基于融合注意力机制的小样本遥感场景分类方法

针对遥感场景图像样本获取困难，数据量受限以及遥感图像目标对象和背景高度混杂的问题，提出一种基于融合注意力机制的小样本遥感场景分类方法。该方法采用RepVGG作为基准模型，并利用ECANet网络的ECA通道注意力机制改进RepVGG网络的RepVGGBlock模块，使得网络有效过滤无用信息并聚焦于关键场景区域，从而增强模型的特征判别能力，并确保在不增加模型参数的情况下提高分类准确率；同时通过随机数据增强方法在线增强训练数据，在不占用额外内存的情况下增加模型训练数据量，使得训练数据更多样化，提高模型的泛化能力。在UC Merced LandUse数据集上分类平均准确率为94.52%,相较于ResNet50、RepVGG-B1-SE网络，准确率分别提高4.52%和2.93%。实验结果表明，该方法能有效聚焦关键场景区域并提升小样本遥感场景分类的准确率，对实现遥感影像快速分类具有一定的参考意义。     

基于生成对抗网络的小样本数据生成技术研究

基于数据驱动的深度学习技术成为新一代智能电网的应用趋势,该技术对电网中有标注训练数据的量级提出更高的要求。为了获取更多有标注的智能电网样本数据,文章提出了一种基于改进的生成对抗网络（generative adversarial network,GAN）的训练样本生成算法。该方法通过交替训练改进GAN的生成模型与判别模型,无需先验知识的指导,自主学习原始样本的分布规律,生成新的数据样本。然后采用人工神经网络作为基础分类器,计算样本分类的准确率,检验生成样本的有效性。实验表明,改进GAN模型可以有效学习样本的分布规律,提升谐波分类的准确率,该方法同时具有良好的抗噪性和泛化性,对深度学习技术在智能电网中的深入发展具有重要意义。     

基于注意力机制的甲状腺超声图像感兴趣区域定位方法

针对甲状腺超声图像中背景干扰及数据集规模受限的问题,提出了基于注意力机制的甲状腺超声图像感兴趣区域定位方法。采用跨尺度注意力交互策略,改进定位模型的特征网络,提高不同尺度下各层级特征的融合效率;通过知识蒸馏实现特征网络特征提取能力的强化,解决数据规模不足引起的网络过拟合问题;依据解剖学甲状腺形态统计分布设计t掩码,联合注意力掩码计算特征损失,引导网络对甲状腺超声图像关键通道和像素信息的学习,实现对甲状腺超声图像感兴趣区域的定位。实验结果表明,当IoU阈值为0.5时,甲状腺超声图像感兴趣区域定位AP达到92.7%,对辅助医生进行甲状腺疾病的诊断具有临床意义和价值。     

含光伏电源配电网故障的智能辨识方法研究

在光伏电源接入配电网后，由于光伏发电的不确定性、间歇性、波动性增加了配电网故障的辨识难度。针对此问题，提出一种熵-变分模态分量与神经网络改进ResNet模型相结合的方法。首先搭建含光伏电源配电网PSCAD仿真模型，获取不同复杂故障情景下的批量数据。其次，利用熵-变分模态(E-VMD)方法重构样本的特征矩阵，再采用改进残差网络进一步挖掘故障样本的隐含特征，然后通过模型的训练与测试。与其他文献模型的分类效果对比，改进ResNet模型故障类型识别的准确率平均达到99.95%,故障馈线识别的准确率达到99.75%,且具有良好的鲁棒性，可以有效地实现含光伏电源配电网故障的快速辨识。     

基于生成对抗网络和混合时空神经网络的入侵检测

针对网络入侵检测领域存在检测准确率低的问题,研究异常流量样本少和分类器性能不佳时的入侵检测模型,提出一种基于改进生成对抗网络和混合时空神经网络的入侵检测模型。改进生成对抗网络通过学习异常流量样本的分布特性,生成具有特定标签的人工异常流量样本;融合卷积神经网络和双向长短时记忆神经网络提取攻击流量的时空融合特征,利用注意力机制对时空融合特征进行加权,构建混合时空神经网络对网络流量进行分类预测。在UNSW-NB15数据集上对所提模型进行仿真实验,准确率和F1分数分别为92.93%和94.81%,表明所提模型能够有效改善原始数据集中的类别不平衡性问题,提高对异常流量样本的检测能力和网络入侵的检测准确率。     

燃气轮机深度卷积生成对抗故障样本生成研究

针对应用深度学习进行燃气轮机故障诊断时,因故障信号数据不易获取,使得正常运行样本多、故障样本少,影响故障 诊断准确率的问题,提出了一种采用深度卷积生成对抗学习对燃气轮机故障样本进行扩充的方法。 根据燃气轮机振动信号特 点,利用快速傅里叶变换、经验模态分解、解调预处理故障信号,提取故障频域特征并选取特征值指标,将振动信号转为二维灰 度图像,通过正交梯度惩罚算法训练深度卷积生成对抗故障样本生成模型。 实例结果表明,使用所提方法获得 CWRU 轴承数 据集生成样本测试准确率为 98. 01%;某型燃气轮机生成样本测试准确率为 97. 43%,同条件下均优于其他主流故障样本生成方 法,验证了所提故障样本生成方法的有效性和优越性。     

基于短时受扰轨迹的电力系统暂态稳定评估方法

针对实时评估电网暂态稳定性的快速性和准确性的需求,提出一种基于故障清除后短时受扰轨迹和卷积神经网络的电力系统暂态稳定性的评估方法。该方法无需人工计算轨迹特征作为输入量,直接基于量测时序数据,利用深度学习模型的自主学习能力逐层提取隐含在短时轨迹的局部特征,构建短时受扰轨迹与稳定类别间的非线性映射关系,并引入考虑故障初期受扰程度的暂态稳定信息矩阵样本构建,以增强提取的局部特征的鲁棒性,提升模型的泛化能力,有效减少误判样本数,达到进一步提高准确率的目的。IEEE-39节点系统的仿真结果验证所提方法的有效性,并且所提方法的评估准确率比传统的暂态稳定浅层评估模型更加优越。     

基于改进残差网络的电缆终端缺陷识别方法

针对动车组乙丙橡胶电缆终端缺陷局部放电识别准确率低的问题,提出一种基于改进残差网络的车载电缆终端缺陷识别方法。首先制作了含4种典型绝缘缺陷的电缆终端,搭建局部放电检测平台获取不同缺陷状态的局部放电信号、建立数据集;然后利用特征变换将局部放电一维时序信号转换为二维拓扑特征图像,从而增强缺陷类别的可区分性;最后,在残差网络ResNet101模型中加入注意力机制,同时融合Center和Softmax损失函数进行训练和识别分类,进一步提升准确率。测试结果表明,该诊断方法对电缆终端局部放电的识别准确率高达97.3%,相比于其他传统缺陷诊断方法,模型的识别精度更高、均衡性更好。     

小样本下时序注意力边界增强原型网络的 齿轮箱故障诊断方法

针对小样本条件下原型网络在提取特征过程中会丢失振动数据的时序特征,且未修正样本在度量空间中的分布导致模 型精度低的问题,提出一种时序注意力边界增强原型网络的齿轮箱故障诊断方法。 首先,通过构建时间序列注意力模块,建立 通道间的时序特征依赖,获得通道时序融合特征;然后,在计算类原型之后,增加邻边界损失以修正度量空间中的故障特征类内 和类间分布,明确类原型的表征边界。 最后,通过计算测试样本与类原型的欧氏距离,输出故障诊断结果。 实验表明,在小样本 条件下本文所提方法相比其他方法具有更高的故障诊断精度。     

基于数据驱动的直流输电后续换相失败预判的研究

高压直流输电后续换相失败影响因素复杂、随机性较强难以预判。用极限学习机进行换相失败预判,提出了一种基于数据驱动的后续换相失败预判方法。采集首次换相失败后逆变侧换流母线电压、直流电流、触发延迟角数据,通过计算得到直流电流的最大值、平均值、最小值等11个故障特征作为极限学习机分类器的特征样本,比较测试隐含层激活函数和隐含层节点数对模型准确率的影响,构建了后续换相失败的预判模型。利用PSCAD/EMTDC建立高压直流输电模型,对模型进行训练和测试。模型测试结果验证了所提模型的有效性。     

基于APRIORI-贝叶斯优化XGBoost的电力通信网根告警预测

电力通信网根源性告警的精准预测,能够辅助运维人员提前对通信网高风险点进行高效排查和快速定位,从根源上避免区域性通信故障和衍生告警,降低网络风险和运维成本。针对现有研究中电力通信网根告警预测源数据冗余、准确率不高的问题,面向电力通信网根告警提出基于APRIORI-贝叶斯优化XGBoost的预测模型,利用APRIORI算法优化预测模型输入,挖掘根告警影响因素间的关联规则,借助关联规则概率化方法确定关键影响因子,降低贝叶斯优化XGBoost模型训练数据冗余度,提高数据价值密度,进而提升模型效率和告警预测精度。实验结果表明,所提算法在预测准确率、召回率和F-值等性能上均取得良好的效果,并在最小支持度为15%时达到最优预测结果,能为电力通信网高效运维和故障排查提供技术支撑。     

基于BERT-DSA-CNN和知识库的电网调控在线告警识别

电网调控告警识别是实现智能电网调度的重要环节.为提高电网调控告警识别的准确率,针对电网数据量庞大、有效信息提取困难、传统知识库知识迁移能力较差等问题,提出一种基于BERT-DSA-CNN和知识库的电网调控在线告警识别方法.首先在自然语言处理-深度学习的文本数据挖掘架构基础上,经过分词、去停用词等步骤,利用BERT模型获...     

电网运维大数据背景下的继电保护通信系统故障定位方法

针对承载继电保护业务的光纤通信系统频发多通道同时告警事件导致故障定位困难的问题,基于电网运维大数据和贝叶斯网络模型处理方法,提出了一种继电保护通信系统故障定位方法。结合继电保护故障信息管理系统(RPMS)、通信网管系统告警信息和调度运行管理系统(OMS)信息缩小故障定位范围,然后基于由历史运维数据计算得到的先验概率,通过改进的贝叶斯算法进行故障概率计算,推断出故障原因,借助通信资源管控系统信息进行故障定位。算例的计算结果证明了该方法的有效性和准确性。该方法对于多区域并发性故障定位同样适用。     

考虑样本类别不平衡的电网故障事件智能识别方法

电网中不同设备的故障概率存在差异,影响智能诊断技术的准确性.为解决此问题,提出了一种基于代价敏感学习和模型自适应选择融合的电网故障事件智能识别方法.首先,利用Word2vec模型将预处理后的电网告警信息向量化,并搭建2个双向长短期记忆网络作为基础分类器;然后,设计代价敏感损失函数,将交叉熵损失函数与代价敏感损失函数分别应用于2个分类器中;最后,提出一种模型自适应选择融合法,融合上述分类器,得到故障事件识别结果.实际数据测试表明,所提方法能够有效降低故障事件识别中样本类别不平衡的影响.     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

融合知识库和深度学习的电网监控告警事件智能识别

电网监控告警信息是监控人员进行监控事件识别的重要数据基础。针对当前人为处理海量监控告警信息效率低的现状和电网智能技术深化应用的需求,提出一种融合知识库和深度学习的电网监控告警事件自主识别方法。基于自然语言处理技术中的Word2vec模型对监控告警信息进行向量化建模,基于卷积神经网络建立监控告警事件识别模型,通过算例对比验证所建模型的有效性和实用性。提出融合知识库与所建模型的应用方法,实现电网监控告警事件的智能感知和可靠识别。     

基于混合采样和支持向量机的变压器故障诊断

针对变压器不平衡数据集对变压器故障诊断模型产生的影响,提出了基于混合采样和支持向量机（support vector machines, SVM）的变压器故障诊断方法,利用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和基于最近邻规则的欠采样方法,分别对变压器故障数据和正常数据进行采样,再利用混合采样得到的平衡数据训练基于支持向量机变压器故障诊断模型。通过测试集对比不平衡数据和平衡数据下基于SVM的变压器故障诊断模型的性能。最后分析了采样率对于变压器故障诊断模型诊断准确率的影响。实验结果表明,该方法可以有效降低不平衡数据对诊断模型的影响,提高变压器故障诊断模型的准确率。     

水电站运维本体知识库构建及应用

针对水电站运行管理中大量多源异构的结构化和非结构化文本资料难以有效管理和复用难题,将基于本体的知识建模引入到水电站运维知识管理和知识服务中,定义了基于本体的知识表示模型并详细构建了水电站设备运维、故障预警、应急预案三大典型业务领域本体知识表示实例和本体知识库,提出本体综合相似度计算方法,并以该算法为基础实现了本体驱动的水电站知识检索、预测预警和应急演练可视化应用。通过实际工程案例展示验证了基于本体的水电站运维知识库构建方法及关键技术的可行和有效性,提升水电站知识管理和应用水平。