基于深度迁移学习的电力线路故障诊断技术

<正>电力线路是电力系统中用于电能之间相互传输的重要组成部分,它的安全性和稳定性直接影响整个电力系统是否可以正常运行。我国当前所使用的线路故障诊断技术主要就是依赖于现有的数据,其对于线路故障的识别在大多数情况下都是依赖于人工来进行提取。对于特征参数的选择会直接影响着整个线路故障的诊断,并且提取的过程也会相对复杂,时间也会很长,这些会影响其准确程度。因此,为了解决现有线路故障诊断技术存在的问题,就需要研究开发基于深度迁移学习的电力线路故障诊断技术。     

基于深度学习的电力变压器智能故障诊断方法

针对电力变压器的故障诊断问题,提出了一种可用于海量监测数据的智能故障诊断方法。首先设计了无源射频识别(radio frequency identification, RFID)传感器标签用于测量变压器的振动信号,该设计具有结构简单、便利性强和功耗低等优点。针对于测量的变压器振动信号数量大、维度高、成分复杂、信噪比低等特点,利用深度学习技术中堆叠自编码器对测量的信号进行特征提取,提取的特征具有相同状态高度聚集,不同状态明显分离的优点。随后,基于提取的海量特征数据,应用加权贝叶斯分类模型进行故障诊断。为进一步提高故障诊断方法的性能,提出了混沌量子粒子群算法分别对堆叠自编码器和加权贝叶斯分类模型的参数进行优化。通过一个10 kV变压器的故障诊断实验表明,设计的无源RFID传感器标签能可靠地获取变压器振动信号,提出的故障诊断方法具有较高的故障诊断正确率。     

基于深度学习的电力作业人员行为识别技术

目前的电力现场安全监控主要通过人员对监控视频进行全程监测,但采用人工检测的方法不仅浪费时间,而且容易出现漏报的情况,使工作人员的人身安全无法得到保障。为实现对作业现场人员行为的智能识别,提出了一种基于OpenPose的电力作业人员的危险行为识别技术。该方法提取视频流图像中电力作业人员骨骼关键点信息,利用深度神经网络实现多人场景下电力作业人员的人体行为姿态感知,实时对施工人员的违规行为进行检测识别,并发出警告。所提方法实现了对电力现场作业人员行为的准确、实时安全监控,保障了现场作业人员的人身安全和电力作业的顺利进行,具有一定的鲁棒性与泛化能力。     

如何识别电力电容器的型号

识别电力设备的型号可以帮助电气工作人员了解其性能,对电力设备的正确选型、订货和验收,尤其是对运行维护是大有裨益的。下面介绍电网中常见电力电容器设备型号识别方法并举例说明,希埋对同行有所帮助。     

深度学习神经网络在电力变压器故障诊断中的应用

由于电力变压器发生故障时油色谱在线监测数据无标签,工程现场往往会得到大量无标签故障样本,而传统的故障诊断方法在对变压器故障类型进行判别时往往无法充分利用这些无标签故障样本。该文基于深度学习神经网络（deep learning neural network,DLNN）,构建了相应的分类模型,分析并用典型数据集对其分类性能进行测试。在此基础上提出一种电力变压器故障诊断新方法,它能够有效利用大量电力变压器油色谱在线监测无标签数据和少量故障电力变压器油中溶解气体分析（dissolved gas-in-oil analysis,DGA）实验数据进行训练,并以概率形式给出故障诊断结果,具有更优的故障判别性能,能够为变压器的检修提供更为准确的参考信息。工程实例测试结果表明,该方法正确可行,诊断性能优于三比值、BP神经网络和支持向量机的方法,适用于电力变压器的故障诊断。     

基于深度自编码网络的电力变压器故障诊断

基于深度自编码网络(DAEN),构建了分类深度自编码网络(CDAEN)模型。结合电力变压器在线监测油中溶解气体分析(DGA)数据,提出了基于CDAEN的变压器故障诊断方法。所提方法利用大量无标签样本进行预训练,优化模型参数,并利用少量有标签样本进行微调。实例分析表明,与基于反向传播神经网络(BPNN)、支持向量机(SVM)的故障诊断方法相比,所提方法的诊断正确率更高。     

基于状态量监测的电力电容器故障诊断技术的研究

本文针对电力电容器故障特点及离线试验存在的弊端,提出了基于运行电压、电容量、不平衡信号等参数作为状态监测量的故障诊断方法,结合相关规程标准设计了故障判别及其预警方案。利用Matlab/Simulink平台对电力电容器内部故障进行了仿真试验,研究了不同故障下电容器各状态量的变化规律,归纳总结了状态量变化与故障之间的关系,提出了基于差分思想的电力电容器故障定位方法,实现了故障的快速判别与定位,有效指导检修计划的制定。     

基于深度学习和图像识别的电力配件智能出入库

针对电力配件种类繁多、型号各异,依靠射频识别(radio frequency identification,RFID)技术开展电力配件出入库管理,不能覆盖所有电力配件,容易出现出入库、退库不准确、效率低,以及出入库电力配件质量不满足生产要求的问题,开展基于机器学习和图像识别的电力配件智能识别研究.首先采用灰度处理、二值...     

基于Zigbee无线传感网络的电力电容器远程故障诊断研究

传统的电力电容器故障诊断方法存在误差大、实时性差的缺点,为提高电力电容器故障诊断的实时性和准确率,将人机交互技术引入Zigbee无线传感网络,结合Zigbee无线传感网络组网成本低和GPRS信号覆盖范围大和信号强的优点,提出一种基于Zigbee无线传感网络和人机交互的电力电容器远程故障诊断方法。选择安庆220 kV泉河变电站10 kV 1号电容器组为研究对象,研究结果表明,本文方法可以有效提高电力电容器故障的诊断准确率,同时可以实现故障数据的实时传输和实时诊断,为电力生产调度和电力电容器故障预警提供新的方法和途径。     

基于深度学习的模拟电路软故障诊断

为降低模拟电路软故障特征提取与分类的人工成本,提高软故障诊断的通用性,提出一种基于深度学习的软故障特征提取方法.利用通道注意力机制对深度学习中的卷积神经网络进行改进,将时域电压波形数据输入至改进的卷积神经网络中进行卷积池化,实现数据降维和故障特征提取,并利用注意力机制对所得的故障特征进行深度选择,突出通道内关键的故障特征,抑制不重要的特征,最终使用Softmax分类器对故障特征分类.针对四运放双二次高通滤波器进行故障诊断,故障诊断平均准确率为98％.实验结果表明改进的卷积神经网络模型可以实现对模拟电路的故障诊断,并避免了传统故障识别耗费大量人工的故障提取和选择.     

基于深度学习的元器件视觉识别和定位技术

为解决当前装配机器人视觉系统对元器件误检率高、效率低、难获取有效定位信息的问题,提出了一种基于深度学习的元器件视觉识别和定位方法。首先,设计基于深度聚合和解耦头的高精度检测算法,提高元器件识别和主体检测的精度;其次,设计标注和判定规则,细化定位主体轮廓和抓取点;最后,设计基于网络剪枝的轻量化检测算法,实现模型压缩,提高引脚检测和装配点定位的效率。研究结果表明：该方法在元器件的识别和定位上取得了较好表现,类别识别平均错误率仅为0.27%,计算量减少了29.8%,参数量减少了22.7%,并将传统的元器件轮廓检测扩展到抓取点和装配点定位,得到丰富的类别和位置指引信息,为工业机器人精准、可靠、稳定地抓取和装配做好基础。     

基于同步监测和深度学习的电容器介损角辨识

电容器在线监测系统中,不同位置监测装置受导线电流的干扰不同,因此工程中使用谐波分析法计算介损角存在不稳定问题。该文提出了一种基于同步监测和深度学习的电容器介损角辨识方法。首先给出了电容器电流、电压信号无线同步监测方法,以及用于深度学习的介损角表示信号Dδ(t)的计算过程。然后仿真验证方法的有效性并与基于加汉宁窗的谐波分析法进行比较。最后对深度神经网络隐含层进行了可视化分析,结果显示,该方法的正确率主要受噪声、谐波幅值比、介损角变化量等影响,且在谐波幅值比小于10%的情况下,辨识结果受频率偏移、谐波与基波相角差的影响较小。     

深度学习在电力潜在投诉识别分类中的应用

随着用户对用电服务的要求及维权意识的不断提高,供电企业需开展海量客户诉求分析,从而实现供电业务薄弱点的发现和改进。因此,提出基于深度学习的电力疑似投诉工单识别分类技术应用,通过深度学习建模、投诉特征标签提炼、模型学习训练、疑似投诉识别,优化投诉风险预警与管理工作,缓解一线工作人员服务压力。     

基于深度学习的电力杆塔缺陷检测

针对目前无人机电力杆塔巡检过程中航拍图像背景复杂、杆塔组件尺寸差异大、缺陷种类多导致的巡检效率低和缺陷漏检率高等问题,本文提出一种动态位置查询引导的多尺度实例分割方法和基于图特征记忆的缺陷检测方法。所提实例分割方法通过提取多尺度航拍图像特征,选择特征中具有最高关注度分数的低分辨率像素,将其映射到高分辨率特征的相应位置,并添加边界框检测器以提高电力杆塔的分割精度。在缺陷检测算法中提出可学习的图特征描述符,构建了一个记忆库来提取关键元素,以获得更准确的样本特征,提高缺陷检测效率。本文方法在自建的两个缺陷检测数据集上与其他先进算法进行对比,实例分割box＿AP和mask＿AP相较于Mask2Former分别提升了7.6%和0.5%,缺陷检测算法AUROC分别比次优算法提高7.3%和1.6%,F1-Score分别比次优算法提高6.7%和6.9%,充分表明了本文算法出色的电力杆塔缺陷检测性能。     

基于深度学习的电力实体信息识别方法

电力设备在长期运行与维护过程中积累了大量电力文本,文本中含有常见的故障部位、故障现象与故障检修方法,由于电力文本常采用非结构化的形式进行记录,所以电力信息的自动挖掘难以准确实现.提出了一种新的电力实体信息识别方法(PowerBERT+Bi-LSTM+CRF,PBERTBiLC).该方法首先采用预训练方式对通用BERT进...     

基于深度学习的电力设备铭牌文本识别

电力设备铭牌包含丰富的设备信息,通过图文识别技术获取设备铭牌信息,可更加高效快捷地完成电力设备的信息统计、台帐校核等工作,也有利于提高电力系统的设备管理水平。针对电力设备铭牌与普通图像文本识别差异较大的特殊应用场景,文中提出一种基于深度学习的电力设备铭牌信息自动识别算法。该算法由铭牌检测、文本检测、文本识别三部分组成。通过改进损失函数设计、增加文本识别结果纠正、人工合成文本图像等方式,使得铭牌检测模型在测试集上的平均精度均值达到92.2%,文本检测模型在测试集上的F₁值达到91.2%,文本识别模型的字符识别准确率达到94.0%,文本行识别准确率达到82.3%。     

基于深度学习的电容器介损角在线辨识

当前电容器介质损耗因素的计算方法为正向求解过程,即先对电容器工作电流和电压进行采样,再使用谐波分析等方法计算介损值,实践中算法稳定性不佳。为此提出了一种基于深度学习的电容器介损角辨识方法,采用一段时间的监测值训练深度学习网络,再使用该深度学习网络对新采样的信号进行辨识,判断介损角变化量(分辨率为0.001%)。给出了用于深度学习的介损角表示信号Dδ(t)的计算过程,证明了在讨论域内该信号的幅值即是介损角δ,且其波形形状包含监测装置受到的干扰。仿真实验证明该方法有效,比加汉宁窗的谐波分析法具有更好的抗噪能力。实际在线监测样本的计算结果表明其稳定性优于加汉宁窗的谐波分析法,且辨识结果不受电压互感器角差的影响。