共查询到18条相似文献,搜索用时 62 毫秒
1.
针对单传感器状态识别算法存在漏检、误检的缺陷,文章提出一种基于双传声器和深度学习的变压器状态识别算法,即基于一维卷积神经网络和双传声器数据融合算法(1D-CNN based dual microphones fusion algorithm,1D-CNN-DMF)。利用2个传声器分别同时采集变压器声信号,通过一维卷积神经网络对2个传声器采集到的声信号分别进行特征提取,并利用全连接层对特征进行融合,最终通过softmax分类器进行分类。通过采集500 kV变压器的声信号构建数据集进行验证,结果表明1D-CNN-DMF算法可以有效地对变压器不同状态进行分类,分类准确率高于1D-CNN-LSTM、1D-CNN、FFT-BP、SVM和FFT-SAE等算法。最后利用t-SNE可视化工具揭示了1D-CNN-DMF算法的内在机制。 相似文献
2.
3.
考虑当前方法在识别瓷绝缘子缺陷时,受到缺陷类别的影响,导致识别精度较低的问题,提出了基于深度学习的配电线路瓷绝缘子缺陷识别方法。根据瓷绝缘子可靠性测试原理,采用兆欧表测试配电线路电源电压,通过计算配电线路的电源负载特性,引入测试电压波纹系数,对配电线路瓷绝缘子缺陷进行电子信号检测。根据配电线路瓷绝缘子表面的缺陷区域分布规律,计算瓷绝缘子缺陷图像的深度学习中心和隶属度函数。利用深度学习特征的最佳数量,定位检索配电线路瓷绝缘子缺陷特征,通过对瓷绝缘子缺陷图像的二值化处理,实现配电线路瓷绝缘子缺陷识别。实验结果表明,所提方法在识别瓷绝缘子脱落、灼蚀时缺陷识别指标都达到了9,破损时缺陷识别指标均控制在8以上,具有较高的识别精度。 相似文献
4.
弹片是解决翼型流动分离的重要技术手段,合理的弹片参数对翼型表面压力分布尤为重要。基于数据驱动的深度学习方法与计算流体力学(Computational Fluid Dynamics, CFD)相结合,可快速有效地完成对复杂流场特征的识别与提取。本文提出一种基于卷积神经网络(Convolutional Neural Network, CNN)的翼型表面压力分布预测方法,通过提取流场的尾流速度、压力等流动特征构建翼型表面压力分布的预测模型。首先,通过数值模拟计算了8种不同抬起角度的NACA 0012弹片翼型的流场;其次,采用提取的流场数据建立CNN预测模型;最后,将预测值和CFD计算值进行对比。结果表明:基于CNN的预测模型对翼型表面压力系数分布有较高的预测精度,其中尾流速度模型在弹片抬起角度为15°时的预测均方根误差仅为0.1,说明尾流速度中包含丰富的流场信息。 相似文献
5.
6.
7.
电力行业发展对国民经济发展具有显著影响,在社会发展过程中电力企业发挥着重要作用。电能的销售工作实际上就是电力营销,其涉及到抄表、业扩报装以及核算等多个步骤。在电力企业发展过程中,异常电力营销数据对于各相关方的利益均带来不良影响,并且对于我国经济的发展也起到一定的阻碍作用。随着人工智能技术的不断发展,改进深度学习以其优异的数据处理能力、强大的态势感知能力,可以用于电力营销数据的异常识别。 相似文献
8.
9.
10.
转子轴心轨迹作为转子故障的典型特征之一,可以提供更具代表性的故障特征信息。对转子轴心轨迹形状进行准确识别是构建转子故障特征征兆的基础。为提高转子轴心轨迹形状识别的泛化能力,提出一种基于深度卷积神经网络的转子轴心轨迹成像及形状识别方法(DimShapeNet)。将转子轴心轨迹映射到二维数字图像中,利用反灰度化预处理方法,去除二维数字图像中多余的颜色信息;将预处理后的转子轴心轨迹数字图像输入深度卷积神经网络中进行训练。结果表明:经过反灰度化预处理的转子轴心轨迹数字图像在深度卷积神经网络的训练中更有优势;相比于传统的转子轴心轨迹形状识别方法,基于深度卷积神经网络的转子轴心轨迹形状识别方法具有更高的准确性和更好的鲁棒性。 相似文献
11.
绝缘子是输电线路无人机巡检的重要目标。为了快速准确识别巡检图像中的绝缘子,通过采集巡检图像,构造绝缘子数据集,提出了一种基于深度学习单阶图像识别框架(YOLOV3-SPP)的绝缘子在线识别模型。该网络模型在YOLOV3的模型上加入了SPP模块。通过在Pytorch环境下的训练和测试,结果表明:加入SPP模块后提高了检测的精确度,并可以快速有效地完成绝缘子识别定位。 相似文献
12.
13.
为了解决现有特征提取方法存在特征辨识度低的问题,基于深度强化学习设计电网潮流特征提取方法,为了提升潮流特征的辨识度,利用点估计法计算电网潮流,以此为基础,通过模拟退火算法生成电网潮流图,并灰度处理电网潮流图,以灰度处理后的电网潮流图为依据,利用深度强化学习方法提取电网潮流特征,实现了电网潮流特征的提取。实验结果表明:与现有的电网潮流特征提取方法相比,文中电网潮流特征提取方法极大地提升了特征辨识度,证明了基于深度强化学习的电网潮流特征提取方法具备更好的特征提取性能。 相似文献
14.
目前电网基建项目中的一系列安全问题的检查监督主要依靠人工巡检、抽检,存在工作量大、易疏忽、实时性差、效率低等诸多缺点,无法做到对整个施工现场的安全情况实时监控、全局管控。近年来随着人工智能技术的发展,基于视觉分析的基建现场安全状态智能评估已成为可能。提出了一种基于深度学习的电力基建现场安全管控系统,该系统基于施工基建现场安全管控中视觉目标检测的实时性和准确性要求,以YOLO-V3目标检测算法为核心,根据检测对象的特征对网络结构和参数加以优化,开展目标检测与识别技术研究,搭建施工基建现场管控系统,提升处理效率,进一步完善基建现场的安全监控手段,可为不安全行为和不安全物态场景的智能识别提供新的思路和方法。 相似文献
15.
目的是解决小型分布式光伏电站在无气象站配备、无法测量气象变量(即太阳辐照度、温度、相对湿度等)的情况下,通过区域内光伏电站历史出力数据预测光伏发电的问题。基于有限信息,提出了两层的LSTM深度学习模型,对小型分布式光伏电站功率进行了预测,并对其超参数对其预测效果的影响进行了分析。此外,利用澳大利亚爱丽丝泉地区的分布式光伏电站数据来验证该模型的准确性,并与使用气象数据进行预测模型的效果进行了对比。结果表明,借助区域内光伏电站历史功率数据进行预测的效果良好,适用于无气象站情景下的光伏功率预测。 相似文献
16.
为了解决高比例不确定性风电接入电力系统带来强烈调频需求的问题,提出了基于混合深度学习模型的风电功率预测及其一次调频应用方法。首先,采用孤立森林(Isolated Forest, IF)对历史数据进行异常值处理,提高数据质量,其次,构建卷积神经网络(Convolutional Neural Network, CNN)、双向长短期记忆(Bidirectional Long Short Term Memory, BiLSTM)和注意力机制(Attention Mechanism, AM)的混合深度学习模型对风电功率进行预测。最后,依据功率预测精度配置超级电容器储能,设计储能调频控制原则,弥补风电机组自身预测误差,并协同风电机组参与电力系统一次调频。基于预测结果为4台风电发电机组2个负荷区域仿真系统配置超级电容器储能系统,利用digsilent平台进行了风预测误差和负荷波动下的一次调频仿真。结果表明:所提IF-CNN-BiLSTM-AM模型比BP和LSTM基准模型预测误差(MSE)降低了81.53%和51.44%,具有最优的预测性能;设计的风储一次调频模型与原则可有效应对风电预测误差和负荷波动... 相似文献
17.
基于移动大数据的电网规划辅助选站选线研究与实践,以陕西电网多年积累的电网现有网架、规划网架、电源信息、用电负荷分布等规划建设大数据及地形地貌、矿产资源、居住区、环境保护区、生态红线等对电网工程影响较大的地理敏感信息为基础,分析影响因素并研究布点选站、最优路径选择等技术方案。在移动终端上进行架构设计、功能开发和大数据分析,最终建成辅助选站选线移动系统,为电网规划落地、提升现场工作质量提供了全新的技术手段。经多次现场踏勘实践,结果表明,该系统有效支持了电网规划的选址选线,提升了工作效率和规划质量,节约了成本。 相似文献
18.
无人机巡线的推广和应用使得带电维护和检修成为可能,从而提高了电力工人的维护和检修速度。由此,合理地、精细化地规划无人机巡线路径已成为亟待解决的问题。该文以无人机巡线路径作为研究对象,首先,针对无人机巡检路径的规划特点,建立无人机巡线作业环境模型;然后,建立能耗最低、可巡线时间最长的目标函数,并利用蚁群算法对其进行求解,以优化巡线目标的拍摄地点和巡线路径;最后,利用GPS定位功能实现无人机自动巡线功能,建立无人机巡线指挥系统。算例仿真和实际使用情况表明,利用文中提出的算法,可以在确保无人机完成巡检任务的前提下,缩短巡检路径、减少所需采集照片的数量,并在提高了巡检工作效率的同时,减少了所需分析图片的数量。 相似文献