基于改进SinGAN的电力线巡检异物数据增强技术

针对电力线异物识别模型能使用的数据集较少,并且传统单幅自然图像的生成式模型(SinGAN)模型生成数据与异物识别模型匹配度不高、质量不佳、耗时过久的问题,提出了改进SinGAN模型。在改进SinGAN模型基础上加入仿射变换单元、大小变换单元进一步增强数据集,加入图像滤波单元提高电力线异物识别模型所需数据质量。并通过改进SinGAN反向传播训练过程和SinGAN的单精度生成器结构提升模型生成质量,减少所用时长。实验结果表明,经50次实验后,改进SinGAN的平均弗雷谢特起始距离(Fréchet inception distance, FID)为91.375,平均训练时长1.21 h。分别比传统SinGAN降低了27.247%和87.31%。改进SinGAN与其他主流生成式对抗网络相比有更好的异物数据生成能力,可以增强电力线异物识别模型所需数据,具有优越性。     

基于改进鸽群算法的含分布式电源配电网故障定位

分布式电源DGs(distributed generations)接入配电网中,使得配电网由传统的单电源辐射状网络变成多电源复杂网络,增加了配电网故障定位的难度。针对DG接入配电网定位问题,提出了一种基于改进鸽群算法的故障区段定位方法。首先,建立了适用于含多个分布式电源的开关函数并对电流编码方式重新定义。其次,对基本鸽群算法中的指南针因子和地标算子进行改进,并通过结合模拟退火算法防止其陷入局部最优,提高了算法的容错性。仿真结果表明,该算法适用于含分布式电源配电网的单重和多重故障区段定位,且在相同故障情况下,改进鸽群算法分别比传统鸽群算法和遗传算法在迭代时间上分别降低了17.019%和43.763%,具有一定的实时性。     

电气产品电气间隙和爬电距离测试技术分析

电气产品电气间隙和爬电距离项目是电气安全检测中一项重要的测试,针对检测人员对标准理解不到位,无法找准最短路径及测量结果不准确的问题。通过对具体实例进行技术分析,介绍了运用跨接、平面翻折、作最短直线或垂直连线等方法技巧,合理选取电气间隙和爬电距离最优路径;再采用直接测量法和计算法两种方法相结合的方式精准计算测量结果。结果表明,该方法对于解决电气间隙和爬电距离测试中两大难点:如何选取最优路径和准确计算测量值非常精准高效,具有较强的实用性和借鉴意义。     

基于改进胶囊网络的电力线巡线异物检测

针对电力线巡线异物检测使用的传统卷积神经网络空间辨识度较差、训练样本需求过多的问题,提出一种改进胶囊网络模型。使用数据灰度化、三维块匹配滤波算法预处理巡线数据集。提出自适应贡献池化降低数据信息丢失量,异物数据深度信息提取单元提取主要特征来滤除冗余信息、减少数据数量以改善模型性能,改进异物识别主胶囊层和动态路由结构以适应电力线巡线异物检测的二分类情况。对自适应贡献池化和最大池化,无池化、传统结构胶囊网络和改进胶囊网络,改进胶囊网络和AlexNet、GoogLeNet分别进行异物识别对比实验和改进胶囊网络的空间辨识度性能进行测试实验。实验结果表明,在3 700张小训练样本条件下,经20次训练后,自适应贡献池化比最大池化的改进胶囊网络平均准确率提高2.7%,改进胶囊网络比无池化、传统结构胶囊网络平均准确率提高3.6%,改进胶囊网络比AlexNet、GoogLeNet的平均准确率分别提高21.9%和12.6%,且改进胶囊网络在大小、角度不同的测试数据中仍具有高于91%的平均准确率。改进胶囊网络在空间辨识度复杂、少训练样本情况下仍具有较高的异物识别能力,实现了高效率、高准确率的自动化无人巡线异物...     

矿用乳化液浓度在线检测系统设计

针对现有乳化液浓度检测方法受温度影响较大、无法实时测量并全程跟踪采样的问题,在传统密度法的基础上,设计了一种矿用乳化液浓度在线检测系统。该系统通过嵌入储液箱的拉力传感器、温度传感器和液位传感器监测乳化液实时状态信息并发送至DSP控制终端,DSP控制终端根据密度法原理求解当前乳化液浓度并上传至上位机,实现实时在线检测功能。采用温度补偿技术减小不同温度下的测量误差,采用FIR数字滤波技术对传感器支架和箱体带来的振动干扰进行滤波,并采用梯度下降算法校正拉力传感器参数,提高测量精度。实验结果表明,该系统可实时在线检测矿用乳化液浓度,检测值和标准值的最大误差为1.5%,满足煤矿生产要求。     

基于改进SinGAN的电力线巡检异物数据增强技术

针对电力线异物识别模型能使用的数据集较少,并且传统单幅自然图像的生成式模型(SinGAN)模型生成数据与异物识别模型匹配度不高、质量不佳、耗时过久的问题,提出了改进SinGAN模型。在改进SinGAN模型基础上加入仿射变换单元、大小变换单元进一步增强数据集,加入图像滤波单元提高电力线异物识别模型所需数据质量。并通过改进SinGAN反向传播训练过程和SinGAN的单精度生成器结构提升模型生成质量,减少所用时长。实验结果表明,经50次实验后,改进SinGAN的平均弗雷谢特起始距离(Fréchet inception distance, FID)为91.375,平均训练时长1.21 h。分别比传统SinGAN降低了27.247%和87.31%。改进SinGAN与其他主流生成式对抗网络相比有更好的异物数据生成能力,可以增强电力线异物识别模型所需数据,具有优越性。