基于时间卷积和图注意力网络的电力系统暂态稳定评估

准确、快速的暂态稳定评估对电网安全运行至关重要。但现有方法未充分挖掘电网暂态数据的时空特性信息,限制了模型的评估性能。文中提出了一种基于时间卷积网络(TCN)和图注意力网络(GAT)的暂态稳定评估方法。该方法仅以量测母线电压幅值和相角数据作为输入,凭借GAT可以处理图数据并建立电网拓扑连接关系的优点和TCN特有的因果空洞卷积运算特性,自动从暂态数据中提取出空间特征和时间特征,进而实现对系统暂态稳定性的准确评估。此外,采用改进的焦点损失函数作为模型训练目标,可以动态适应训练过程中模型对难易样本的判别界限且自适应处理样本不均衡问题,减少了对失稳样本错分类的现象,同时还提高了全局准确率。IEEE 39和IEEE 145节点系统仿真结果表明,所提方法在响应时间上具有优越性,并且在拓扑变化和数据存在噪声情况下都具有较强的泛化性和鲁棒性,满足在线评估的准确性与快速性要求。     

基于注意力融合网络的RGB-D目标检测算法

针对当前利用RGB-D图像进行目标检测出现的网络融合不充分和检测效率不高等问题,提出一种基于注意力机制的特征逐级融合网络结构.首先在基于Yolo v3的Backbone网络结构下,分别用标注好的RGB-D样本分别训练RGB和Depth网络,然后通过注意力模块增强两种特征,最后在网络中期逐层融合得到最终的特征权重.在具有...     

融合注意力机制的SimNet声音事件定位与检测算法

基于深度学习的声音事件定位与检测网络存在输入特征的关键信息丢失的问题,导致声音事件定位与检测更加困难,提出了一种基于注意力机制的简单无参数网络模型(simple and parameter-free network, SimNet)。首先在残差块后引入简单无参注意力模块(simple and parameter-free attention module, SimAM),通过能量函数帮助网络聚焦特征图中各神经元的深度特征,以此增强模型对更丰富的特征信息的辨别能力。此外为促进模型朝更精准的方向训练,还采用了一种均方根绝对误差(root mean square absolute error, RMSAE)损失函数,有助于模型准确搜索更全面的空间信息。实验结果表明,在TAU-NIGENS Spatial Sound Events 2021数据集中,提出的网络算法相比原基线网络性能有较大程度的提升,错误率(error rate, ER)和定位误差(localization error, LE)降低到0.394和12.03°,F1分数(F1-score)和定位召回(localization re...     

高频增强网络与FPN融合的水下目标检测

针对水下目标检测中目标对比度低以及水下图像多尺度问题,提出了高频增强网络与特征金字塔(FPN)融合的水下目标检测算法,以提高对水下目标边缘、轮廓信息以及目标底层信息的提取。首先引入八度卷积将卷积层的输出特征按频率分解,将主干网络提取到的特征图进行高、低频信息分离,鉴于水下目标的轮廓信息和噪声信息均包含于高频特征中,在高频信息通道中引入通道信息具有自适应增强特点的通道注意力机制,形成了一种高频增强卷积,以达到增强有用轮廓特征信息和抑制噪声的目的;其次,将增强的高频特征分量融入FPN的浅层网络中,提高原FPN对水下多尺度目标的特征表示能力,缓解多尺度目标漏检问题。最后,将所提方法与基线算法Faster R-CNN融合,在全国水下机器人大赛提供的数据集中进行实验。结果表明：改进算法识别准确率达到78.83%,相比基线提升2.61%,与其他类型目标检测算法相比,依然具备精度和实时检测优势,证明了从特征图频域角度提升前景和背景对比度的有效性。     

基于点云特征全局搜索的回环检测算法

针对纯激光SLAM算法定位漂移问题,提出一种基于点云特征描述子全局搜索的粗匹配回环检测算法。该算法首先采用基于图像距离的快速分割方法对激光点云进行地面点去除,基于点云曲率和关键点聚合算法实现了边缘特征提取和聚类,通过特征描述子生成算法得到当前帧点云的特征描述符,其次经过计算当前帧和历史帧的相似度评分完成全局匹配搜索实现对候选回环帧的选取,完成回环检测粗匹配过程;然后采用NICP算法进行当前帧与候选回环帧的精确匹配,从而完成回环检测过程;最后搭建了移动机器人实车平台,完成对校园数据集的采集,验证了本文算法的定位效果,通过对实车实验结果的分析可知,在实车采集的校园数据集上误差优化程度均值为13.15%,为了进一步验证本文算法的整体性能,在KITTI数据集进行测试对比,结果显示相比较Lego_loam和Lio-sam算法,本文所提算法在保证了运行效率的基础上,有效地改进了定位精度。     

基于级联卷积网络的紧固件异常检测

紧固件广泛应用于日常生活和工业生产制造中,其异常状态在许多场景中会导致严重的安全隐患。目前紧固件异常检测仍依赖人工排查,很难通过常规无损检测技术自动识别。针对该问题,提出了一种基于级联卷积网络的自动检测方案,能够快速的检测固定场景下的紧固件异常情况。首先采集紧固件图像,使用目标检测网络确定所有紧固件区域;接着使用所提出的紧固件关键点回归网络预测关键点特征信息;最后通过对比同一紧固件不同时刻的关键点特征信息实现紧固件异常检测。在自制的重庆市轻轨轨道梁指型板紧固件数据集进行了测试,实验结果显示该方法在准确率达到96. 5%时,对于异常紧固件的召回率高达99%,结果表明该方法具有可行性,在类似场景中具有实际应用价值。     

基于多尺度特征融合与混合注意力的云检测算法

针对传统云检测方法对特殊场景识别效果较差而造成的边缘信息丢失和薄云、碎云误判等问题，提出了一种基于多尺度特征融合与混合注意力的高精度云检测MSHA-DeepLab算法。首先，在原始DeepLabV3+算法的基础上引入注意力模块，提高重要特征权重，增强网络对局部特征的感受能力。其次，使用深度可分离卷积提取不同尺度的语义信息，减少网络参数量。最后，进行逐级上采样和特征融合，减少特征信息丢失。选择多种方法与改进算法对比，使用不同场景、不同波段组合的数据集进行测试。结果表明，改进后算法的精确率达到了86.376 9%,召回率达到了85.895 9%,特异性达到了96.915 6%,交并比达到了82.846 7%,精确度达到了94.600 8%,相比原始算法和其他方法有明显提高。验证了提出算法能在不同条件下实现高精度的云检测。     

基于边缘检测与注意力机制的立体匹配算法

随着深度学习理论的不断进步,端到端的立体匹配网络在自动驾驶和深度传感等领域取得了显著的成果。然而,最先进的立体匹配算法仍然无法精确恢复物体的边缘轮廓信息。为了提高视差预测的精度,在本研究中,提出了一种基于边缘检测与注意力机制的立体匹配算法。该算法从立体图像对中学习视差信息,并支持视差图和边缘图的端到端多任务预测。为了充分利用二维特征提取网络学习到的边缘信息,本算法提出了一种全新的边缘检测分支和多特征融合匹配代价卷。结果表明,基于本文模型的边缘检测方案有助于提高视差估计的精度,所获取的视差图在KITTI 2015测试平台上的误匹配率为1.75%,与金字塔立体匹配网络相比,视差图的精度提高了12%,且运行时间减少约20%。     

基于时间卷积网络与图注意力网络的分行业日售电量预测方法

为控制电力成本及提高电力部门绩效考核能力,需要高效准确地进行日售电量预测。深度学习卷积神经网络常被用于电力数据预测,但由于其输入数据信息量有限,现有模型预测存在上限,致使其存在难以捕捉长时特征等问题。为高效准确地预测日售电量,提出了一种基于时间卷积网络与图注意力网络相结合的分行业日售电量预测方法,搭建了高维度分行业日售电量预测模型。该方法可同时输入多个行业的日售电量,提取反映单个行业时序特征的高维变量,将多个行业的高维变量进行拼接学习,得到各行业之间的影响因素。通过多个行业日售电量的集成增加输入数据的信息量,从而实现各行业的日售电量预测。以中国东南某城市的21个行业日售电量为实际算例,上述方法的平均误差为4.03%。与时间卷积网络、门控循环单元网络、Facebook的Prophet模型、M4冠军模型指数平滑递归神经网络等进行对比,实验表明,所提出的分行业日售电量预测模型具有更高的预测精度。     

基于图注意力网络的输电线路故障诊断

以往基于深度学习的输电线路故障诊断,依赖数字信号处理技术提取故障特征。为了改进前述方法,引入了图深度学习理论,提出了一种基于图注意力网络(GAT)的智能故障诊断方法。将原始三相电流电压信号转化为图数据,利用多个图注意力层自动提取特征信息,从而建立了数据从输入端到输出端之间的映射关系,实现输电线路端到端的故障诊断。在400 kV三相输电线路和IEEE13总线电网系统上验证该方法的准确性和有效性,分别对五种短路故障和无故障情况设置不同初始相角、过渡电阻和故障位置进行仿真分析。结果表明,该方法故障诊断准确率达到9975%以上,与现有几种智能故障诊断算法对比其性能最优。同时,该方法在不同白噪声下依然保持较高的故障识别率,具有良好的鲁棒性和泛化能力,为电力输电线路诊断技术提供了一定的研究思路。     

融合 Transformer 与残差通道注意力的恶劣场景水 位智能检测方法

精准感知水位信息变化是实现精细水务管控和洪涝灾害的关键环节之一,而低照度、雾霾、雨雪、冰冻、波浪、镜头抖动等恶劣场景给水位检测带来极大挑战。针对现有方法中难以实现水位精准检测难题,构建一种融合Transformer与残差通道注意力机制的Unet模型(TRCAM-Unet),进而提出基于TRCAM-Unet的恶劣场景水位智能检测方法。关键技术包括通过全尺度连接结构实现多层次特征融合,通过Transformer模块强化区域特征的关联性,通过残差通道注意力模块强化有用信息的表达并削弱无用信息的干扰。相关试验和实践表明,TRCAM-Unet取得了98.84%MIOU评分与99.42%的MPA评分,在约150 m距离外水位检测最大误差不超过0.08 m,水位偏差均值(MLD)仅有1.609×10^-2 m,优于Deeplab、PSPNet等主流语义分割算法。研究结果对解决恶劣场景下水位精准检测难题及洪涝灾害预警具有重要应用价值。     

基于可变形卷积与注意力机制的X光安检违禁品检测

X光安检违禁品检测被广泛应用于维护公共交通安全和人身安全。针对X光图像中违禁品存在形状尺度多变、重叠遮挡严重等问题,提出一种结合可变形卷积与注意力机制改进的YOLOv5s模型用于违禁品检测。首先在主干网络中引入可变形卷积,通过学习采样偏移量来适应物体的不同形变,增强空间特征信息提取能力;其次利用混合卷积注意力模块加强模型对检测目标的感知能力,抑制无关背景干扰;然后构造通道引导的空洞空间金字塔模块,获取更加准确的全局上下文信息,提高模型对重叠遮挡目标的识别能力;最后采用CARAFE算子代替最近邻插值,在上采样过程中充分利用内容信息,提高模型检测精度。在SIXray_OD和OPIXray数据集上实验结果显示,所提出模型的mAP@05相较于原YOLOv5s分别提高了21%和18%,达到了906%和900%。与现有诸多先进算法相比,具有较好的检测精度与实时性。     

基于图注意力和时间卷积网络的风电齿轮箱故障预警方法

针对风电齿轮箱故障预警中数据信息挖掘不充分问题,提出一种基于图注意力和时间卷积网络的风电齿轮箱故障预警 方法。 分别从时间与空间尺度建立各特征点的物理联系,拓宽特征维度以提升故障预警精度。 图注意力网络构建不同数据测 点间的空间拓扑结构,遍历每个节点的相邻节点进行加权求和达到聚合信息的目的;时间卷积网络使用特殊的因果膨胀卷积和 残差网络,扩大感受野,提升时间特征捕捉能力。 以华北某风电场实际数据为例进行验证,结果表明,提出方法能够在故障发生 前 122 h 监测到风电齿轮箱的异常状态并发出预警信号;与其他方法进行对比,提出方法预警时间提前 52~ 63 h,模型预测误差 减小 1. 05% ~ 3. 76%;使用 t-SNE 和概率密度曲线提升结果可解释性。     

移动机器人视觉SLAM回环检测原理、现状及趋势

近年来,视觉 SLAM 以结构简单、成本低、可结合语义信息等优势得到广泛关注。 回环检测在其中发挥着重要的作用。 根据获得的回环信息,视觉 SLAM 后端优化算法便可以根据回环约束对位姿进行优化,消除移动机器人在长时间的工作下产生 的累积误差,实现精确的长期定位,从而构建全局一致的运动轨迹和地图。 首先介绍视觉 SLAM 中回环检测原理及作用,从特 征提取、相似度判断、实验评估几个方面对传统词袋模型进行深入分析,并概述目前基于词袋模型和概率的改进算法,对比总结 基于深度学习的回环检测方法,简单概述结合语义信息的回环检测方法,最后对回环检测技术目前存在的问题以及未来的发展 趋势进行总结与展望。     

融合非对称卷积的遥感图像目标检测算法

遥感图像中的目标具有背景复杂、方向多变等特点。利用传统方法进行遥感图像目标检测过程复杂且费时,存在精度低,漏检率高等问题。针对以上问题,提出一种改进的YOLOv5-AC算法,该算法以YOLOv5s模型为基础,首先在原有的Backbone中构建非对称卷积结构,增强模型对翻转和旋转目标的鲁棒性;其次在主干网络的C3模块中引入坐标注意力机制提升特征提取能力,并使用Acon自适应激活函数激活;最后使用CIOU作为定位损失函数以提升模型定位精度。改进后的YOLOv5-AC模型在NWPU VHR-10和RSOD数据集上进行实验,平均精确度均值分别达到了94.0%和94.5%,分别比原版YOLOv5s提升了1.8%和2.3%,有效提高了遥感图像目标检测精确度。     

基于图注意力网络的风电场汇集并网系统次同步振荡预警方法

大规模双馈风电场经串补并网系统易产生次同步振荡,若无法及时发现振荡现象并准确告警,将严重威胁系统安全稳定运行。次同步振荡预警是依据电力系统在线量测数据,判断系统振荡稳定性,为调度人员提供实时可靠的预警信息。针对现有次同步振荡在线监测无法实现事前预警的问题,提出一种基于图注意力网络(graph attention network,GAT)的次同步振荡预警方法。首先,分别从风电场侧和电网侧筛选次同步振荡关键影响因素,以减少输入特征信息的冗余;其次,基于多头注意力机制构建多头图注意力网络,考虑不同风电场间以及风电场与电网之间耦合影响的差异,实现不同风电场之间的次同步振荡特征聚合;最后,在搭建的多风电场汇集并网系统上进行次同步振荡稳定性预警,验证了所提方法的准确性和抗干扰性。     

基于注意力机制和卷积神经网络的配电网拓扑辨识

针对当前配电网拓扑变化频繁,拓扑结构实时获取困难等问题,文章提出基于注意力机制和卷积神经网络的配电网拓扑辨识方法。首先利用卷积神经网络挖掘量测信息和配电网拓扑结构之间的关系,学习其映射规则;考虑当前配网中同步相量测量装置(phasor measurement unit,PMU)和微型同步相量测量装置(micophasormeasurementunit,μPMU)等高级量测设备安装数量不足导致获取量测数据质量不高的问题,在卷积神经网络隐藏层中融入注意力机制,以增强模型鲁棒性;通过随机森林算法对特征数据集进行降维,降低模型时、空复杂度;最后,分别基于IEEE 33节点配电网和PG&E69节点配电网开展算例分析,以验证方法的可行性和优越性,并检验利用更少特征进行拓扑辨识的可能性。结果表明：所提方法具有良好优越性和鲁棒性,泛化能力强,在仅提供少量时间断面量测数据情况下便可实现配电网拓扑辨识,且对于辐射网和含环网络同样适用。     

基于多头注意力循环卷积神经网络的电力设备缺陷文本分类方法

充分利用历史电力设备缺陷描述文本可对新出现的设备故障进行快速分类,提升运维人员的检修效率,为此针对缺陷描述文本具有复杂语义等特点,提出基于多头注意力循环卷积神经网络(multi-head attention recurrent convolutional neural networks,MAT-RCNN)的电力设备缺陷...     

并联提取与特征融合注意力网络下的裂缝检测

针对裂缝检测现有方法精度低、噪声多和细节丢失等问题,设计了一种基于并行提取和注意力融合网络的裂缝检测算法。首先,利用不同深度的多尺度卷积并联神经网络提取裂缝场景的高、低级特征;然后,为了提高检测精度,针对裂缝场景的特征,结合像素注意力机制对裂缝场景的高、低级特征进行有效融合,得到用于裂缝检测的有效融合特征;最后,利用非线性映射进行裂缝检测结果输出。实验结果表明,所提算法能够获得高精度检测结果的有效特征,裂缝检测结果细节更加清晰,且有监督学习方式在很大程度上消除了检测结果的噪声干扰,得到了视觉效果更佳的检测结果;所提算法在精确率和召回率等定量指标评价中同样具有良好的表现,裂缝检测精确率达到85%。