基于双传声器和深度学习的变压器状态识别

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。     

基于深度学习的配电线路瓷绝缘子缺陷识别

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。     

基于深度学习的翼型气动弹片流场参数预测

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。     

基于深度学习的输电线路绝缘子缺陷识别

传统的绝缘子缺陷识别为人工识别,效率低下,成本较高.为此,提出一种绝缘子缺陷自动识别方法.首先,采用随机森林分类法进行图像分割,实现绝缘子的目标识别;然后,采用卷积神经网络的方法实现绝缘子正常和缺陷状态的分类;最后,使用Faster R-CNN分类器实现自爆缺陷的定位.以无人机拍摄的大量绝缘子图片作为试验数据进行验证,...     

基于深度学习的上倾管气液两相流流型识别

针对目前两相流流型识别率不高且通常依赖精密仪器获取流型特征等问题,提出一种基于深度神经网络的流型识别方法。通过文献报告中已收集的流型数据集,分析影响流型的关键变量,利用粒子群优化后的深度神经网络结合Softmax分类器在Tensorflow平台上进行训练,并将其分类结果与统一模型进行对比。结果表明：流型识别的最终综合识别准确率在97.44%;流型分类结果与流型统一模型基本一致;与目前流型识别的主流方法相比,具有特征易提取、神经网络模型收敛速度快等优点。     

基于改进深度学习的电力营销数据异常识别研究

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。     

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...     

基于CNN-LSTM深度学习的燃烧不稳定性检测方法研究

提出了一种基于高速火焰图像序列的深度学习模型来检测燃烧不稳定性．模型以高速火焰图像序列作为输入,结合卷积神经网络(CNN)和长短期记忆网络(LSTM)同时学习图像序列的空间特征和时间相关性,输出燃烧不稳定性检测结果．利用旋流燃烧室多种工况下稳态和非稳态的瞬态火焰图像数据集验证模型的鲁棒性和准确性．该深度学习模型被证明是一种潜在的燃烧不稳定性检测工具,并有望成为一种很有前途的燃烧不稳定性预测工具．     

基于深度卷积神经网络的转子轴心轨迹智能识别

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。     

基于深度学习的输电线路巡检图像绝缘子识别

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。     

基于深度学习的配变停电电量损失预测

停电电量损失预测可为电网调度及规划提供参考,有利于为用户提供可靠供电服务。针对当前配变停电过程中的电量损失问题,先基于模糊C均值聚类算法实现对配变负荷曲线的分类处理及精细化分析,挖掘配变负荷数据规律;在此基础上,运用皮尔逊相关系数算法提取选择输入特征,构建基于门控循环单元神经网络的预测模型,从而得到停电时间负荷值,进而分析预测负荷曲线得到损失电量;最后,基于停电管理工作分析,实现基于粒子群优化的台区用电行为停电优化问题求解。算例测试验证了所提方法的正确性和有效性。     

一种基于深度强化学习的电网潮流特征提取方法

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。     

基于深度学习的电力基建现场安全管控系统

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。     

有限信息下基于深度学习模型的小型分布式光伏电站功率预测

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。     

基于混合深度学习的风电功率预测及一次调频应用

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...     

基于移动大数据的电网规划辅助选站选线

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。     

基于ACO的无人机巡线路径规划研究

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。