基于改进YOLOv3的电力设备红外诊断方法

针对电力设备异常发热故障诊断过程中识别目标设备单一、红外数据集样本数目庞大、平均识别准确率较低和识别速率较低的问题,提出一种基于深度卷积神经网络的改进YOLOv3目标检测方法,识别和定位绝缘子、隔离开关触头、套管、线夹4类电力设备及其异常发热区域。在改进YOLOv3算法的训练过程中,网络将数据集图片裁剪为416×416像素大小,使用Yolomark工具对图像进行标注,得到的标签和样本集一起送入深度学习卷积神经网络进行训练,经历多轮迭代后得到最终模型,最后采用运检部门用红外热像仪现场采集的电气设备红外图谱数据进行效果测试。实验结果表明,训练得到的改进YOLOv3模型相比于YOLOv3和快速区域卷积神经网络(faster region convolution neural network,Faster R-CNN)算法,识别定位的准确率较高,检测速度更快,可基本实现实时检测,可有效应用于变电站电力设备的红外巡检工作。     

辐射源个体识别中的对抗攻击研究

基于深度学习的辐射源个体识别研究主要关注识别精度的提升，往往忽视了识别过程中对抗样本的威胁。针对上述问题，本文在增加辐射源个体类别并提升模型识别精度的同时分析研究了对抗样本对高识别率深度学习识别网络产生的影响。首先获取小样本ADS B信号，通过数据随机切片进行数据增强；再对原有网络进行微调并加入卷积注意力模块提高模型对辐射源个体信号的识别率；最后使用4种攻击算法生成对抗样本并在辐射源个体识别网络上进行测试。除此之外，还将攻击前后的信号样本转化为图片进行可视化比较，以在攻击成功率和攻击隐蔽性之间权衡。实验结果表明，优化后的高识别率模型也容易受到对抗样本的攻击，基于动量的迭代攻击效果最好，相比于快速梯度下降的攻击方法的攻击效果高出10%。     

基于阶段聚焦损失和并行增广策略的 遥感图像场景分类

随着深度学习的不断普及,卷积神经网络已成为遥感图像场景分类的主要手段,然而当前的研究主要集中于多网络主干的信息融合以及注意力机制等领域,在提高分类精度的同时也带来更高的计算复杂度。针对上述问题,分别从改进卷积神经网络损失函数和设计新的样本训练策略两个角度出发,在不增加计算复杂度的前提下,提升卷积神经网络的分类性能。首先,在对传统交叉熵和Focal loss损失函数进行分析的基础上,提出一种阶段聚焦损失函数,该损失函数可以在训练阶段对卷积网络进行有侧重的性能挖掘。其次,设计了一种并行样本训练策略,将采用Gridmask算法增广后的样本图像和原始样本图像,分为两路输入卷积网络进行并行训练,进一步提升卷积网络的分类性能。实验结果表明,所提出的算法分别在AID和NWPU-RESISC45两个大规模数据库上取得了96.72%和93.95%的检测精度,可以显著提升遥感图像场景分类的性能。     

基于卷积网络的GIS局部放电缺陷诊断方法与应用

局部放电检测信号是判断GIS设备是否存在绝缘缺陷的重要判据,变电站复杂电磁信号干扰增加了现场局部放电模式的识别难度,易造成误报.因此提出了一种基于卷积网络的GIS局部放电缺陷诊断方法,将干扰下的检测图谱作为模型识别中的一种输出类型,研究基于VGG-16结构卷积神经网络的局部放电模式识别算法,利用迁移学习对模型参数进行初始化,从构建的变电站GIS设备特高频检测图谱库中抽取样本作为训练集和测试集,通过模型训练得到识别模型.为辅助现场运维,设计基于两层架构的GIS局部放电缺陷诊断和运维系统以及实现流程,应用到某市供电公司GIS运维中,结果表明,GIS局部放电缺陷诊断方法及系统可有效识别出特高频检测图谱中的缺陷类型和干扰,为现场运维决策提供依据,提升现场运维检修效率.     

基于场景建模的电力巡检异物检测样本扩充方法

利用深度卷积神经网络来进行图像目标检测是电力巡检异物检测的常用手段。训练神经网络需要大量样本,但电力行业存在着图片难以收集导致训练样本不足的情况。为方便目标检测神经网络的训练、提升目标检测模型的识别性能,利用一种基于已有样本的场景建模方法,自动生成大量符合实际电力场景的图片,以扩充样本。该方法利用卷积神经网络实现场景建模,并采用泊松融合进行图片合成,同时加入尺寸变换、图像旋转、图像滤波等数字图像处理方法。通过实例验证,该样本扩充方法可以实现扩充目标检测训练所要求的图像样本,也可以在样本完全缺失的情况下快速生成一定量的样本,提高目标检测模型的性能。     

不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究

由于传统轴承故障诊断方法依赖于信号处理能力且模型泛化能力差的问题,提出一种不均衡数据集下基于深度对抗网络的故障诊断方法,该方法首先通过构建小样本训练集进行生成对抗网络训练,将生成样本加入到原始小类别样本训练集中,得到样本训练集,降低不同类别样本的不平衡性;然后引入深度学习的模型优化技术,提出适合轴承故障诊断的深度卷积神经网络模型,该模型直接作用于训练样本集,自适应地从原始数据中逐层学习故障特征,实现不同故障的准确识别;为了增强诊断系统最终分类预测的准确性,引入Focal损失函数对分类层进行故障识别。大量的定性定量实验表明,所提的改进网络在检测率与误检率方面均优于现有的其他深度模型,并且拥有较快的收敛速度与泛化能力。     

基于WDCNN-SVM深度迁移学习的燃气轮机转子故障诊断方法

针对在使用深度学习对燃气轮机转子故障诊断过程中,因振动信号样本中正常运行数据多、故障数据少而使得模型故障诊断准确率低的问题,提出了一种采用深度迁移学习对燃气轮机转子进行故障诊断的方法。首先,使用典型行业样本数据集预训练第一层宽卷积核深度卷积神经网络（WDCNN）模型,给予模型初始的权重。其次,在源域中,使用某型燃气轮机试车获得的大量正常运行样本更新WDCNN模型的权重;在目标域中,利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征,然后使用支持向量机（support vector machines, SVM）进行分类识别,从而达到燃气轮机故障识别的目的。试车数据实验结果表明,该方法能够实现96%的识别准确率,验证了将轴承数据集预训练的深度学习模型迁移到燃气轮机转子领域进行故障诊断的可行性。     

基于神经网络复杂背景下车牌识别系统的研究

车牌识别系统是以汽车车牌字符为目标对象的一个计算机视觉系统。由于获取的车辆图像受光照、噪声等外界因素的干扰,通常具有复杂性和不确定性,导致复杂场景下车牌字符识别更加困难。为提高识别率,首先利用BP网络对模糊处理后的定位车牌进行训练识别,利用MATLAB进行实验。再用卷积神经网络对车牌进行识别实验研究,与BP算法进行比较,对提出的算法进行仿真与实验,将两种方法进行对比发现看卷积神经网络算法对车牌字符识别率有较高的识别率,应用十分广泛。     

复杂数据源下基于深度卷积网络的局部放电模式识别

随着局部放电检测技术和大数据技术的推广,变电站现场气体绝缘组合电器(GIS)的局部放电检测数据不仅数量庞大,而且数据来源复杂,因此传统的局部放电模式识别方法已难以满足需求。鉴于此,提出了一种基于深度卷积网络的局部放电大数据模式识别方法,构建了应用于局部放电模式识别的深层卷积网络模型,同时应用深度自编码器对模型参数进行初始化,利用多层卷积神经网络提取局部放电大数据的深层特征以提高复杂数据源下的识别正确率。通过真型GIS模型实验、变电站现场带电检测和典型干扰实验获取了大量局部放电检测数据,组成复杂数据源的测试样本,并对所提方法进行了实验分析。实验结果表明:与传统的模式识别方法相比,新所提的方法在处理复杂数据源样本任务中识别正确率更高,且识别正确率提高值随样本数据的增加而增大,更适合于大数据平台的工程应用需求。     

基于迁移学习的电力系统暂态稳定自适应预测EI北大核心CSCD

基于人工智能的电力系统暂态稳定预测,通常需要用离线生成的大量暂稳样本对预测模型进行训练,然后根据系统的实时响应进行在线预测。但当系统的运行方式和拓扑结构发生较大变化时,预测模型的精度会显著下降,亟需一种能跟踪系统变化的自适应暂稳预测方法。针对该问题,将迁移学习引入电力系统暂稳预测,基于卷积神经网络提出了一种自适应预测方法。首先利用离线生成的大量暂稳样本训练并得到基于卷积神经网络的预训练模型。当系统运行方式和拓扑结构发生较大变化时,保持预训练模型的网络结构不变,将其中的2个卷积层、2个池化层和全连接层的网络参数迁移至新模型;提出了一种最小均衡样本集的变步长生成方法,用新生成的最小均衡样本集训练分类层参数,从而快速得到新的预测模型。新英格兰10机39节点系统的测试结果表明:所提方法能自适应跟踪系统运行方式和拓扑结构的变化,有效更新预测模型且大幅减少新模型的训练时间,为基于人工智能的电力系统暂态稳定自适应预测提供了一条新思路。     

基于改进Faster RCNN的小尺度入侵目标识别及定位

为实现无人值守变电站视频监控系统对动态小尺寸入侵目标体的识别与定位,提出一种基于改进Faster RCNN的快速神经网络辨识方法。该方法通过构建深度卷积网络计算目标样本的强语义特征,并利用密集连接的传输通道融合位置信息,从而得到适应于小目标检测的基础骨干网络;然后利用锚框挑选出目标可能存在的区域,采用双线性插值法计算定位框的坐标以实现像素级别的精确定位。使用采集的变电站监控图像对模型进行训练,得到适应小尺寸异物的改进Faster RCNN检测模型。通过对比实验结果表明,所提改进方法在进行小尺寸异物检测时能够保持高精度并具有时效性,具备一定的工程实用价值。     

基于无人机图像与迁移学习的线路绝缘子状态评价方法

针对目前绝缘子运维过程存在着规程过于繁杂,过于依赖运维人员的人工识别等问题,文中提出了一种绝缘子状态评价方法,该方法采用历史绝缘子缺陷图像作为训练样本,通过迁移学习在小样本数据处理的优异性能实现基于深度卷积神经网络绝缘子的缺陷识别模型训练,并借助卷积神经网络的特征提取能力实现绝缘子缺陷量化评分,结合历史样本与专家经验实现考虑运行年限、外界环境等因素实现绝缘子综合状态评价。通过实例分析表明文中迁移学习模型训练后绝缘子缺陷识别准确率可达到90%以上,而采用全新学习在同样的样本条件下识别准确率仅为70%,且文中建立的评价模型在日常运维中能够更为灵敏地体现绝缘子的缺陷状态,说明文中评价方法具有相当可靠性,可为运维人员的日常维护安排提供经验。     

基于 MBDC 和双重注意力的变电站人员穿戴检测

安全帽与工作服是变电站工作人员安全的重要保障,为解决现有检测模型对其检测精度低的问题,本文提出了MBDC和双重注意力的变电站人员穿戴检测算法。该算法提出了多分支深度卷积(multi branch deep convolution, MBDC)网络增加深度可分离卷积层以增强特征提取的完备性;然后提出多通道交互注意力(multimodal interaction attention, MIA)增加模型对小目标的检测能力,并将MIA机制结合高效通道注意力(efficient channel attention, ECA)机制构成双重注意力机制,增强模型对于小目标和遮挡目标的识别精度;最后引入焦点损失函数和SIOU(scylla intersection over union)作为损失函数以解决正负样本不平衡问题并加快收敛速度。实验表明,本文算法全类平均精度达到84.88%,比原算法高9.92%,总体性能优于对比算法。     

基于CNN图像识别算法的保护装置智能巡视技术

继电保护装置是保障电力系统安全稳定运行的重要环节。随着变电站及继电保护装置的数量大幅增加,运维人员的日常巡视工作量已经趋于饱和,无法保证每次都实现高质量,无死角的巡视,给保护装置的可靠运行带来了隐患。本文提出基于卷积神经网络图像识别算法的保护装置智能巡视技术,借助安装在屏柜前后的摄像头,可实现保护装置的无人或少人巡视。首先,介绍了保护装置智能巡视系统并对可实现的智能巡视项目进行了分析,引出可利用卷积神经网络对其进行图像识别,然后以压板状态识别为例对巡视项目所需要的训练样本集和测试样本集进行介绍,并给出了巡视项目的卷积神经网络层级,再利用训练样本集对不同巡视项目的卷积神经网络进行训练,最后对各网络进行了测试。测试结果表明,各个巡视项目的神经网络图像识别率都在96%以上,有的可以达到98%,识别效果良好。#$NL关键词：卷积神经网络;图像识别;智能巡视;保护装置#$NL中图分类号：TM77     

基于粒子群的模糊神经网络铅酸蓄电池SOC估计

研究估计变电站阀控式铅酸蓄电池荷电状态(SOC)的方法。采用模糊神经网络对蓄电池的荷电状态预测建立模型,然后利用粒子群算法对网络中的连接权值、隶属度函数进行优化,用蓄电池在不同倍率下的充放电实验数据训练网络,根据训练好的网络模型对蓄电池SOC进行了预测,最后将预测结果与传统模糊神经网络预测结果进行对比。结果表明:该方案达到了对蓄电池荷电状态准确预测的目的,且预测误差小,具有良好的实用性。     

基于 AG-CNN 的轻量级调制识别方法

针对传统卷积神经网络在调制方式盲识别过程中,存在模型体积大、运算量高、无法部署至移动端等问题,提出了一种基于双注意力机制与Ghost模块的轻量级CNN模型AG-CNN(attention and Ghost convolution neural network)调制识别方法,该方法首先将调制信号映射至复空间,并根据归一化点密度对映射点进行颜色处理,得到高阶特征密度星座图;将该特征作为AG-CNN模型的输入进行学习训练,最后使用训练好的模型对接收端接收到的未知信号进行识别。实验表明,AG-CNN模型对散点为10 000的密度星座图识别率在99.95%以上,与相同层数的CNN模型相比,卷积层参数量压缩6.01倍,计算量压缩6.76倍,且相较于VGG-16、InceptionV3、ResNet-50、Shufflenet、Efficientnet等卷积网络模型,参数量与浮点数运算数下降明显,且在大幅节省学习参数量、降低模型复杂度的情况下,表现出优秀的分类性能。     

基于改进MobileViT网络的番茄叶片病害识别

针对卷积神经网络对番茄叶片型病害分类效果不佳的问题，提出了一种基于改进MobileViT轻量级网络的番茄病害识别方法。首先，删除输入和全局表征层的特征融合，将局部和全局表征层进行特征融合，使局部表征与全局表征更加密切相关；其次，为了避免模型在缩放时参数和FLOPS的大幅增加，在融合块中使用1×1卷积层替换3×3卷积层；然后，还添加了输入与融合块的残差结构，优化了网络模型中的更深层次；最后，将ReLU6激活函数替换成H-Swish激活函数，进一步提高了模型准确率。实验结果表明，改进后的MobileViT模型可以很好地实现番茄病害的识别，平均识别准确率达到99.16%。相较于其它的卷积神经网络模型，具有更高的识别精度。     

基于一维CNN的时域超声信号识别技术研究

超声检测缺陷是一种主流的缺陷识别手段,二维卷积神经网络一直是该领域的主要技术,一般从二维C扫、D扫等图像中提取属性特征来进行识别分类,这些研究主要采用二维卷积层,会产生较大的资源消耗。在所有类型的缺陷识别方法中,超声回波信号分析是最主要和有用的工具之一,本研究从原始时域超声信号中提取特征,首先使用来自实验室的JPR-600C空气耦合超声波无损检测系统采集数据;然后通过使用不同的超参数进行实验、t-sne可视化等手段构建并优化一维CNN网络模型;最后实现超声信号缺陷识别分类。实验结果表明,所提出的CNN模型的性能令人满意,缺陷识别准确率为97.57%,高于其他机器学习方法,为实现缺陷识别自动化的需要提供辅助。     

基于多特征信息融合的截齿磨损程度识别研究

为实现截割过程中截齿磨损程度的在线监测和精准识别,提出一种基于多特征信息融合的采煤机截齿磨损程度识别方法。针对不同磨损程度截齿截割过程中的振动和声发射信号进行时域分析和小波包分析;针对两相邻磨损程度截齿的特征样本存在数据交集,增加系统识别难度的问题,构建最小模糊度优化模型并计算各特征参数的最优模糊隶属度函数,获取特征样本的最大隶属度。运用多特征数据样本对BP(back-propagation)神经网络识别模型进行学习和训练。实验结果表明,截齿磨损程度识别模型的判别结果和样本实际磨损类别相符,能够实现对截齿磨损程度的在线监测和精准识别。研究结果对于实际工程中截齿的监测和更换具有重要意义。