基于样本扩充的Faster R-CNN电网异物监测技术EI北大核心CSCD

电网公司的巡检工作主要依靠人工完成,需要大量人力物力,且实时性较差。针对该问题,提出一个基于区域推荐卷积神经网络的图像目标监测系统,其中核心算法为Faster R-CNN算法。利用深度学习对摄像装置所采集的现场图像进行分析,执行目标检测任务,若发现威胁电网安全运行的隐患将及时通知工作人员。深度学习发挥其优势需要有效样本达到一定数量,包含隐患的真实样本较少,有些异物种类甚至没有合适的样本,往往不能满足深度学习算法的训练要求。因此研究了一种用于扩充样本的样本生成算法,将隐患目标与背景图像按照一定规则进行融合,达到批量扩充样本集的目的。使用该算法生成的样本进行测试,测试结果表明扩充后的训练集可以使系统性能得到一定提升。此外,通过测试发现,对训练集做一定的预处理可以提升模型的识别性能。     

基于样本扩充的Faster R-CNN电网异物监测技术

电网公司的巡检工作主要依靠人工完成,需要大量人力物力,且实时性较差。针对该问题,提出一个基于区域推荐卷积神经网络的图像目标监测系统,其中核心算法为Faster R-CNN算法。利用深度学习对摄像装置所采集的现场图像进行分析,执行目标检测任务,若发现威胁电网安全运行的隐患将及时通知工作人员。深度学习发挥其优势需要有效样本达到一定数量,包含隐患的真实样本较少,有些异物种类甚至没有合适的样本,往往不能满足深度学习算法的训练要求。因此研究了一种用于扩充样本的样本生成算法,将隐患目标与背景图像按照一定规则进行融合,达到批量扩充样本集的目的。使用该算法生成的样本进行测试,测试结果表明扩充后的训练集可以使系统性能得到一定提升。此外,通过测试发现,对训练集做一定的预处理可以提升模型的识别性能。     

基于WGAN图片去模糊的绝缘子目标检测

针对不可抗力因素造成无人机航拍绝缘子图片模糊、绝缘子目标检测率较低的问题,提出了一种基于Wasserstein距离优化的生成式对抗网络(WGAN)图片去模糊的绝缘子目标检测方法。首先在WGAN训练过程中引入残差网络,使得生成的绝缘子图片更加清晰;其次在损失函数中引入Wasserstein距离以保证训练过程的稳定性;最后通过优化模型的训练过程,使得生成的绝缘子图片细节还原度更高。绝缘子图片去模糊化实验结果表明,所提方法在结构相似性与峰值信噪比等评价指标上均高于基于卷积神经网络与深度多尺度卷积神经网络等图像去模糊算法。另外,将利用所提方法生成的绝缘子图片与模糊绝缘子图片划分为3组,采用改进的基于区域建议的卷积神经网络目标检测算法分别进行目标检测实验,精确度均值分别提高了5.77%、6.73%与5.98%,有效提高了绝缘子的目标检测率。     

基于生成对抗网络和深度残差神经网络的变电站异物检测

变电站电力巡检能够保证变电设备安全运行,及时发现潜在危险和隐患。传统方法主要依靠人工完成,需要较多的人力物力,并且由于变电站异物入侵的偶然性和突发性,传统方法很难预测发生的时间和地点。针对该问题,提出了基于生成对抗网络和深度残差神经网络的变电站异物检测技术。利用深度残差神经网络提出图片的特征,结合区域推荐网络和池化分类器实现目标的分类和定位。利用生成对抗网络生成样本扩充训练数据库,提升了网络的学习能力。最后利用真实变电站的图片数据进行测试,提出的方法具有较高的异物识别准确度,并且比较了不同种类不同数目的训练集,验证了通过生成对抗网络扩充样本的有效性和可行性。     

基于阶段聚焦损失和并行增广策略的 遥感图像场景分类

随着深度学习的不断普及,卷积神经网络已成为遥感图像场景分类的主要手段,然而当前的研究主要集中于多网络主干的信息融合以及注意力机制等领域,在提高分类精度的同时也带来更高的计算复杂度。针对上述问题,分别从改进卷积神经网络损失函数和设计新的样本训练策略两个角度出发,在不增加计算复杂度的前提下,提升卷积神经网络的分类性能。首先,在对传统交叉熵和Focal loss损失函数进行分析的基础上,提出一种阶段聚焦损失函数,该损失函数可以在训练阶段对卷积网络进行有侧重的性能挖掘。其次,设计了一种并行样本训练策略,将采用Gridmask算法增广后的样本图像和原始样本图像,分为两路输入卷积网络进行并行训练,进一步提升卷积网络的分类性能。实验结果表明,所提出的算法分别在AID和NWPU-RESISC45两个大规模数据库上取得了96.72%和93.95%的检测精度,可以显著提升遥感图像场景分类的性能。     

基于改进Faster-RCNN的输电线巡检图像多目标检测及定位

针对输电线巡检图像受光线、环境和拍摄角度等因素影响,图像中的电气设备呈现低分辨率和多形态化特征的问题,提出一种基于改进Faster-RCNN的巡检图像多目标检测及定位方法。该方法首先通过区域建议策略网络生成若干目标候选区域;然后基于实际巡检图像样本库,对卷积神经网络进行训练,以改善参数学习效果;最后利用正则化方法优化参数权重,提高检测速度,得到适应巡检图像多形态化特征的改进型Faster-RCNN模型。实际场景数据集测试结果表明,相比于数字图像处理、浅层机器学习、单阶法、双阶法、Mask-RCNN和Local Loss目标检测方法,所提改进型Faster-RCNN能够在不同分辨率和不同位置角度的巡检图像场景下保持较高的识别精度和速度,具有较高的工程实用价值。     

基于扩充样本的电力系统可靠性动态与实时研究

结合动态与实时机制,研究基于BP神经网络模型生成扩充样本的电力系统可靠性评估方法。基于原始的小样本数据对BP神经网络进行学习训练,并得到特征相似的扩充样本,分析了适用于电力系统可靠性评估的经验公式和分布模型,使用最小二乘法对分布模型进行参数估计完成评估。通过继电保护系统算例分析,证明利用指数分布模型对扩充样本进行评估误差最小,同时选择数学期望经验公式最为合适。     

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CNN-GAN的信道状态信息室内定位算法

在指纹室内定位中,构建高质量的指纹库是实现高精度定位的前提。针对建库阶段需要在每个参考点上收集足够多的信号样本,耗费大量人力与时间成本的问题,提出一种基于改进的条件深度卷积生成对抗网络的指纹库扩充方法。网络模型将参考点序号作为条件信息,得到对应参考点上的生成样本,利用最小二乘损失函数代替交叉熵损失函数,避免训练过程中容易出现的梯度消失问题。实验验证,该方法能有效增加每个参考点的样本数量,提升了卷积神经网络的训练效果,提高了小样本情况下的定位精度,均方根误差降为0.44 m,定位误差在1 m内的占比为86.98%,误差在2 m内的占比为92.72%。     

基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一，尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点，导致其构建足量具有时间相关性的图像集十分困难，提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习，获得微调后的神经网络模型。实验结果表明：利用该样本构建方法生成的图像集作为训练集和验证集，建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上；利用变压器周期性振动信号生成的图像集作为测试集，测试准确率达到99%以上，实现了变压器绕组松动故障的准确诊断，并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。     

基于生成式对抗网络的窃电检测数据生成方法EI北大核心CSCD

日益增长的用户侧用电数据为基于数据驱动的窃电检测方法奠定了基础,然而窃电检测数据固有的不平衡性质会影响该类方法的性能。针对窃电检测的数据不平衡问题,提出一种基于Wasserstein生成对抗网络(wasserstein generative adversarialnetwork,WGAN)的窃电样本过采样方法,通过WGAN生成器与判别器的对抗训练,神经网络能够学习到窃电负荷序列难以显式建模的时间相关性,生成与真实窃电样本具有相近分布的合成样本。采用WGAN训练期间生成的多组窃电样本对原始窃电样本进行增强,使用卷积神经网络在多组增强训练集上进行训练,选择在验证集上取得最高AUC值的增强训练集,最后在其上训练分类器实现窃电检测。所提方法在某电力公司提供的真实数据上进行了实验测试,结果表明相比于随机过采样、SMOTE和ADASYN等方法在检出率、误检率、F1测度以及AUC评价指标上有明显提升。     

基于改进生成对抗网络的无监督晶圆缺陷检测

为实现晶圆表面缺陷的无监督检测，提出了一种改进生成对抗网络的无监督晶圆表面缺陷检测模型，该模型通过目标图像与重构图像之间的差异来检测缺陷。该方法使用带有两层跳跃连接和记忆模块的编码器-解码器卷积神经网络来搭建生成器，跳跃连接用以捕获多尺度的输入图像特征，记忆模块对潜在特征实施约束，扩大真实缺陷样本与重构样本间的距离。该方法还通过改进判别器网络结构，使模型轻量化。实验结果表明，该模型能够准确分辨具有缺陷的晶圆样本，ROC曲线下的面积值达到0.934，与已有的无监督学习检测方法相比性能更优,同时判别器网络的参数量和计算量分别降低到1 M和60 M以下。     

基于策略梯度和生成式对抗网络的变压器油色谱案例扩充方法

油色谱数据的缺乏和不均衡会导致训练过拟合、模型缺乏代表性、测试集效果不理想等问题,从而难以对变压器的状态进行准确评价。针对该问题,将强化学习中的策略梯度算法引入生成式对抗网络GAN(Generative Adversarial Networks),提出了一种基于策略梯度和GAN的变压器油色谱案例生成方法。仿真结果表明,与传统的样本扩充算法相比,利用所提方法合成的样本质量较高。对包含9种故障状态共700组样本的变压器油色谱数据利用所提方法进行油色谱故障样本扩充,利用基于BP神经网络模型的变压器故障分类模型对将扩充后样本作为训练集训练得到的神经网络模型和仅用真实数据作为训练集训练得到的神经网络模型进行了对比,结果表明利用扩充的样本后,变压器故障分类准确率得到了提高。变压器故障诊断实例表明利用所提方法得到的结果与实际情况相符。     

基于卷积神经网络的主变压器外观缺陷检测方法

主变压器是变电站中最重要的电气设备之一,其运行状况直接影响所连区域电网的安全可靠运行。为全面提升主变压器外观缺陷检出效率,提出了一种基于CNN(卷积神经网络)算法的主变压器外观缺陷机器视觉识别检测方法。针对海量设备图像,该方法中的SSD算法模块能够准确提取目标设备(主变压器), CNN算法模块可对图像中所含缺陷信息进行解析。为了提升检测方法的准确性,针对检测算法负样本不足的问题,利用VGG-Net的图像迁移算法对主变压器缺陷样本进行扩充,以提升整个算法模型的泛化能力。最后,利用实际运维检修工作中采集整理的主变压器图像样本集进行算法验证,结果表明该方法能较准确地识别出变压器外观缺陷,具有较高的有效性和可行性。     

基于Cycle-GAN的绝缘子图像生成方法

深度学习模型应用于输电线路绝缘子目标检测时,在训练样本方面存在公开样本集缺乏和优质样本不足的问题,为此提出一种基于循环一致性生成对抗网络(cycle-generative adversarial networks,Cycle-GAN)的绝缘子图像生成方法。首先分析绝缘子样本集,对绝缘子图像基于背景色彩特征进行风格域划分;之后在划分好的绝缘子风格域样本集基础上,采用Cycle-GAN生成绝缘子图像样本;最后,搭建分类网络验证生成图像用于扩充的有效性,并进一步探究了生成图像不同扩增比例对分类性能的影响。结果表明:绝缘子生成样本可一定程度上替代真实样本;生成图像不同扩充比例对网络性能影响不同,当扩充比例在40%~50%时,分类网络性能提升效果最佳。     

基于迁移学习的电力系统暂态稳定自适应预测EI北大核心CSCD

基于人工智能的电力系统暂态稳定预测,通常需要用离线生成的大量暂稳样本对预测模型进行训练,然后根据系统的实时响应进行在线预测。但当系统的运行方式和拓扑结构发生较大变化时,预测模型的精度会显著下降,亟需一种能跟踪系统变化的自适应暂稳预测方法。针对该问题,将迁移学习引入电力系统暂稳预测,基于卷积神经网络提出了一种自适应预测方法。首先利用离线生成的大量暂稳样本训练并得到基于卷积神经网络的预训练模型。当系统运行方式和拓扑结构发生较大变化时,保持预训练模型的网络结构不变,将其中的2个卷积层、2个池化层和全连接层的网络参数迁移至新模型;提出了一种最小均衡样本集的变步长生成方法,用新生成的最小均衡样本集训练分类层参数,从而快速得到新的预测模型。新英格兰10机39节点系统的测试结果表明:所提方法能自适应跟踪系统运行方式和拓扑结构的变化,有效更新预测模型且大幅减少新模型的训练时间,为基于人工智能的电力系统暂态稳定自适应预测提供了一条新思路。     

基于迁移学习的电力系统暂态稳定自适应预测

基于人工智能的电力系统暂态稳定预测,通常需要用离线生成的大量暂稳样本对预测模型进行训练,然后根据系统的实时响应进行在线预测。但当系统的运行方式和拓扑结构发生较大变化时,预测模型的精度会显著下降,亟需一种能跟踪系统变化的自适应暂稳预测方法。针对该问题,将迁移学习引入电力系统暂稳预测,基于卷积神经网络提出了一种自适应预测方法。首先利用离线生成的大量暂稳样本训练并得到基于卷积神经网络的预训练模型。当系统运行方式和拓扑结构发生较大变化时,保持预训练模型的网络结构不变,将其中的2个卷积层、2个池化层和全连接层的网络参数迁移至新模型;提出了一种最小均衡样本集的变步长生成方法,用新生成的最小均衡样本集训练分类层参数,从而快速得到新的预测模型。新英格兰10机39节点系统的测试结果表明:所提方法能自适应跟踪系统运行方式和拓扑结构的变化,有效更新预测模型且大幅减少新模型的训练时间,为基于人工智能的电力系统暂态稳定自适应预测提供了一条新思路。     

不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究

由于传统轴承故障诊断方法依赖于信号处理能力且模型泛化能力差的问题,提出一种不均衡数据集下基于深度对抗网络的故障诊断方法,该方法首先通过构建小样本训练集进行生成对抗网络训练,将生成样本加入到原始小类别样本训练集中,得到样本训练集,降低不同类别样本的不平衡性;然后引入深度学习的模型优化技术,提出适合轴承故障诊断的深度卷积神经网络模型,该模型直接作用于训练样本集,自适应地从原始数据中逐层学习故障特征,实现不同故障的准确识别;为了增强诊断系统最终分类预测的准确性,引入Focal损失函数对分类层进行故障识别。大量的定性定量实验表明,所提的改进网络在检测率与误检率方面均优于现有的其他深度模型,并且拥有较快的收敛速度与泛化能力。     

基于多层卷积神经网络 的变电站异常场景识别算法

针对卷积神经网络对小样本识别率较低的问题,引入置信度的概念,提出了一种基于多层卷积神经网络的图像分类方法,简称M_CNN,并将其应用在变电站异常场景识别中。依据网络对小样本的识别情况,设置置信度判决函数,对在已训练好的单层网络结构中难以识别的样本,重新进行特征的提取并训练下一层的网络,形成多层卷积神经网络结构,达到提高识别率的目的。在MNIST手写体数据库上对不同规模样本数进行实验,结果表明M_CNN模型在针对小样本识别时具有一定优越性,最后,将M_CNN模型应用在变电站异常场景识别中,取得了良好的效果。     

基于深度学习的航空监视方法研究

我国是一个幅员辽阔的国家,地理条件复杂,常规的国土安全巡检方法会耗费大量人力物力。为此,提出了一种基于深度学习的航空监视方法,其利用无人机从高空采集图像,并利用卷积神经网络对采集图像进行分类判断,从而对场景进行监视。其目的在于用人工智能的手段,通过无人机代替人工进行巡检,从而提高国土安全监视效率。为此,本文建立了包含10种不同场景的俯视视角的数据库。通过卷积神经网络模型,对不同场景的图像特征进行学习,使得模型可以分辨不同的场景。为了验证本方法的可行性,本文在10种空基视角的数据库上进行了实验,结果显示其分类准确率达到97%。说明本方法可满足安全监视的需求,为实现智能监视提供了思路。