基于人工智能的视频图像质量诊断云平台研发

随着视频监控系统规模的不断扩大,前端摄像头的故障分析与日常维护日益受到重视.视频监控设备受外界环境、设备损耗、人工干扰等因素影响,易出现画质降低、角度偏离、遮挡等问题,人工巡检对专业技术要求高,且效率低下、主观性强.文章针对视频监控系统维护的现状,提出了基于人工智能的视频图像质量诊断云平台,并阐述了视频图像质量诊断云平台的总体设计思路、系统架构、功能设计和运用的关键技术.通过智能的视频图像质量诊断云平台,可实现摄像头实时自动进行故障检测、识别和告警,可能发生的故障现象及时预警,以最快和最佳的方式向用户提供故障信息.     

滁州地区的负荷特性研究

通过对滁州市所辖供电区域负荷特性的分析,研究其构成的变化规律及增长趋势,重点对历年的最大负荷、平均负荷、平均日负荷率、最小日负荷率、最大峰谷差、季不均衡系数等多个指标的分析与研究,为电力市场预测提供重要的基础数据,从而提高市场预测准确性。     

基于多尺度深层网络的监控图像去雨研究

雨天条件下视频监测图像中含有雨滴,使得输变配电设备监测目标的细节信息模糊。针对该问题,提出一种基于深层神经网络的多尺度模型架构,用于去除图像中的雨纹。利用先验信息,采用导向滤波提取表征图像高频分量的雨滴模糊特征图将模型聚焦于雨滴信息。借鉴Inception网络多分支提取多阶特征结构,构建多尺度深层神经网络融合底层和高层特征。在合成的输变配电设备以及真实世界的雨天图像集上,对本文方法进行实验验证,结果表明本文方法较其他方法具有更好的去雨效果。     

用电信息采集系统模式下的台区用户属性判定

用电信息采集系统模式下,摸索出几种用户台区属性的识别法:传统方法,应用台区用户识别仪,基于集中器的载波测试功能,基于载波操控器等。实践表明,灵活运用这几种方法可提高用户台区属性等基础资料的准确度,并为提高用电信息采集系统的实用化率打下基础。     

基于NMF和RVM的短期负荷预测

为了能够进一步提高电力系统负荷预测的精确性,本文提出了一种基于非负矩阵分解NMF(Nonnegative Matrix Factorization)与相关向量机RVM(Relevant Vector Machine)的短期负荷预测方法。该方法利用NMF对输入样本进行分解,得到低维的非负映射矩阵,将该低维矩阵输入到相关向量机进行训练预测。仿真结果表面,预测效果有明显的改善,而本文NMF-RVM模型较之RVM模型具有更高的预测精度。