基于定点化自适应选择卷积神经网络的电力缺陷识别方法

无人机(unmanned aerial vehicle,UAV)电力巡检时的图像数据量急剧增加,为使深度卷积神经网络(deep convolutional neural network,DCN-N)在低功耗的前提下仍能准确识别出电力缺陷,将重点改进传统DCNN算法,以减少机载前端平台中DCNN模型的计算成本,有效提高电力缺陷识别的运行速度,进而延长巡检无人机的续航里程.首先将卷积网络中的浮点运算进行定点化近似,然后通过快速机器学习算法对DCNN模型的输入图像进行自适应选择,最后通过实验对所提方法进行了验证.实验结果证明,DCNN模型经8比特定点优化和自适应选择选择策略后的准确率达88.2％,推理时间缩短了65.9％,能耗减少了71.9％,查准率提高了9.8％.所设计的定点化DCNN模型自适应选择策略不仅能节约电力巡检系统的功耗,而且能提高电力缺陷识别的精度.     

基于深度学习的特高压直流闭锁故障智能调度决策

针对特高压直流闭锁故障的处置策略问题,提出一种基于深度学习的故障特征建模方法及故障后电网调度策略生成方法,所提智能调控决策依据电网直流故障特征和运行环境信息,通过大数据驱动模型训练得到故障后的调度策略。首先根据故障环境信息,利用故障影响相关性提取有效故障信息,构建故障特征模型。然后介绍深度学习类神经网络原理和多层感知器模型,提出利用深度网络提取训练故障前后运行特征,自动生成调控策略的思路。之后利用反向传播算法构建深度学习框架,通过不断计算损失函数和准确率修正训练模型,自动生成有效故障处置策略。最后利用锦苏直流特高压线路相关的电力系统验证了所提方法的有效性。     

基于CNN-ViT的滚动轴承故障类型识别方法

针对在滚动轴承的故障诊断中,一维信息无法充分挖掘数据特征的问题,提出一种基于卷积神经网络–视觉Transformer(Convolutional neural networks-vision transformer,CNN-ViT)的滚动轴承故障类型识别模型。首先将一维时域振动信号转化为二维灰度图以更好地表现数据特征,并在ViT模型基础上增加CNN对二维灰度图进行上采样,解决了挖掘数据特征不足以及ViT模型训练时的稳定性问题。通过所提模型对轴承不同故障类型及不同损伤程度进行识别。为了验证所提方法的有效性,采用某数据集进行实验验证,同时将所提方法与其他深度学习模型的诊断结果进行了对比。验证结果表明,该方法的准确率为99.4%,具有较高的精度。     

一种基于循环神经网络的电网客服语音文本实体识别算法

针对电力领域语音转写文本质量差,不能很好解决电网领域命名实体识别问题,以电网信息通信(information and communications technology,ICT)系统语音转写文本数据为研究对象,构建了一种基于双向长短期记忆(bi-directional long short-term memory,BiLSTM)神经网络融合条件随机场(conditional random field,CRF)面向电力文本特征的实体识别算法。通过与循环神经网络(recurrent neural network,RNN)等神经网络算法的对比验证:BiLSTM-CRF在电网ICT领域实体识别准确率达79%,F1值达80%,优于LSTM(long short-term memory)和其他RNN算法,并能较好地识别转写错误实体。该算法有效提升了领域语音转写文本的实体识别准确率,同时降低了领域语音识别技术成本,为电网客服领域信息检索、智能问答、个性化推荐等自然语言处理应用提供了高质量非结构化样本数据。     

面向电网调控信息智能检索的知识图谱构建及应用

针对电网调控多维信息缺乏有效地检索手段,提出面向电网调控信息智能检索的知识图谱构建方法,基于深度学习识别调度运行规程关键信息间的语义关系,采用规则转换方法抽取电网模型信息,通过融合对象化的调度运行规程知识和电网模型知识建立调控信息知识图谱,同时提出基于知识图谱的调控信息智能检索应用方案。通过算例验证了所提方法具有较高的识别准确率,能够支撑不同场景下调控信息的智能检索。     

基于Faster R-CNN的绝缘子识别探索和应用

基于可见光图像的绝缘子识别是电网智能巡检设备识别的最重要的任务之一。电网智能巡检采集的图片存在着有效样本稀缺及场景多样性等问题,极大地限制了深度学习等技术在电网设备智能识别上的应用。本文基于深度学习对轻量级的多来源图像样本数据进行了绝缘子识别的探索和应用。首先,阐述了基于深度学习的目标识别算法发展过程,并着重介绍和对比了区域卷积神经网络(region-convolutional neural network,R-CNN)、快速区域卷积神经网络(fast region-convolutional neural network,Fast R-CNN)和更快区域卷积神经网络(faster region-convolutional neural netw ork,Faster R-CNN) 3种用于目标识别的深度学习模型。然后,通过对来源于不同场景的百量级绝缘子图像进行实验,验证了Faster R-CNN模型在百量级图像中和可用性和鲁棒性。本文的研究和实验为深度学习技术在电网各类设备图像目标识别上的推广和应用探索了一条有效路径。     

基于BERT的电网调度语音识别语言模型研究

电网调度语音识别是实现智能虚拟电力调度的重要环节,其中语言模型的准确性直接关系到语音识别的效果。提出一种基于BERT的电网调度语音识别语言模型,首先介绍BERT的模型原理,以及利用BERT构建电网调度语音识别语言模型的方法;然后根据电网调度语言特点,提出对输入电网调度语音识别语言模型的调度语句进行语义特征、关键字特征和命名实体特征提取的方法,提高模型对电网调度语言的适应性;最后通过算例,对所构建的语言模型进行测试,并与其他常用的语言模型进行对比。算例结果表明,考虑了电网调度语言特点的电网调度语音识别语言模型,在语言模型的性能以及电网调度语音识别的准确性上,都有比较明显的优势。     

基于DIndRNN-RVM深度融合模型的AGC指令执行效果精准辨识及置信评估研究

随着电网结构的日益复杂,机组执行(automatic generation control,AGC)指令的精准性对电网在线调控的影响正逐渐增强。针对当前部分厂站对AGC指令跟踪效果不理想的实际问题,该文引入“深度学习”技术对AGC调控指令执行效果进行精准感知和评估。首先提出一种基于深度学习的AGC指令执行效果精准辨识框架,采用深度独立循环神经网络(deep independent recurrent neural network,DIndRNN)对机组执行指令的调节效果进行精准感知;其次,提出一种加快模型训练的预处理策略,基于机组运行历史数据通过分析不同输入属性间的关联特性,实现对模型输入属性的降维;进一步提高模型的收敛性和预测精度;最后提出一种对指令执行效果的不确定性评估方法,采用深度独立循环神经网络关联向量机(deep independent recurrent neural network relevance vector machine,DIndRNN-RVM)深度融合技术给出预测结果在给定出力偏差范围内的可信度,从概率的角度增强了预测结果的使用价值。算例采用真实电网数据进行仿...     

基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解

非侵入式负荷分解(non-intrusiveloaddisaggregation,NILD)是通过对总电气量分析得到用户家中各电器设备的能耗数据,该数据为节能、需求响应及公共安全等方面提供重要依据。目前,NILD算法存在因设备启停状态识别准确率低导致负荷分解精度低的问题。为此,该文提出一种基于设备启停状态识别改进因子隐马尔可夫模型(factorialhidden Markov model,FHMM)的NILD方法。首先,通过人工少数类过采样法(syntheticminorityover-samplingtechnique,SMOTE)对训练数据做重采样处理、深度神经网络(deep neuralnetwork,DNN)模型提取启停状态特征以及双向长短时记忆网络及条件随机场(bidirectionallongshortterm memory-conditionalrandomfield,Bi LSTM-CRF)模型提升其对不平衡启停状态的识别能力;然后,将设备启停状态组合模块按照数理组合方法划分数据集,形成若干启停状态组合子数据集,并分别对各子数据集中处于启状态的设备建立FHMM进行负荷分解;最后,在公开数据集每分钟电力年鉴数据集(the almanac of minutely power dataset,AMPds)进行实验,该文算法得到的设备负荷分解平均精度比传统FHMM方法提升了3.8倍,验证了所提方法的有效性和准确性。     

基于深度神经网络的变工况下综合能源系统低碳经济调度

设备变工况特性给综合能源系统(integrated energy system,IES)经济调度的准确性带来了严峻挑战。为此,提出了一种基于深度神经网络(deep neural network,DNN)的变工况下IES低碳经济调度方法。首先,基于能量枢纽模型(energy hub,EH)和效率修正模型,建立具有可变效率的动态能量枢纽模型(dynamic energy hub,DEH)。其中,EH模型刻画多能源之间的耦合关系,基于DNN的效率修正模型提取设备效率的非线性特征。在此基础上,提出了以总运行成本最小为目标函数的IES低碳经济调度模型。算例分析表明,所提方法能实现IES低碳经济运行,有效提高调度模型的求解速度和精度。     

考虑天气因素的区域配网扰动事件预估

配网运行环境的日益复杂化使电能质量预测的难度不断增大。为解决区域配网的电能质量预测问题,挖掘电力扰动模式,提出一种基于多阶段离散隐马尔科夫模型(discrete hidden markov model,DHMM)的扰动事件预估方法。首先采用数据清洗和离散化技术对天气类型和扰动事件严重程度进行划分;然后通过信息熵相关性分析和时间序列合成的多阶段预处理,提取天气敏感型区域配网的电能质量扰动事件观测序列;最后利用DHMM对观测序列进行训练,实现电力扰动模式提取和扰动事件预估。依据实际城市电网电能质量数据,验证了本文方法的有效性和实用性。相比于传统方法,计及天气因素的DHMM具备更高的电力扰动事件预估准确率。     

基于卷积长短时深度神经网络行为识别方法

传统的人员行为识别中,通过人工特征对人员行为进行分类。 这些方法仅能够利用较浅层次的特征,其识别准确率有 限。 提出通过卷积长短时深度神经网络(convolutional long short-term deep neural networks, CLDNN)进行人员行为识别,并用新 的 GRU 门控单元代替传统的 LSTM 门控单元提高网络效率。 利用该网络结构,既可提取惯性数据中多层次特征,也可充分利 用时间序列相关性。 通过开源数据集的实验证明,该方法相比于传统的卷积网络和基于 LSTM 门控循环神经网络的识别准确 率分别提高了约 3%和 7%;用 GRU 门控单元代替 LSTM 单元后,所需的训练时间和前向的识别时间分别下降了 14%和 10%。     

基于混合神经网络的电力调度文本事件抽取方法

为了提升电力调度文本在业务场景的应用效果,提出基于混合神经网络的电力调度文本事件抽取方法。以电力调度文本故障处置预案为研究对象,建立以预案触发词为中心的事件抽取模型。通过仿真案例验证了所提方法具有较好的事件抽取效果,能够提升实体和实体关系识别的准确率。     

基于深度学习和迁移学习的公共楼宇非侵入式负荷分解

建筑与工业、交通并列成为我国三大“耗能大户”,公共楼宇能耗巨大但节能潜力不可估量,监测其负荷特征挖掘节能潜力应用前景广阔。非侵入式负荷监测与分解作为大数据环境下面向智能电网配电侧的一种高级应用,可通过电力端口信息挖掘用户用电行为,但传统算法主要针对家庭用户,且存在功率跟踪性差,训练时间长等问题。为此,文章面向楼宇用户提出一种基于深度学习和迁移学习的负荷分解模型。该模型将3种神经网络:多层感知器神经网络(multi-layer perceptron neural networks,MLP)、卷积神经网络(convolutional neural network,CNN)、长短时记忆网络(long short-term memory,LSTM)模块化并联连接,并融合网络特征,通过再学习模块重新学习融合特征与结果的映射关系;针对新楼宇数据量不足的问题,将特征学习网络模块特征冻结,运用迁移学习重新训练网络,在确保模型精度的同时降低深度学习所需数据量和训练时间。最后利用真实楼宇负荷数据划分出3种应用场景,利用所提模型开展分解应用并与3种传统深度学习算法分解结果作对比,结果表明:基于深度学习和迁移...     

AFDCNN方法及其在齿轮故障定量诊断中的应用

传统的浅层故障诊断方法需要根据先验知识人为选取故障特征和设计分类器,基于深度学习理论的深度卷积神经网络(deep convolutional neural network,DCNN)能够完成对故障特征的自适应提取与健康状况的智能诊断,但是作为一种大数据处理工具,DCNN无法适应于小样本数据的故障诊断。在Fisher准则深度卷积神经网络识别算法(fisher-based deep convolutional neural network,FDCNN)的基础上提出了一种自适应Fisher准则的深度卷积神经网络(adaptive fisher-based deep convolutional neural network,AFDCNN)方法。在DCNN的基础上引入类内和类间约束的能量函数模型并采用优化算法得到最优能量函数模型参数,能够直接从原始时域信号中自动提取故障特征,实现智能诊断。对齿轮故障实验信号的分析结果表明,所提出的方法可以有效地实现小样本下的齿轮故障智能定量诊断。     

基于混合神经网络的电力调度文本事件抽取方法

为了提升电力调度文本在业务场景的应用效果,提出基于混合神经网络的电力调度文本事件抽取方法。以电力调度文本故障处置预案为研究对象,建立以预案触发词为中心的事件抽取模型。通过仿真案例验证了所提方法具有较好的事件抽取效果,能够提升实体和实体关系识别的准确率。     

并行多模型融合的混合神经网络超短期负荷预测

针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRU-NN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。     

面向电力需求侧的智能电网负载调度方法

为提高电网的负载转化效率,研究了面向电力需求侧的智能电网负载调度方法。采用BP神经网络算法,识别并提取电力需求侧用户的用电行为特征,为智能电网负载调度方法提供用电特征样本基础。分析负载调度的影响因素,基于用电条件约束,建立智能电网负载调度模型。为检测模型的负载调度效果,在模型高效稳定的基础上,根据某区域的电力需求群体用电特征进行负载调度仿真试验,结果显示,进行电网负载调度后,试验组用电最高峰与用电最低谷的峰谷距离比对照组低13,表明设计的面向电力需求侧的智能电网负载调度方法可以更加有效地降低电网负载的峰谷差值,提高电力需求侧用户的用电效率。     

基于深度混合储备池计算模型的短期电力负荷预测

有效的短期电力负荷预测模型有利于保障电力系统稳定且高效地运行。为此,首先提出了一种具有相邻反馈的混合回声状态网络(hybrid echo state network with adjacent-feedback loop reservoir,HALR)模型,用以避免传统浅层模型使用单一类型神经元易产生奇异解的问题。然后,基于深度信念网络(deep neural network,DBN)和HALR模型提出了一种深度混合储备池计算(deep hybrid reservoir calculation,DHRC)模型,以提高传统模型的预测精度和效率,该模型实现了DBN优秀特征学习能力和HALR强大逼近性能的结合。将DHRC模型应用于比利时蒙斯大学采集的某地区电力负荷数据集,最终的X_NRMSE、X_RMSE和X_MAPE分别为0.6591、0.0541和4.8523%。最后,在西北某电网供电公司的实际应用中再次证明了DHRC模型的有效性。实验结果表明,与预测效果最佳的浅层模型HALR相比,DHRC的X_NRMSE、...     

基于深度神经网络和多元损失的说话人识别

生物特征识别技术相对于传统密码等方式具有更高的可靠性,而作为生物特征识别技术的重要研究方向之一的声纹识别方法,研究更精确的声纹识别方法具有更高的研究意义。随着深度学习的发展,深度学习应用在声纹识别技术上成为在声纹识别领域研究的重点。提出一种基于深度神经网络和beyond triplet loss相结合的说话人识别方法,模型通过梅尔频率倒谱系数（MFCC）提取MFCC声学特征,对MFCC声学特征提取说话人声纹特征,然后进行多元损失的模型训练。实验结果表明,DNN-BTL算法在说话人识别领域比高斯混合-隐马尔可夫模型（GMM-HMM）具有更好的识别效果。