基于时频谱图和自适应动态权重PSO-CNN的外破振动信号识别

为避免地下电缆遭受破坏，提高振动监测系统对外力破坏的预警能力，提出一种基于时频谱图和自适应动态权重粒子群算法-卷积神经网络(PSO-CNN)的外破振动信号识别方法。首先，将振动传感系统获取的3 000组外破振动信号转化生成为时频谱图数据集，在图像预处理阶段，采用直方图均衡化和二维主成分分析(2D-PCA)算法来增强灰度图像特征并实现图像数据的降维；然后，将图像数据集的70%作为CNN模型的训练集，并在网络训练过程中引入自适应动态惯性权重PSO对CNN模型的卷积层、池化层相关参数进行迭代寻优，从而获得优化PSO-CNN分类模型；最后，利用测试集图像数据对优化PSO-CNN模型的识别性能进行验证，并与其他分类模型进行了对比。结果表明，所提方法对6种常见外破振动信号的识别准确率达到98.33%,平均每张图像的识别时间仅为0.24 s,与其他分类算法相比具有更高的分类精度和更快速的识别速度，为快速准确地识别外力破坏事件类型提供了一种可行方案。     

基于 FCN 的阀门内泄漏声发射信号识别方法

针对石化工业中输气管道阀门的内泄漏故障,将声发射检测技术与深度学习技术相结合,提出了一种基于全卷积神经 网络(FCN)的阀门内泄漏声发射信号识别方法。 该方法利用声发射技术采集阀门内泄漏的声发射信号,基于 FCN 搭建阀门内 泄漏分类诊断模型,充分发挥了声发射技术在阀门内泄漏检测领域的优越性,以及 FCN 在时间序列分类任务上的高性能。 该 方法相较于传统的识别方法,无需对原始采集数据进行特征提取或繁重复杂的预处理,而是将特征提取的任务也交于神经网络 模型来学习和完成,可实现端到端的阀门内泄漏声发射信号分类识别。 搭建阀门内泄漏检测实验平台,采集并制作阀门内泄漏 声发射信号数据集,建立了基于 FCN 的阀门内泄漏声发射信号的二分类模型,实验结果表明,该模型的分类识别准确率可达 98. 72%,相比较于其他先进的分类模型在数据集上表现出了更加优越的分类识别性能和训练效率,同时对环境噪声具有良好 的抗干扰性能。     

深度信念网络的等效模型及权值扩展算法研究

针对深度信念网络(DBN)中小样本情况下,训练模型泛化性较差,分类识别率不够理想,系统性能有待提高等问题,研究了DBN的等效模型,分析了小样本情况下识别率差的问题;并提出一种区间化权值扩展方法,扩大了样本和权值的匹配空间,使判决更有利于正确分类,提高了小样本情况下的图像分类准确性;用检测与估值理论给出了算法能提高系统检测性能的依据,并在不同的数据库上进行了实验测试,进一步证明了小样本情况下图像分类准确率的提高。最后,将该方法应用到了小样本绝缘子故障识别中。     

基于改进YOLOv3的电力设备红外目标检测模型

红外图像检测技术因具有非接触、快速等优点,被广泛应用于电力设备的监测与诊断中,而对设备快速精确地检测定位是实现自动检测与诊断的前提.与普通目标的可见光图像相比,电力设备的红外图像可能存在背景复杂、对比度低、目标特征相近、长宽比偏大等特征,采用原始的YOLOv3模型难以精确定位到目标.针对此问题,该文对YOLOv3模型进行改进:在其骨干网络中引入跨阶段局部模块;将路径聚合网络融合到原模型的特征金字塔结构中;加入马赛克(Mosaic)数据增强技术和Complete-IoU(CIoU)损失函数.将改进后的模型在四类具有相似波纹外观结构的电力设备红外图像数据集上进行训练测试,每类的检测精度均能达到92％以上.最后,将该文方法的测试结果与其他三个主流目标检测模型进行对比评估.结果表明:不同阈值下,该文提出的改进模型获得的平均精度均值优于Faster R-CNN、SSD和YOLOv3模型.改进后的YOLOv3模型尽管在检测速度上相比原YOLOv3模型有所牺牲,但仍明显高于其他两种模型.对比结果进一步验证了所提模型的有效性.     

基于LightGBM算法的光伏并网系统孤岛检测及其集成的可解释研究

针对智能孤岛检测方法欠缺对数据集划分过程中标签分布不均问题的考虑,以及该领域尚未对复杂智能孤岛检测模型的决策进行可解释性分析,提出了一种基于轻梯度提升机(LightGBM)算法的孤岛检测模型。采用分层抽样的K折交叉验证检测模型的分类性能,解决数据标签分布不均的问题;提出基于决策树的Shapley值加性解释方法为主干,融合累计局部效应图和局部代理模型的集成可解释分析框架,从全局性和局部性角度对光伏并网系统的孤岛状态检测进行归因分析。算例仿真结果表明,所提模型能在传统检测方法的检测盲区中实现精确且快速的动态孤岛检测,且在电压波动、系统故障等情况下均未发生误判。基于集成的归因分析方法解决了单一可解释方法的欠合理性问题,揭示了模型输入电气特征自变量与孤岛检测响应因变量之间的关系,提高了模型的可信度。     

基于SOC的线阵CCD图像采集单元设计

为提高工业在线视觉检测系统中CCD图像采集单元的性能,使用Xilinx公司生产的Virtex-II Pro系列FPGA,采用标准IP Core结合用户逻辑模块的方式设计了基于SOC(片上系统)的线阵CCD图像采集单元.在介绍图像采集单元整体结构及工作过程的基础上重点介绍了如何设计片上系统中的用户逻辑模块以输出CCD及A/D驱动脉冲,并利用Virtex-II Pro内部的双端口BlockRAM实现对CCD图像数据的采集和存储.基于片上系统的线阵CCD图像采集单元具有结构紧凑、采集速度快、通用性及可扩展性强等特点.     

一种改进型YOLOv4输电线路防外破检测方法

输电线路场景图像易受野外多种环境干扰,当前主流的深度学习网络模型难于满足输电线路防外破检测模型的边缘部署实时性和精度要求。该文提出了一种融合残差学习的YOLOv4输电线路防外破检测方法。首先采用数据增强技术对所采集的输电线路图像数据集增强,建立了输电线路防外力破坏的图像数据集。其次,考虑到输电线路网络模型便于实际边缘部署配置的需要,对YOLOv4网络结构进行了改进,基于ResNet50构建特征提取主干网络。最后引入标签平滑技术对YOLOv4的分类损失函数进行了优化以减缓过拟合问题,提高了网络模型的检测精度。用实际采集的输电线路图像构成的数据集进行了测试,实验结果表明该文所提出的方法在运算速度和检测准确度上均优于其他方法。     

电力设备红外图像缺陷检测

机器人在巡检过程中采集到的红外图像很难反映设备目标的纹理信息。人工方法或传统机器学习方法不能精准识别和分类电力设备缺陷,同时其他环境因素容易导致误判。采用CenterNet结合结构化定位的算法模型,通过对现场红外图像数据样本收集、训练及验证算法模型的计算,实现从复杂的红外图像中以较高的准确率将不同变电站设备及其部件识别定位出来。根据设备部件表面温度范围值和识别定位出的变电站设备类型,结合相关温度规范实现电力设备红外图像缺陷检测。实验结果表明,该方法提高了电力设备红外图像缺陷检测的检测精度,为电力设备红外图像智能检测提供了新的思路。     

基于深度学习的输电线路巡检图像绝缘子识别

绝缘子是输电线路无人机巡检的重要目标。为了快速准确识别巡检图像中的绝缘子,通过采集巡检图像,构造绝缘子数据集,提出了一种基于深度学习单阶图像识别框架（YOLOV3-SPP）的绝缘子在线识别模型。该网络模型在YOLOV3的模型上加入了SPP模块。通过在Pytorch环境下的训练和测试,结果表明：加入SPP模块后提高了检测的精确度,并可以快速有效地完成绝缘子识别定位。     

局部自适应复合绝缘子检测与憎水性分类网络

憎水性等级(Hydrophobicity Class,HC)是衡量绝缘子性能的重要指标之一。在实际环境的多种因素作用下绝缘子伞裙表面存在局部憎水性差异,为了准确识别绝缘子的性能,本文提出了一种基于深度学习的局部自适应绝缘子检测与憎水性分类模型。首先,通过绝缘子分割模块分离绝缘子与背景区域,为后续针对绝缘子区域的操作提供分割信息;然后将绝缘子区域划分为固定大小的图像块,在缩小分辨率减小运算难度的同时保留了绝缘子表面的细节信息;最后通过憎水性分类模块分析图像块内绝缘子的憎水性。实验使用巡检维护现场的绝缘子图片作为样本集,分阶段构建模型,分别对分割阶段和憎水性分类阶段的准确性进行评估。实验结果显示分割阶段模块能有效识别绝缘子和背景区域,交叉验证的测试集准确率均大于97.21%,并且憎水性分类阶段模块能准确分析绝缘子憎水性,对140幅测试图片的识别准确率达到98.65%。经过实验证明本文提出的模型在复杂自然环境中检测绝缘子性能是一种有效的解决方案。     

基于MEMS传感器的体操动作识别

针对目前视觉动作识别方法中普遍存在的背景复杂、活动范围有限、个人隐私泄露等问题,设计了一套基于MEMS惯性传感器的体操动作识别系统。该系统主要通过构建传感器网络,采集人体进行体操运动时11个位置的加速度和角速度数据。基于预处理后的两类数据,计算样本均值、标准差、信息熵、均方误差等参数作为分类特征,建立支持向量机(SVM)分类模型,并对6种体操运动的动作进行了有效识别。实验结果表明,SVM算法较K-近邻、朴素贝叶斯、决策树等机器学习算法有更好的识别效果,平均识别率可达97%以上。     

Detection of false data injection attacks on power systems using graph edge-conditioned convolutional networks

State estimation plays a vital role in the stable operation of modern power systems, but it is vulnerable to cyber attacks. False data injection attacks (FDIA), one of the most common cyber attacks, can tamper with measurement data and bypass the bad data detection (BDD) mechanism, leading to incorrect results of power system state estimation (PSSE). This paper presents a detection framework of FDIA for PSSE based on graph edge-conditioned convolutional networks (GECCN), which use topology information, node features and edge features. Through deep graph architecture, the correlation of sample data is effectively mined to establish the mapping relationship between the estimated values of measurements and the actual states of power systems. In addition, the edge-conditioned convolution operation allows processing data sets with different graph structures. Case studies are undertaken on the IEEE 14-bus system under different attack intensities and degrees to evaluate the performance of GECCN. Simulation results show that GECCN has better detection performance than convolutional neural networks, deep neural networks and support vector machine. Moreover, the satisfactory detection performance obtained with the data sets of the IEEE 14-bus, 30-bus and 118-bus systems verifies the effective scalability of GECCN.     

基于ELM与DBSCAN的微电网不良数据检测方法

不良数据检测可以为微电网运行决策提供可靠的数据依据。由于微电网运行模式切换频繁且系统解析模型难以建立,传统基于状态估计的不良数据检测方法尚未得以应用。文章利用极限学习机(ELM)对微电网历史数据进行学习以提取数据特征;进而利用DBSCAN聚类算法分析特征量以识别不良数据,提出了一种基于ELM和DBSCAN的微电网不良数据检测方法。利用一台四端环形直流微电网样机的历史运行数据构建仿真算例,验证了所提方法的有效性;并与多种常用的数据挖掘算法进行对比,结果表明ELM+DBSCAN在算法性能与检测效果上均具有优越性。     

基于BP神经网络的运动想象脑电信号分类研究

运动想象脑机接口因具有更大的自主性、灵活性,在脑机互联领域得到了广泛应用,相比较其它范式分类准确率偏低,限制了其发展。本文利用时频图谱、脑地形图两种特征分析方法对上肢运动想象脑电信号进行了特征分析,并采用滤波器组共空间模式(filter bank co-space,FBCSP)特征提取算法对上肢运动想象信号数据进行了特征提取,再将提取结果分别利用支持向量机（support vector machine,SVM）算法、K-最近邻(K-Nearest Neighbor)算法、反向传播（back propagation,BP）神经网络三种分类算法进行分类,研究结果发现SVM算法、KNN算法、BP神经网络算法应用在上肢运动想象脑机接口系统的平均分类准确率分别为76.45%、74.55%、81.70%,BP神经网络算法相比SVM算法、KNN算法在上肢运动想象任务的分类准确率上分别高出了5.25%、7.15%,并且t检验后得到分类准确率均具有极显著的统计学差异,并利用ROC曲线和AUC值检测了分类器效果,BP神经网络的AUC值相比SVM算法、KNN算法也分别提升了0.1226、0.1285,表明BP神经网络分类算法相比较SVM算法、KNN算法更适用于上肢运动想象脑机接口系统,提高了系统的分类准确率,推动了上肢运动想象脑电信号实际应用的发展进程。     

基于改进Wasserstein生成式对抗网络的电力系统不良数据辨识

随着新能源并网以及大量电力电子器件的投入,电力系统的数据类型向多元复杂化的趋势发展。针对大规模电力系统中出现的不良数据辨识性能差、辨识效率低的问题,提出了一种基于改进Wasserstein生成式对抗网络(WGAN-GP)的不良数据辨识方法。基于历史数据库中的状态量得到多断面正常量测数据并训练WGAN-GP模型;将含不良数据的量测信息输入训练好的WGAN-GP模型,得到对应的量测重构数据,并得到最终的量测重构误差;为了避免人为确定阈值的主观性,提出了一种基于C4.5决策树模型的不良数据阈值确定方法,将量测重构误差输入训练好的决策树模型,即可定位1组量测信息中的不良数据位置。以IEEE标准系统和某实际省网为算例进行仿真测试,结果表明相较于已有方法,所提方法具有更好的辨识性能和更高的辨识效率。     

基于脑电自回归预测的实时相位估计方法

经颅电刺激(transcranial electric stimulation, TES)等无创刺激方式在与大脑内在神经电活动锁相时,能更有效的调节神 经振荡活动。 由于脑电(electroencephalogram, EEG)信号复杂的时变性,现有的方法难以同时满足相位估计精度和实时性的要 求。 为此,提出一种用于锁相刺激系统的实时相位估计方法。 该方法对 EEG 信号进行自回归(autoregressive, AR)建模,然后利 用 AR 模型预测 EEG 信号并进行相位特征点识别,再通过相位特征点计算出待刺激点的相位。 采用该方法对 20 名受试者(年 龄 20~ 36 岁,男性 12 名,女性 8 名)的闭眼静息 EEG 数据进行分析,发现该方法的性能与模型系数更新时长、预测步长及 EEG 的窄带功率大小有关,对高窄带功率的 EEG 数据具有更优性能;在最佳模型参数下(模型系数更新时长为 5 s、预测步长为 30), 20 名受试者的平均锁相指数(phase locking value,PLV)为 0. 968,平均相位误差(average phase error,APE)为 13. 33°。 相对于平 均周期法,该方法具有更高的 PLV 值和更低的相位误差,可用于闭环锁相经颅电刺激仪器的研发。     

基于改进YOLOv5的电力设备检测算法

针对电力设备背景复杂、小目标密集等特点导致无人机智能电力巡检精度低、效果不佳等问题,提出了一种改进YOLOv5的目标检测算法。首先在原模型上增加一层检测层,重新获取锚点框以便能更好地学习密集小目标的多级特征,提高模型应对复杂电力场景的能力;其次对模型的特征融合模块PANet结构进行改进,通过跳跃连接的方式融合不同尺度的特征,增强信息的传播与重用;最后结合协同注意力模块设计主干网络,以聚焦目标特征,增强复杂背景中密集目标区域的显著度。实验结果表明：所提算法的平均精度均值(IoU=0.5)达到97.1%,比原网络检测性能提升了5.6%,有效改善了复杂背景下小目标的错测、漏检现象。     

基于特征融合的风机叶片表面缺陷检测模型

针对风机叶片表面缺陷检测识别率低、且易受光照影响的特点。提出一种基于卷积神经网络特征融合局部二值模式特征及核极限学习机的风机叶片表面缺陷检测方法。利用引入注意力机制的卷积神经网络提取图像深层次信息,然后提取描述图像浅层纹理信息的局部二值模式特征,采用主成分分析方法降低局部二值模式特征维度;将两种从不同层面描述图像的互补特征串行融合。用改进的麻雀搜索算法优化核极限学习机参数,利用融合的特征训练模型,得到最优模型进行缺陷识别。通过实验,在自建数据集训练后的分类准确率达到了97.5%,kappa系数达到95.1。相比利用单一特征检测,分类准确率有明显的提高。经风电场实际验证,本模型的平均分类准确率为96.3%,Kappa系数为94.5,漏报率明显降低。     

基于多维度特征提取的电弧故障检测方法

针对当前含多种电气故障的复杂电路电弧故障识别率低、训练速度慢的问题,提出一种窗口划分结合小波分解与经验模态分解(empirical mode decomposition,EMD)分别从时域、频域及时间尺度等多个维度提取电流特征量,利用机器学习分类模型进行电弧故障识别的方法.首先,利用搭建的电气故障实验平台采集故障及正常电流数据,并将电流数据进行窗口分段,然后分别使用小波变换与EMD方法对电流信号进行分解并计算不同维度上的特征量,将该特征信息作为分类算法的输入进行电弧故障诊断.经实验验证,该特征提取方法在梯度提升决策树(gradient boosting decision tree,GBDT)上的电弧故障检测准确率高达98％,相比电流不分段的方式分类准确率提升了1.87％,能有效获取电弧故障特征,实现对电弧故障高效率与高准确率检测.