排序方式: 共有7条查询结果,搜索用时 125 毫秒
1
1.
随着自动化与智能化技术在变电站中的推广应用为智能巡检奠定了基础,但是目前二次设备的保护硬压板仍然大多采用人工现场核对的方式,存在核对频次低、校对过程溯源性不足的问题。为此,本文提出了一种基于图像内容识别的压板运行状态智能识别方法。首先采用基于空间领域信息的OTSU算法进行阈值分割消除光照不均阴影区域的影响,在此基础上基于Graham的最小外接矩形算法检测压板开关的最小矩形面积,通过识别面积大小来判断压板是否投入。该方法能够有效减少阴影干扰的影响,准确辨识图像中压板的运行状态。 相似文献
2.
鉴于保护屏柜柜门的镜面反射,导致通过图像识别压板状态准确率较低的问题。提出一种基于改进稀疏表示的变电站保护压板状态辨识方法,在消除高光干扰的基础上,实现压板状态辨识。针对高光干扰问题,首先利用二维最大类间方差法检测图像中的高光区域,然后改进稀疏表示修复算法,实现对图像中高光干扰的消除。对于修复后图像,再根据最小外接矩形法对保护压板进行状态辨识。最后,通过有无高光干扰的两组对照仿真分析检验了所提方法的有效性和准确性。其中,其中对无高光干扰的200个不同型号的压板样本进行状态辨识,最小外接矩形法的准确率为98.0%,优于倾角辨识法的83.5%,对存在高光干扰的240个图像样本采用改进稀疏表示算法进行状态辨识,其准确率可以达到97.92%。 相似文献
3.
4.
5.
针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM(long short-term memory)神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。 相似文献
6.
7.
1