基于分布式并行计算的电力系统不良数据识别方法

电力系统不良数据识别方法以单一误差为标准多次比对、多次循环,难以同时处理大量数据,导致不良数据识别误差大、速率低.为改进不良数据识别方法存在的缺陷,设计了基于分布式并行计算的电力系统不良数据识别方法.采用MapReduce模型搭建分布式并行计算框架;设定不良数据判断标准,预处理电力数据;利用标准残差向量和残差灵敏度,识别电力系统不良数据.通过试验验证识别方法的应用效果,结果表明所提方法的平均识别相对误差为12.51％,多种类不良数据漏检率较低,证实了该识别方法的应用效果良好.     

基于TensorFlow神经网络的MCR-WPT系统负载与互感识别方法

针对磁耦合谐振式无线电能传输(MCR-WPT)系统负载与互感识别精度低、速度慢等问题,提出一种基于TensorFlow神经网络的双LCC型MCR-WPT系统负载与互感识别方法.该方法基于TensorFlow深度学习框架,采用神经网络模型,将MCR-WPT系统的负载与互感识别问题等效为非线性方程的求解问题,进而转化为深度学习非线性拟合问题,并给出模型的训练方法,最后得到基于TensorFlow神经网络的MCR-WPT系统负载与互感识别模型.通过离线方式训练负载与互感识别模型,并将训练完成的识别模型导入微型控制器,只需要采集系统输入电流值和传输距离就能够实现负载与互感在线同时识别,识别速度快、精度高,有利于系统的实时控制,且成本较低、易于实现,有利于工程推广应用.     

基于数据挖掘的电力系统网络安全漏洞识别方法

为提高网络安全漏洞识别结果准确率,设计一种基于数据挖掘技术的电力系统网络安全漏洞识别方法。使用数据挖掘技术中的SVM算法,对平面内离散点进行最优分类,以此实现电力系统网络安全数据分类;引进模糊均值FCM算法,对电力系统网络中呈现异常状态的数据进行聚类;选择评估指标,集成所有可以用于评估电力系统网络安全的指标,量化指标,评估网络安全态势,完成对网络安全漏洞的识别。设计对比试验,证明此次设计的基于数据挖掘技术的识别方法可以实现对电力系统网络安全漏洞的准确识别,为电力系统网络的安全运行提供全面的技术保障。     

使用深度分离卷积网络实现继保压板状态识别

变电站内继电保护压板的核对一直以来都是依靠人工进行操作,并且变电站继电保护压板装置众多,人工核对压板方式费时费力且易出错.文章提出一种利用深度可分离卷积网络实现继电保护压板识别的方法.首先,基于TensorFlow机器学习平台创建深度可分离卷积网络;然后,对采集的压板图像进行标注,形成数据集,并对网络进行训练,得到图像识别模型;最后,使用TensorFlow Lite对模型进行转换和优化,并将其应用于嵌入式系统.试验结果表明,深度可分离誊积网络在嵌入式系统上运行性能和识别速度达到预期效果,压板开合状态识别正确率达100％,具有广泛应用价值.     

基于GIS技术的输电线路隐患缺陷识别方法

常规的输电线路隐患缺陷识别方法使用二维AI识别技术训练输电线路隐患缺陷样本数据,易受数据迭代作 用影响,导致识别性能较差,因此基于GIS技术设计了一种全新的输电线路隐患缺陷识别方法.利用GIS技术构建了 有效的输电线路缺陷可视化识别模型,再利用数字图像处理技术设计了输电线路隐患缺陷智能识别算法,从而完成了 输电线路隐患缺陷识别.实验结果表明,设计的输电线路隐患缺陷GIS识别方法的识别AP 性能指标较高.     

基于智能电表技术的智能电网负荷识别

传统侵入式负荷识别技术需要在智能电网用户侧每个用电设备的插座上安装传感器,通过传感器获取电器 设备的负荷,导致负荷识别精度较低.为此,提出基于智能电表技术的智能电网负荷识别方法.首先将智能电表安装 在智能电网用户侧总线上,采集全部用电设备的电力数据,并对采集数据进行降噪与筛选处理,得到高质量的负荷数 据集.其次构建时间卷积网络模型,并输入负荷数据集进行训练,输出目标负荷的识别标签,实现非侵入式智能电网 负荷的识别.实验结果表明,所提方法在识别智能电网用电负荷方面表现良好,平均绝对误差仅为１．１３５kWh,证明 了智能电表技术在智能电网中具有良好的应用效果.     

基于R-FCN模型的深海生物识别技术

针对深海生物识别问题采用基于区域的全卷积网络(R-FCN)模型对海洋生物进行识别,以实现潜水器水下视频信息识别的目的。为了提升模型的训练速度,对潜水器的视频数据进行裁剪和转换,利用数据筛选去除噪声图像来提高模型的准确性,最后采用模型的预学习来提高模型的训练质量。该技术在TensorFlow框架上使用基于R-FCN的识别模型对海参、海胆等深海生物进行识别,平均检测准确率在98%以上,达到了预期的识别效果。     

基于TensorFlow框架的改进BP户变关系识别方法

为了理清供电台区和用户之间的挂接关系,传统方法是依托人工或专用装置辨识,但存在效率低下和运行工况受限等问题。对此,在数据挖掘和机器学习技术基础之上,提出一种基于TensorFlow框架的改进BP(反向传播)户变关系识别方法。首先以Spearman相关系数作为K-means聚类的距离度量,对部分历史电压数据聚类,将聚类结果匹配所属台区进而构建训练样本,利用学习后的BP识别当前用户所对应的变压器及相别。为改善BP容易出现局部最优和收敛速度慢的问题,采用零均值化和Adam(自适应矩估计)对BP进行优化,并将BP部署在TensorFlow框架以进一步减小算法耗时。算例表明,所提算法能够有效提高户变关系识别准确率,提高辨识效率,具有良好的理论和应用价值。     

基于云模型与模糊Petri网的电力市场潜在危害行为识别

针对电力市场中存在潜在危害性交易行为难以被识别、管控的问题,提出基于云模型与模糊Petri网的电力市场潜在危害行为识别方法,在交易过程中对潜在危害行为进行实时预警。将云模型与模糊Petri网应用于模式识别中,有效解决了潜在危害行为难以量化识别的问题,也克服了一般识别方法不易理解的缺陷。首先,设计潜在危害行为识别的一般框架与步骤;其次,阐述通过逆向云发生器与根据专家描述的两种特征云的构建方法;同时,设计潜在危害行为识别的模糊Petri网网络结构与识别算法;最后,以江西省月度竞价交易市场为背景,采用真实交易数据进行算例分析。算例分析结果表明:所设计的方法给出的结果与专家分析得出的结果以及实际的数据高度一致,验证了方法的有效性。     

融合多维度特征的绝缘子状态边缘识别方法

针对传统的绝缘子状态识别方法存在实时性差、特征提取能力不足的问题,基于边缘计算的思想,提出了一种融合多维度特征的绝缘子状态边缘识别方法.利用云边协同和边边联邦协同的联合技术手段,构建了绝缘子状态的边缘识别框架.设计了一种融合多维度特征提取的深度学习网络,该网络采用ResNet101作为主干特征提取网络,使用Incept...