基于深度学习的输电线路外破图像识别技术

在电力系统中,识别并排除输电线路外破风险隐患对保障电力系统的安全运行方面具有非常重要的作用.图像识别技术是识别外破风险的一个有效方法.针对外破隐患识别问题,本文提出了一种通过卷积神经网络训练获取深度模型的检测算法,该算法根据防外破风险隐患图像特点对现有深度网络结构进行了改进优化,增加ROI池化层并修改了损失函数;采用大量样本训练得到鲁棒模型,测试时对待测图片首先产生候选区域,然后针对各候选区域进行检测识别,达到在复杂背景中检测出外破风险隐患的目的.实验结果说明了本文方法可以有效地识别出输电线路外破隐患.     

基于Faster R-CNN的输电线路缺陷识别模型研究

随着多旋翼无人机引入输电线路巡检作业后,对巡线人员通过图像判断线路上设备是否有缺陷提出了新的挑战。为了帮助巡线人员做出准确决策,提高发现缺陷的能力,基于深度卷积神经网络,搭建了适用于无人机图像识别的输电线路缺陷识别网络模型。首先详细描述了输电线路缺陷识别图像数据库的建立过程,然后通过分析对比三个预训练前端网络的性能及多个参数对网络模型识别准确率的影响,得到基于Faster R-CNN的输电线路缺陷最优识别网络模型。经过测试集验证,提出的缺陷识别网络模型的识别准确率达到了90%以上,单张图片耗时达到了毫秒级,在识别准确率和耗时上均明显优于其他识别网络模型,为实际巡线工作中的输电线路缺陷判别提供智能有效的决策依据,是机器学习在智能电网中应用的有益探索。     

基于数字图像处理的输电线路状态智能识别技术

针对智能电网建设对输电线路状态远程监测的需求,提出了基于数字图像处理和人工神经元网络识别的智能判别方法:综合使用灰度变化、直方图修正、小波包去噪以及边缘提取算法等对线路的远程状态图像进行处理,使线路特征更加突出;通过将图像分割后分别提取线路设备边缘特征分布作为特征量,实现了具有良好适用性的特征提取方法;最后构建了三层BP人工神经元网络对典型的线路状态进行训练识别。针对绝缘子串。     

基于图像识别技术的输电线路智能监控系统应用

针对持续多发的输电线路外力破坏事件,人工巡视以及传统监控设备并不能及时有效发现事故隐患,因此提出基于图像识别技术的输电线路智能监控系统.该系统应用卷积神经网络的深度学习算法训练模型,可以智能识别出输电线路现场的安全隐患.建立起前端采集图像,数据无线传输,后台识别分析,隐患定向推送的智能监控新模式.在佛山地区应用实践中,该系统实现了对输电线路现场的24小时实时监控预警,提高了对外力破坏隐患的监管能力,有效预防了大型施工机械所致的线路跳闸事故.     

基于YOLOv4的输电线路外破隐患识别算法

针对人工巡检及传统视频监测方式不能及时识别输电线路外破隐患的问题, 本文提出基于YOLOv4的输电线路外破隐患识别算法. 该算法采用改进K-means算法对图片样本集目标的大小进行聚类分析, 筛选出符合检测目标特征的锚框, 之后利用CSPDarknet-53残差网络提取图片深层次网络特征数据, 并采用SPP算法对特征图进行处理增加感受野, 提取更高层次的语义特征. 最后结合实际的输电线路现场监控图片, 测试结果表明该算法能够及时准确检测到外破隐患.     

基于GA-BP神经网络的目标识别方法

针对单一特征识别算法泛化能力差、识别准确率低的问题,本文深入分析了典型目标地震波信号的时域特征,融合多个特征构建训练样本,采用BP神经网络算法对目标进行识别;针对BP神经网络收敛速度慢、泛化能力差的缺点,通过遗传算法对BP神经网络优化。最终形成基于GA-BP神经网络的目标识别方法,并进行实验验证。结果表明:基于GA-BP神经网络算法无论是在收敛性、准确性还是计算速度上都优于传统算法。     

MEABP神经网络输电线路覆冰厚度短期预测方法

输电线路覆冰对输电网的安全运行有着巨大的破坏性,在自然状态下,输电线路覆冰厚度呈非线性增长态势,且形成影响因素众多,难以通过简单的拟合函数来进行覆冰厚度预测.针对以上问题,引入BP神经网络进行覆冰厚度的短期预测.针对BP神经网络易陷入局部最优、过拟合、低稳定性等缺点,结合思维进化算法(MEA)的全局搜索能力,使用思维进化算法优化后的BP神经网络(MEABP)模型对输电线路覆冰厚度短期预测.实验结果表明,在考虑风速、风向、温度、湿度、气压、光照强度等几种影响因素下,MEABP预测模型能更加准确稳定地预测出短期输电线路覆冰厚度.     

基于YOLOv5s剪枝模型的输电线路全景监测研究

随着人工智能技术的快速发展,基于深度学习的目标检测算法在诸多行业得到了应用。针对当前输电线路影像中典型障碍物目标识别对人工要求较高的问题,提出了基于YOLOv5模型剪枝的算法来对输电线路附近典型目标进行检测。首先,算法进行基础训练后得到一个检测精度和推理速度两种性能比较均衡的网络模型,再进行稀疏训练以获得参数较为稀疏的神经网络模型,最后,采取不同剪枝策略对网络进行修剪,达到压缩模型大小提高推理速度的目的。在自制数据集上使用多种算法进行对比试验,实验结果表明：相较于YOLOv4、CenterNet和SSD算法,所提算法在保持相对较高检测精度条件下提高了检测速度,能够满足实际需要。     

架空输电线路档距段雷击跳闸预测

为解决当前输电线路雷击跳闸预测模型考虑因素不全面、预测不准确等问题,本文通过分析输电线路雷击档距段雷击跳闸预测存在的问题,介绍模拟退火遗传算法优化的BP神经网络算法的优点,并进行档距段雷击跳闸预测.本方法具有模拟退火算法避免陷入局部极小值的特点,并使用遗传算法并行化高效搜索最优解.解决了 BP神经网络在模型预测中存在的...     

无人机航拍图像中裸露地表的识别

电力输电线路下方或附近的无覆盖物的裸露地表,是引起输电线路事故的主要隐患之一;从无人机电力巡检航拍图像中识别裸露地表可以预防类似事故的发生;由于Mask RCNN识别无人机电力巡检航拍图像中裸露地表的精度较低,提出一种图像特征融合的方法,即人工提取HOG和LBP两种不同的图像特征,经过不同权重的融合共同表征图像中裸露地表区域的特征,再对SVM进行训练并用于识别;实验结果表明,采用该方法识别率可以达到80％以上,识别时间少于60 ms;HOG和LBP两种特征在进行融合时,当两种特征的数量级相当时,得到的识别率最高;可见,该方法在具有较高识别率的同时,具有比较好的实时性,适合于无人机机载平台对航拍图像的初筛,且训练时间较少,权重参数规模小,为无人机航拍图像中目标物的识别提供一种新思路.     

基于超像素的人工神经网络图像分类

基于人工神经网络对图像标签分类,为简化后续数据处理,先用Normalized Cut将图像分割为超像素,提取特征向量,通过输入训练样本集,对网络进行训练,在最小均方误差意义下得到网络参数,最后在Matlab的仿真实验中基于不同隐藏层节点,使用BP神经网络模型对图像超像素进行分类。     

基于TEEN协议和BP神经网络的WSN数据融合模型

针对无线传感网感知数据中含有大量无效或冗余数据的现象,本文提出了一种基于TEEN协议和BP(Back Propagation, BP)神经网络的数据融合模型。该模型利用三层BP神经网络描述簇结构,通过TEEN阈值过滤非必要信息,在簇结构信息传输过程中运用神经网络功能函数处理大量感知数据,从中提取感知数据的特征值并转发至汇聚节点。实验仿真表明,该模型无论在数据通信量、使用寿命及网络消耗上都优于TEEN协议,在降低网络通信量和网络能耗的同时提升了网络的使用寿命,大大提升了数据采集的效率和性能。     

基于GDBN网络的文本情感倾向分类算法

情感倾向性分类是自然语言处理领域中的热门话题,它的一个重要应用是挖掘线上评论中的重要信息,掌握网络舆论走向,因此本文提出一种基于GDBN网络的文本情感倾向性分类算法.该算法通过引入遗传算法来改进深度置信网络模型中的隐层,使模型自行对隐单元个数寻优,取得当前模型的适宜值,并以此模型进行深层建模与特征提取.最后通过反向传播网络对提取到的特征进行情感倾向性分类.在多个文本数据集上进行实验验证,验证结果表明了本文算法的有效性.     

主成分在输电线路可听噪声预测中的应用研究

针对超高压输电线路可听噪声BP网络预测模型影响因素多的问题,运用主成分分析算法（PCA）对影响可听噪声的环境因素、地理参数、导线结构参数等14个因素进行简化,建立PCA-BP网络预测模型。选取甘肃省内多条750 kV、330 kV输电线路的可听噪声的实测资料为样本集,采用Matlab神经网络工具箱进行模型训练与预测,并与BP网络模型预测结果比较。结果表明：主成分分析方法在可听噪声影响因素的简化中不适用,预测结果没有BP网络模型预测结果理想。分析了主成分在可听噪声影响因素简化中不适用的原因。     

改进神经网络模型在光伏发电预测中的应用

针对传统的BP神经网络模型在光伏发电功率预测中,存在着的预测精度不高、收敛速度较慢的弊端,本文提出一种改进型的BP神经网络模型,运用增加动量项以及自适应选取最佳隐含层的方法来改进传统BP模型的缺陷.文中首先进行了各类气象因素对于光伏发电功率输出影响的相关性分析,提取出最能影响光伏发电功率的6个气象因素,作为网络模型的输入,然后建立了改进型的BP网络模型,结合光伏功率输出的历史数据,来进行发电数据的直接预测;最后根据不同气候类型下的预测结果,分析并验证了采用该模型进行功率预测的可行性和有效性.     

交叉验证的BP神经网络恒星光谱分类

LAMOST作为国家重大科学工程项目,目前在世界上对光谱的观测、获取率最高,为天文学的研究与发展提供大量的数据和信息资源.根据LAMOST发布的恒星光谱数据文件,从中提取出关于恒星光谱波长的数据信息,对数据进行噪声剔除、数据降维、数据规范化、数据降维处理.利用BP神经网络算法对数据进行分类处理,根据分类结果正确率来判断BP神经网络模型的优劣.但是BP神经网络对测试集数据的测试效果并不代表对其他数据具有同样的测试效果而且易产生过拟合,所以采用交叉验证与BP神经网络相结合的方法, BP神经网络算法可对多组不同的数据进行测试,得到多组测试结果并求得平均值,可得到BP神经网络模型相对稳定的测试结果并降低结果的随机性.     

基于BP神经网络的夏玉米多生育期叶面积指数反演研究

叶面积指数（Leaf Area Index,LAI）是生物地球化学循环中重要的植被结构参数。针对目前基于我国GF-1 WFV卫星影像的夏玉米多生育期LAI反演研究较少的问题,基于不同隐含层构建BP神经网络模型（BP1模型和BP2模型）,对比分析BP1模型、BP2模型和6种统计模型（NDVI、RVI、DVI、EVI、SAVI、ARVI）反演之间的精度差异,并根据实测数据绘制BP1模型和BP2模型的夏玉米多生育期LAI动态变化图。结果表明:LAI与6种常用的统计模型均有良好相关性,其中NDVI指数方程式回归模型拟合度最优;BP神经网络模型整体R ²略小于统计模型,而RMSE则小于统计模型,取得了与实测值差异更小的结果,统计模型与BP神经网络模型各有优劣之处;BP2模型在R ²和RMSE均优于BP1模型,能获得更为精确的反演值,BP2整体预测精度更高;基于BP神经网络模拟夏玉米生育期反演,LAI值呈现缓慢升高—快速增长—逐渐减小的S型变化过程,基本符合作物生长规律。该研究结合不同隐含层建立的BP神经网络模型,为GF-1卫星在作物叶面积指数多生育期反演的应用推广提供了方法支撑。