适应跟踪系统运行方式和拓扑结构的变化,有效更新预测模型且大幅减少新模型的训练时间,为基于人工智能的电力系统暂态稳定自适应预测提供了一条新思路。     

基于改进YOLOv4的锂电池缺陷检测方法

针对传统方法检测锂电池表面缺陷精度低、速度慢的问题,提出一种改进的YOLOv4算法。首先,在 CSPDarknet-53 骨干网络中使用空洞卷积代替传统卷积,提高了对不同尺度缺陷的检测。其次,将通道注意力机制插入到颈部网络中,自适应地选择一维卷积核的大小,降低模型的复杂度和计算量。最后,在分类和边界框回归中融合条件卷积来提高网络性能,并扩大数据集以解决由于缺陷样本太少而导致的网络训练过拟合问题。实验结果表明,改进后的YOLOv4算法可以有效检测锂电池表面缺陷并提高对于缺陷的识别和定位能力。改进算法的平均精度均值为93.46%,相较原算法提高了3.03%。