基于深度学习的电力设备故障诊断方法研究综述

在大数据时代背景下,如何有效利用电网产生的大量数据快速、准确地判断设备的运行状态,并进行故障预警,成为近年来的研究热点。以基于电力设备监测数据的故障诊断方法为研究主题,总结电力设备数据的特点,阐述应用深度学习技术过程中面临的挑战,最后给出研究建议。应用可解释的深度学习模型、增强数据融合广度和提升诊断结果稳定性是进一步的研究方向。     

基于深度字典学习的输电线路故障分类方法

针对当前输电线路故障分类识别方法存在的阈值整定复杂、人工智能算法可解释性不足等问题,提出了一种基于深度字典学习的输电线路故障分类方法。该方法利用稀疏性约束驱动字典自动提取样本中的故障特征,同时深度字典结构使得所提取的故障特征具有较好的层次性和物理含义,符合人对故障的直观认识,一定程度上解决了数据驱动型方法可解释性不足的问题。最后,通过PSCAD/EMTDC仿真验证了所提方法的有效性。     

融合深度误差反馈学习和注意力机制的短期风电功率预测

为提高风电功率预测精度,提出了一种有机融合深度反馈学习与注意力机制的短期风电功率预测方法。首先,以风电场数值天气预报(numerical weather prediction, NWP)为原始输入,基于双层长短期记忆网络(longshort-term memory, LSTM)模型对风电功率进行初步预测。其次,利用极端梯度提升(eXtreme gradient boosting, XGBoost)算法构建误差估计模型,以便在给定未来一段时间内NWP数据的情况下对初步预测误差进行快速估计。然后,利用自适应白噪声完备集成经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将初步预测误差分解为不同频段的误差序列,并将其作为附加性反馈输入,对风电功率进行二次预测。进一步在二次预测模型中引入注意力机制,为风电功率预测序列与误差序列动态分配权重,由此引导预测模型在学习过程中充分挖掘学习与误差相关的关键特征。最后,仿真结果表明所提方法可显著提高短期风电功率预测的可靠性。     

基于边缘检测与注意力机制的立体匹配算法

随着深度学习理论的不断进步,端到端的立体匹配网络在自动驾驶和深度传感等领域取得了显著的成果。然而,最先进的立体匹配算法仍然无法精确恢复物体的边缘轮廓信息。为了提高视差预测的精度,在本研究中,提出了一种基于边缘检测与注意力机制的立体匹配算法。该算法从立体图像对中学习视差信息,并支持视差图和边缘图的端到端多任务预测。为了充分利用二维特征提取网络学习到的边缘信息,本算法提出了一种全新的边缘检测分支和多特征融合匹配代价卷。结果表明,基于本文模型的边缘检测方案有助于提高视差估计的精度,所获取的视差图在KITTI 2015测试平台上的误匹配率为1.75%,与金字塔立体匹配网络相比,视差图的精度提高了12%,且运行时间减少约20%。     

基于 BiLSTM-Attention 的迁移学习变工况故障识别方法研究

针对传统深度学习网络模型在变工况条件下的故障诊断泛化能力差的问题,提出一种基于迁移学习的双向长短时记忆网络和注意力机制(TLBA)融合的故障识别方法。将原始故障数据划分为源域及目标域;并构建融合注意力机制的双向长短时记忆网络(BiLSTM-Attention, BA)模型,之后使用此模型学习源域数据特征;最后利用迁移学习通过对目标域数据的学习,进一步优化调整BA模型的网络参数,最终得到目标域的故障分类辨识模型。以航空器翼梁故障为案例,结果表明,该方法与传统故障诊断方法BiLSTM-Attention相比,其综合评价指标F_1-score有3.4%的提高,故障平均诊断准确率在91%以上;同时针对变工况下的故障分类结果较为稳定。     

知识图谱框架下基于深度学习的HVDC系统故障辨识

为加快电力系统数字化转型,保证高压直流输电(high voltage direct current, HVDC)系统高质量安全运行,有必要通过智能技术充分挖掘、提炼HVDC系统日常调控、运维等阶段积累的海量数据和丰富管理经验,从而构建知识图谱辅助工作人员对故障进行诊断和处理。提出了一种基于小波变换和深度学习的HVDC系统故障诊断方法。首先,采用小波变换将换流站的故障录波数据(单相接地、相间短路和阀组短路)转换为二维时频图像,并采用数据增强技术来进一步扩充样本数据集。然后,利用ResNet50网络来实现HVDC系统的故障诊断。根据实验结果,所提方法在训练集的分类精度为93%,在测试集的分类精度为82%,证明了该方法的有效性,为HVDC系统的故障诊断提供了一种新的可行性路线。为了进一步验证所提方法,将其与GoogleNet、VGG16、AlexNet、SVM、决策树和KNN等方法进行对比,对比实验结果表明,所提方法在HVDC系统故障诊断中的表现更加出色。     

基于深度卷积神经网络的机电系统故障分类识别方法

随着高端装备在工业领域的广泛应用,其运行状态对装备的安全性和产品的性能影响重大,突发故障往往造成巨大的人民生命财产的巨大损失并影响社会的安全稳定.机电系统多处于变转速工作状态,其状态特征信息难以获取,为机电系统的故障诊断和预测带来困难.针对此问题,提出了深度学习的机电系统故障分类识别诊断模型.首先将采集到的关键部位的振...     

基于双重注意力机制的间质性肺病高分辨率CT 图像分类方法

为了更精确地分类间质性疾病,提出了一种基于深度学习的分类网络,首先将多头自注意力机制模DenseNet-121结 合,使得模型能够同时关注多个重点区域。然后采用卷积注意力模块实现更高效的特征提取,提升网络的空间感知能力,从 而增强分类性能。最后,添加改进的空间金字塔池化层将不同尺度的特征图拼接起来以捕获更丰富的空间信息。此外针对 高分辨率C 图像数据集类别不均衡问题,引入Focal Loss损失函数,使得模型在训练时更专注于难分类的样本,从而进一步 增强模型的分类能力。所提方法在未经训练的数据集上进行测试,达到了88.28%的准确率。相较于原始DenseNet-121在准 确率、召回率、精确率、F1 分数和Kappa 系数提高了4.65%、5.08%、5.82%、5.45%和6.38%。实验结果表明,该方法具有特 征提取能力强和分类准确率高的特点。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于深度学习的绝缘子故障检测研究

绝缘子是架空线路中重要组成部分之一,当出现故障时,影响电网安全运行。为实现绝缘子故障快速、精准的识别,提出了一种基于改进YOLOv3-Tiny的绝缘子故障检测方法。首先,为了增强小目标检测能力,对浅层特征图与第二检测层之前特征图进行同维拼接构建第三预测层。随后,该网络采用Ghost模块替换主干网络中的卷积层,降低模型的参数量。然后,设计了一个新的注意力模块MECA,不仅能够多尺度信息融合,还能使网络专注绝缘子的显著特征。最后,提出了新的交并比EIoU作为边框回归损失函数,更好的定位目标位置。实验结果表明,改进的YOLOv3-Tiny在绝缘子故障检测中平均准确率（MAP）高达96.1%,较原始YOLOv3-Tiny算法MAP提高了17%。     

基于小波特征及深度学习的故障电弧检测

由线路绝缘层老化破损、电气接触不良等原因产生的串联故障电弧严重威胁着低压配电系统的电力安全。其电流小、温度高、隐蔽性强等特点更是给检测和识别带来了困难。基于此,提出一种基于小波特征及深度学习的串联故障电弧检测方法。通过搭建串联故障电弧实验平台,采集了典型阻性、阻感性、感性负载下的电流信号,对电流信号进行小波变换构造了训练集和测试集,通过改进的AlexNet模型识别故障电弧并输出检测结果。实验结果表明,采用该方法进行串联故障电弧识别的准确率约为95.58%,比利用AlexNet模型要高出约10.58%。     

基于几何仿射与注意力的三维激光点云分类

三维点云分类和分割对于三维重建和自动驾驶等技术的发展具有积极的推动作用。三维点云数据具有无序、不规则和稀疏等特点,因此三维点云分类和分割的研究面临诸多挑战。PCT分类网络采用标量注意力机制提取三维点云局部特征,具有良好的三维点云特征学习能力,在三维点云分类和分割任务中表现出先进的分类精度。然而PCT在对三维点云数据进行下采样时忽视了其稀疏性对几何结构所产生的影响,从而无法充分地提取局部特征致使三维点云分类和分割精度下降。针对该问题,本文提出一种基于注意力机制的三维点云分类分割网络GAM-PCT,具体地,GAM-PCT网络采用了向量注意力机制对单通道特征的权重进行调节,利用减法关系和邻域位置编码对三维点云邻域求取注意力特征,同时在对整体点云下采样时插入即插即用的几何形状仿射（GAM）模块来解决三维点云局部区域的稀疏性问题,进而提升网络的分类准确率。实验结果表明,与PCT三维点云分类和分割网络相比,所提出GAM-PCT网络在数据集ModelNet40上的分类精度提升了0.3%,而在ScanObjectNN数据集上的分类精度提升了1.9%,在ShapeNet数据集上的分割平均交并比值提升了0.2%。同时在网络参数量和FLOPs指标上分别降低了0.31 G和0.69 M。实验结果表明改进后网络的复杂度得到了简化,充分验证了改进方法的有效性。     

基于阴影增强和注意力机制的高光谱图像分类

基于深度学习网络的高光谱图像分类能够有效地提取图像中的特征信息,促进遥感图像中丰富信息的挖掘与利用。然而,现有方法性能仍然受限于阴影信息不能充分提取、特征不能有效利用。针对阴影区域信息提取,动态随机共振能够利用噪声增强信号,提高信息的表达能力;针对特征利用,在卷积神经网络中嵌入注意力机制,能够在其提取的高层特征的基础上,从空间维度和通道维度进一步提取融合,筛选出对当前任务目标更为关键的特征,提升网络分类性能。实验结果表明：通过在含有阴影区域的真实高光谱图像数据集Hydice上仿真,动态随机共振能够有效增强信号进而将分类精度从96.48%提升到97.14%,卷积注意块的加入使分类精度提升了0.408 4%。进一步与其他分类方法在Hydice、Indian Pines、Pavia University进行实验对比验证,本文方法分类精度分别达到了97.436 1%、99.219 5%和99.929 9%,对不同数据集的分类都具有良好的表现,相较于其他方法具有明显优势,证明了该方法的有效性和良好的分类性能,在高光谱图像分类领域具有广阔的应用前景。     

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GloVe模型和注意力机制Bi-LSTM的文本分类方法

为了提高文本分类的准确性,扩展分类任务的多样性,提出一种结合一维卷积神经网络（1D-CNN）和双向长短期记忆网络（Bi-LSTM）的文本分类方法。首先,为了解决近义词、多义词的表征困难,采用GloVe模型表示词特征,充分利用全局信息和共现窗口的优势。然后,利用1D-CNN进行特征提取,以降低分类器或预测模型的输入特征维数。最后,对分类模块Bi-LSTM进行优化,其隐藏层由两个残差块组成,并引入注意力机制进一步改善预测的准确度。在多个公开数据集中进行二元分类和多元主题分类实验。实验结果表明,与其他优秀方法相比,所提方法在准确率、召回率和F1得分方面的性能更优,最高准确度达92.5%,最高F1得分为91.3%。     

基于深度置信网络和多维信息融合的变压器故障诊断方法

为了综合多维度信息,快速准确判断变压器缺陷,同时解决多维度信息融合权重难以确定的问题,文中基于深度学习理论,采用稀疏受限玻尔兹曼机搭建了用于故障诊断的深度学习故障分类模型,结合大型变压器的多维度监测量,提出了一种基于深度置信网络和多维度信息融合的变压器故障诊断方法。该方法能够利用变压器海量的无标签多维监测数据作为学习样本,只需对少量带标签数据进行辅助优化,根据变压器实时在线多维监测数据,被训练后的模型能够对变压器本体状态做出准确的故障诊断。对某市220 k V主变进行诊断测试,结果表明,文中提出方法的故障诊断准确率较现有方法高约4%,验证了该方法的可行性和有效性。     

基于机器学习的继电保护故障诊断和分类研究

为提高电力系统中继电保护装置的故障诊断效率,提出一种基于电力网络多传感器信息有监督数据集的机器学习故障分类方法.通过对集群式电力系统输电线路、电力变压器和母线故障的监测及分析,研究故障传输过程特性,构建基于故障传输特性的数据模型及符合统计特性的大规模数据集.对于故障诊断和分类研究,提出基于Fisher判别式的多类型线性判别分析(LDA)方法.针对继电保护电力系统元件故障网络形成的具有故障特性和诊断结果的数据集,利用有监督机器学习(ML)相关理论,搭建具有分类评价的继电保护故障诊断和分类方法.     

基于全相位谱和深度学习的串联故障电弧识别方法

为准确识别低压配电网中的串联故障电弧,提出了一种基于全相位谱和深度学习的串联故障电弧识别方法。首先,从理论上推导负载畸变信号的全相位频谱特征产生机理,利用全相位离散傅里叶变换提取线性、非线性负载的全相位频谱特征量。其次,构建了基于Logistic回归的深度学习神经网络模型,并对不同负载、不同运行状态下的全相位频谱特征量进行深度学习训练。最后,对搭建的故障电弧试验平台上采样数据进行分析,结果能准确识别低压配电网是否发生串联故障电弧和甄别出故障负载的类型。试验结果验证了所提方法的有效性,并随着深度学习理论在电力系统智能化中的应用,该方法可做进一步的深入研究和推广。