融合知识库和深度学习的电网监控告警事件智能识别

电网监控告警信息是监控人员进行监控事件识别的重要数据基础。针对当前人为处理海量监控告警信息效率低的现状和电网智能技术深化应用的需求,提出一种融合知识库和深度学习的电网监控告警事件自主识别方法。基于自然语言处理技术中的Word2vec模型对监控告警信息进行向量化建模,基于卷积神经网络建立监控告警事件识别模型,通过算例对比验证所建模型的有效性和实用性。提出融合知识库与所建模型的应用方法,实现电网监控告警事件的智能感知和可靠识别。     

基于改进深度卷积神经网络的步态识别算法

针对传统步态识别算法因服饰携带物变换、视角等协变量因素变化导致的识别能力下降问题,提出了一种基于改进深度卷积神经网络的步态识别算法。该算法利用分层处理机制从步态数据中提取步态特征,能够降低常见变化和遮挡等情况对识别精度的影响,同时,算法根据实验确定了网络中每层特征图的最佳数量、特征图的最佳尺寸以及要用于步态识别的输入特征的类型,能够处理相对较小的数据集而无需使用任何增强或微调技术。CASIA-B步态数据库仿真实验表明,所提出的卷积神经网络覆盖了交叉视图步态识别和无主题的步态识别问题,能够克服与步态识别相关的协变量因素问题,具有更优的步态识别精度。     

基于边缘计算的配电网过电压在线识别装置

人工智能算法、边缘计算技术的快速发展,为研制识别率更高、智能化更强的新型配电网过电压识别装置奠定了基础.提出了一种基于边缘计算的配电网过电压识别软硬件系统设计方法.在硬件上采用多级运放设计了适于高带宽、高精度高压分压器的信号调理电路,利用高速数据采集卡实现了配电网三路电压信号的同步实时采集,以带神经网络处理器(NPU)...     

基于CNN-BiGRU的高压直流输电线路故障识别

针对高压直流(high voltage direct current, HVDC)输电线路故障暂态行波具有时序性和强非线性的特点,导致高过渡电阻情况下故障识别率低的问题,提出基于卷积神经网络(convolutional neural networks, CNN)和双向循环门单元(bidirectional gate recurrent unit, BiGRU)的HVDC输电线路故障识别方法。首先,采用故障后整流侧的双极暂态电流行波作为特征向量,利用CNN提取全局特征,并从中剔除噪声和不稳定成分,完成对数据的降维处理。然后,采用BiGRU来捕获CNN提取到特征的前后时间信息,进一步提取数据中的时序特征,以实现HVDC输电线路故障识别。仿真结果表明：该方法可在不同故障地点以及不同过渡电阻下对单极接地、双极短路、雷击故障、雷击干扰共四种故障实现准确识别,可靠性高,具有较强的耐受过渡电阻能力,同时具备一定的抗噪性能。     

江西电网在线故障智能告警应用实现

当电网设备发生故障时,调度值班运行人员陷入繁多的告警信息中,无法快速判断事故原因,影响事故处理的速度。结合江西省调D5000系统在线故障智能告警功能建设,介绍了江西电网在线故障智能告警功能、数据来源和故障告警综合展示情况,提出了故障告警存在的问题及改进措施。应用的实现为调度运行人员提供全面、直观的技术支持,避免了故障时告警信息繁多且不直观对调度运行的影响,提高了调度工作效率。     

基于优化卷积神经网络的电缆早期故障分类识别

准确识别电缆早期故障是及时消除故障隐患的必要前提。提出基于卷积神经网络的电缆早期故障分类识别的方法,可从含恒定阻抗故障、励磁涌流、电容投切扰动的过电流信号中准确识别电缆早期故障。通过小波变换提取过电流信号特征,构建卷积神经网络,进行训练调整网络参数形成输入特征与类别编码之间的映射关系。为解决训练过拟合和学习效率的问题,通过修正损失函数和采用自适应学习率的方法优化卷积神经网络。仿真结果表明,所提方法能对过电流信号进行有效分类,准确识别电缆早期故障,具有较高的工程应用价值。     

利用动态步态图进行步态识别

基于轮廓的步态识别方法容易受行人的携带物、衣物等遮挡因素的影响。针对这一问题提出了动态步态图。动态步态图将步态轮廓图划分为动态部分和静态部分,更有利于提取受遮挡影响较小的动态步态信息。设计了双路步态识别网络(Bi-Route)提取步态特征,通过增加动态特征占比,稀释静态特征占比降低遮挡物的影响。网络以动态步态图为输入,使用二维卷积分别提取步态序列中的全局轮廓特征和帧级轮廓特征,使用三维卷积神经网络从帧级轮廓特征中提取动态特征。为了验证本方法的有效性,在CASIA-B数据集上进行了评估,在正常(NM)、背包(BG)、穿大衣(CL)条件下的准确率分别达到了92.9%、87.2%和65.6%。结果表明本方法可以降低遮挡、衣物和携带物等对识别准确率的影响。     

基于R-FCN模型的深海生物识别技术

针对深海生物识别问题采用基于区域的全卷积网络(R-FCN)模型对海洋生物进行识别,以实现潜水器水下视频信息识别的目的。为了提升模型的训练速度,对潜水器的视频数据进行裁剪和转换,利用数据筛选去除噪声图像来提高模型的准确性,最后采用模型的预学习来提高模型的训练质量。该技术在TensorFlow框架上使用基于R-FCN的识别模型对海参、海胆等深海生物进行识别,平均检测准确率在98%以上,达到了预期的识别效果。     

关于电网调度自动化系统智能报警的探讨

以多个应用事例分析了广东电网公司广州供电分公司调度中心目前的电网调度自动化系统在报警方面的效果和存在的问题。提出了智能报警、分级分层报警的改进思路,介绍了智能报警系统的设置原则和要求,阐述了在电力系统中设置电网调度自动化智能报警系统的必要性。     

基于轻量化网络和知识蒸馏的回转窑工况识别

回转窑烧成带图像蕴含丰富火焰信息,准确识别燃烧状态是回转窑优化控制的前提,基于卷积神经网络的方法可以快速识别回转窑工况,提高回转窑自动化水平,但存在网络规模大,所需计算资源多的问题,为此提出了一种基于轻量化网络和知识蒸馏的回转窑工况识别方法,在网络卷积层后引入协方差池化层改进教师模型和学生模型,以改进的轻量化网络MobilenetV2作为学生模型的主干网络,以改进的Resnet50作为教师模型的主干网络,通过构建混合蒸馏损失函数,将教师模型蕴含的丰富分类标签信息迁移到学生模型中,并将蒸馏训练得到的学生模型作为回转窑工况识别模型,以提高网络对高相似火焰图像的识别精度。实验结果表明,经蒸馏后的学生模型总体识别准确率相较于原始模型提高了3.33%,对测试集中3种工况的识别率分别达到了93%、99%、90%,准确率和模型规模均优于目前其他主流网络模型,满足实际生产中实时、低成本要求。     

基于卷积神经网络的高压电缆局部放电模式识别

由高压电缆不同类型缺陷诱发的局部放电(PD)的识别难度较大,尤其是某些相似度较高的电缆绝缘缺陷类型难以区分。提出了一种基于卷积神经网络(CNN)的高压电缆PD模式识别方法,研究了不同网络层数、不同激活函数以及不同池化方式对识别效果的影响,并与传统的支持向量机(SVM)和反向传播神经网络(BPNN)算法进行了对比。结果表明,相比SVM和BPNN,CNN的总体识别精度分别提高了3.71%和4.06%,且能较好地识别具有高相似度的电缆缺陷类型。     

基于改进深度学习的刀闸状态识别方法研究

识别刀闸状态对于现代电力系统至关重要,传统的刀闸状态识别方法不能很好地解决多刀闸目标干扰问题。为了解决此问题,提出了一种基于改进深度学习的刀闸状态识别方法。首先采用空间加权的池化策略来改进传统的卷积神经网络(CNNs);其次利用改进CNNs在训练数据库上获得训练模型;然后通过训练模型来检测绝缘子和刀闸的潜在位置,并进一步利用非极大值抑制和直线拟合算法获得精确的绝缘子和刀闸位置;最后利用与绝缘子的连通性和刀闸区域的长宽比来识别多种刀闸的闭合或断开状态。实验结果表明此方法能够精确地定位绝缘子和刀闸的位置,显著提高刀闸状态识别的精度。     

基于一维卷积神经网络多任务学习的电能质量扰动识别方法

传统电能质量识别需要先用信号处理技术提取信号特征,且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性,使得复合扰动分类的鲁棒性和抗噪性能不理想。针对这些问题,提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动。此结构去除了传统方法的信号特征提取阶段,将扰动分类任务分成四个子任务,设计了相应的标签编码方案,最后输出一个10维标签向量完成多任务分类。仿真结果表明,该方法在不同信噪比时均具有较好的识别准确率,表明此模型具有较强的鲁棒性和抗噪声能力。同时,多任务分类相比One-hot多分类和多标签分类准确率更高,表明了该建模方式的有效性。     

基于深度学习的采摘机器人目标识别定位算法

为了提升采摘机器人对果实的识别准确率以及定位定精度,提出一种基于深度学习Faster-RCNN框架的采摘机器人目标识别和定位算法。首先采用卷积神经网络VGG16模型提取输入图像的特性信息,并利用区域提议网络RPN生成含有目标的候选框,通过引入自适应候选框数的方法有效提升了算法性能,然后利用多任务损失函数对目标进行分类识别和预测框校正定位,从而得到目标在图像坐标系统的高精准度坐标,最后通过标定求解出采摘机器人手眼两个坐标系之间的映射关系,从而实现了对果实的精确识别和定位。通过对苹果的识别和定位实验结果表明：所提算法具有较高的识别度,平均精度达97.5%,且定位误差更低,最大误差仅为1.33cm,可为智慧农业发展提供有力的技术支持。     

基于彩色区域识别快速报警指针识别算法

针对电力监测系统中使用的彩色仪表,提出了一种基于彩色区域识别的快速报警指针识别算法。传统直线检测采用Hough变换,具有存储空间大,计算时间长等缺点。创新性地将图像彩色信息和Hough变换相结合,通过识别指针所在的区域颜色,判断是否需要报警输出,并为下一步精确识别指针示数确定Hough变换的搜索范围,通过减小搜索范围来减少Hough算法需要的内存空间和计算时间。实验结果表明,改进算法比传统算法具有明显更高的效率。     

基于忆阻器卷积神经网络的表情识别

忆阻器具有纳米级尺寸、低功耗、类似神经突触等优点,在神经计算、图像分类等领域具有广阔的应用前景。本文提出了一种基于忆阻器卷积神经网络的面部表情识别方法,首先基于忆阻器构建了ResNet卷积神经网络,并对ResNet网络进行剪枝操作,然后将ResNet模型的所有卷积层以及全连接层的权重映射为忆阻器十字交叉阵列中忆阻器的忆导值。实验结果显示忆阻器卷积神经网络模型在FER2013数据集上的识别准确率为63.82%,在CK+数据集上的识别准确率为93.95%。相比与原卷积网路,准确率损失仅分别为0.31%和0.76%。最后测试了忆阻器的非理想特性对准确率的影响,为忆阻器神经网络的实际部署提供参考。