基于深度学习的输电线路视觉检测方法研究进展

输电线路巡检是电网持续稳定供电的保障,其目的是对电力线、绝缘子、电力杆塔、防振锤等线路设备进行状态检测和故障诊断,同时观测电力线周围潜在隐患。深度学习的发展为输电线路巡检提供了有效手段,与传统目标检测方法相比,深度学习方法能更有效地实现航拍图像中电力设备的识别及缺陷检测。该文综述近十年来基于深度学习的输电线路视觉检测方法的研究进展。首先,概述适用于输电线路巡检的深度卷积神经网络,包括分类网络、检测网络、语义分割网络,考虑到开发的深度学习网络模型便于在移动设备上应用,另外阐述轻量化网络;然后,重点阐述基于深度卷积神经网络的输电线路巡检图像数据目标检测;随后介绍7个电力设备数据集以及性能评价指标;最后,指出基于深度学习的输电线路巡检图像数据视觉检测方法目前存在的问题,并对进一步的工作进行展望。     

基于场景建模的电力巡检异物检测样本扩充方法

利用深度卷积神经网络来进行图像目标检测是电力巡检异物检测的常用手段。训练神经网络需要大量样本,但电力行业存在着图片难以收集导致训练样本不足的情况。为方便目标检测神经网络的训练、提升目标检测模型的识别性能,利用一种基于已有样本的场景建模方法,自动生成大量符合实际电力场景的图片,以扩充样本。该方法利用卷积神经网络实现场景建模,并采用泊松融合进行图片合成,同时加入尺寸变换、图像旋转、图像滤波等数字图像处理方法。通过实例验证,该样本扩充方法可以实现扩充目标检测训练所要求的图像样本,也可以在样本完全缺失的情况下快速生成一定量的样本,提高目标检测模型的性能。     

基于改进YOLOv3的电力设备红外诊断方法

针对电力设备异常发热故障诊断过程中识别目标设备单一、红外数据集样本数目庞大、平均识别准确率较低和识别速率较低的问题,提出一种基于深度卷积神经网络的改进YOLOv3目标检测方法,识别和定位绝缘子、隔离开关触头、套管、线夹4类电力设备及其异常发热区域。在改进YOLOv3算法的训练过程中,网络将数据集图片裁剪为416×416像素大小,使用Yolomark工具对图像进行标注,得到的标签和样本集一起送入深度学习卷积神经网络进行训练,经历多轮迭代后得到最终模型,最后采用运检部门用红外热像仪现场采集的电气设备红外图谱数据进行效果测试。实验结果表明,训练得到的改进YOLOv3模型相比于YOLOv3和快速区域卷积神经网络(faster region convolution neural network,Faster R-CNN)算法,识别定位的准确率较高,检测速度更快,可基本实现实时检测,可有效应用于变电站电力设备的红外巡检工作。     

基于改进卷积神经网络的输电线路故障诊断方法

针对电网输电线路发生故障较多、告警系统误报率较高且依赖运维人员事后分析的问题,提出了基于改进卷积神经网络(CNN)的电网输电线路故障诊断模型.首先对电网输电线路的电流时序数据进行预处理,然后通过双通道融合和多层卷积、池化改进卷积神经网络,并在卷积层中结合批归一化方法,对故障数据和正常调停数据分别进行特征提取,再通过soft-max分类器进行分类识别,构建了智能高效的故障诊断模型,有效地降低了误报率.最后利用国家电网调度中心实际数据,验证了所提方法的有效性.     

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。     

基于深度学习的多输入特征融合的暂态电压稳定性评估方法

暂态电压稳定性评估是电力系统稳定性评估中的难点和重点.提出一种基于深度学习、考虑多输入特征集的暂态电压稳定性评估方法,首先建立包含故障前、故障发生时刻、故障切除时刻的多输入故障集;然后基于深度学习建立卷积神经网络并离线训练PMU数据,最终达到快速准确评估暂态电压稳定性的目的.仿真结果表明,提出的评估方法与现有的神经网络...     

基于卷积神经网络的开关柜故障率预测方法

开关柜设备对于配电网的稳定运行至关重要,评估其在发生不同类型绝缘缺陷情况下的故障概率,可更好地对设备状态及配电系统运行进行安全风险评估,制定合理的状态检修策略。利用配电站开关柜现场带电检测采集的大量局部放电检测数据和故障案例,提出一种基于卷积神经网络深度学习的开关柜设备故障率计算方法。该方法通过设计缺陷分类模块和故障二分类模块,利用多层卷积神经网络实现对每种缺陷类型的故障概率计算。与其他分类模型对比表明,该模型概率计算结果具有较高的准确性。该方法能对开关柜设备缺陷的严重程度和故障概率进行有效评估,在工程上具有较高的实用性。     

基于改进小波变换的电气一次设备故障检测研究

传统的电气一次设备故障检测方法通常基于固定的阈值进行故障判断,导致故障检测的误报率较高。针对上述问题,提出基于改进小波变换的电气一次设备故障检测方法。首先,通过监测电气一次设备的状态,实时获取设备的运行数据。接下来,利用改进小波变换对故障信号进行分解,将复杂的信号分解为多个尺度的成分。最后,根据信号分解与特征熵值从大量的数据中自动提取出与故障相关的特征,利用这些特征进行故障检测。实验结果表明,基于改进小波变换的电气一次设备故障检测方法的误报率低,检测结果具有较高的可信度,具有应用价值。     

基于深度学习的智能录波器配置数据自动化映射方法

智能变电站配置描述文件中包含大量智能二次设备数据输出接口地址的配置数据集,将这些数据集映射至智能录波器各信息组是保证录波器精准采集设备运行数据的基础性步骤,当前主流映射方法是依照输出接口描述文本人工映射对应的配置数据,二次设备数目繁多时映射工作量大,而描述文本一定程度的不规范性给数据集自动化映射提出了难题。针对这一问题,本文提出了基于深度学习框架—动态卷积神经网络构造的智能录波器配置数据的自动化映射方法;首先利用文本表征模型word2vec对数据集描述文本的稀疏文本向量进行词组语义及关联关系的表征;随后构造动态卷积神经网络并输入文本向量,基于其多层次抽象化学习典型样本特征的特点进行语义规律挖掘与文本分类映射,据此结果实现接口地址配置数据的自动化映射。实际算例表明,基于动态卷积神经网络模型的文本分类方法语义分析能力强,分类精度高,有效提升了智能录波器配置数据自动化映射的准确率。     

基于单阶段目标检测算法的变电设备红外图像目标识别及定位

针对红外图像中变电设备的识别和定位问题,提出了一种基于改进YOLOv3算法的变电设备检测方法.在现场采集的变电设备红外图像集的基础上,首先使用基于Retinex的图像增强算法以及阈值分割等图像处理方法对图像集进行预处理;然后基于变电设备红外图像对YOLOv3算法进行参数优化,并通过迁移学习的策略对改进YOLOv3网络进行训练以解决图像集样本数量较少的问题.实验结果表明,在样本数量较少的情况下,所提方法可以达到满意的检测准确率,并能快速地实现变电设备的识别和定位.     

基于卷积递归网络的电流互感器红外故障图像诊断

电力大数据中日益增多的非结构化数据为以人工诊断为主的传统处理方式提出了新的挑战。红外故障图像作为一种典型的非结构化数据,对于电力大数据的研究有着至关重要的作用。为了达到自动处理海量红外故障图像的目的,提出了一种基于卷积递归网络的电流互感器红外故障图像诊断方法。对红外故障图像首先进行超像素分割并利用其色度信息提取温度异常区域;然后采用两级联合卷积-递归神经网络,对大量样本信息进行训练学习来指导设备故障部位识别;最后依据部位信息对故障进行分类。实验结果表明,该算法鲁棒性较强,准确性较高,有效地提高了红外检测效率,为非结构化数据的特征提取分析提供了坚实的基础。     

基于时间卷积网络的模拟电路故障诊断方法

对模拟电路故障诊断中的故障特征提取进行了研究,引入了卷积神经网络模型,提出了一种基于时间卷积神经网络的模拟电路故障诊断方法,在四阶Butterworth低通滤波器电路上分别对不同深度的时间卷积网络进行分类对比实验,实验结果证实了深度时间卷积网络在故障特征提取中的有效性。同时设计实验对比了时间卷积神经网络、SAE-SOFTMAX、深度信念网络和长短期记忆网络的特征提取能力,结果表明,时间卷积神经网络模型在模拟电路故障诊断中能够提取出更能反映数据本质的特征,取得更好的诊断准确率。     

基于卷积神经网络的生产日期识别

为了提高识别效率并减少人工成本,采用深度学习的方法对生产日期图像进行识别。首先对生产日期图像进行预处理,使用水平投影分割算法并提出一种区域最大值分割的方法将图像中的干扰字符去除,只留下数字、字母和汉字字符。然后创建一个由生产日期图像中常包含的数字、英文、汉字字符所组成的可扩展的数据集。最后构建一个卷积神经网络模型并将数据集送入训练以获得较高的识别准确率。经测试基于卷积神经网络的识别方法对生产日期识别的准确率高达98%。     

基于组合式目标检测框架的低漏报率缺陷识别方法

针对输电线路机巡影像缺陷识别中低漏报率的需求,提出了一种基于组合式深度目标检测框架的输电线路低漏报率缺陷识别方法.该方法首先利用典型目标检测算法在输电线路巡检图像数据集上进行训练,得到输电线路设备缺陷的特征提取网络;随后引入位置随机分布函数改进目标预测的方式,并利用自适应非极大值抑制判别器,对2个网络的特征提取结果进行...     

基于深度迁移学习的输电线路涉鸟故障危害鸟种图像识别

为了实现输电线路涉鸟故障的差异化防治,提出一种基于深度迁移学习的危害鸟种图像识别方法.根据历史涉鸟故障的鸟种信息及输电走廊周边鸟种调查结果,建立88种相关鸟类图像数据集,采用类激活映射进行图像预处理,滤除复杂背景噪声.基于迁移学习的思想,首先利用AlexNet、VGG16、ResNet50、Inception V3这4种深度卷积网络架构建立学习模型,采用ImageNet图像数据集对其进行预训练,通过对微调预训练后的网络结构进行模型迁移,使其匹配鸟种图像识别任务.然后,利用鸟种图像样本集对迁移学习模型进行训练与测试,对比4种网络模型的识别准确率.最后,借鉴Delphi法的思想,建立一种融合多卷积神经网络的涉鸟故障危害鸟种识别模型.算例验证结果表明,该模型对88种危害鸟种的识别准确率可达91.21％,能够有效实现架空输电线路巡检图像中的鸟种识别,进而为涉鸟故障防治提供参考.     

基于深度学习的人群计数算法综述

人群计数在视频监控、公共安全、智能商业等许多领域都有广泛的应用,近年来,随着深度学习的不断发展,人群计数已经成为计算机视觉领域研究的热点之一。本文根据提取特征方式的不同,将人群计数分为两类一类是传统方法,另一类是基于深度学习的方法,对基于卷积神经网络的方法进行重点分析和介绍;进一步介绍了人群计数领域的基准数据集和其他代表性数据集,实验结果表明,在人群密集和尺度变化较大的场景,基于卷积神经网络的方法优于传统方法,在尺度变化较大、人群较复杂的场景中多列网络比单列网络计数更加准确,效果更好;最后讨论了算法的未来发展方向。     

基于改进卷积双向门控循环网络的轴承故障诊断

针对传统深度学习方法没有充分利用轴承信号的时序特点,以及难以处理动态数据的问题,提出一种基于改进卷积双向门控循环神经网络的轴承故障智能诊断方法。采用卷积神经网络从输入信号中提取代表性特征,引入双向门控循环神经网络挖掘故障数据在时间维度上的语义信息,通过注意力机制自适应地对特征图通道赋予不同权值,从而实现高精度的轴承故障诊断。在公开轴承数据集上进行实验,实验结果表明,该方法能够正确地将轴承故障分类,分类精度可达996%。     

基于卷积神经网络的深度图像超分辨率重建方法

为了更有效地提高深度图像的分辨率,构建了一种更深层次的深度图像超分辨率重建的卷积神经网络。该网络直接将低分辨率深度图像作为网络的初始输入,通过卷积神经网络学习图像的高阶表示,获得更具有表达能力的深层特征,同时在网络的输出层引入亚像素卷积层,针对提取到的特征学习不同上采样滤波器,实现上采样放大操作。为了实现网络更好地收敛,在网络中加入了残差网络结构。在4个常用数据集上的实验结果表明,与其他先进方法相比,该方法网络收敛速度更快,并可以有效地保护图像的边缘结构,解决伪影问题,且在定性和定量两方面均取得了很好的重建效果。     

基于特征融合的风机叶片表面缺陷检测模型

针对风机叶片表面缺陷检测识别率低、且易受光照影响的特点。提出一种基于卷积神经网络特征融合局部二值模式特征及核极限学习机的风机叶片表面缺陷检测方法。利用引入注意力机制的卷积神经网络提取图像深层次信息,然后提取描述图像浅层纹理信息的局部二值模式特征,采用主成分分析方法降低局部二值模式特征维度;将两种从不同层面描述图像的互补特征串行融合。用改进的麻雀搜索算法优化核极限学习机参数,利用融合的特征训练模型,得到最优模型进行缺陷识别。通过实验,在自建数据集训练后的分类准确率达到了97.5%,kappa系数达到95.1。相比利用单一特征检测,分类准确率有明显的提高。经风电场实际验证,本模型的平均分类准确率为96.3%,Kappa系数为94.5,漏报率明显降低。     

机器学习在电站设备状态分析中的应用

本文对电站设备状态分析中学习向量量化（LVQ）神经网络和深度学习算法循环递归长短期记忆（LSTM）神经网络进行了详细分析,利用LSTM神经网络对磨煤机设备进行状态分析,将LSTM神经网络中最后一个隐含层的激励函数设为Softmax函数,其输出值表示设备状态的健康程度及设备可能发生事故的概率,并将LSTM神经网络和LVQ神经网络进行设备状态分析对比。结果表明,利用LSTM神经网络得到的训练模型可以得到设备状态分类更高的准确率,减少在设备状态评判中的漏报率和误报率。