基于自监督学习的变电站缺陷检测

为了在使用少量标注样本情况下提升变电站设备缺陷检测精度,提出一种基于自监督模型SimSiam的改进缺陷检测算法.不同于原始SimSiam,改进后的算法无需使用标志性图像(iconic images),如ImageNet数据集,而是直接利用非标志性图像(non-iconic images)如COCO数据集进行对比学习,并在下游的缺陷检测任务上获得可媲美有监督方法的性能.通过在投影层(projection head)和预测层(prediction head)中使用全卷积网络和空间注意力模块来代替MLP,保留高维特征的空间结构及局部信息;同时在计算相似度前先对特征图进行均值池化以得到特征向量,并对特征向量进行归一化以计算欧氏距离,从而改进了自监督对比学习的损失函数.实验结果表明该算法能充分利用非标志性图像进行对比学习,并在只标注少量样本的条件下提升变电站设备缺陷检测的精度,在表计表盘破损、挂空悬浮物、鸟巢、呼吸器硅胶变色及箱门闭合异常等5类缺陷检测任务上mAP达到83.84%.     

变电站为中心配电网单线图(一)基于广义开闭所的图数模型

变电站为中心配电网(SCDN)是解决大规模复杂中压配电网(MVDN)态势感知可视化的一个核心概念,但作为态势底图的SCDN单线图自动生成并没有得到很好解决。重点解决支撑“数据驱动”单线图自动生成的数据-图形模型,续文提出两阶段单线图自动生成算法。首先提出广义开闭所(GS)概念,给出了GS元模型及基于GS馈线图形分裂和聚合原理,并依据配电网技术导则讨论了GS元模型的适应性;通过提出的分解方法,将MVDN分解成以高压变电站10 kV母线为主供电源、GS为互联枢纽、接入大量广义负荷的SCDN子网。其次,SCDN单馈线分裂图形通过GS节点聚合,形成可自动组装的SCDN递级图形构成模型。最后,提出适应自动布局布线、基于干线-支线拓扑模型的SCDN图形及数据模型,并进行了案例分析。为后续2篇论文的SCDN单线图自动生成提供了模型支撑。     

随机矩阵理论在配电网早期故障检测中的应用研究

针对配电网结构复杂,运行状态受到多种因素相互作用影响,提出了一种基于随机矩阵理论的配电网早期故障检测方法。首先提出采用配电网馈线及其支线下所有配电变压器在线监测负荷数据并构造时空数据矩阵,然后利用移动窗口法和随机矩阵理论,连续分析统计数据矩阵中元素的特性,采用线性特征值统计量作为统计指标,用以表征数据的行为。工程实例测试结果表明,该方法能有效实现配电网早期故障事件检测,对于配电网线路巡检具有一定的指导意义。     

深度神经网络在配电网公变短期负荷预测中的应用研究

精准的负荷预测关系着电力系统安全、经济和可靠运行,短期负荷预测一直是电力系统的重要研究方向之一。结合深度学习理论,基于MXNet深度学习框架,采用深度神经网络算法预测配电网公变短期负荷,考虑负荷自身历史运行状态、气象因素、变压器属性、电力用户特征等多重因素影响,对传统电力负荷预测进行了创新和探索,并通过在某省的实际应用效果表明,基于MXNet框架的深度神经网络模型训练效率良好。基于深度神经网络的短期负荷预测模型有很强的泛化能力与通用性,为不同地区、不同类型的公变建立个性化的预测模型提供了可行方法。模型部署于阿里云大数据平台,基于阿里云大数据实现了配电网公变日负荷的实时预测。     

从尼日尔建筑群谈对设计三大关系的理解

对尼日尔建筑群进行了概述,分别以牛角屋、Makaranta学校、月亮之屋、沙暴之屋、落日之屋为研究对象,探讨了人与人、物与人、物与物三种关系在尼日尔建筑中的表达形式,对创建人与环境、建筑与环境和谐相融的建筑物具有重要的意义。