基于2D—ResNet的船舶电力系统电能质量扰动识别

为实现船舶电力系统电能质量扰动准确识别,结合深度学习提出基于二维残差网络(2D-ResNet)的电能质量扰动识别方法。首先将电能质量一维时间序列通过距离矩阵转化为二维平面图,随后将图像送入所提二维残差网络中提取特征。最终输出特征图通过线性层分类器得到识别结果,实现船舶电力系统电能质量扰动的在线识别。与现有特征提取方法相比,不同信噪比下该方法扰动识别准确率均最高。信噪比为20 dB时,单标签分类平均准确率为93.86%,多标签分类平均F1-score为96.52%,证明了2D-ResNet能有效提取扰动特征且对噪声具备鲁棒性。对于未知复合扰动,单标签分类器识别失败,而多标签分类器准确识别出扰动中的未知成分,且F1-score达到93%,证明了多标签分类适用于未知复合扰动识别。     

基于颜色编码的非侵入式负荷细粒度识别方法

在非侵入式负荷识别任务中,仅使用单一负荷特征对设备进行辨识时,存在特征重叠现象,无法满足对设备进行细粒度分类的需求。为此,该文提出一种基于颜色编码的非侵入式负荷细粒度识别方法。首先,采用Fryze功率理论将高频采样电流分解为有功、无功电流,并对高频采样电压与无功电流进行标准化处理以构建二维U-I轨迹图像。然后,利用颜色编码技术对轨迹图像进行处理,在R、G、B三通道中分别融合有功电流、轨迹变化信息及瞬时功率,得到彩色U-I轨迹图像。最后,构建卷积神经网络,对彩色U-I轨迹图像进行特征提取,实现对设备的分类。在此基础上,文中提出了一种自主学习方法,实现对负荷识别模型自主更新。使用PLAID和WHITED数据集对本算法的识别效果及自主学习方法进行测试。结果表明,文中方法使得U-I轨迹所携带的信息量增加,增强了负荷特征的独特性,从而实现对设备的细粒度识别;自主学习方法能够学习新型电器并更新模型,提升了负荷识别模型场景适应能力。     

基于格拉姆角场和深度残差网络的变压器绕组松动故障诊断模型

针对变压器绕组松动故障诊断中特征量难以选取,依赖人工经验的问题,提出了一种基于自动编码器降噪,格拉姆角场（GAF）和深度残差网络（ResNet）进行识别的变压器绕组松动诊断方法。该方法直接从GAF图像中自动学习有效的故障特征,不需要手动提取特征量。首先,将振动信号经过自动编码器进行降噪,获得信噪比更高的振动信号。然后,采用GAF方法将振动信号转化为二维图像,生成图像数据集,在此基础上训练ResNet,构建适用于变压器绕组松动故障分类识别的网络模型。最后,搭建变压器绕组松动故障试验平台,采集绕组在不同松动和试验电流下的振动信号并进行分析。试验结果表明,所提诊断方法对变压器绕组松动识别准确率达95%以上,能够有效识别松动相和松动程度,适用于变压器绕组松动故障的识别和诊断。     

基于 GAF-CNN 的弓网电弧识别方法研究

由于高速铁路接触网会产生弓网电弧对弓网系统有危害,为了减少弓网损害。提出一种电流时间序列编码技术,即格拉姆角求和/差分场(GASF/GADF)。由于不同受流状态的电流信号不同,其时间序列编码形成的图像也不同,这使得计算机视觉技术可以用于时间序列分类,用来识别弓网电弧。共进行了5组不同条件下的弓网受流实验,测量得到不同条件下弓网系统中的电流数据,并将弓网实验得到的电流数据的状态分为正常受流状态和电弧受流状态。通过构建神经网络,提取电弧电流信号,以格拉姆角场(GAF)图像的形式直观展示了卷积神经网络(CNN)对弓网电弧数据的抽象特征提取情况。实验结果表明,该方法可在不同条件下准确识别弓网电弧避免视频图像背景变化的问题为弓网电弧故障识别提供一种思路。     

计及用电模式的居民负荷梯度提升树分类识别方法

居民负荷分类与识别是负荷监测与需求侧管理的研究基础。为了实现居民负荷用电模式的提取和识别,本文对负荷公共数据集运用主成分分析降维并聚类,提出了一种计及典型用电模式的梯度提升树负荷分类识别方法。首先对负荷公共数据集重采样并获得各类负荷能耗特征样本,归一化后通过主成分分析法降维得到特征的主成分。再通过改进K均值聚类法获得各类负荷的典型用电模式,训练梯度提升树并进行超参数优化,对测试集负荷类型进行识别。在公共数据集与实测数据上测试发现,该方法对于居民负荷分类识别有良好效果,能够实现对负荷的分类识别。     

多模型融合动作识别研究

提出了一种多模型结融合的动作识别方法,目的是利用大数据时代下数据形态的多样性并结合已有模型,以提高识别准确率。该方法使用视频或图像序列与骨架序列对整个模型进行训练。对于骨架序列提取其关键帧,然后使用长短时记忆（LSTM）编码器对骨架序列进行特征提取得到骨架特征。接着使用卷积神经网络得到RGB视频或者图像序列的特征,进一步经过循环神经网络提取特征,得到RGB特征。网络的损失函数方程组由分类误差与上述两种特征的L2范数组成。使用混合最速下降进行网络优化。该方法使用关键帧训练LSTM编码器,大大缩短了训练时间。结合手工提取的关键帧与非监督方式获取的卷积特征,提高识别准确率。在Florence和MSR3D数据集上的实验结果表明,该方法对动作识别具有良好的分类效果。     

基于格拉姆角场与改进CNN-ResNet的风电功率预测方法

风电输出功率的不确定性给电力系统的调度带来了较大的困难，因此准确地预测风电功率变化显得尤为重要。受近些年图像处理蓬勃发展的影响，若将时间序列编码为二维图像，能够让神经网络从“视觉上”对数据进行识别和学习，一定程度上能提高分类和计算方法的准确度。因此，提出了一种基于格拉姆角场(Gramian angular fields,GAF)与卷积神经网络–残差网络(convolutional neural network-residual neural network,CNN-Res Net)的预测风电功率的方法。首先，利用GAF将一维历史风电功率数据转换为二维图像，经过CNN提取时间序列的相关性和特征，再利用Res Net提取与风电功率相关的其他相关数据的特征，在增加网络深度的同时解决退化问题，以提高预测的准确度。然后，将两种网络融合，构建双输入网络结构。最后，将该方法应用在宁夏麻黄山第一风电场和西班牙加利西亚风电场数据集上，通过与Res Net、CNN-MLP(muti-layer perception)、门控循环单元、反向传播算法、长短期记忆网络和Bi LSTM(bi-directional...     

小电流接地系统单相接地故障选线空间域图像生成及融合方法

为发挥深度学习算法特征自学习及其在图像处理领域的优势,避免当前小电流接地系统单相接地故障选线中人工提取故障特征信息缺失的问题,提出了一种通过生成故障电流全信息空间域图像,再利用图像识别与分类算法实现故障选线的方法.所提方法首先使用三相电流构建三维空间域图像,并分别在3个平面上进行投影得到多幅投影图像,解决了获取二维图像的关键问题;然后对投影图像进行二次像素级图像融合,得到了相应的RGB彩色图像,最后使用深度学习算法对图像进行识别与分类从而实现故障选线.将所提方法与已有方法的故障选线结果进行对比,结果表明所提方法在多种因素影响下,均不损失故障信息,图像故障特征更明显、分类准确率更高,且具有抗噪声能力,证明其用于小电流接地系统单相接地故障选线具有可行性.     

基于感知哈希序列的电压暂降事件同源识别

针对现有方法未能充分利用电压采样值信息且对特殊录波情况适应性较差的问题,提出基于感知哈希序列相似性的电压暂降事件同源识别方法。首先,提出一种基于突变点检测和录波情况识别的暂降数据段提取方法,将对录波文件中暂降事件的识别转化为对完整和不完整暂降数据段的分别识别。其次,利用格拉姆角场(Gramian angular field, GAF)将提取后的暂降数据段从一维时间序列形式转化为二维图像,并利用感知哈希算法将其转化为哈希序列。然后,通过欧氏距离刻画相似性,并根据选取的阈值完成电压暂降同源识别。最后,利用IEEE30节点系统生成的仿真数据以及北京、福建地区的实测数据进行验证,证明了该方法具有识别精度高、适应性好等优势。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于改进CEEMD和RF的低压串联故障电弧识别方法

了解决完整集合经验模态分解(complete ensemble empirical mode decomposition, CEEMD)得到的固有模态函数分量数目及其频段不固定,以及故障电弧特征难以准确提取导致故障识别准确率低的不足,引入T检验和方差贡献率形成了一种改进CEEMD方法,进一步提出一种基于改进CEEMD和随机森林(random forest, RF)的串联故障电弧识别方法。首先,依托串联电弧故障试验平台,采集不同负载的电流信号。然后,采用改进CEEMD对信号进行分析并提取故障特征量,以TreeBagger函数进行特征降维,形成特征向量样本集。最后,结合RF构建故障电弧诊断模型,对样本集进行分类识别。结果表明：改进CEEMD能有效地提取不同负载电流的故障特征,所提故障电弧识别方法的识别准确率达到97.50%。通过进行不同特征提取方法和不同分类模型对诊断结果影响的消融实验,进一步证明了所提方法的可行性。     

基于V-I轨迹与高次谐波特征的非侵入式负荷识别方法

针对传统方法无法准确识别含高次谐波家用负荷的问题,文中提出了基于V-I轨迹矩阵、功率及高次谐波多特征融合的负荷辨识方法。首先,分析了11种典型家用负荷的V-I轨迹、功率特征以及谐波特征,提出了基于像素图像转换的混合特征矩阵构建方法,将负荷的功率、高次谐波特征通过二进制编码转换与基本V-I像素轨迹相融合,丰富了样本的特征信息;然后以混合特征矩阵作为卷积神经网络的输入,实现了对家用负荷类型的准确识别。算例中,文中所提算法可准确区分功率特征相似但高次谐波含量不同的加热器与吹风机2种负荷,且其对全类型家用负荷的准确辨识率超过93%。该算法的应用可为实际中准确排查含高次谐波家用负荷的用电安全隐患提供有力的技术支撑。     

基于改进的YOLOv5网络的异常行为检测算法研究

各行各业安全问题尤为重要,对人员的异常行为须及时检测并采取相应的措施才能有效预防安全事故的发生。因此本文提出基于改进的YOLOv5网络的异常行为识别算法,通过实时处理视频监控中人员的异常行为,从而保证企业的安全运行。首先,对输入数据集进行特征提取处理,本文使用YOLOv5的backbone特征提取网络提取视频特征,能够在不同图像细粒度上聚合并形成图像特征;其次,送入到时间注意块,因为不同时刻特征的贡献值并不相同,因此加入此模块赋予特征不同的贡献值;最后,送入特征预测网络,该网络由LSTM搭建,对历史特征序列进行解码,以预测当前的特征。以玩手机和吸烟为例对所提出的网络进行验证,训练集准确率高达96.42%,测试集准确率高达95.21%。     

An improved control strategy for hybrid series active filter dealing with unbalanced load

This article presents an improved control strategy for hybrid series active power filters (HSAFs) working with nonlinear and unbalanced three‐phase three‐wire loads. An algorithm based on the instantaneous power theory is introduced to precisely extract only harmonic components from supply current, even this current is contaminated with negative sequence components due to the imbalance of the load. An improved control strategy based on that sequence extraction algorithm is proposed and investigated in detail by numerical simulations. The proposed control method has shown a better performance in mitigating harmonics, especially for the nonlinear and unbalanced loads. © 2011 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

An explainable framework for load forecasting of a regional integrated energy system based on coupled features and multi-task learning

To extract strong correlations between different energy loads and improve the interpretability and accuracy for load forecasting of a regional integrated energy system (RIES), an explainable framework for load forecasting of an RIES is proposed. This includes the load forecasting model of RIES and its interpretation. A coupled feature extracting strat egy is adopted to construct coupled features between loads as the input variables of the model. It is designed based on multi-task learning (MTL) with a long short-term memory (LSTM) model as the sharing layer. Based on SHapley Additive exPlanations (SHAP), this explainable framework combines global and local interpretations to improve the interpretability of load forecasting of the RIES. In addition, an input variable selection strategy based on the global SHAP value is proposed to select input feature variables of the model. A case study is given to verify the effectiveness of the proposed model, constructed coupled features, and input variable selection strategy. The results show that the explainable framework intuitively improves the interpretability of the prediction model.     

基于GLCM和LBP的局部放电灰度图像特征提取

针对变压器局部放电模式识别中传统统计谱图特征提取维数高、识别率差等问题,提出基于灰度共生矩阵和局部二值模式的局部放电灰度图像纹理特征提取方法。该方法从宏观角度将灰度图像转化为灰度共生矩阵并获取其8维特征,从微观角度计算邻域像素相对灰度响应并获取其10维特征量。搭建四种局部放电实验模型,通过脉冲电流法采集局部放电信号;结合两类特征,以支持向量机作为分类器来识别放电类型并用传统特征提取方法作为对比。结果表明利用该方法提取灰度图像特征在避免特征灾难的同时仍有较高识别率,能有效识别四种放电模型,验证了该方法的有效性。     

基于特征融合与深度学习的非侵入式负荷辨识算法

针对使用单一设备特征进行负荷辨识存在的局限性,提出了一种基于特征融合与深度学习的非侵入式负荷辨识算法。通过分析设备的高频采样数据提取了V-I轨迹图像特征与功率数值特征。利用人工神经网络的高级特征提取能力,实现了V-I轨迹图像特征与功率数值特征的融合。最后以复合特征作为设备新的特征训练反向传播(BP)神经网络进行非侵入式负荷辨识。使用PLAID数据集对算法辨识效果进行了验证,并对比了不同分类算法对特征融合的有效性与负荷辨识能力。结果表明,该算法利用不同特征之间的互补性,克服了使用V-I轨迹特征无法反映设备功率大小的缺点,从而提高了V-I轨迹特征的负荷辨识能力,并且在嵌入式设备中的运算速度为毫秒级。     

基于特征匹配的分布式电源与地区负荷的适应性分析

为充分发挥分布式电源（distributed generation,DG）优势又保证对负荷经济、可靠供电,在分析各类DG与地区负荷特征基础上,综合考虑经济性、电压质量、供电可靠性和环境效益,提出一种DG与负荷相适应的特征匹配方法,可简单方便地对DG与地区负荷的适应性进行定量分析,为不同负荷地区DG的优选提供指导.算例结果表明：该方法准确直观,可综合考虑各种各样的条件与限制因素,给出较为合理的匹配方案,从而验证了所提方法的可行性与实用性.     

基于卷积自编码器的日负荷深度嵌入聚类方法

负荷聚类是电力大数据分析的重要基础。针对高维日负荷数据时序特征提取困难,以及特征提取与聚类处理分离降低负荷聚类准确性的问题,文章提出了一种基于一维卷积自编码器的日负荷深度嵌入聚类方法(deep embedding clustering method based on one dimensional convolutional auto-encoder,DEC-1D-CAE)。首先,采用一维卷积自编码器网络提取负荷曲线蕴含的时序特征。然后,利用自定义聚类层对所提取的负荷特征向量进行软划分。最后,采用KL散度(Kullback-Leibler divergence,KLD)为损失函数,联合优化卷积自编码器与聚类层,得到聚类结果。算例分析表明所提方法在DBI(Davies-Bouldin index)、CHI(Calinski-Harabasz index)指标上均优于K-means、1D-CAE+K-means、基于堆叠式编码器的深度嵌入聚类方法(deep embedding clustering method based on stacked auto-encoder,DEC-SAE),所提方法可以有效提升日负荷聚类的准确性。