基于DRSN-BiLSTM的电力信息网络入侵检测模型

网络流量的异常检测对于保护电力信息系统安全具有重要意义。目前深度学习等人工智能技术在入侵检测中表现出良好的性能,但由于电力流量数据中类别不平衡以及噪声含量高等问题,严重影响入侵检测模型的准确率。针对以上问题,文章提出了一种深度残差收缩网络(deep residual shrinkage networks,DRSN)-双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)混合深度学习模型实现及时有效的多矢量攻击威胁识别与检测。首先采用条件生成对抗网络模型生成少数类数据,构造平衡数据集,然后使用DRSN-Bi LSTM模型进行特征提取,DRSN中的残差项可以解决网络退化与过拟合问题,注意力机制降低了噪声对异常流量检测的影响,同时基于BiLSTM进行流量时序特征提取,最后用softmax分类器进行流量分类,实现网络入侵检测。该模型在电力信息系统数据集上进行了测试,结果显示,提出的混合深度学习模型在检测准确性、精确度、召回率和F1分数指标均优于比较算法。     

基于LO-RANSAC的锂电池极片表面痕类缺陷检测北大核心CSCD

针对锂电池极片表面的痕类缺陷检测准确率低、误检率和漏检率高的问题,提出了一种基于局部最优化的随机抽样一致性(locally optimized random sample consensus,LO-RANSAC)的痕类缺陷检测算法。首先,针对锂电池极片表面存在的椒盐噪声、大噪点多的问题,提出了一种改进的自适应中值滤波和基于连通域的滤波算法。其次,针对检测痕类缺陷准确率达不到预期以及误检率漏检率较高的问题,引入一种局部最优化的RANSAC算法。最后,给出了一种基于LO-RANSAC的痕类缺陷分类方法。实验结果表明:本文所提算法相较于标准RANSAC检测准确率提高了5.9%,相较于基于卷积神经网络算法准确率提高了15%,达到了98.2%;多种算法中本工作算法对于痕类缺陷的检测误检率和漏检率最低;平均检测速度较标准RANSAC算法提高了1.7倍,每秒钟检测的图片数量FPS(frame per second)达到12.49。本工作算法具有较高的检测准确率、较低的误检率及漏检率,检测速度达到实时检测要求,因此可满足锂电池极片表面的痕类缺陷检测需求,解决了锂电池极片表面痕类缺陷自动检测难题。     

基于改进LSTM神经网络的风电功率短期预报算法

[目的]风能的波动性和间歇性给大规模的风电并网提出了挑战,解决这一问题的有效途径是能够提供准确的风电功率预报。[方法]针对这一挑战,提出了一种新的基于改进LSTM（长短期记忆）架构的深度学习神经网络的风功率预报模型,包含自主研制的数据异常检测与处理、风速特征提取、超参数调优于一体的风电功率预报方法。为了使神经网络模型能更加准确地学习风速特征对风电功率的影响,还定义了一种使用特征筛选以及特征倍增相结合的特征工程方法。[结果]仿真结果表明：所提出的数据清洗及数据增强算法在各种机器学习算法上可以将准确率提升约5%。提出的改进LSTM神经网络模型在数据清洗后与传统算法以及业内主流神经网络算法进行对比,可以将准确率提升2.5%。[结论]改进的方法不但具有较好的噪声数据清洗能力,而且在所有的试验中,改进模型在预报准确性方面优于其他所有算法,可以为实际应用提供指导。     

基于边缘端目标识别与跟踪算法的输电线路航拍视频流诊断技术研究

边缘计算的出现改变了无人机影像诊断的方式,但是由于边缘端设备的功率和AI算力有限,将云服务器中的目标识别的算法部署到边缘装置时,极容易出现识别滞后、显示卡顿、缺陷检测率低等情况。将YOLOv5目标识别算法进行改进,引入Ghost模块改造Backbone部分实现轻量化;改进后YOLOv5-GBA算法结合目标跟踪算法,实现了边缘端的无滞后实时检测,针对9种不同的空间尺度的缺陷开展检测,平均准确率75.1%,相比YOLOv5的6.0版本平均提升2.8%,在边缘计算模块NVIDIA Jetson Xavier NX上实现了最高224FPS的测试效果,有效解决了边缘计算装置中深度学习算法应用效果差与识别准确率低的现实问题。     

基于改进YOLO-v3的风力机叶片表面损伤检测识别

为对风力机叶片损伤状态进行有效检测，提出一种基于改进YOLO-v3算法的风力机叶片表面损伤检测识别技术。根据风力机叶片损伤区域特点，对网络中锚框（anchor）的尺度进行调整优化；在特征提取网络后引入基于注意力机制的挤压与激励网络（squeeze and excitation networks,SENet）结构，使YOLO-v3算法更加关注与目标相关的特征通道，提升网络性能。结果表明，改进后算法的平均精度为84.42%，较原YOLO-v3算法提升了6.14%，检测时间减少了21 ms，改进后的YOLO-v3算法能较好地识别出风力机叶片表面损伤。     

基于迁移学习的光伏组件鸟粪覆盖检测

该文基于无人机光伏组件可见光图像采集,提出一种基于迁移学习的光伏组件鸟粪检测方法.方法首先基于掩膜区域卷积神经网络(Mask-RCNN)对光伏组件边界进行框选,再利用迁移学习策略,构建光伏组件鸟粪缺陷检测模型,实现鸟粪智能检测.利用上述方法,实现光伏组件鸟粪覆盖检测准确率为96.75％.     

改进蜂群算法在大型电力变压器故障诊断中的应用

电力变压器故障危及电网供电安全,为提高其故障诊断精度,避免传统算法自身固有缺陷,提出了一种改进蜂群算法优化的BP神经网络故障诊断模型。首先改进传统蜂群算法,并将其与BP神经网络相结合以优化模型参数;然后将优化后的网络模型代入变压器故障识别中,以达到提高故障诊断准确率的目的。对比不同模型预测结果表明,所提模型与方法可实现对变压器故障的精确预测。     

基于特征金字塔融合高分辨率网络的光伏热斑识别

针对光伏热斑识别算法中存在的深层网络参数运算复杂、梯度信息易消失和模型退化准确率下降等问题,提出一种基于特征金字塔融合高分辨率网络的光伏热斑识别检测算法。首先,该算法搭建一种多分辨率子网并行连接的网络模型,解决深层网络热斑细节信息丢失、特征冗余的难题。其次,引入特征金字塔的多尺度融合模块,跨层连接深浅层不同尺度特征图,解决特征语义的鸿沟、提高模型识别精度。实验结果表明：所提出的算法在光伏红外热斑图像数据集上的分类效果优于经典的深度卷积神经网络算法,准确率可达97.2%,可实现高精度高分辨率的热斑检测识别。     

基于深度学习的绝缘子缺失检测方法研究

绝缘子缺陷严重影响输电线路安全,航拍图像绝缘子缺失的有效识别是无人机线路巡检。提出一种轻量级网络的绝缘子缺失检测模型,使用轻量级网络MobileNetV3替换YOLOv4模型的CSPDarknet53网络。以分割性能和计算速度为判据,综合分析比较了YOLOv4模型和使用轻量型网络对其主干网络替换后的模型在绝缘子缺失检测上的性能,实验结果表明：筛选的YOLOv4-MobileNetV3轻量级网络绝缘子缺失检测模型能够准确定位图像中单、多目标绝缘子;改进后YOLOv4-MobileNetV3检测模型比原模型的体积减少了78%,FPS提升了4.85 f/s,而mAP仅降低0.6%。提出的绝缘子缺失检测方法能够满足无人机电力线路巡检的需求。     

基于改进和声搜索的配电网WSNs多路径QoS路由算法

针对智能配电网(Smart distribution network,SDN)中无线通信数据传输不可靠且网络寿命低等问题,提出一种基于改进和声搜索的无线传感器网络(Wireless sensor networks,WSNs)多路径QoS路由算法(Multipath QoS routing algorithm,MQRA)。首先,分析配电网的通信需求并建立数据传输模型;然后,针对无线传感器路由问题的特点对和声搜索算法(Harmony search,HS)做出改进;再将其自适应参数公式进行改进以避免算法陷入局部最优;通过在源节点与目的节点之间构建前传区域来优化转发节点集以避免数据回传,提升算法的运行效率;最后,在初始和声库生成阶段,综合考虑距离、丢包率以及节点剩余能量来改进轮盘法中的概率公式。仿真结果表明MQRA算法能有效降低数据传输的时延,提升数据可靠性并均衡节点能耗延长网络使用寿命。     

基于对比歧化和深度置信网络的配电网故障类型识别

针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。     

基于深度卷积神经网络的光伏组件热斑检测

热斑效应是造成光伏组件损坏的主要原因之一,提早发现光伏组件热斑效应并及时解决,可有效减少损失.该文针对热斑效应问题提出改进的Faster R-CNN红外热斑图像检测方法,该方法是基于SpotFPN多尺度特征学习模块,将SpotFPN应用在二阶段目标检测网络中提高了模型的检测精度,改善热斑的识别准确率.同时为解决数据集不...     

基于输电巡检图像的山火智能识别方法

山火严重威胁着输电设备的安全.文章基于深度学习目标识别算法,提出一种基于SSD网络模型的山火目标检测方法,并针对主干特征提取网络进行改进和优化,引用Inception分组卷积模块,从网络宽度的角度拓展网络,添加更加丰富的卷积核,提高模型质量,以实现山火特征的有效提取.此外,针对较大卷积核会导致计算量暴增的问题,提出在模...     

基于改进遗传算法优化的小波神经网络短期负荷预测模型

针对传统小波神经网络在电力系统短期负荷预测中存在预测结果的精确度依赖初始网络参数的问题,提出了一种基于改进遗传算法优化的小波神经网络短期负荷预测模型。为了保证神经网络在训练过程中,各个层的权值和阈值按最优方向变化,将遗传算法引入小波神经网络,利用遗传算法寻优能力指导权值和阈值进行优化。将概率分布策略用于遗传算法的种群交叉和变异过程,解决遗传算法在中后期搜索精度差,收敛速度慢等问题。应用结果表明,与基本的小波神经网络的预测模型相比,在只考虑短期负荷历史数据的情况下,通过均方根误差计算比较,基于改进遗传算法优化的小波神经网络短期负荷预测模型具有更高的预测精度。     

基于注意力机制的光伏热斑识别

为解决光伏的红外热图像含有大量噪声且不同状态红外图像分布不均衡导致的热斑难以识别的问题,以Vision Transformer(ViT)模型为基础,利用卷积神经网络改进模型特征提取,利用紧凑多头自注意力机制改进模型结构,提出一种光伏红外图像热斑识别模型ConCViT,利用CIFAR-10数据集对注意力权值进行预训练,以低信噪比小样本光伏红外图像为数据集,训练出高准确率的热斑检测模型。实验结果表明,ConCViT模型比传统卷积神经网络的识别准确率高12.02%,比深度卷积自编码网络的识别准确率高4.14%,并具有更快的收敛速度。     

挖掘高层语义信息的电力设备图像显著性检测

针对现有电力图像识别准确率有待提高的问题,文章提出一种电力设备图像显著性检测框架.首先提取图像的低层语义信息,选择关键特征;其次利用神经网络对超像素分割图像训练得到表征显著度的概率矩阵;然后根据图像内部结构化特性提出基于惩罚因子的结构化稀疏约束:对大概率成为显著目标的像素块用小因子惩罚,反之用大因子惩罚;最后利用判别字...     

基于改进时间卷积网络的短期光伏出力概率预测方法

为提高光伏出力的预测精度，提出基于改进时间卷积网络的短期光伏出力概率预测方法。首先，通过递归特征消除确定特征数量，采用分组整合方法进行特征选择；然后，采用变分模态分解处理光伏出力序列；最后，构建一种结合注意力机制的改进时间卷积网络预测模型，得到未来时刻不同分位数下的预测值，再利用核密度估计得到概率密度曲线。实验结果表明，提出方法具有更高的预测精度，可有效反映光伏出力的不确定性。     

基于改进粒子群优化RBF网络的变压器故障诊断

为提高变压器故障诊断精度,提出了一种改进粒子群优化RBF网络算法,用于优化RBF网络的中心参数。首先通过非线性递减权值策略改进粒子群算法,再利用改进粒子群优化RBF网络,最后建立用于变压器故障诊断的RBF网络模型,并在Matlab平台上进行了仿真测试。结果表明,优化后的RBF网络比单一RBF网络故障诊断率有大幅提高。通过诊断国网某公司的5组故障实例,验证了所提算法的可行性。     

基于QR-NFGLSTM与核密度估计的风电功率概率预测

为提高风电功率概率预测精度和缩短长短期记忆网络的训练时间,提出一种基于分位数回归结合新遗忘门长短期记忆(NFGLSTM)网络与核密度估计的风电功率概率预测方法.该方法对长短期记忆网络的结构改进,提出一种新的遗忘门结构,以缩短训练时间.基于分位数回归和NFGLSTM网络建立组合预测模型,得到风电功率点预测值和某一置信度下...