基于深度Q学习的强鲁棒性智能发电控制器设计

在现代互联大电网背景下,研究了多区域强鲁棒性的智能发电控制策略。在Q学习的架构下,将深度神经网络的预测机制作为强化学习的动作选择机制,提出了一种具有强鲁棒性的深度Q学习算法,设计了基于该算法的智能发电控制器。针对智能电网下的智能发电控制问题,在多智能体系统的框架下采用所提深度Q学习算法进行控制,并与传统的PID、Q学习和Q(λ)算法进行对比。在IEEE标准2区域和以南方电网4区域为背景的仿真模型(采用了23 328种不同模型参数)中进行数值仿真,仿真结果验证了所提深度Q学习算法的可行性和有效性,也验证了所设计控制器的强鲁棒性。     

基于ISD2560语音芯片的小型实用语音系统

介绍一款基于ISD2560语音芯片的小型实用语音系统，提供了ISD系列芯片级联的另一种方式。     

使用语音识别密码的智能电话远程控制系统

本文介绍了一种以单片机AT89C51和双音多频解码集成电路MT8870，以及语音识别芯片RSC4128为核心，利用个人通信终端对电器设备实现远程控制的智能电话远程控制系统，并对其硬件结构和工作流程进行了论述，重点介绍了语音识别模块。     

基于DSP的语音识别智能控制系统

介绍了语音识别的基本原理及用浮点数字信号处理器(DSP)TMS320C32实现语音识别算法的一些原则和方法,阐述了语音识别的DSP实现技术,系统以预测倒谱参数为特征参数,并采用计算量相对较小的改进的动态时间规整(DTW)算法实现语音参数模板匹配,能够实现特定人、孤立词、小词汇量的语音识别,并用MATLAB进行了算法仿真,从而将语音识别技术应用到智能控制系统中,给出了实验结果和误差分析。试验结果表明,系统正确识别率在89.96%,具有一定的实用价值。     

基于LD3320的语音识别智能垃圾桶设计

在互联网和自动化技术的不断发展的影响下,智能家居已经成为了当今物联网技术发展的重要热点方向之一。本设计基于ICRoute公司生产的非特定语音识别芯片LD3320,利用非特定语音识别算法实现垃圾桶的智能化声音识别和语音控制,完成语音控制垃圾桶各方向运动、非接触式智能开闭、容量检测功能。通过在模拟工作环境下对于设计正确识别率进行检测,证明系统在正常工作环境下的正确识别率达到88．4％,可以在2 m距离内有效完成设计动作和功能。     

基于OpenCV+SSD深度学习模型的变电站压板状态智能识别

目前,变电站保护硬压板信息管理处于完全依赖于人工巡检的状态.伴随着人工智能上升为国家战略,深度学习技术进一步发展,提出一种基于OpenCV+SSD深度学习模型的压板状态识别方法.在图像二值化并高斯滤波基础上,基于霍夫直线检测算法进行保护屏柜角点检测,并通过透视变换实现压板图像矫正,从而避免拍摄图像的角度变化对识别结果的...     

基于高分辨率SAR影像和深度学习的输电杆塔智能识别研究

近年来,强降雪、洪涝等极端气象灾害频发,对输电线路安全运行造成巨大挑战。星载合成孔径雷达技术(SAR)技术作为一种广域、全天时、全天候的新型感知技术,可实现大范围输电线路受灾情况的快速评估。针对复杂背景下的高分辨率SAR影像中的电塔识别问题,文章提出一种结合YOLO v2和VGG模型级联的Two-Stage目标检测算法。在Stage-1阶段,基于YOLO v2对整景SAR影像进行电塔检测;在Stage-2阶段,基于VGG对Stage-1的检测结果进行假阳性消除。以2018年1月强降雪后某地的COSMO影像为例进行测试,结果表明电塔召回率可达85. 7%,证明文中方法可较准确地识别整景SAR影像的电塔目标。     

基于深度强化学习的户内变电站通风降噪优化设计

针对户内变电站运行发热导致温度过高引发安全风险,以及采取相关散热措施可能导致噪声扰民的问题,提出一种基于有限元仿真和深度强化学习的户内变电站进风口设计参数优化方法。以此对户内变电站通风系统进风口位置大小进行优化设计,使其获得最优通风降噪效果。首先,通过有限元分析法对其温度场、流体场和声场进行仿真建模;然后,基于大量仿真数据,采用卷积神经网络建立温度和噪声的预测模型;最后,考虑噪声约束,利用基于最大熵强化学习框架的SAC算法,以变电站室内温度最低为目标对进风口设计参数进行优化求解。研究结果表明,经过优化后的进风口设计方案能够有效降低变电站室内温度,同时使噪声满足国家规范要求。     

基于单片机的语音识别智能窗帘控制器的设计

系统以单片机STC89C52芯片作为主控模块,可以对窗帘实现光照度检测、语音识别、按键手动等智能控制功能。光照度模块采集室外光照度数据上传至单片机,单片机发送控制指令驱动步进电动机驱动模块,控制步进电动机转动实现窗帘的自动开合,LCD显示屏显示实时的温度和时间。同时,系统还具备手动控制功能,通过语音识别模块或按键控制窗帘的开合。通过仿真验证该系统性能稳定、结构简单、抗干扰能力强、成本低廉、能够满足智能家居的需求。     

基于深度学习的电力设备铭牌文本识别

电力设备铭牌包含丰富的设备信息,通过图文识别技术获取设备铭牌信息,可更加高效快捷地完成电力设备的信息统计、台帐校核等工作,也有利于提高电力系统的设备管理水平。针对电力设备铭牌与普通图像文本识别差异较大的特殊应用场景,文中提出一种基于深度学习的电力设备铭牌信息自动识别算法。该算法由铭牌检测、文本检测、文本识别三部分组成。通过改进损失函数设计、增加文本识别结果纠正、人工合成文本图像等方式,使得铭牌检测模型在测试集上的平均精度均值达到92.2%,文本检测模型在测试集上的F₁值达到91.2%,文本识别模型的字符识别准确率达到94.0%,文本行识别准确率达到82.3%。     

基于深度学习的高效电力部件识别

传统的图像识别方法,不能有效检测出电力部件的具体位置,同时在干扰物较多的场景下识别准确率较低。本文针对以上问题提出一种基于MASK LSTM-CNN模型的电力部件巡检图像识别方法。结合已有的Mask R-CNN方法,利用长短期记忆神经网络,通过络融合上下文信息来构建MASK LSTM-CNN模型,然后结合电力部件的具体特征进一步利用优化算法来优化模型的参数,使设计的模型能够在干扰信息较多的现场环境下依然可以准确识别电力部件,成功解决了已有方法中存在的电力部件在被遮挡情况下识别率较低的问题,大大改善了部件识别的精度。结合实际采集的电力部件巡检图像数据集对提出的模型进行大量测试验证,实验结果表明提出的MASK LSTM-CNN模型相比于R-FCN、Faster R-CNN等模型检测效果更优,平均识别准确率提高9%-12%左右,有效解决了干扰信息较多的电力场景中的部件识别问题。     

语音识别的系统类型

语音识别技术常常根据各种使用限制建构成为不同类型的系统。     

基于深度神经网络的电力调度语音识别研究及应用

为进一步提高智能电网调度语音识别的准确率,本文将深度学习技术引入了电力调度语音识别领域,提出了基于深度神经网络(deep neural network,DNN)的电力调度语音识别技术。针对电力调度专用术语以及某区域电网习惯调度用语,建立了电力调度语音识别基础语料库。通过应用深度神经网络-隐马尔可夫模型(deep neural network-hidden markov model,DNN-HMM)进行声学模型训练,并对电力调度语音材料制作,语音模型训练过程、端点检测、与D5000系统交互以及语音转文字的整套流程进行了论述。实践结果表明,采用DNN-HMM的电力调度语音识别性能要显著优于传统语音识别框架,即高斯混合-隐马尔可夫模型(gaussian mixture model-hidden markov model,GMM-HMM),采用所提方法进行电力调度语音识别准确率达94.63%。基于所提方法开发的电力调度语音识别系统在某区域电网调控中心的应用实例表明了所提方法的可行性与优良性。     

基于深度学习的暂态电压稳定在线识别

针对电力系统暂态电压稳定在线识别问题,提出了一种基于深度学习的识别方法,构建深层模型反映稳定类别与在线量测数据间的映射关系。采用多种先进处理技术对模型进行优化:为提高失稳样本分类准确率,修改原交叉熵目标函数;优化学习率以平衡模型的精度和速度;加入dropout技术防止过拟合;对隐层函数加入batch-norm处理技术以防止内部变量转变;为避免随机分组导致的准确率波动,采取10折交叉验证方法。以广东电网为研究对象,并与其他分类算法进行对比后表明所提方法识别精度高、速度快,且鲁棒性强,具有良好的工程应用价值。     

基于深度学习的指针式仪表识别算法研究

目前指针式仪表数据仍然基于模板匹配等传统算法,在信噪比低的情况下识别精度低,因此采用深度学习进行指针的分级定位与识别。一级识别采用SSD算法进行仪表区域定位,计算仪表倾斜角度并修正。二级指针定位使用多方位SSD算法识别指针转动角度并转换量程。使用自建的仪表数据集进行网络训练,指针式仪表检测精度达到87%;作为拓展方向,数字式仪表检测精度达88%。实验结果表明,该算法稳定性及准确度均高于传统的指针式仪表识别算法。     

基于国产语音专用芯片的新型识别模组设计及空调应用

设计了一款基于国产物联网操作系统,且搭载国产专用语音芯片及轻量级Wi-Fi芯片的新型语音模组.通过合理的选用电子元器件和语音模组的外围电路设计,使语音模组的硬件资源得到充分利用,在降低成本的同时,最大程度上保障语音系统的高效识别性能.根据语音模组自身硬件特征定制语音识别算法,确保满足产品语音识别性能所需.因语音模组的低...     

深度学习在输电线路工程验收智能缺陷识别中的应用

输电线路项目工程验收是工程建设过程中关键阶段之一,同时也是最后检验工程建设是否符合施工质量和设计指标的重要环节之一,输电线路工程覆盖面广风险因素复杂,因此输电线路工程的验收工作对电网的可靠稳定及安全有着重大意义,验收的工作效率及水平也关系到工程是否能按进度投产及减少运行单位巡检维护该项目的成本。针对如何提高输电线路工程验收工作效率、保证验收质量,提出了无人机立体智能验收应用平台,针对人工识别缺陷图像工作量大、效率低等问题,在输电线路工程验收缺陷识别模块中引入了深度学习技术,通过整合优化的R-FCN(Region-based Fully Convolutional Network)图像识别算法来对采集图像进行学习识别,实验证明该算法对常见典型缺陷如绝缘子自爆、异物鸟巢等准确率平均达到了90%,基本达到实用化水平,大大提高了验收图像缺陷识别的效率,提升了验收工作效率,保证了验收质量和准确度,在降低用人成本的同时实现线路工程验收智能化。