基于TensorFlow的高压输电线路异物识别

针对传统异物识别准确率较低的问题,提出一种基于TensorFlow的深度卷积神经网络的异物识别模型。将巡检图像进行图像灰度化和尺寸压缩等预处理,并采用三维块匹配滤波(BM3D)算法进行图像去噪得到实验所需的训练数据。提出基于TensorFlow的深度卷积神经网络框架,通过使用框架中的TensorBoard模块设计深度卷积神经网络模型结构与优选模型参数,并针对ReLU激活函数与特征权重进行理论分析。实验结果表明,经过15次迭代训练后,深度卷积神经网络比传统的支持向量机(SVM)、极限学习机(ELM)和BP神经网络算法具有更强的巡检图像识别能力;与经典的LeNet-5和VGGNet模型以及相关文献中的模型相比,所提模型更具有优越性。     

基于卷积神经网络的直流XLPE电缆局部放电模式识别技术

针对现有的直流交联聚乙烯(XLPE)电缆局部放电模式识别对强随机性信号的特征提取缺乏一定自适应能力的问题,该文提出基于卷积神经网络(CNN)的模式识别算法,采用卷积神经网络框架CAFFE进行网络训练和识别检测。首先采集四种典型绝缘缺陷电缆的局部放电信号作为样本,再利用自适应的卷积核进行特征提取,池化层进行特征映射,非线性多分类器进行回归分类,最终得到训练完成的CAFFE网络。通过设置不同求解器参数、网络结构和训练样本数量对缺陷识别结果进行对比分析,发现利用改进的Alexnet网络,采用衰减学习率方式的模式识别框架的平均识别正确率最高,达到了91.32%,相比于传统模式识别算法至少提高了8.97%。该方法具有强大的自适应学习能力,为应用于直流电缆故障诊断的模式识别提供了新的思路。     

基于优化卷积神经网络的电缆早期故障分类识别

准确识别电缆早期故障是及时消除故障隐患的必要前提。提出基于卷积神经网络的电缆早期故障分类识别的方法,可从含恒定阻抗故障、励磁涌流、电容投切扰动的过电流信号中准确识别电缆早期故障。通过小波变换提取过电流信号特征,构建卷积神经网络,进行训练调整网络参数形成输入特征与类别编码之间的映射关系。为解决训练过拟合和学习效率的问题,通过修正损失函数和采用自适应学习率的方法优化卷积神经网络。仿真结果表明,所提方法能对过电流信号进行有效分类,准确识别电缆早期故障,具有较高的工程应用价值。     

(20期拿下）基于卷积神经网络的绝缘子故障识别算法研究

卷积神经网络被广泛应用在图像处理领域,不同算法对网络识别率有较大的影响。基于此,引入小波分解理论,通过BP传播算法以及空间向量理论证明得到,相互独立的特征更能表达原图像的信息。通过小波分解去除卷积核之间的相关性,用较少的卷积核提取图像更独立、全面的特征,以提高网络的识别性能。在MNIST、CIFAR-10和CK标准数据库上进行分类识别实验,实验结果表明,此算法能在不同核函数尺寸的条件下取得较高识别率,且达到与传统算法相同识别率的前提下,所需的训练迭代次数更少,训练时间更短。最后,将该算法应用到绝缘子故障识别中,并取得了良好的效果。     

卷积神经网络迁移学习在局部放电类型诊断中的应用

气体绝缘金属封闭开关设备的局部放电具有随机性,即使同一类型缺陷仍有较多表观变化形式,传统模式识别构造的特征难以适应其多变性;近年来兴起的卷积神经网络虽具有自适应提取特征的能力,但训练得到性能更好的网络模型一方面需要增加网络深度,另一方面需要更多的数据样本作为支撑。鉴于此,提出了基于在ImageNet数据集上训练的VGG、InceptionV3、Resnet50 3种网络模型迁移学习的GIS局部放电模式识别方法,并将网络提取的特征应用于在小数据集下表现良好的经典分类器SVM,实现卷积神经网络深度学习和机器学习的结合。实验表明,该方法能够有效提升GIS局部放电模式识别的准确率。     

基于特征融合的调制识别增强与迁移演化

针对调制识别中单一图像的特征信息不足,区分度不够高,识别范围受限的问题。本文提出了一种基于时频图和星座图特征融合的调制识别特征增强方法,利用深度学习神经网络提取信号图像的特征,构建特征空间,通过多维特征融合,挖掘和整合不同特征的优势,增强模型算法的鲁棒性。此外运用了模型迁移的方法,仅需对分类器进行训练,大幅节约了训练时间和资源,具有很强的实时性和实用性。仿真结果显示,在0db左右的条件下,相比于单一特征图像,采用特征融合增强的方法能将信号的平均识别率提高约25%,通过模型迁移,省去了卷积神经网络的训练,所需的训练时间约为迁移前的9.6%,消耗内存约为迁移前的7.3%,同时模型的识别率损失控制在了5%以内。     

一种改进的YOLO目标检测方法在电缆设备异常状态识别中的应用

针对地下隧道电缆设备异常状态识别中目标设备较为单一、异常状态相对简单、综合识别速率和准确率较低的问题,文章提出一种改进的YOLO目标检测架构,对电缆设备进行定位和异常状态识别。首先,采用图像缩放方法调整图像尺寸为448×448,再利用卷积神经网络对特征进行提取,其中每一层采用批量归一化方法规范模型,最后通过RPN网络预测目标边界框。采用珠海地下电缆隧道中的图像数据进行仿真实验,并与YOLO和Faster RCNN算法进行对比,实验结果验证了所提出方法的有效性,且算法识别准确率较高、鲁棒性好,可有效应用于地下电缆隧道的巡检机器人系统中。     

面向电力智能交互式场景的意图识别算法

为建立更高效的电力智能交互式平台,需要更准确地识别参与人的交互意图.针对目前使用的基于简单关键词匹配的意图识别方法准确率较低的问题,提出一种基于压缩时延神经网络(compressed Time Delay Neural Net-work,cTDNN)与卷积神经网络(Convolutional Neural Network,CNN)的语音关键点定位算法.该算法通过引入延时单元有效降低传统方法的时间复杂度,提升意图识别的实时性.同时,通过引入卷积神经网络,学习语音中丰富的上下文相关性,提升关键点定位的准确性.在真实场景中采集的交互数据集上的实验表明,该算法可有效提升电力智能交互式场景中对参与人意图的识别能力.     

引入二代小波的自适应BP神经网络局部放电故障识别

将二代小波与神经网络相结合进行局部放电故障分类。基于二代小波与信息熵理论,提取放电信号,以小波能谱熵与系数熵作为特征量。将提取的特征向量输入神经网络进行训练,训练时通过改进共轭梯度法自适应调整误差,得到最优训练网络。采用该文算法、经典神经网络以及小波神经网络,分别对放电模型产生的3种放电类型进行识别测试的结果表明:该文方法在识别准确率以及算法执行效率上,均优于经典神经网络以及小波神经网络。     

基于深度迁移学习的输电线路涉鸟故障危害鸟种图像识别

为了实现输电线路涉鸟故障的差异化防治,提出一种基于深度迁移学习的危害鸟种图像识别方法.根据历史涉鸟故障的鸟种信息及输电走廊周边鸟种调查结果,建立88种相关鸟类图像数据集,采用类激活映射进行图像预处理,滤除复杂背景噪声.基于迁移学习的思想,首先利用AlexNet、VGG16、ResNet50、Inception V3这4种深度卷积网络架构建立学习模型,采用ImageNet图像数据集对其进行预训练,通过对微调预训练后的网络结构进行模型迁移,使其匹配鸟种图像识别任务.然后,利用鸟种图像样本集对迁移学习模型进行训练与测试,对比4种网络模型的识别准确率.最后,借鉴Delphi法的思想,建立一种融合多卷积神经网络的涉鸟故障危害鸟种识别模型.算例验证结果表明,该模型对88种危害鸟种的识别准确率可达91.21％,能够有效实现架空输电线路巡检图像中的鸟种识别,进而为涉鸟故障防治提供参考.     

Transient sheath voltage characteristics of a crossbonded cable installed within a tunnel

The wave-propagation characteristics of a cable installed within a tunnel has been investigated. The transient characteristic of this cable system differs from that of a cable system in which the cables are buried without tunnels. The transient characteristic is heavily dependent on both the distance from the cable to the tunnel wall and the physical parameters of the tunnel. A modeling method of the cable system installed within a tunnel is proposed based on investigation. A field measurement of transient sheath voltages on a 275 kV crossbonded cable system is made. Numerical results obtained using the proposed model agree well with field test results; thus the accuracy of the modeling method proposed in this paper is confirmed. The effects of the circuit parameters, such as inductance of the sheath bonding wire and the equivalent capacitance of the sheath protection arrester, are studied.     

改进的Faster R-CNN方法及其在电缆隧道积水定位识别中的应用

针对电缆隧道内积水的问题,提出了一种改进的基于区域建议的卷积神经网络(Faster R-CNN)方法,并将其应用在电缆隧道积水定位识别中。考虑到Softmax分类方法的正则化参数选取会引起概率计算产生问题,改用支持向量机(SVM)进行图像分类,以增强分类的置信度。使用区域建议网络(RPN)提取隧道积水原图中的区域建议,然后用Fast R-CNN检测网络在建议框中进行图像识别、SVM分类和位置精修。实验结果表明,所提方法计算速度快、识别精度高,在实际工程中表现出较高的效率。     

风力机叶片的图像跟踪与识别算法研究

为及时发现、处理风力机叶片事故,提高风力发电的安全性和可靠性,针对中国现行风力发电的特点,采用图像跟踪技术,借助Adaboost算法对风力机叶片运行状态进行跟踪与识别研究,并提出了Adaboost算法缩短训练耗时间的改进方法。结果表明,改进后的算法可以减少训练分类器的时间,使跟踪、识别的实时性与准确性更为理想。     

高温超导电缆分相电流差动保护的电容电流补偿方案

分析了高温超导电缆的电气参数特点,讨论了将架空线路差动保护中的电流补偿方案直接应用于高温超导电缆线路的可行性,对无电容电流补偿、电容电流半补偿、基于贝瑞隆模型等不同差动保护方案的动作性能进行了仿真分析。结果表明,在高温超导电缆分相电流差动保护方案中必须考虑电容补偿;基于贝瑞隆模型的电流差动保护性能优越,耐过渡电阻能力强,能够满足高温超导电缆线路分相电流差动保护的应用要求。     

电网调控操作智能助手方案探讨

针对电网调度控制运行面临的问题,文中引入语音识别、自然语言处理等人工智能相关技术,提出了电网调控操作智能助手方案。对方案中的电网态势智能感知与交互、调控语音识别、调控知识库构建、调控智能决策等关键技术给出了具体的解决方法。基于该方案研发的调控助手软件,部分功能已在福建电网调控中心进行验证。实践证明,该方案能够协助调控人员进行电网运行指挥和事故处理,提高电网调控操作的效率和准确性。     

M a t l a b与 C#. n e t 混合编程的电缆优化分割研究

针对电力工程电缆优化分割下料问题,建立了以电缆原材料总长最小为优化目标,采用Matlab与C#.net混合编程实现该优化的数学模型。在此基础上研制开发了基于B/S模式的电缆优化分割下料系统,包括自动生成可行下料方案、选定最优分割方案和计算原材料利用率等功能。最后通过实例分析与测试,表明该系统能够较好地实现电力电缆优化分割下料,也验证了Matlab和C#.net混合编程的特点和优势。     

电缆导体温度实时计算的数学方法

为准确实时计算运行中电力电缆线路导体温度以掌握电缆真实载流量,根据电缆等效热路与电路在数学形式上相同的特点,用电路中的节点电压法求解电缆热路问题并提出了解决上述问题的数学方法。研究证明,通过实测电缆外护套表面温度可算出实时电缆导体的温度。     

Compensation of cable voltage drops and automatic identification of cable parameters in 400 Hz ground power units

In this paper a new cable voltage drop compensation scheme for ground power units (GPU) is presented. The scheme is able to predict and compensate the voltage drop in an output cable by measuring the current quantities at the source. The prediction is based on an advanced cable model that includes self and mutual impedance parameters. The model predicts the voltage drop at both symmetrical and unbalanced loads. In order to determine the cable model parameters an automatic identification concept is derived. The concept is tested in full scale on a 90-kVA 400-Hz GPU with two different cables. It is concluded that the performance is significantly improved both with symmetrical and unsymmetrical cables and with balanced and unbalanced loads.     

非负约束自动编码器在电缆早期故障识别中的应用

电缆早期故障的准确识别有助于降低电力系统的故障停电率和提高供电可靠性。在传统模式识别方法中,利于分类识别的有效特征通常难以选择,从而影响识别的准确度。鉴于此,将非负约束自动编码器(Non-negative Constrain Autoencoder, NCAE)堆叠形成的深度学习(Deep learning, DL)网络应用于电缆早期故障识别中。为了提高DL网络的学习效率,首先对故障相电流进行平稳小波变换,提取出一些具有相关性、冗余性的统计量、能量熵和信息熵等作为初级特征,其次堆叠多个NCAE构建出DL网络,通过预训练和微调机制,从初级特征中获得更易于早期故障分类识别的有效特征,最后利用Softmax分类器从正常状态和其他扰动信号中识别出早期故障。利用电缆电流仿真数据进行实验,结果表明与传统模式识别方法相比,所提方法识别准确率更高。     

电气化铁路新型电缆供电方案

电分相和电能质量问题是制约我国高速铁路发展的主要技术问题,为了适应高速铁路发展的需要,可采用新型电缆供电方式。在考虑电缆间耦合作用的基础上,计算了单相电缆的电气参数。基于电缆牵引网等值电路推导了单、复线电缆牵引网的电流分配规律与等效阻抗。以实际线路为例完成了新型电缆供电方案的设计,确定了主变电所容量、牵引变压器容量和各区段的电缆选型,并就所提方案进行了可行性验证和经济性分析。仿真结果表明,所提新型电缆供电方案在空载和负载条件下,电缆和接触网的电压水平均在相应的电压允许范围内,满足牵引供电需求;与已有牵引供电方案相比,新型电缆供电方案具有较明显的经济效益。