双通道卷积神经网络模型电力设备图像识别

针对传统电力设备图像识别方法精度低、处理能力差的不足,提出一种基于双通道卷积神经网络(CNN)模型和随机森林分类的电力设备图像识别方法。在特征提取方面,双通道CNN模型通过两个独立的CNN模型来提取电力设备的特征;在识别算法方面,借鉴传统机器学习方法的优势,结合随机森林的优点,提出了结合深度学习的随机森林分类方法。最后,利用所提出的双通道CNN模型和随机森林分类方法对各类电力设备的图像进行了分类,实验表明所提出的方法可以有效地应用于各类电力设备的图像识别,并大大改善电力设备图像识别的识别率。     

结合深度学习和随机森林的电力设备图像识别

为了解决电力系统海量非结构化图像数据智能化分析和识别这一问题,提出了一种结合深度学习和随机森林的电力系统关键电力设备图像识别方法。在特征提取方面,通过卷积神经网络提取了电力设备图像的特征;在识别算法方面,借鉴传统机器学习方法的优势,提出了结合深度学习的随机森林分类方法。使用8 500幅电力设备图像对该方法进行了测试。研究结果表明:对于绝缘子、变压器、断路器、输电线电杆和输电线铁塔这5种电力设备,该方法的平均识别准确率达到了89.6%,比常规卷积神经网络分类器和传统随机森林分类器的平均识别准确率分别高出了6.8%和12.6%。该方法为海量非结构化电力设备图像智能化分析提供了一种新的解决办法。     

基于深度学习的电力设备图像识别方法

针对传统方法对电力设备的图像特征分类不明确,导致得到的图像识别效果不佳,难以保证安全运行的问题,提出了基于深度学习的电力设备图像识别方法。该方法首先提取电力设备图像特征分类伪装因素,然后基于深度学习方法构建网络模型定位错误锚点,通过正负训练标记识别目标区域,从而完成对电力设备图像的识别。实验结果表明,以变压器和电线塔杆作为识别设备测试对象,该方法能在30 s内基本完成采集图像的有效识别,可保证电力设备能稳定运行,具有较好的实际应用效果。     

基于卷积神经网络和随机森林的三相电压暂降分类

特征提取是电能质量扰动识别的关键步骤,然而传统的数学变换与浅层神经网络相结合的方法无法自动提取特征。为此,提出了一种基于卷积神经网络(CNN)和随机森林(RF)的混合模型来对三相电压暂降数据进行自动特征提取及分类。首先,将三相电压暂降数据转换为空间相量模型(SPM);其次,利用CNN对SPM进行特征提取;最后,将RF应用于分类。为了加快CNN训练速度并缓解过拟合,引入了Dropout、学习率指数衰减和自适应矩估计权值更新算法。实验结果表明,与其他分类方法相比,所提方法具有较好的泛化性能和较高的分类准确率,这为电压暂降识别提供了一种客观、高效的辅助手段。     

基于云计算关联分析的电力设备故障识别模型

为解决目前电力设备故障识别系统识别敏感度低的问题,提出基于云计算关联分析的电力设备故障识别模型。利用关联分析法、Model-1故障特征提取法、Copula函数的故障特征分类法,对电力设备故障特征进行提取和分类,将分类后的特征数据随机组成训练集X,并在此基础上获得故障特征优化的二维数据,将Copula函数的输出结果导入优化ID3的井漏类型分类算法中以完成对故障特征的优化,得到电力设备故障特征分类矩阵;利用非对称性卷积层的CNN模型,实现对电力设备多种故障类型的快速识别。实验结果表明：在进行故障准确性检测时,所提方法的故障识别率平均高达87.2%、识别精准率平均高达71.06%;在不同负荷对系统灵敏性影响的测试中,所提方法在任意负荷状态下的故障识别数据计数不低于40次,优于对比方法;在对电力设备匝间短路故障位点的识别性能测试中,所提方法在任意匝间短路故障位点的故障识别数据计数均高于140次,优于对比方法。所提方法的故障识别精确度高、故障位置识别敏感性高,可促进电网安全运行和发展。     

一种新型无差拍UPQC预测直接控制策略

为解决目前电力设备故障识别系统识别敏感度低的问题，提出基于云计算关联分析的电力设备故障识别模型。利用关联分析法、Model-1故障特征提取法、Copula函数的故障特征分类法，对电力设备故障特征进行提取和分类，将分类后的特征数据随机组成训练集X，并在此基础上获得故障特征优化的二维数据，将Copula函数的输出结果导入优化ID3的井漏类型分类算法中以完成对故障特征的优化，得到电力设备故障特征分类矩阵；利用非对称性卷积层的CNN模型，实现对电力设备多种故障类型的快速识别。实验结果表明：在进行故障准确性检测时，所提方法的故障识别率平均高达87.2%、识别精准率平均高达71.06%；在不同负荷对系统灵敏性影响的测试中，所提方法在任意负荷状态下的故障识别数据计数不低于40次，优于对比方法；在对电力设备匝间短路故障位点的识别性能测试中，所提方法在任意匝间短路故障位点的故障识别数据计数均高于140次，优于对比方法。所提方法的故障识别精确度高、故障位置识别敏感性高，可促进电网安全运行和发展。     

基于特征重要性加权的随机森林点云分类研究

针对传统的随机森林模型构建时样本选取的随机性导致随机森林中包含了大量分类精度较低、分类性能相似的决策树分类器,进而影响整体随机森林模型分类精度与效率的问题,该文提出了一种基于特征重要性加权投票的随机森林算法。从决策树分类精度、不一致度量两方面剔除分类精度较低、分类性能相似的决策树,依据整体随机森林与单棵决策树特征重要性之间的相似性,计算每棵决策树的投票权重,提高了三维点云分类精度与分类效率。实验表明,改进后的随机森林分类算法照比传统的随机森林、支持向量机、决策树、神经网络、基于点特征分类方法分别提高了0.20%、15.159%、5.893%、6.316%、28.935%。在分类效率上,改进的随机森林照比传统的随机森林减少了约75%的时间。     

基于CNN-SVM的配电网故障分类研究

针对CNN 在配电网高阻故障时分类准确率低的问题,提出了一种将CNN和SVM 相结合的配电网故障分类研究方法。首先将故障数据转换为时频谱灰度图,作为训练集输入到CNN中;然后采用SVM代替CNN中的Softmax分类器构建CNN-SVM模型,并通过网格搜索算法对SVM超参数进行寻优;最后进行多工况算例分析验证所提方法优越性。算例分析结果表明,CNN-SVM模型比传统CNN-Softmax模型在高阻故障时具有更高的分类准确率,且在主变压器中性点接地方式变化、网络结构变化、噪声干扰及单相弧光接地等工况下仍具有良好的适应性。     

基于卷积神经网络的电力设备缺陷文本分类模型研究

电网生产管理系统中存在大量闲置的设备缺陷记录文本。针对电力设备缺陷文本的特点,构建了基于卷积神经网络的缺陷文本分类模型。首先通过分析大量电力设备缺陷记录,归纳了电力设备缺陷文本的特点;然后参考中文文本分类的一般流程,并考虑缺陷文本的特点,建立了一种基于卷积神经网络的电力缺陷文本分类模型;最后通过算例对基于卷积神经网络的缺陷分类模型和多种传统机器学习分类模型进行全面比较。算例结果表明,所提出的缺陷文本分类模型能显著降低分类错误率,在分类效率上也比较可观。     

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.     

考虑预安排停电的配电网可靠性评估方法

为了提高配电网可靠性评估的精度,提出了考虑预安排停电的配电网可靠性评估方法。相对于传统的配电网可靠性评估方法,该方法不仅考虑了故障停电对配电网可靠性的影响,还将占停电事件更多比重的预安排停电考虑在内,认为电力设备按照一定概率发生各类停电事件。根据停电原因将预安排停电事件分为检修类和扩容类,并将电力设备分类建立相关的停电模型,各个电力设备按照一定的概率影响配电网的可靠性评估结果。评估结果表明,相对于仅考虑故障停电的可靠性评估方法,所提出的方法能够更加准确地评估配电网的可靠性。     

考虑预安排停电的配电网可靠性评估方法EI北大核心CSCD

为了提高配电网可靠性评估的精度,提出了考虑预安排停电的配电网可靠性评估方法。相对于传统的配电网可靠性评估方法,该方法不仅考虑了故障停电对配电网可靠性的影响,还将占停电事件更多比重的预安排停电考虑在内,认为电力设备按照一定概率发生各类停电事件。根据停电原因将预安排停电事件分为检修类和扩容类,并将电力设备分类建立相关的停电模型,各个电力设备按照一定的概率影响配电网的可靠性评估结果。评估结果表明,相对于仅考虑故障停电的可靠性评估方法,所提出的方法能够更加准确地评估配电网的可靠性。     

融合深度可分离小卷积核和CBAM的改进CNN故障诊断模型

为了解决最大池化丢失信息和平均池化模糊特征的问题,同时提高模型时频图像识别效率,降低模型复杂度,提出一种采用深度可分离小卷积核进行降采样和CBAM的CNN网络模型对轴承进行故障诊断。首先,在除最后一层的池化层中,使用深度可分离小卷积层代替池化层,实现池化层的降采样功能。其次,在最后一层池化层引入CBAM,对时频图像所表征的故障特征给予更多的关注,以提高模型计算效率。再次,使用全局平均池化代替传统全连接层,进一步减少模型参数数量。最后,利用CWRU轴承振动数据和自制实验平台数据验证所提方法在滚动轴承故障诊断方面的有效性和可行性。实验结果表明,融合深度可分离小卷积核和CBAM改进的CNN模型有效减少了模型需要的训练参数和计算量,且在识别准确率方面取得了更优的性能。     

基于改进Faster-RCNN的输电线路巡检图像检测

针对传统输电线路目标巡检图像识别方法响应速度慢,准确率不高的问题,提出一种改进Faster-RCNN深度学习识别算法。文中通过卷积神经网络ZFnet提取图像特征,并重置模型参数以获取更多目标细节;利用Faster-RCNN对目标进行检测,由子网络区域提议模型生成目标候选框和子网络Fast-RCNN进行参数调优,并在Faster-RCNN网络输出部分引入精炼阶段,增加目标特征的分类细化和回归细化,将存在目标的多个边界框合并,实现精确分类以及坐标定位。实验结果表明：改进Faster-RCNN算法可有效识别线路设备及设备缺陷,总体识别率达到93.5%,响应时间在1s内。与图像识别法或SSD、YOLO深度学习法相比,所提算法提高了电力设备的识别精度与响应速度,在输电线路智能巡检中具有一定的优越性。     

改进随机森林算法在电机轴承故障诊断中的应用

电机轴承状态直接影响电机运行可靠性。随机森林算法具有较强的抗噪和适应能力,广泛应用于电机轴承故障诊断中。针对随机森林中传统决策树算法在连续特征属性值数目过大时复杂度高及易过拟合等问题,基于聚类思想构造自适应滑动步长减少其分类结点数,提出改进的C4.5决策树和分类回归树算法;针对传统随机森林算法中各决策树产生错误差异小、投票方法忽略强弱分类器差异及漏报率等问题,使用不同决策树算法进行分类,并借鉴议会制思想确定各决策树等级及权重,提出一种计及漏报率的随机森林集成投票算法。为验证所提方法的通用性及有效性,采用时域特征提取法和集合经验模态分解法分别构造特征向量,并通过凯斯西储大学轴承数据中心数据集和现场诊断试验进行验证。实验结果表明,所提算法不仅适用于多种特征提取方法,且相较于传统随机森林算法和多层感知器算法在诊断准确率和漏报率方面均更具优势,为电机轴承故障诊断提供一种新思路。     

基于电子舌和WGAN-CNN模型的小麦贮存年限快速检测

为了实现对不同贮存年限陈化小麦的快速检测,提出一种伏安电子舌结合卷积神经网络(convolutional neural network, CNN)和基于Wasserstein距离的生成对抗网络(wasserstein generative adversarial nets, WGAN)组合的模式识别模型。使用伏安电子舌对6种不同贮存时间小麦采集电子舌信号。针对电子舌信号信息量大、特征提取困难等问题,设计了一种基于CNN结构的电子舌信号特征自动提取和分类识别模型。为解决CNN模型因训练样本不足而导致泛化能力差等问题,使用WGAN构建电子舌信号样本集,通过对生成信号集的学习,提高了CNN模型对电子舌信号的识别能力。实验结果表明,与AlexNet、VGG16等深度学习模型和随机森林(RM)、极限学习机(ELM)等传统机器学习模型相比,WGAN-CNN模型对电子舌信号的分辨能力更强,其测试集准确率、精确率、召回率和F1-Score分别达到0.98、0.98、0.977和0.988。研究表明电子舌结合WGAN-CNN模型可实现对小麦贮存年限的快速检测,该研究为基于人工智能的感官识别技术提供了一种新的研究思路。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于卷积神经网络的变压器套管故障红外图像识别方法

作为电力变压器的重要部件,套管的管理与维护对于设备的安全稳定运行起着至关重要的作用。为提升电力设备巡检的智能化水平,文中提出一种基于卷积神经网络的套管故障红外图像识别方法,该方法在特征提取方面具有显著的优势,避免了人为提取描述特征的低效和易误判问题。首先,建立了包含正常、缺油与局部过热3种状态类型的套管红外图像样本库;然后,将规范化处理后的红外图像作为卷积神经网络的输入,搭建了套管故障红外图像识别模型;最后,通过对网络超参数的选取进行实验分析,确定了激活函数种类、池化方法及卷积核数目。针对文中样本库,文中所提模型对套管3种状态类型的分类结果准确率达到96%,相较于SVM算法和BP神经网络算法分别提升约14%和15%,识别性能更为优异。     

基于改进卷积神经网络的电力设备红外图像分类识别方法

随着电力设备故障诊断技术的不断发展、红外测温诊断技术不断成熟，如何快速有效地对各类电气设备红外测温图像进行分类识别，是今后故障诊断智能化发展的关键环节之一。通过对红外测温图像分类识别方法进行研究，提出了一种基于改进卷积神经网络的电力设备红外图像分类识别方法。首先，通过旋转、翻转等方法对收集的红外图像进行数据增强；然后，建立基于改进MobileNetV2的电力设备红外图像分类识别模型，将电力设备红外测温图像通过迁移学习进行加权训练，利用Focal Loss函数改进神经网络的损失函数；最后，通过Softmax分类方法实现电力设备红外图像分类识别。试验表明，使用改进MobileNetV2的分类识别模型对电力设备红外图像进行分类识别的总平均准确率为92.62%，红外图像检测速度为116 f/s，具备较好的收敛速度与识别能力，为电力设备智能巡检提供了新思路。     

SSA优化混合RNN的短期电力负荷预测

针对传统短期电力负荷预测模型特征获取能力欠佳、预测精度低的问题，提出一种SSA优化CNN+BILSTM-LSTM-Attention的双通道短期电力负荷预测模型。该模型构建多层CNN与BiLSTM双通道结构，提高模型的特征获取能力；利用灰色关联分析筛选温度、湿度等气象影响因素参与模型训练，同时，利用以均方误差最优为目标函数的SSA优化算法，自适应选取迭代次数、时间步等模型超参数，提高模型的预测精度。通过实验对比表明，该模型在误差指标和拟合优度指标两方面较BiLSTM-Attention、Attention-BiLSTM-LSTM等模型均有提升。