基于VAE-LSTM模型的无人机飞行数据异常检测

无人机飞行数据是反映其自身飞行安全的重要状态参数,通过对飞行数据进行异常检测,是提高无人机整体飞行安全性的关键举措。尽管基于数据驱动方法不需专家先验知识和精确的物理模型,但缺乏参数选择且检测网络结构模型单一,使得检测模型由于参数过多导致过拟合以及无法有效捕捉数据异常模式的问题。文中结合变分自编码器和长短期记忆网络的优势,提出了一种基于VAE-LSTM的无人机飞行数据异常检测模型方法。首先,引入肯德尔相关性分析方法用于选择相关依赖的飞行数据参数集;其次,将具有相关性的参数集对所设计的VAE-LSTM深度混合模型进行训练,学习不同数据特征之间的关系映射;最后,以无监督异常检测方式在真实多维无人机飞行数据进行验证。实验结果表明,VAE-LSTM的精密度、检测率、准确率、F1分数及误检率的各项平均性能指标分别达到95.24%、98.71%、98.8%、 96.82%、 1.31%,相比于KNN、OC-SVM、VAE、LSTM模型,整体上展现出较好异常检测性能。     

YOLOX-IM:一种无人机航拍视频的轻量化交通参数提取模型

在无人机航拍的过程中，背景更广阔，目标的尺寸更小，种类更复杂。提出一种基于YOLOX-s的轻量化无人机航拍目标检测算法YOLOX-IM。首先，为了提高该模型检测小目标的性能，通过使用切片辅助推理(slicing aided hyper inference, SAHI)算法以及坐标修正矩阵对训练集进行预处理和数据增强。然后，在路径聚合网络(path aggregation network, PAN)中引入一个浅层特征图以及超轻量级子空间注意模块，并添加一个检测头对小物体进行检测；最后，对边界回归的损失函数进行了优化。在VisDrone2019数据集的消融实验结果表明，所提出的模型检测精度与基础YOLOX-s相比高了8.13%;模型体积4.55 MB,相较于原模型下降67.14%。利用该模型在中国天津市渌水道进行实地交通监测的交通参数提取实验，在设定的场景中，当无人机航拍高度为50 m时，该模型的交通提取参数精度最高，达到96.14%。     

基于改进FasterRCNN的绝缘子异常检测

绝缘子在保证电力传输安全性方面起着重要作用,为提高绝缘子异常检测效率,提出了一种基于改进的FasterRCNN目标检测模型并将其应用于绝缘子检测中。首先,通过无人机采集航拍的图像样本,利用水平翻转、旋转变换、色域变换等通用图像增强方法扩增样本数量,采用LabelImg标注工具对各图像样本进行标注,完成绝缘子数据集的搭建。通过K-means聚类计算得到绝缘子数据集的最优先验锚框。针对破碎绝缘子占比小的问题,提出一种拷贝数据增强的方法,解决绝缘子不均衡问题。最后,通过实验对比分析了主干网络、拷贝数据增强和FocalLoss对网络性能的影响,得出结论:所提出的改进FasterRCNN模型提升了绝缘子检测的准确率,通过ResneSt101主干网络、拷贝数据增强以及FocalLoss,最终绝缘子数据集的mAP(平均精度均值)达到了68.3%,高于FasterRCNN基线6.8%。     

一种基于CAEs-LSTM融合模型的窃电检测方法

为解决现有的智能电网电力盗窃行为检测方法中准确性不足、检测效率低下等问题,提出了一种由卷积自编码器网络(convolutional auto-encoders,?CAEs)和长短期记忆网络(long short term memory,?LSTM)相结合的CAEs-LSTM检测模型。该模型通过分析数据集的特点对电力数据进行二维转换,设计卷积自编码器结构,采用池化、下采样和上采样重构电力数据的二维空间特征,加入高斯噪声提高模型鲁棒性,并构建长短期记忆网络以学习全局时序特征。最后,对提取的时空特征进行融合从而检测能源窃贼,并进行了参数调优。在由国家电网公布的真实数据集上,通过将CAEs-LSTM模型与支持向量机、LSTM以及宽深度卷积神经网络进行对比,CAEs-LSTM模型的平均精度均值和曲线下面积值均最优。仿真实验表明,基于CAEs-LSTM模型的窃电检测方法具有更高的窃电检测效率和精度。     

基于LSTM神经网络的锂离子电池荷电状态估算

针对锂离子电池荷电状态(state of charge, SOC)预测问题,采用长短期记忆循环神经网络(long short-term memory, LSTM)搭建电池SOC预测模型。利用直流电子负载对18650锂离子电池进行多工况放电,将电池电压、放电电流作为模型输入。将采集数据分为训练集、验证集和测试集,在训练集上训练模型,在验证集上调节模型超参数,在测试集上测试模型性能。采用带动量的随机梯度下降(stochastic gradient descent, SGD)进行权重更新,并加入Dropout正则化方法。在动态放电情况下,使用所提方法预测电池SOC最大绝对误差为2.0%,平均绝对误差为1.05%,验证了该方法的可行性。测试结果表明,在模型训练过程中加入Dropout正则化方法,可以有效降低网络的过拟合现象,增强模型的泛化能力。     

基于改进YOLOv4及SR-GAN的绝缘子缺陷辨识研究

为了精准地识别无人机巡检图形中的小目标绝缘子及缺陷,本文提出了一种基于改进的深度学习目标检测网络(YOLOv4)的输电线路绝缘子缺陷检测方法.首先,通过无人机航拍及数据增强获得足够的绝缘子图像,构造绝缘子数据集.其次,利用绝缘子图像数据集训练YOLOv4网络,在训练过程中采用多阶段迁移学习策略和余弦退火学习率衰减法提高网络的训练速度和整体性能.最后,在测试过程中,对存在小目标的图像采用超分辨率生成网络,生成高质量的图像后再进行测试,以提高识别小目标的能力.实验结果表明,与Faster R-CNN和YOLOv3相比,所提算法在平均分类精度和每帧检测速率方面均有较大提升,性能表现优异.     

基于Attention-LSTM的光伏超短期功率预测模型

超短期光伏发电功率预测有利于电网的调度管理,提高电力系统运行效率及经济性.针对传统长短时记忆(LSTM)神经网络在处理长序列输入时易忽略重要时序信息的缺陷,文章提出了一种结合注意力机制(Attention)与LSTM网络的功率预测模型.采用皮尔森相关系数法(Pearson)分析了实验的历史数据集,剔除无关变量,对数据集进行了降维处理,简化了预测模型结构.在此基础上将Attention机制与LSTM网络相结合作为预测模型.At-tention机制通过对LSTM的输入特征赋予了不同的权重,使得预测模型对长时间序列输入的处理更为有效.以某地光伏电站实测数据对文中所提模型进行训练和对比验证,所提出的预测模型能够更充分地利用历史数据,对长时间输入序列中的关键信息部分更为敏感,预测精度更高.     

基于K-means++和混合深度学习的光伏功率预测

光伏发电输出具有较强的波动性,影响电力系统的调度管理.对此,本文提出一种基于K-means++和混合卷积神经网络(CNN)与长短期记忆(LSTM)网络的光伏功率预测模型.首先,利用K-means++对历史数据集进行分类,选取合适的数据集作为训练集;其次,搭建以历史功率为输入的LSTM模型获得待修正预测功率值,采用卷积神经网络挖掘气象参数与光伏功率的非线性关系,获取修正系数,对待修正预测功率值进行修正,提高预测精度;最后,在点预测模型的基础上,给予输入参数一定的随机波动,进行多次预测,获取预测误差集,进而获得预测区间.通过澳大利亚沙漠太阳能研究中心光伏电站数据集,选择LSTM、CNN-LSTM及K-LSTM算法进行对比,验证了本文方法具有较高的预测精度和稳定性,且能实现准确的输出功率区间预测.     

基于深度卷积和门控循环神经网络的 传感器运动识别

用于可穿戴传感器的人体运动识别任务的传统机器学习方法通常需要手工提取特征,可以自动提取人体运动数据特征的深度神经网络正成为新的研究热点。目前将卷积神经网络(CNN)和长短期记忆(LSTM)循环神经网络组合而成的DeepConvLSTM在识别精度方面有着优于其他识别方法的表现。针对带有长短期记忆循环单元的神经网络的训练较为困难的问题,提出了一种基于卷积神经网络和门控循环单元(GRU)的融和模型,并在3个公开数据集(ACT数据集、UCI数据集和OPPORTUNITY数据集)上与卷积神经网络和DeepConvLSTM进行了性能对比。实验结果显示,该模型在3个公开数据集上的识别精度都高于卷积神经网络,与DeepConvLSTM相当,但是收敛速度比DeepConvLSTM更快。     

基于变压器特性数据聚类的电力负荷分布式预测

针对大量变压器数据的冗余性与非结构化、半结构化、结构化特性,提出一种基于变压器特性数据聚类的长短期记忆(long short term memory,LSTM)网络模型预测方法。首先,采用核主成分分析(kernel principal component analysis,KPCA)方法对高维非线性的变压器特性数据进行降维;然后,采用K-means算法划分不同变压器预测类型,提取各分类中心变压器负荷曲线,通过LSTM网络训练特征样本训练基,构建负荷预测模型;最后,采用灰色关联度算法对同一类型的变压器进行关联度评价,并将最高与最低关联度的变压器负荷数据输入特征样本训练基,验证模型的有效性。将所提出的K-means-LSTM网络模型与基于自适应矩估计的LSTM(adaptive moment estimation-LSTM,ADAM-LSTM)网络模型的短期负荷预测结果进行对比分析,结果表明K-means-LSTM网络模型在运行时间上具有显著优势。     

基于LSTM的卫星导航系统服务性能监测方法研究

在卫星导航系统中,对系统服务性能进行长期可靠的监测,是实现高精度、全覆盖、全天候卫星导航的关键。为进一步提高卫星导航系统服务性能监测分析的准确性与稳定性,利用分布全球的监测站监测数据,在PDOP和定位精度两方面进行解算分析,提出并实现了一种基于LSTM神经网络的卫星导航系统服务性能监测分析方法。实验结果表明,在PDOP方面,BDS和GPS基于LSTM预测的结果比根据星历数据预测出的结果均值准确度分别提高了5.15%和3.89%;在定位精度方面,BDS和GPS基于LSTM预测的结果比根据PDOP和用户等效测距误差预测出的结果均值准确度分别提高了79.64%和73.77%。由此可知,LSTM网络预测结果比依据星历数据的预测结果更好,其中定位精度的预测质量大幅度优于预测结果。该方法可依据PDOP与定位精度历史数据对数据未来的变化趋势进行有效预测,对系统服务性能进行态势跟踪,进而为系统服务性能预警提供参考依据。     

改进YOLOv3模型在无人机巡检输电线路部件缺陷检测中的应用研究

针对传统输电线路无人机巡检图像检测方法存在的精度低、计算时间长和训练样本少等问题,提出了一种用于输电线路部件绝缘子缺陷识别的改进YOLOv3模型。引入K-means++算法解决小目标不敏感问题,引入Focalloss函数解决样本不均衡问题,引入Mish激活函数提高模型精度,引入注意力机制Senet提高特征提取性能。通过对改进前后模型性能的比较分析,验证了该方法的优越性。结果表明,与传统的检测方法相比,所提方法在检测速度上能够满足实时检测的需要,且检测精度最优,检测时间为0.079 s,检测平均准确度均值为94.40%。该研究能够满足输电线路无人机巡检图像缺陷自动检测的需要。     

基于深度可分离卷积的轻量级YOLOv3输电线路鸟巢检测方法

针对输电线路无人机巡检图像鸟巢检测现有方法实时性差及小目标检测能力较弱的问题,提出一种基于深度可分离卷积的轻量级YOLOv3输电线路鸟巢检测方法。首先,使用Mosaic数据增强方法增强数据集并变相提升训练集中小目标的数量;然后,在主干特征提取网络使用深度可分离卷积代替部分标准卷积,提高检测网络的速度,并降低网络参数量从而降低权重文件内存,再使用PANet代替FPN,进一步提升特征融合的能力,增强对小目标的检测能力;最后,使用标签平滑进行训练,解决由于极少量标签错误导致的网络过度自信问题和网络过拟合问题。将某供电局无人机巡检视频剪切成图像制作数据集,使用本文算法与原始YOLOv3算法进行比较,并做消融实验。实验结果表明,本文的算法逐步提升了模型的速度和精度。     

改进视觉惯性里程计融合GPS的无人机定位方法研究

为提升无人机大范围弱纹理场景下的状态估计，提出一种改进视觉惯性里程计融合GPS的定位方法。首先，通过在视觉惯性里程计中加入线特征来表示环境的几何结构信息，提升位姿估计的准确性；其次，通过引入长度阈值筛选，剔除对位姿估计贡献不大的短线段，改善特征追踪的鲁棒性；最后，使用非线性优化的方式，将GPS测量信息和改进的视觉惯性里程计融合，校正视觉惯性里程计的累积误差。基于EuRoC数据集仿真实验以及应用于无人机的真实场景实验表明，相较于原算法，加入线特征算法的定位误差在仿真实验中降低了39.14%，室内场景降低了23.48%，室外场景降低了33.58%。融合了GPS的点线特征算法相较于原算法，定位误差降低了53.99%。     

多分支融合注意力机制的车道线检测模型

为了解决目前车道线检测过程中特征融合不充分、检测精确度低和鲁棒性差的问题, 本文提出一种融合多分支结构和 注意力机制的车道线检测模型 (fusion of multi-branch structure and attention mechanism network,FMANet), 图像编码部分采用多 分支结构和注意力机制, 并选择 swish 作为激活函数, 图像解码部分采用跳跃连接结构, 实现跨层特征融合。 本文利用 TuSimple 公开数据集对 FMANet 模型进行评估与验证, 实验结果表明, 本文所提的 FMANet 模型的 mAP 指标接近 97. 25%, 车 道线检测精确度达到 98. 15%, 此外,通过 CULane 数据集验证 FMANet 模型在不同场景下的检测具有更好的鲁棒性。     

基于YOLO v4优化的航拍绝缘子缺陷图像检测模型

针对现有绝缘子缺陷检测模型检测精度低、实时性差和网络参数多的问题,提出了一种基于YOLO v4改进的绝缘子缺陷检测模型。首先,利用改进的VGG卷积神经网络实现了主干特征提取。其次,在加强特征提取网络和预测网络中引入深度可分离卷积,降低了模型的复杂度。再次,在加强特征提取网络中融合通道注意力机制对重要特征进行增强,提升了模型对绝缘子缺陷的目标辨识能力。最后,以平均精度、帧率、参数量等作为评价指标,对基于公共数据集CPLID构建的新数据集进行了消融实验和对比实验。实验结果表明,改进的YOLO v4模型对绝缘子缺陷的检测精度为98.35%,相比于传统的YOLO v4模型提高了6.4%,并且其检测速度和参数量分别为传统YOLO v4模型的1.5倍和37.5%,可实现对航拍绝缘子缺陷图像的高精度实时有效检测。同时,改进的模型相比YOLO v5-M和Faster R-CNN模型在检测精度,速度和模型复杂度上也更具优势。     

基于深度可分离卷积及SVD输电线路缺陷检测

针对输电线路实时巡检中无人机嵌入式移动端的存储和计算受限问题,在Faster R-CNN目标检测框架及VGG特征提取网络基础上,融合深度可分离卷积及SVD分解,构建了一种轻量级的输电线路缺陷检测方法。在公共的PASCAL VOC 2007与COCO数据集上的实验结果验证了所提方法的优越性。在输电线路缺陷数据集上实验,在保证检测精度不下降的同时降低了模型存储空间,提升了模型的检测速度,实现了检测的实时性。     

基于Dropout优化算法和LSTM的铅酸蓄电池容量预测

针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM（long short-term memory）神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。     

基于时间序列的深度学习光伏发电模型研究

为了减少光伏系统接入电网产生的不利影响,并对预测光伏功率输出进行研究,提出了一种基于数据中潜在季节类别的混合深度学习模型。整个模型分为三个阶段,即聚类、训练和预测。在聚类阶段,采用相关分析和自组织映射来选择历史数据中相关性最高的因素。在训练阶段,将卷积神经网络、长短期记忆神经网络和注意力机制相结合,以构建用于预测的混合深度学习模型。在预测阶段,按测试集的月份选择分类的预测模型。实验结果表明,该实验方法在7.5 min内的间隔预测中具有较高的准确性。     

一种基于改进YOLOv4的SAR舰船检测算法

在大量数据支持的背景下,如何高效利用大量SAR图像,提升舰船目标的检测精度是当前舰船目标检测的难题。本文聚焦如何提升YOLOv4算法对SAR舰船目标的检测精度,提出了一种融合多尺度和注意力增强的YOLOv4增强算法。在原YOLOv4的PANet中加入注意力模块（CBAM）,同时使用加强的K-means聚类算法对数据集中的舰船目标真实框进行聚类,并对锚框结果进行线性比例变换,让算法锚框更适合于训练集。实验证明本文提出的算法在SAR舰船检测中的平均准确率（）达到了94.05%,比原始YOLOv4精度提高了0.7%。实验结果充分证明本文提出的算法能够提升SAR舰船图像检测精度,为海上活动判断精确化提供技术支持。