基于深度迁移学习的输电线路涉鸟故障危害鸟种图像识别

为了实现输电线路涉鸟故障的差异化防治,提出一种基于深度迁移学习的危害鸟种图像识别方法.根据历史涉鸟故障的鸟种信息及输电走廊周边鸟种调查结果,建立88种相关鸟类图像数据集,采用类激活映射进行图像预处理,滤除复杂背景噪声.基于迁移学习的思想,首先利用AlexNet、VGG16、ResNet50、Inception V3这4...     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于深度字典学习的输电线路故障分类方法

针对当前输电线路故障分类识别方法存在的阈值整定复杂、人工智能算法可解释性不足等问题,提出了一种基于深度字典学习的输电线路故障分类方法。该方法利用稀疏性约束驱动字典自动提取样本中的故障特征,同时深度字典结构使得所提取的故障特征具有较好的层次性和物理含义,符合人对故障的直观认识,一定程度上解决了数据驱动型方法可解释性不足的问题。最后,通过PSCAD/EMTDC仿真验证了所提方法的有效性。     

基于CBAM-FCN的高压输电线路发展性故障识别方法

高压输电线路的发展性故障往往受运行状态和故障发展过程的影响,给故障甄别和保护决策造成困难。为了准确识别高压输电线路的发展性故障,保证继电保护装置动作的正确性,将全卷积神经网络（fully convolutional network, FCN）与卷积注意力模块（convolutional block attention module, CBAM）相结合,提出一种基于CBAM-FCN的发展性故障识别方法,通过在传统全卷积网络中引入CBAM模块,使神经网络能够聚焦于故障波形的突变、幅值等重要特征,忽略无关干扰。此外,所提方法能够输出表征故障状态变化的一维时序序列,实现对输电线路发展性故障的全过程识别。最后大量仿真验证了所提方法的抗噪性能和泛化能力,并通过可视化技术展示了网络模型的可解释性。     

基于深度学习的绝缘子故障检测研究

绝缘子是架空线路中重要组成部分之一,当出现故障时,影响电网安全运行。为实现绝缘子故障快速、精准的识别,提出了一种基于改进YOLOv3-Tiny的绝缘子故障检测方法。首先,为了增强小目标检测能力,对浅层特征图与第二检测层之前特征图进行同维拼接构建第三预测层。随后,该网络采用Ghost模块替换主干网络中的卷积层,降低模型的参数量。然后,设计了一个新的注意力模块MECA,不仅能够多尺度信息融合,还能使网络专注绝缘子的显著特征。最后,提出了新的交并比EIoU作为边框回归损失函数,更好的定位目标位置。实验结果表明,改进的YOLOv3-Tiny在绝缘子故障检测中平均准确率（MAP）高达96.1%,较原始YOLOv3-Tiny算法MAP提高了17%。     

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。     

基于神经网络原理的高压架空输电线路故障测距模型的研究

根据目前广泛应用的单端电气量的基频分量实现单回高压架空输电线路故障测距的其各种算法尚存在的不足之处,录求解出现伪根或可能存在迭代不收敛的问题;测距结果受时端系统运行方式变化的影响等。本文运用人工神经网络的理论开辟了故障测距的析途径,提出用基于分布分层式神经网络系统来实现高压架空输电路线故障测距的新方法。经研究和仿真表明：该方法能有效地实现输电线路故障点的精确定位,测距结果不受故障过渡电阻和对端运行     

基于图像增广与迁移学习的输电线路金具 多目标实时检测方法

架空输电线路金具的状态评估工作对于线路的可靠运行至关重要,金具的检测是评估工作的重要一环。针对金具识别检测中数据集人工标注的工作量大,以及难以兼顾高精度和快速性问题,提出一种基于YOLOX网络改进的输电线路金具检测方法。将无人机拍摄的金具图像进行增广预处理丰富数据集,骨干网络采用在线Mosaic、Mixup增强方式,引入基于特征提取的迁移学习并采用余弦退火学习率进行两阶段模型训练。实验结果表明,改进后的方法对各类金具检测的平均精度均值提高了18.32%,与Faster R-CNN等5种主流检测模型相比,所提方法平均检测精度均值最高,且检测速度仅次于YOLOv3,能够更加快速、精准地识别各类金具,并在一定程度上减少人工标注的工作量。     

基于多通道卷积双向长短时记忆网络的输电线故障分类

针对单通道故障分类器不能全面表达三相故障特征信息引起分类精度不高的问题,提出了一种基于多通道卷积双向长短时记忆神经网络(MCCNN-BiLSTM)的输电线故障分类方法.该方法可同时输入故障三相信号,并能有效提取故障信号的空间和时间特征,实现了三相故障信号特征的全面提取,有效地提高了神经网络的分类的精度.基于735 kV...     

基于格拉姆角场与ResNet的输电线路故障辨识方法

针对如何利用实际故障录波数据,提取和放大故障特征差异,开展故障类型与故障原因辨识的问题,提出了基于格拉姆角场与迁移学习-ResNet的输电线路故障辨识方法。首先,统计分析了输电线路故障类型和故障原因的分布特征,用于指导构建适用于类不平衡问题的故障分类器。然后,利用格拉姆角场变换将采集得到的故障电压、电流时序信号转化为格拉姆角场图像,放大故障特征差异,作为故障分类器的输入。进一步,将生成的图像集输入搭建好的故障分类器进行网络训练和测试,输出输电线路故障类型和故障原因。最后,完全采用真实故障录波数据开展了算例分析。结果表明：所提方法对故障类型的辨识准确率达到了97.51%,对故障原因的辨识准确率达到了94.23%。并且将训练的故障辨识网络迁移至其他地区时,仍然具有较好的故障辨识效果和泛化性能。所提方法为基于暂态波形数据驱动的故障辨识提供了新方法,可以用于实际电网的输电线路故障辨识。     

基于电流故障分量特征和随机森林的输电线路故障类型识别

为提高输电线路故障选相的精确性,提出了一种基于电流故障分量特征结合随机森林的输电线路故障类型识别新方法.分别在多个短时序列下计算三相电流故障分量能量相对熵与零序电流故障分量能量和,并按特定顺序把在各短时序列下计算得到的结果组成特征样本向量,以表征输电线路故障类型特征.建立随机森林智能故障类型识别模型,并利用故障特征样本...     

基于S变换相关度和深度学习的配电网单相接地故障选线新方法

针对配电网发生单相接地故障时特征信息不明显,且现有选线方法易受故障条件和环境噪声影响的问题,基于S变换相关度和深度学习,提出一种具有强抗噪声能力和高泛化水平的配电网单相接地故障选线新方法.首先,利用S变换获取零序电流时频信息,基于各线路零序电流的全频段信息计算线路故障信息相关度;其次,为提高故障特征的可辨识度和抗干扰性...     

基于组合神经网络的输电线故障类型识别

准确的输电线路故障类型识别是实现故障测距的前提 ,文中在高压输电线路故障分析的基础上 ,构建了由Kohonen自组织特征映射神经网络模型和BP网络模型组合而成的类型识别网络模型 ,来实现输电线路的故障检测及故障类型识别。经理论分析和大量的EMTP仿真表明 :此网络模型较单一网络模型 ,所需训练样本少 ,学习时间短 ,并且在各种故障模式下 ,均能可靠、准确实现输电线路故障类型的识别 ,不受故障过渡电阻、故障初始角、系统运行方式、故障点位置等因素的影响     

深度学习理论及其在电机故障诊断中的研究现状与展望

电机已经被广泛应用到人们生产生活的各个领域中,电机的故障不但会对电机本身会造成损害,甚至会引发经济损失、人员伤亡等各种问题。因此,将及时且高效的故障诊断技术应用于电机有着重要意义。相比较传统故障诊断技术而言,深度学习因其更强大更复杂的数据表达能力,已被应用于电机故障诊断领域,并取得了一定的研究成果。因此,介绍了深度置信网络(DBN)、自编码网络(AE)、卷积神经网络(CNN)和循环神经网络(RNN)这四类经典的深度学习模型,并总结了这四类模型在电机故障诊断中的应用。最后对深度学习在电机故障诊断领域中所面临的问题和挑战进行了总结和展望。     

基于故障录波数据同步技术的输电线路参数辨识方法

输电线路多源参数的差异性及其受外部环境影响的易变性使得常规离线测量结果不准确,利用故障录波信息进行在线参数辨识可以满足实际线路参数需及时更新的要求。该方法基于线路双端故障录波信息,考虑双端故障录波信息不同步时间,构建约束方程求解区内外故障时的线路双端数据的不同步时间。在此基础上利用双端同步的电压电流相量,进行线路参数辨识。通过IEEE9节点模型分析验证表明,该对齐方法的对时精度等级约为10-5 s,提高了利用故障录波信息进行输电线路参数辨识的有效性。