基于改进信息最大化生成对抗网络的风光出力场景可控生成方法

基于深度学习的场景生成方法能够自适应挖掘历史数据中高维非线性特征,在风光出力的不确定性建模中得到了广泛应用。然而,基于深度学习的场景生成方法多为黑盒模型,存在可解释性差、生成不可控等问题。为此,提出了一种基于改进信息最大化生成对抗网络(information maximizing generative adversarial nets,Info GAN)的风光出力场景生成方法。该方法在目标函数中增加了基于互信息的正则化项,最大化控制编码与生成场景之间的互信息,无监督学习控制编码与生成场景统计特征的映射关系,并引入Gumbel-Softmax分布提高了生成场景的质量。结合风电场和光伏电站的真实数据进行了算例分析,算例结果表明,所提方法不仅能准确描述风光出力不确定性,而且具有可解释性,能够可控生成指定风光出力场景。     

基于深度学习的直流配电网分布鲁棒优化调度方法

随着分布式资源的大规模接入,直流配电网能量损耗小、控制灵活的优点凸显。针对直流配电网传统物理优化模型效率低的问题,提出了一种基于深度学习的直流配电网分布鲁棒优化(DRO)调度方法,其采用深度学习方法替代了基于场景的DRO模型的迭代求解过程,通过直接预测典型场景的最恶劣概率分布来提高模型求解效率。构建直流配电网基于场景的DRO物理模型,采用列与约束生成算法迭代求解生成深度学习的训练数据;以光伏出力、负荷、范数置信度为输入,以最恶劣概率分布为输出,构建深度神经网络模型;基于训练好的神经网络预测实时输入的光伏出力、负荷、范数置信度的最恶劣概率分布,构建最恶劣概率分布下的单层随机规划模型,获取等效的基于场景的DRO调度策略;采用33节点直流配电网系统为算例,验证所提方法在求解效率和计算精度方面的有效性。     

图像分割方法应用于施工现场物体的识别

复杂场景中的图像分割是当前图像分割中的一个难点,给分割算法带来了更大的挑战。基于深度学习的算法基于统计学理论,相比传统的神经网络,深度学习能够进行更深层次的学习,因此准确率大大提升,本文研究了一种深度信念网模型,加入drop out策略,并且进行改进,最后把模型应用于施工现场勾机的图像分割与识别。实验证明,改进的深度信念网模型算法可以有效的识别复杂场景中的图像。     

规范透视场景的半监督目标检测及其在保护压板巡检上的应用

如何快速准确地对继电保护压板的异常状态进行识别,是变电站二次设备巡检工作中亟待解决的技术难题。基于深度学习的通用目标检测算法在向诸如继电保护屏压板检测等特殊化场景的迁移中,不能够充分利用保护屏场景中的规范透视先验特征;此外,人工标注大数据集的困难性一直以来都是通用检测模型迁移至特殊场景时的挑战。针对上述问题,提出了一种适用于保护压板规范化分布特征的半监督目标检测模型,该模型根据压板识别场景的特点对模型框架进行了一系列适应性改进。在模型的半监督训练阶段,使用一致性正则化方法生成伪标签,并基于保护屏压板图像特征,以边缘吸附和点阵行列拟合等方式,优化或剔除伪标签,从而突破了数据标注困难性带来的限制。改进后的模型达到平均精度均值为98.12%的应用级精度,并额外输出图像的逆透视变换参量。该模型被应用于便携式智能终端,辅助工作人员进行继电保护压板状态的巡检工作;模型输出的逆透视变换参量,也可为3D人机交互等下游视觉任务提供技术支撑。     

面向电力系统现场作业的安全风险管控智能检测算法

针对电力现场作业下的安全管控存在场景复杂、目标多样且部分遮挡而导致智能安全监测困难的问题，提出一种基于YOLOv7-Tiny的改进算法。首先，搭建了YOLOv7-Tiny检测网络，并在该算法框架中融合通道重组的注意力机制，从而有效提升通道之间的交互能力，增强复杂场景下目标区域的显著度；其次，在特征融合阶段，构建基于残差跳连的多尺度特征融合结构Res-PANet(Residual Path-Aggregation Network)来有效融合多尺度目标，提升场景中的多目标检测能力；同时，在模型的输出检测头中结合Swin-Transformer模块，提升模型的感受野，增强模型对特征图的全局感知，提高模型在部分遮挡情况下的检测能力；接着，在训练时采取改进的Mosaic数据增强方式，提升小目标的分布数量，达到丰富目标场景、提高模型泛化能力的目的；最后，以电力人员安全帽及安全服的穿戴、电力围栏以及电力警示牌为安全作业的监测对象进行改进算法的验证，同时采取基于Score-CAM的热力图分析进一步验证模型改进的有效性。实验结果表明：融合改进模型的平均检测精度达90.1%，图像检测速度为46帧/s，在嵌...     

考虑新能源接入的电力市场下的电网无功优化

正研究了含新能源并网的无功电力市场问题,针对输出功率随机性使得确定场景下得到的优化解不完全适用于其他场景这一现象,使用多场景模拟新能源出力的随机性,提出了基于预测误差的场景生成与场景消除技术,在研究传统机组和新能源发电厂无功辅助服务成本的基础上,以无功辅助服务成本和电网有功网损期望值最小为目标函数,建立了基于场景的无功综合效益联合优化模型,并采用内点法进行求解。通过改进的IEEE 14节点和IEEE 118节点系统的仿真计算,表明基于场景的无功综合效益联合优化模型可以较好地处理风电场的随机性问题。     

稠密电力场景中的双目复空间立体定位与识别方法

为解决数字孪生三维运检中小尺度、复杂多目标电力设备的精准定位、语义关联及类型识别问题,构建了二维平面视觉三基色和深度维(three primary colors and depth dimension,RGB-D)的复数空间融合模型。通过提取稠密电力场景下二维图像三基色、纹理和双目立体三维图像深度等多要素的像素灰度值特征,在RGB-D复空间中对小尺度、遮挡及倾斜设备的3个特征要素进行了表征。采用要素线性叠加融合的方式实现目标体空间结构表达,并利用复空间要素归一均衡化增强了目标体的深度特征,从而达到小尺寸、复杂多目标体的空间定位量化目的。在此基础上,基于优化非极大值抑制(optimizednon-maximum suppression,NMS)算法对目标定位映射结果进行了优化筛选,经过鲁棒分析得知,该方法具有较强的抗遮挡鲁棒性。以隔离开关、断路器等设备为对象的实验结果表明:该方法相对于传统目标检测方法不仅在目标的定位与识别准确率方面得到显著提高,且在应对稠密电力场景中设备复杂遮挡解决方面具备较大优势,可有力促进电力数字孪生化的理论和技术发展。     

基于对比学习生成对抗网络的无监督工业品表面异常检测

在工业品表面异常检测中，由于异常的未知性和无规则性，人工标注异常样本难度大、成本高，有监督的深度学习算法在工业品表面异常检测任务中存在局限性。针对上述问题，提出一种基于对比学习生成对抗网络(contrastive learning generative adversarial network, CLGAN)的无监督工业品表面异常检测算法。首先，建立基于无监督学习算法的CLGAN模型；其次，采用对比学习加强潜在特征空间正负例样本约束，使得输入与输出图像对应Patch之间的互信息最大化，增强正负样本特征向量区分度，使模型重构异常样本图像能力得到进一步提升；然后，在检测阶段，利用训练好的模型得到待测工业品的无异常重构图像，并计算得到待测样本与其对应重构图像之间的残差图像；最后，结合双阈值分割的后处理方法和数学形态学处理，实现工业品表面异常区域地快速检测和准确定位。通过在公共数据集MVTec AD上进行实验，与其他的无监督深度学习模型算法相比，所提算法具有更好的识别效果和更强的泛化能力。     

基于迁移学习和特征融合的复合绝缘子憎水性等级判别方法

为实现复合绝缘子憎水性等级自动、准确判别,提出一种基于迁移学习和特征融合的复合绝缘子憎水性等级判别方法。该方法以深度学习为基础,针对传统方法憎水性图像特征表述能力不足的缺点,基于VGG-19卷积神经网络构建了憎水性图像深度特征提取模型,并基于迁移学习理论,通过共享ImageNet集深度特征,提取模型卷积层及网络层参数,实现了训练样本数量受限背景下憎水性图像深度特征提取模型网络优化。针对现场实测环境光照条件多变,深度特征易受影响的缺点,基于局部二值模式提取了憎水性图像局部特征,并以VGG-19网络为基础,通过融合深度特征及局部特征,构建了基于迁移学习和特征融合的复合绝缘子憎水性等级判别模型。算例验证结果表明:所提方法提取的特征含量丰富,有效提高了憎水性等级判别效果,并可改善光照条件变化对憎水性等级判别结果不利影响。     

基于边端轻量级网络的电力仪表设备检测方法

电力仪表设备边端智能化检测,是构建数字化变电站的必要环节。在利用移动边端视觉设备检测电力仪表时,边端算力难以实现对复杂环境下的小尺度、高似然目标图像的快速检测,为此,提出一种基于轻量级EF-YOLOv4网络的电力仪表图像目标检测方法。通过改进模型的主干特征网络,利用深度可分离卷积(depthwise separable convolutions,DSC)计算方法提取仪表多属性特征,同时降低模型计算复杂度,提高检测速度;改进特征融合结构,增加具有高分辨率以及颜色、纹理等仪表信息的浅层特征层,提升模型对小尺度仪表目标的注意力;融入最近邻快速特征匹配(fast library for approximate nearest neighbors,FLANN)方法,通过单位符号特征细粒度检测仪表目标。利用迁移学习参数共享机制调整模型权重,使模型快速适应于电力仪表小样本数据集。最后构建电力仪表图像测试集对模型进行验证。实验结果表明,相比于传统目标检测方法,所提方法对于电能表、电压表等多尺度、细粒度仪表设备图像的目标检测保持了较高的精确度与速度。可为电力仪表的可视化、信息化与智能化提供可行的技术方案...     

基于CNN模型的高分辨率遥感图像目标识别

遥感图像目标识别作为当前遥感图像应用领域中的主要研究内容,具有重要的理论意义和广泛的应用价值。近年来,深度学习成为机器学习领域的一个新兴研究方向,卷积神经网络(convolutional neural networks,CNN)是一种得到广泛研究与应用的深度学习模型。提出一种基于CNN模型的光学遥感图像目标识别方法,在传统LeNet-5网络结构的基础上,引入ReLU激活函数代替传统的Sigmoid函数和tanh函数,使用卷积展开技术将卷积运算转换为矩阵乘法,并对网络结构进行调整优化,提高目标识别的准确性和效率。利用Quick Bird上的0.6 m分辨率的遥感图像进行验证,实验结果表明,基于改进的CNN模型的方法可以取得较高的目标识别准确率和效率。     

基于多曝光场景的新型电力图像配准技术

基于现有的图像配准技术，对电力图像拍摄时间差异所造成的曝光度不同而产生的图像配准误差大和配准效率提升难的问题，提出了一种基于电力图像去除亮度差异影响的边缘特征配准技术。通过提取图像的边缘信息，以产生二值化的效果图像代替原始图像进行旋转矩阵的计算，完成原始图像空间一致性调整，实现多曝光场景的新型电力图像配准技术，并通过一系列电力图像试验数据进行了验证。试验结果表明，所提的新型电力图像配准技术在配准效率方面较改进前的基于互相关信息配准方法提升了50%,配准精度达到了亚像素级别，配准方法鲁棒性更高。     

改进基于多相机的无监督学习图像拼接算法

首先，针对大范围特征不显著地面图像的获取，由于传统单相机受到视场角和分辨率以及外界环境的影响，提出基于多相机对大范围地面的图像进行采集。其次针对大范围特征不显著地面图像使用传统方法拼接中存在特征提取能力差以及拼接产生的错位、伪影和结构变形问题，提出对无监督学习图像拼接的框架结构改进，提升图像拼接质量。最后借助图像拼接的评价指标对改进前后的拼接图像进行评价。实验结果表明，改进后方法不仅可以有效的解决传统方法基于特征不显著以及纹理相似度高的地面图像拼接中产生的伪影和失真，而且解决了无监督图像拼接过程中产生的结构的变化。改进后的拼接方法拼接后的质量优于传统方法的拼接，并且改进后的算法的迁移性很高，不止针对无显著特征的大范围地面，而且可以广泛用于不同场景下的大范围大基线图像拼接。     

基于场景建模的电力巡检异物检测样本扩充方法

利用深度卷积神经网络来进行图像目标检测是电力巡检异物检测的常用手段。训练神经网络需要大量样本,但电力行业存在着图片难以收集导致训练样本不足的情况。为方便目标检测神经网络的训练、提升目标检测模型的识别性能,利用一种基于已有样本的场景建模方法,自动生成大量符合实际电力场景的图片,以扩充样本。该方法利用卷积神经网络实现场景建模,并采用泊松融合进行图片合成,同时加入尺寸变换、图像旋转、图像滤波等数字图像处理方法。通过实例验证,该样本扩充方法可以实现扩充目标检测训练所要求的图像样本,也可以在样本完全缺失的情况下快速生成一定量的样本,提高目标检测模型的性能。     

一种基于可见光巡检图像的杂草智能识别方法

目前电力巡检主要是采用无人机巡检的方式,针对无人机巡检获取的图像识别过程中,电力设备旁的杂草可能会造成安全隐患,需要对图像中的杂草进行识别。针对电力巡检的场景,提出了一种基于可见光巡检图像的杂草智能识别方法,以可见光巡检图像中杂草的特征为基础,结合卷积神经网络方法,解决可见光巡检图像中电力设备附近的杂草识别问题。通过对图像进行样本数据增广和预处理,接着引入区域生成网络,再对图像提取固定个数候选框的图像特征,和改进的图像分类网络连接在一起,得到最终的卷积神经网络模型。实验表明其准确率可以达到97.98%,检测一幅600×600大小图像需要花费的平均时间约为0.256 s,在保证了准确率的同时达到了高效识别的要求。     

基于模型预测控制的主动配电网多场景变时间尺度优化调度

针对源荷预测误差对主动配电网调度影响较大的问题,充分考虑源荷数据相关性,提出基于模型预测控制(MPC)的主动配电网多场景变时间尺度优化调度策略.在日前、日内优化阶段,采用藤Copula模型描述源荷相关性,结合场景生成与削减技术形成源荷出力场景,以多场景下配电网期望运行成本最小为目标建立优化模型,求解配电网中机组、储能、...     

面向可靠性评估的两阶段聚类风-光-荷典型场景生成方法

由于风光出力和负荷的不确定性,高比例可再生能源电力系统可靠性评估需要大量输入场景以保证评估精度.为降低计算复杂度,选取适用的典型场景至关重要.传统典型场景生成直接采用聚类算法对输入场景聚类,因此面对高维数据处理困难且无法保留负荷极端场景,生成可靠性评估典型场景的效果不理想.为选取适用于可靠性评估的风-光-荷典型场景,研究建立了基于密度的噪声应用空间聚类(DBSCAN)和改进K均值两阶段聚类模型,保留极端场景同时引入降维算法处理高维时序数据.算例表明该算法兼具高效性和有效性,所得典型场景应用于电力系统可靠性评估得到可靠性指标精确度良好.     

基于数据驱动和深度置信网络的配电网无功优化

随着分布式电源和随机负荷电动汽车等的大量接入,配电网的运行环境日益复杂,对在线无功优化及其快速性提出了更高的要求。该文将"深度学习"引入配电网无功优化,提出了基于深度置信网络的无功优化方法。通过构造高维随机矩阵,从配电网运行数据中提取统计特征作为输入,将历史控制策略进行编码作为输出,利用先无监督后有监督的方式训练深层架构,学习系统特征与无功优化策略之间的映射关系,建立基于数据驱动和深度置信网络的配电网无功优化模型。基于改造的IEEE-37节点主动配电网仿真模型,对比分析了历史数据量和分布式电源渗透率场景对传统优化方法,场景匹配方法和所提方法的无功优化效果的影响。结果表明,所提方法可明显降低网络损耗和节点电压偏移,它不依赖于系统的模型和参数,在线决策速度快,且对历史数据量要求较低,在高渗透率分布式发电等未知场景下仍能表现优良,验证了该方法的正确性、有效性和较强的鲁棒性。     

基于深度迁移学习的天气图像识别

当对天气图像等场景复杂和特征不明显的图像进行识别时,往往存在识别率不高和特征冗余等问题。基于此,本文提出了一种基于深度迁移学习的图像分类算法。该算法利用ImageNet数据集的模型参数构建ResNeXt、Xception以及SENet 3种网络模型提取图像特征,采用领域自适应的判别联合分布自适应算法来相似化特征向量,完成高质量的特征表示,并以其结果为准则融合模型特征,将融合特征经过多层感知机训练以实现高准确率识别的图像分类。实验结果表明,该算法的性能优于传统的单一网络模型,进一步提升了图像分类准确率的上限。     

基于深度强化学习的输电网网架规划方法

为解决现有输电网规划方法在多场景情况下存在的灵活性不足的问题,同时进一步提高规划方法的运算效率,文章提出一种基于深度强化学习的输电网规划方法。首先,通过聚类方法,以系统信息熵最小为目标,生成用于规划的电网典型场景,并建立适用于多场景的输电网灵活规划模型。其次,综合运用深度强化学习方法及Actor-Critic方法,提出适用于输电网规划的改进指针网络模型,并采用改进指针网络与Actor-Critic结合的方法(revised pointer network with Actor-Critic, RPNAC)对规划模型进行求解。最后,基于IEEE标准算例进行计算及数据分析,验证了文章所提方法的科学性和高效性。