基于卷积神经网络的绝缘子RTV喷涂缺陷检测方法

绝缘子室温硫化硅橡胶(room temperature vulcanized silicone rubber, RTV)涂层的二次喷涂可以有效延长绝缘子的使用寿命,保障电力系统的安全运行。针对喷涂质量的评估问题,提出一种基于卷积神经网络的RTV喷涂缺陷自动检测方法：首先构建绝缘子RTV喷涂区域提取网络模型,对绝缘子RTV喷涂区域进行精确分割;然后构建绝缘子RTV喷涂缺陷检测网络模型,对5种喷涂缺陷进行语义分割。实验结果证明,所构建的喷涂缺陷检测网络模型在评价指标上优于主流的语义分割网络,具有良好的性能,能够满足应用需求。     

航拍绝缘子卷积神经网络检测及自爆识别研究

无人机巡检通过搭载的高清相机和图传设备可获取大量详实的巡检影像。绝缘子是输电线路中极其重要且用量庞大的部件,在图像视频中快速准确地检测出绝缘子可为无人机贴近铁塔和输电线路进行细节巡视的测距和避障飞行提供可靠的依据;同时绝缘子为故障多发元件严重威胁电网的安全,需充分利计算机技术对其进行故障诊断。通过搭建卷积神经网络,在由5个卷积池化模块和2个全连接模块组成的经典架构的基础上,对网络进行改进,实现在复杂航拍背景中绝缘子检测。同时在训练的网络模型中抽取绝缘子的特征融入自组织特征映射网络中实现显著性检测,结合超像素分割和轮廓检测等图像处理方法对绝缘子进行数学建模,提出一种针对绝缘子自爆故障的识别算法,取代人工分析,降低由人为经验判断可能造成的误差。经测试,复杂航拍背景下的绝缘子检测精度达90%以上,自爆识别准确率达到85%以上,均满足工程需求,有效提升巡检的效率和智能化水平。     

基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测

由于背景复杂、目标所占像素比例较小,掩膜区域卷积神经网络（Mask R-CNN）模型对输电线路绝缘子缺陷检测能力不足,该文提出一种改进的MaskR-CNN模型。具体地,首先,在特征提取网络中引入卷积注意力模块（CBAM）,分别从通道和空间提升小目标特征保持性;其次,使用全局交并比（GIoU）计算目标间的相似度,提升定位准确性;最后,使用Tversky损失计算掩膜分支的损失,以提升不平衡样本下的检测效果。使用某输电运检中心无人机巡检作业所得具有自爆缺陷的绝缘子照片作为数据集对该模型进行验证,实验结果表明,与原始Mask R-CNN模型相比,该方法的平均精确率AP50:90、AP50和AP75分别提升至0.56、0.79和0.72;与三种经典目标检测算法相比,该算法具有较高的检测精度,模型的分割性能有一定提升,且比原始模型具有更好的鲁棒性,可以满足电力巡检中准确性和快速性的要求。     

一种改进的基于卷积神经网络的绝缘子检测算法研究

针对现场中采集的绝缘子图像存在目标图像大小尺度不一,以及拍摄角度所造成的目标图像相互遮挡等因素而导致误检或漏检等问题,提出了一种改进的基于卷积神经网络的绝缘子图像检测方法。采用轻量化的ZF网络实现特征提取;确定优化的锚窗比例提升目标图像的检测精度;对NMS后处理算法进行了改进,提出多阶段的惩罚因子算法,适应于多尺度、多比例、绝缘子重叠遮挡等复杂情况。实验结果表明,改进后的Faster R-CNN的检测方法将AP由0.797 7提高到了0.905 8,显著地提升了绝缘子目标图像的检测精度,降低了绝缘子的漏检和误检的概率。     

基于ConvNeXt和注意力机制的绝缘子自爆故障检测方法

为了更加准确地识别和定位架空线路绝缘子的自爆故障,保障电力系统安全稳定运行,提出一种基于ConvNeXt和注意力机制的目标检测算法,可用于无人机、巡检机器人等设备拍摄的可见光图像中绝缘子自爆故障检测。首先,使用一种新型卷积神经网络ConvNeXt作为主干网络,使用1∶1∶1∶3的阶段模块数量比例,增强网络对抽象语义特征的提取能力;其次,使用跨阶段局部连接结构,减少网络参数量和计算复杂度,丰富网络梯度连接;最后,引入卷积注意力机制,增强网络对复杂背景中目标区域的感知能力。实验结果表明,改进后的绝缘子自爆故障检测模型的平均精度均值达到97.4%,相比基线YOLOv7提升了1.4%,能够有效实现绝缘子自爆缺陷的检测。     

(20期拿下）基于卷积神经网络的绝缘子故障识别算法研究

卷积神经网络被广泛应用在图像处理领域,不同算法对网络识别率有较大的影响。基于此,引入小波分解理论,通过BP传播算法以及空间向量理论证明得到,相互独立的特征更能表达原图像的信息。通过小波分解去除卷积核之间的相关性,用较少的卷积核提取图像更独立、全面的特征,以提高网络的识别性能。在MNIST、CIFAR-10和CK标准数据库上进行分类识别实验,实验结果表明,此算法能在不同核函数尺寸的条件下取得较高识别率,且达到与传统算法相同识别率的前提下,所需的训练迭代次数更少,训练时间更短。最后,将该算法应用到绝缘子故障识别中,并取得了良好的效果。     

基于深度卷积神经网络的绝缘子憎水性图像识别方法*

针对传统的复合绝缘子憎水性检测方法效率不高、准确性差的问题,提出了一种用于绝缘子憎水性图像识别的方法。该方法基于深度卷积神经网络智能算法,结合国际复合绝缘子憎水性分级标准,构建了能自动识别出六个憎水性等级的算法,并首次在憎水性图像识别上使用了网格化剖分图像的方法,逐网格分析憎水性等级,最终形成了复合绝缘子憎水性图像自动识别算法。结果显示,应用该算法可清楚地识别绝缘子的憎水性等级,得到绝缘子老化程度的分布情况。     

卷积神经网络在复合绝缘子憎水性智能识别中的应用

喷水法是目前检测复合绝缘子憎水性的常用方法,但存在依赖人工判断导致效率低下、准确率较差等问题.为解决该问题,提出一种基于卷积神经网络的复合绝缘子憎水性智能识别方法.首先,通过喷洒不同浓度乙醇溶液模拟绝缘子不同憎水性等级;在各憎水性等级下,综合考虑不同拍摄角度、不同拍摄距离以及不同光照强度等实际条件,分别获取绝缘子表面干...     

基于改进卷积神经网络的火灾实时检测方法

针对火灾检测时间长,影响最佳抢救时间的问题,设计了基于改进CNN的火灾实时检测方法。提取火灾图像数据,充分分析火势与烟势;基于改进CNN构建火灾检测模型,缩短检测时间,提高火灾检测精准度,进而实现火灾高效检测。采用对比实验的方式,验证该方法的检测时间较短,可符合实时性需求,极具推广价值。     

基于深度卷积神经网络的轴承故障诊断方法

针对传统浅层轴承故障诊断方法依赖于人工特征提取和诊断专业知识从而缺乏自适应性问题,结合卷积神经网络善于识别二维形状的特点,提出一种基于深度卷积神经网络的故障诊断方法(DCNN)。首先,为充分展现滚动轴承故障特征信息,利用短时傅里叶变换得到滚动轴承振动时间序列的二维时频谱;其次,通过卷积神经网络自适应提取时频谱中不同故障特征;最后,将提取的轴承故障特征利用Softmax分类器输出诊断结果,实现轴承故障诊断。通过实测故障轴承数据对该方法进行验证,结果表明DCNN在多故障、变负载的轴承故障诊断准确率高达99.9%,证明了所提方法具有良好的泛化性能和可行性。     

基于新型卷积神经网络的非侵入式负载监测方法

现有非侵入式负载监测技术处理负载规模变化的能力弱,且随着负载的种类复杂化与数量的增多,其具有估计精度不高的问题。建立了一种考虑用户用能多时间尺度耦合特性,并具有规模化处理能力的新型卷积神经网络,以提高复杂规模化负载估计的精确性。该神经网络包括多时间尺度感知与特征提取模块、自我关注模块和对抗损失模块等,多时间尺度感知与特征提取模块可获取与整合不同时间尺度负载数据的耦合特征,自我关注模块和对抗损失模块根据耦合特性来进一步提高监测模型的估计精度。最后,通过仿真分析验证了所提方法的有效性和优越性。     

基于CNN的配电网快速重构方法

针对现有配电网重构算法求解速度慢的问题,提出基于卷积神经网络(CNN）的配电网快速重构方法。首先,搭建基于配电网环路结构的多分支CNN模型,减少建模过程对配电网具体结构的依赖;其次,利用混合训练方法训练CNN模型,使模型具备对不同负载模式的配网进行快速重构的能力;最后,以IEEE33节点测试系统为例,验证所提方法的有效性。     

基于卷积神经网络的脑电信号情绪分类方法

情绪作为人脑的高级功能,对人们的心理健康和个性特征有很大的影响。通过对脑电情绪数据集进行情绪分类,能够为今后实时监控正常人或抑郁病人的情绪提供进一步理论及实践依据。因此文章运用公开的脑电情绪数据集所提取的微分熵特征,并使用传统的滑动平均和线性动态系统方法,采用深度学习中的卷积神经网络作为基本前提,设计了一个卷积神经网络的脑电信号情绪分类模型,其包括4个卷积层、4个最大池化层、2个全连接层和1个Softmax层,并采用批归一化使参数搜索问题变容易,抑制模型过拟合。实验结果表明,利用该模型对SEED数据集的3种情绪识别的平均准确率达到了98.73%,精确率、召回率和F1分数分别为99.69%、98.12%和98.86%,ROC曲线下面积达0.998。与最近的类似工作相比,该文提出的卷积神经网络结构对于脑电信号情绪分类具有一定优越性。     

基于改进卷积神经网络的电网假数据注入攻击检测方法

假数据注入攻击可以篡改由数据采集与监控(SCADA)系统采集到的量测信息,影响电网的重要决策,从而对电网状态估计造成安全威胁。针对智能电网状态估计,研究了交流模型下假数据注入攻击的原理,构建了基于改进卷积神经网络(CNN)的假数据注入攻击检测模型。将门控循环单元(GRU)结构加入CNN中的全连接层之前构建CNN-GRU混合神经网络,根据电网历史量测数据进行训练并更新网络参数,提取数据的空间和时间特征,并根据提出的模型设计实现了高效实时的假数据注入攻击检测器。最后,在IEEE 14节点和IEEE 118节点测试系统中,与基于传统CNN、循环神经网络及深度信念网络的检测方法分别进行了大量对比实验,验证了所提方法的有效性。     

基于卷积神经网络与ECOC-SVM的输电线路异物检测

输电线路悬挂异物会引发输电线路单相接地、相间短路等停电事故,因此本文提出一种基于卷积神经网络与ECOC-SVM的输电线路异物检测方法。首先,本文构建气球、风筝、塑料和鸟巢4种输电线路异物图像数据集;然后采用Otsu自适应阈值分割、形态学处理等方法提取感兴趣区域;再利用DenseNet201提取感兴趣区域的特征;最后对ECOC-SVM模型进行训练、测试与结果分析。所用方法在4类异物上的平均识别准确率可达93.3%,有助于提高输电线路运维的效率。     

基于卷积神经网络的非侵入式负荷监测方法

从深度学习与边缘计算的角度,对适用于电力物联网的非侵入式负荷监测方法展开了研究.针对NILM系统在物联网场景下的部署问题,提出了一种新的边缘计算架构,并讨论了各组成部分的任务分配.针对负荷激活在线提取问题,提出了基于离散度和用电行为规律分析的激活判断策略;针对低频采样下的负荷特征问题,提出了一种可自动提取激活特征并识别...     

一种改进卷积神经网络的逆变器故障诊断

针对传统二极管钳位式三电平逆变器故障诊断方法存在的诊断效率低且准确率不高的问题,将一种自适应正则化系数引入卷积神经网络CNN(convolutional neural network),对逆变器进行故障诊断。在传统CNN模型引入正则化去拟合中,正则化系数常采用全局统一的常数型参数,训练过程中需不断试错且效果甚微,针对此提出根据目标损失函数梯度变化,自适应调整正则化系数的CNN模型,能够加快其在逆变器故障诊断中的收敛速度,增强模型泛化能力,提高故障识别准确率。实验表明,与传统BP神经网络和原始CNN模型相比,改进的CNN模型能对逆变器复杂故障做出实时准确诊断。     

基于模糊神经网络的绝缘子表面污秽在线监测

在恶劣的自然环境下,积污绝缘子随时可能发生闪络。在实验室模拟试验和现场实测数据基础上,分析了环境因素对不同污秽程度绝缘子外部电气特性的影响。通过选择泄漏电流有效值、泄漏电流峰值及泄漏电流脉冲频次、环境温湿度等参量作为输入参数,提出采用模糊神经网络方法实现对输电线路绝缘子污秽状况在线监测结果的综合评定。介绍了基于模糊神经网络的污秽评定模型的构建过程,最后列举部分试验数据验证了该方法的可行性。     

基于卷积神经网络的电力操作票文字识别方法

为提升电力操作票文字识别的准确度,提出了一种CBTR(基于卷积神经网络的文字识别)方法。首先,基于卷积神经网络学习得到非线性映射函数,提升操作票图像的PSNR(峰值信噪比);然后,基于假想笔画、路径签名与8方向特征构建集成卷积神经网络模型,使用简单平均法计算分类结果,克服手写字体识别难题。最后,选择DLQDF, MCDNN, DeepCNet作为基准方法,使用实际运维检修中操作票图像样本集进行算法验证。结果表明CBTR方法能准确识别操作票图像文字,具有显著的性能优势。     

基于改进长期循环卷积神经网络的海上风电功率预测

准确的风电功率预测对海上风电安全并网具有重要意义.不同于陆地,海上具有气象因素复杂、风电出力波动显著等特点,使得海上风电功率预测精度难以满足工程实际要求.针对以上问题,文中提出一种基于改进长期循环卷积神经网络(LRCN)的预测模型,用于超短期海上风电功率预测.首先,采用改进LRCN进行初步功率预测,即构建多卷积通道分别...