基于红外热成像技术的变电设备热故障识别方法

针对现有的识别方法故障缺陷判断能力差、故障识别准确程度低,研究基于红外热成像技术的变电设备热故障识别方法。以普朗克黑体辐射为技术基础进行红外测温获得红外热图像,对现场采集到的图像进行预处理。运用多尺度特征融合对故障特征进行提取,通过相同倍数缩放进行归一化,得到向量机样本数据。设定最优分类函数,将空间的样本数据映射到高维度的空间内进行非线性变化得到对样本数据的最优分类。运用核函数在约束条件下进行识别,判断故障的危险等级从而得到识别结果。实验结果表明,套管在三相发热异常为紧急故障,达到了紧急故障的标准,构成缺陷,识别判断正确。经过5次测试,故障识别准确程度均在80%以上,结果符合预期,达到了精准识别变电设备的热故障的效果。     

变电站倒闸操作防误操作探讨

在梳理电网企业内部变电运维人员发生误操作事件基础之上,结合变电运维管理经验,对变电运维人员在倒闸操作中的风险因素进行分析,并针对这些风险因素提出应对策略,为电网企业防止变电运维人员误操作的发生提供参考和借鉴.     

一种配电网运行状态智能识别方法

文中提出了一种基于小波包时间熵与支持向量机(SVM)的配电网运行状态智能识别方法。仿真结果表明,该配电网运行状态智能分类识别方法中选取的小波包时间熵特征量维数相对较低,抗干扰能力强,分类识别所需训练样本少,分类速度快,识别准确率高,可较好应用于配电网运行状态的在线智能识别。     

基于集成Gabor特征的步态识别方法

步态对个人身份进行识别受到越来越多生物识别技术研究者的重视。步态能量图是一种有效的步态表征方法.通过提取步态能量图中的动态区域并利用Gabor小波变换对其特征提取,但经过Gabor变换后特征维数较高,必须经过有效的特征融合和选择。由此针对传统的Gabor特征提取后存在特征维数较高的缺点,提出了一种基于集成Gabor特征的步态识别方法。首先,采用均值融合和差分二值编码这两种集成方法,对动态区域Gabor特征图进行多尺度和多角度的集成,获得26张集成Gabor特征图;然后从26张集成Gabor特征图中选出4张作为最终的特征向量;最后将特征向量输入KNN分类器进行步态识别。实验结果表明,基于集成Gabor特征的步态识别方法,能够对步态特征进行有效分离和表达,同时降低维数并紧凑表征数据,对步态信息进行正确归类。     

融合DCLBP和HOAG特征的人脸表情识别方法

为了进一步提高人脸表情识别算法的准确性,提出一种融合双编码局部二值模式(DCLBP)算子和绝对梯度直方图(HOAG)算子的人脸表情识别方法,该方法首先利用DCLBP算子提取人脸图像的局部纹理特征,利用HOAG算子提取人脸图像的局部形状特征;然后,采用典型相关分析法(CCA)融合所提取的两种特征;最后,利用支持向量机(SVM)进行人脸表情分类。实验结果表明,与单一特征识别方法和级联特征识别方法相比,本文方法获得了更好的识别效果,在CK (Cohn-Kanade)和JAFFE数据集上的实验分别达到了100%和99.05%的识别率,与其他相关方法的比较也验证了其有效性。     

基于ALBERT和RE2融合模型的电网调度意图识别方法

针对电网调度业务意图缺乏有效识别方法的问题,提出一种基于ALBERT(A Lite BERT)和残差向量-字词嵌入向量-编码向量(RE2)融合模型的电网调度意图识别方法。首先,基于ALBERT预训练的动态词向量计算调度专业语言文本特征,建立调度意图分类模型,通过训练调度专业语言构建基于RE2的文本相似度计算模型。然后,采用RE2相似度模型计算召回文本与分类文本的匹配结果对ALBERT意图分类权重进行计算重组,建立融合ALBERT和RE2的意图识别模型。最后,通过某调控中心调度专业语言验证,并与其他方法对比,所提电网调度意图识别方法具有更强的分类能力和泛化能力,对于20种调度意图识别的平均精准率、召回率和F1值分别达到了98.11%、97.96%、98.03%。     

变电运维误操作事故的预防控制措施研究

变电运维是电力系统中的重要工作环节,在实际操作过程中会受到诸多因素的影响,其中最为重要的是误操 作事故,这一问题会给电力系统造成严重影响.为此,必须采取有效措施预防控制变电运维误操作事故,将误操作事故 对电网运行的影响降到最低.从变电运维误操作事故预防控制的重要性入手,主要介绍了变电运维中的误操作原因以及 预防控制措施,旨在进一步提升电力系统运行的安全性与稳定性,为电力企业带来更多的经济效益与社会效益.     

基于多重分形谱及支持向量机的水电机组轴系故障识别

针对水电机组轴系振动故障诊断,提出多重分形谱和支持向量机相结合的故障分类识别方法。该方法首先利用多重分形谱算法提取振动信号的特征数据,然后将该特征数据作为支持向量机的输入向量来实现故障的分类识别。实验数据表明,该方法能比较准确地识别轴系常见故障,为水电机组轴系故障智能识别提供了一种新的思路。     

基于新词发现与特征融合的电力设备缺陷文本挖掘

随着电网设备运维的智能化发展,文本作为复杂的非结构化数据如何被有效利用已成为重要的问题。首先利用新词发现和传统分词方法对文本预处理,然后将字词特征映射至多维向量空间,最后基于特征融合构建了注意力机制优化卷积神经网络缺陷文本分类模型。算例分析表明,所提方法比传统深度学习方法提高了分类准确率,有更好的语义学习能力。     

基于改进胶囊网络的运维知识库故障分类方法

针对传统运维知识库不具备图像故障现象识别能力,无法处理非结构化数据的问题,基于深度学习的故障分类网络,提出改进胶囊网络特征提取结构的Caps-DRFN算法,实现机电设备运维图像自动分类。首先,针对运维图像存在的多噪声问题,引入深度残差收缩网络(deep residual shrinkage networks, DRSN)提高模型在含噪声数据上的特征提取效果。然后,针对实际拍摄的运维图像多尺度问题,结合FPN(feature pyramid networks)算法,实现图像多尺度特征融合提高模型分类准确率。最后,利用胶囊结构构建向量神经元,通过动态路由的特征传递方式,得到分类结构数字胶囊,实现机电设备故障分类。实验结果表明,相较于传统胶囊网络算法,提出的基于特征融合的Caps-DRFN算法准确率提高了15%且有着更强的鲁棒性。     

基于遗传优化的多级SVM语音情感识别

针对语音情感识别中特征维数高、识别率较低的问题,提出利用遗传算法进行特征降维,并构建二叉树结构的多级支持向量机(SVM)分类器进行语音多类情感识别的方案.首先对语音信号预处理后提取常用的情感特征,由于涉及特征较多,存在数据的冗余,采用遗传算法对提取的特征进行优化筛选;然后使用选出的最具情感区分能力的特征训练二叉树结构的多级SVM分类模型.在包含7种情感的柏林情感语料库上进行实验,结果证明提出的语音情感识别方案的有效性.     

基于阈值判断和支持向量机的电网实测过电压识别

过电压严重危害电网的安全稳定运行。目前,许多变电站已配置了可记录过电压波形的过电压在线监测装置,从而为过电压识别提供了基础条件。快速、准确识别出过电压种类对确定过电压发生原因及在此基础上开展检修工作具有指导意义。为此,提出了一种基于阈值判断和支持向量机的电网过电压识别方法,对暂时、操作以及雷电共11种过电压进行识别。在变电站采集得到共480条实测过电压波形数据,采用时域分析、频域分析和小波分析等数学方法相结合、多角度地提取过电压特征量,并将这些特征量输入由阈值判断和多级支持向量机构成的模式识别结构中进行识别。识别结果证明,所提特征量维数低、具有较大区别性,采用的识别方法准确性高、速度快,该识别方法可以较好地适用于对电网暂时、操作以及雷电过电压的识别。     

面向转子故障诊断的核局部边界Fisher判别方法

提出一种基于核的局部边界Fisher判别(KLMFD)算法用核函数将故障特征数据映射到高维核空间,以每点与所有局部邻域点中最远同类数据点和最近异类数据点构成的点对来计算类内散度和类间散度,构建边界局部核Fisher判别函数,求出最优故障识别向量,然后利用该向量对测试特征数据进行故障诊断。转子故障诊断实验表明,对于多传感器振动特征融合信号,KMLFD算法的故障诊断效果最好,当选取合适参数时能完全识别故障类型。     

500kV变电站运维的风险来源及控制对策

变电运行作为电力系统中的一项极为重要的环节,直接关乎到民生。做好变电运维工作,不但可以降低隐患风险,而且还会为整个电力系统的运行提供安全保障。为了使变电工作人员提高运维风险意识,就需要其对500kV变电站变电运行潜在的风险进行识别,并采取防范风险的对策。基于这一认识,对500kV变电站运维的风险来源以及控制对策进行了分析。     

Gabor多方向特征融合与分块统计的表情识别

为了克服传统Gabor特征存在提取时间长和数据维数过高的不足,提出一种Gabor多方向特征融合与分块统计的表情特征提取方法。为了提取局部方向信息并降低特征维数,首先对预处理的人脸表情图像进行Gabor变换并提取多尺度多方向的表情特征;然后借鉴局部二值模式(local binary pattern,LBP)的思想将相同尺度、不同方向的特征进行融合,并对融合图进行分块,统计每块融合图的均值和标准差,以此构建块特征矢量(block feature vector,BFV),再将其联合起来形成整幅图像的表情特征矢量(expression feature vector,EFV);最后利用支持向量机(support vector machine,SVM)对提取的EFV进行分类。该算法在JAFFE和Cohn-Kanade(CK)库上进行实验,分别取得了95.67%、96.17%的平均识别率以及1 213 ms和4 565 ms的平均特征提取时间。实验结果表明所提方法能较快、较准确地进行人脸表情识别。     

面向高压断路器故障分类的电流-振动信号类聚几何敏感特征优选方法

针对利用电流-振动信号联合进行高压断路器故障分类过程中原始特征集维数较高，因而造成识别率低、分类性能退化的问题，该文提出一种适用于高维小样本的类聚几何敏感特征优选方法。首先，利用广义维数谱和敏感维数定量刻画经魏格纳-威尔分布处理的振动信号时频图，结合线圈电流信号的突变信息，构建断路器完整动作过程的电-振联合多征兆域原始特征集；其次，通过定义“变异系数”细致描绘特征在样本类内和类间的波动性，由“赏函数”对类间发散性强的特征予以加权，根据特征敏感因子优选得到不同故障类型下的类聚几何最优特征集；最后，采用支持向量机和其他识别方法进行故障分类。试验结果表明采用最优特征集识别准确率明显提高，具有工程应用价值。     

S变换模矩阵和最小二乘SVM在雷电及操作过电压识别中的应用

提出一种基于S变换模矩阵和最小二乘支持向量机(SVM)的雷电及操作过电压识别方法。通过对零序过电压信号的S变换模矩阵进行奇异值分解,将过电压信号的特征信息分解到不同的时频特征子空间,提取奇异值的5类统计特征参量作为过电压识别的特征向量,并将其输入最小二乘SVM分类器,实现雷电及操作过电压的类型识别。过电压实测数据表明:所提特征方法的特征量维数低,抗干扰能力强;采用的识别方法训练次数少,识别率高,可较好地应用于雷电及操作过电压的识别。     

基于TensorFlow 框架的施工现场违规行为智能识别方法

基于以往施工现场违规行为智能识别方法识别精度低的问题,基于TensorFlow框架设计施工现场违规行为智能识别方法.首先,序列化施工现场违规行为数据,将121维数据按数组转化的方式,转化成train dump.p的数据集;而后,基于TensorFlow框架搭建智能识别网络,保持识别边界信息;在智能识别网络中安装IronPython.dll,得出施工现场违规行为智能识别编码,通过编码智能识别施工现场违规行为.设计实例分析,可得出试验结果为该方法识别嫌疑系数误差值最高为0.42,试验对照组为0.59,设计的识别方法识别嫌疑系数误差值更小,可以实现对施工现场违规行为的精准智能识别.     

基于多分类支持向量机的电压暂降源识别

S变换具有很好的时频分析能力,能精确提取突变信号的关键特征信息.在分析S变换原理基础上,提出一种基于多分类支持向量机的电压暂降源识别方法.用S变换对电压暂降信号进行时频分析,提取各类暂降特征;用多分类支持向量机对特征进行训练与识别.通过仿真算例验证,该方法能有效识别电压暂降源,可应用于电能质量监测系统.     

基于组合支持向量回归的排污企业生产识别

在电网大数据结合环保监管的背景下,研究了以企业用电和纳税数据为特征的企业生产状态识别方法。实际输入特征通常存在异常和部分缺失的情况,采用回归分析解决数据异常和部分缺失的问题,提高了分析结果的鲁棒性。建立支持向量回归模型来识别污染企业生产状况,通过网格搜索选择多个支持向量回归组合模型来识别污染企业生产状况,增加了模型的泛化能力,提高了分类精度。最后,实际测试结果验证了所提出的基于组合支持向量回归的排污企业生产识别方法的精确性和适用性。