基于OTSU-Graham改进算法的保护压板状态辨识研究

随着自动化与智能化技术在变电站中的推广应用为智能巡检奠定了基础,但是目前二次设备的保护硬压板仍然大多采用人工现场核对的方式,存在核对频次低、校对过程溯源性不足的问题。为此,本文提出了一种基于图像内容识别的压板运行状态智能识别方法。首先采用基于空间领域信息的OTSU算法进行阈值分割消除光照不均阴影区域的影响,在此基础上基于Graham的最小外接矩形算法检测压板开关的最小矩形面积,通过识别面积大小来判断压板是否投入。该方法能够有效减少阴影干扰的影响,准确辨识图像中压板的运行状态。     

基于配电自动化故障管理的配电网扩展规划方法

针对现阶段配电网规划过程中面临的可靠性问题,提出一种基于配电自动化故障管理的配电网扩展规划方法。首先对配电自动化的故障管理功能进行介绍;其次根据配网公司的盈利性,以其自身利益最大化建立目标函数,决定线路建设、变电站位置和容量,从而提出一种基于配电自动化的配电网扩展规划模型;然后针对所提模型和所研究的规划问题,采用遗传算法对其进行求解,并对配电系统可靠性进行评估;最后,基于仿真算例验证了所提规划模型的有效性。     

基于图像融合的保护压板运行状态辨识方法研究

随着信息技术和智能化技术在电力系统的应用拓展,采用智能巡检机器人对变电站一、二次设备运行状态进行巡视逐步成为智能运检的趋势.提出了一种基于图像融合的保护压板运行状态辨识方法.基于OTSU阈值分割优化方法快速检测图像中的高光干扰;引入改进RANSAC算法完成多视角的图像特征匹配和求取最佳透视变换矩阵,利用辅助图像透视变换至主图像修复其中的高光区域;在图像修复的基础上通过对压板边缘检测的倾角来判断其运行状态.实验结果表明,所提抗干扰方法有助于更好地识别图像中压板的运行状态,辨识准确率可达93％.     

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。     

基于配电自动化故障管理的配电网扩展规划方法

针对现阶段配电网规划过程中面临的可靠性问题,提出一种基于配电自动化故障管理的配电网扩展规划方法.首先对配电自动化的故障管理功能进行介绍;其次根据配网公司的盈利性,以其自身利益最大化建立目标函数,决定线路建设、变电站位置和容量,从而提出一种基于配电自动化的配电网扩展规划模型;然后针对所提模型和所研究的规划问题,采用遗传算...