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。     

基于深度学习的绝缘子缺失检测方法研究

绝缘子缺陷严重影响输电线路安全,航拍图像绝缘子缺失的有效识别是无人机线路巡检。提出一种轻量级网络的绝缘子缺失检测模型,使用轻量级网络MobileNetV3替换YOLOv4模型的CSPDarknet53网络。以分割性能和计算速度为判据,综合分析比较了YOLOv4模型和使用轻量型网络对其主干网络替换后的模型在绝缘子缺失检测上的性能,实验结果表明：筛选的YOLOv4-MobileNetV3轻量级网络绝缘子缺失检测模型能够准确定位图像中单、多目标绝缘子;改进后YOLOv4-MobileNetV3检测模型比原模型的体积减少了78%,FPS提升了4.85 f/s,而mAP仅降低0.6%。提出的绝缘子缺失检测方法能够满足无人机电力线路巡检的需求。     

基于图像深度学习与三维电场仿真的电力用复合绝缘子缺陷挖掘分析

鉴于复合绝缘子运行环境差异较大、表面电场分布特征各异,亟需合理评估现役运行复合绝缘子运行状态。为此,首先应用紫外、红外成像技术对典型复合绝缘子进行观测形成电-热影像图谱数据库;然后应用小波成像技术对原始图像进行去噪处理,并基于聚类算法对复合绝缘子进行图像区域分割,联合视觉深度学习实现了复合绝缘子类型自适应识别和外轮廓匹配。同时应用三维建模技术对典型复合绝缘子电场分布规律进行仿真模拟,实现复合绝缘子高场强区域电场分布可视化;最终联合深度学习图像后处理结果和电场分布特征形成现役复合绝缘子运行状态评估策略。研究结果对于电力系统用复合绝缘子运行维护具有较好指导意义。     

基于深度学习的居民区识别在电力线规划中的应用

针对高压输电线路规划设计中居民区数据难以精准获取的问题,采用人工智能算法,提出了基于深度学习的遥感影像居民区自动识别方法。在Matconvnet框架下,利用迁移学习技术在小样本情况下开发了一套针对多源遥感影像的居民区检测系统。以陕西省宝鸡市为例,对算法进行验证,结果表明,该算法居民区识别精度优于93%,能很好地满足高压线规划设计中对居民区数据的需求。     

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。     

基于改进Xception方法的绝缘子识别

为了对无人机航拍巡检中的绝缘子是否含有缺陷进行准确识别,改进了Xception分类识别方法。首先,利用resize函数将无人机拍摄下的图片进行缩放处理至合适尺寸,并采取数据增强技术扩充样本;其次,将Xception的池化层和输出层进行改进至更适合绝缘子复杂情况下的分类识别,并在验证集上对模型的参数进行对比确定,使模型性能最佳;最后,改进的Xception方法在数据集上与4种图像分类算法进行比较。实验结果表明,在数据集上改进的Xception方法的准确度和每秒处理图片张数都有一定提升。     

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。     

基于优先级排序的配电线路改造措施分析

配电线路改造是电力公司工作的重点,但在进行实际工作时,往往偏重某一方面,无法统筹综合实现配电线路改造的整体规划。针对此问题,提出了优先级顺序的概念,通过配电线路指标分析和改造措施经济性的比较,确定了配电线路各改造措施的优先级排序,并运用实际例子进行验证,提出了改进方案,对配电线路的实际改造工作起了指导作用。     

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。     

基于航拍图像的输电线路导线损伤识别技术

铝丝的断裂和表面的损伤会逐步演变成不可逆的破坏,从而造成电力系统大范围的断电。为了发现可能发生的断股、损伤,避免其进一步恶化,本文提出一种利用无人机进行导线断线和表面缺陷的自动识别技术。然后,利用灰度方差规格化（GVN）进行自适应阈值分割,并对其进行了提取。用SWT法对导线断裂进行了灰度分布曲线的SWT分析,同时,通过对引线区域GVN图像的投射方法,对导线表面缺陷进行了识别。最后,对断股数量进行了分析,筛选出疑似缺陷,并对其进行了故障诊断。通过一系列的试验,验证了本文提出的算法的可行性。     

10kV配电线路的故障排除以及原因分析

配电线路运行效益直接影响着用户用电质量,是新时期配网管理的重中之重。研究从某地区10kV配电线路运行现状出发,有计划地开展故障排查,利用排除法确定10kV配电线路故障的关键致因并进行处理,以期能为10kV配电线路运维管理指导借鉴,全面推动我国配电网建设发展进程。     

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...     

基于迁移学习与ResNet的太阳电池缺陷检测方法

针对太阳电池缺陷种类复杂多样、人工检测效率低下的问题,提出一种基于迁移学习与ResNet的太阳电池缺陷检测方法。该方法首先利用残差模块搭建ResNet缺陷检测模型,接着将参数从ImageNet预训练模型迁移到ResNet缺陷检测模型中并使用电致发光(EL)图像微调模型,然后加载最优模型构建缺陷检测分类器实现太阳电池的缺陷检测。将该方法应用到常州某企业太阳电池的缺陷检测中。结果表明:在不同数据比例下,所提方法综合性能最好、泛化能力强、鲁棒性好,能实现模型快速训练并提高太阳电池缺陷检测的准确率,可满足太阳电池缺陷检测的需求。     

基于知识图谱的二次设备缺陷智能诊断与识别应用研究及实现

为了进一步规范缺陷信息录入并且提升消缺处置的效率,文章基于知识图谱的二次设备缺陷智能诊断与识别方法,通过利用历史消缺记录构建缺陷知识图谱,完成了缺陷信息自动填报、缺陷智能诊断及缺陷处置辅助决策功能,实现了对故障处置全过程的支撑.采用的技术实际应用效果一定程度上依赖于原始文本数据的质量,在后续应用时,需要持续迭代优化算法...     

基于边缘端目标识别与跟踪算法的输电线路航拍视频流诊断技术研究

边缘计算的出现改变了无人机影像诊断的方式,但是由于边缘端设备的功率和AI算力有限,将云服务器中的目标识别的算法部署到边缘装置时,极容易出现识别滞后、显示卡顿、缺陷检测率低等情况。将YOLOv5目标识别算法进行改进,引入Ghost模块改造Backbone部分实现轻量化;改进后YOLOv5-GBA算法结合目标跟踪算法,实现了边缘端的无滞后实时检测,针对9种不同的空间尺度的缺陷开展检测,平均准确率75.1%,相比YOLOv5的6.0版本平均提升2.8%,在边缘计算模块NVIDIA Jetson Xavier NX上实现了最高224FPS的测试效果,有效解决了边缘计算装置中深度学习算法应用效果差与识别准确率低的现实问题。     

基于深度学习算法的配电网故障定位检测研究

当架空配电系统发生故障时,需要立即响应,并且运用时域反射(TDR)方法来检测故障检测位置。然而,在具有多支路的复杂网络和变压器、开关柜等配电设备中,由于TDR脉冲的波形失真和幅值减小,故障点的准确检测十分困难。本文提出了一种基于深度学习的TDR波形故障点检测方法。该方法可应用于分支配电网中观测到多次反射波的故障位置和故障类型的检测。由于深度学习算法需要大量的波形数据,我们开发了一种快速模拟方法来创建数据。为了快速模拟电路,功率分配线路被当作一个传输线,从而推导出传输线的基本矩阵。此外,通过基本矩阵的级联表示了配电网络的等效电路模型。利用MATLAB对等效电路进行计算,快速得到TDR波形数据。使用它来创建多分支架空配电网络模型的众多TDR波形数据,并使用深度学习算法进行故障位置检测。结果表明,对故障发生地点的识别准确率达到96.8%     

基于紧凑型光电传感器的复合绝缘子内部缺陷检测方法研究

为了能够有效地对复合绝缘子的内部缺陷进行监测,通过有限元法和现场试验研究了紧凑型光电电场传感器检测复合绝缘子内部缺陷的方法。首先,依据实际110kV复合绝缘子的实际尺寸和材料属性建立了三维有限元模型,导通性缺陷分别设置在复合绝缘子的高压端、接地端和中间端,研究了不同位置和不同程度的导通性缺陷对周围电场分布影响;然后基于有限元仿真计算研究了复合绝缘子周围轴向电场和径向电场分布的变化。结果表明,当复合绝缘子存在内部导通性缺陷时,径向电场分布的变化相对轴向电场分布的变化要更为明显;不同位置的导通性缺陷导致电场分布变化的特征不同;不同严重程度的导通性缺陷导致电场分布的畸变量会随着导通性缺陷的严重程度的增加而增加;最后,通过试验验证了EOEF传感器检测高压复合绝缘子的内部缺陷的有效性。这对于在非固定端检测获取缺陷信息有着重要的意义。