基于改进BP-Bagging算法的光伏电站故障诊断方法

针对基于机器学习算法的光伏电站故障诊断方法存在的样本数据失衡问题,提出一种基于改进BP-Bagging算法的光伏电站故障诊断方法。首先,基于BP神经网络构建光伏数据与光伏故障类型的映射关系,实现光伏故障诊断;然后,基于随机欠采样方法改进Bagging算法,解决样本的类不平衡问题;接着,针对BP网络存在的过拟合问题,提出基于改进BP-Bagging算法的光伏电站故障诊断模型,并行训练多个BP网络,根据投票法得出故障诊断结果;最后,设置不同算法对照实验,计算出关于模型准确率的评价指标,证明所提方法具有较高的综合性能,在一定程度上能够解决光伏电站故障诊断中的样本类不平衡问题,提高光伏电站故障诊断的准确率。     

基于逻辑语义判别的调峰电源设备漏油图像识别

针对调峰电源设备漏油图像识别中的难点问题，将逻辑规则判别引入图像识别领域，提出一种全新的图像识别方法。基于直方图均衡化技术增强原始图像，利用Mask RCNN网络初步获取储油装置、地面、疑似油污区域的位置和轮廓信息。根据这些信息判断物体间位置关系，并结合逻辑表达式判断疑似区域是否属于漏油区域。基于现场拍摄的调峰电源设备图像进行实例分析，结果表明该方法能有效克服漏油区域识别中的难点问题，大幅提升了识别准确率。     

基于数据融合并行特征提取的调峰电源设备状态评估方法

调峰电源设备状态评估有利于电力系统安全稳定运行。系统监测数据本质为一系列指标量的时间序列，评价系统状态时需综合考虑不同指标量间的耦合关系，且实时监测系统对模型的处理速度也有所要求。对此，提出了一种基于数据融合并行特征提取的调峰电源设备状态评估方法。并行提取时间序列统计特征，基于多重假设检验选择重要特征，再利用所设计的分层图卷积网络实现信息整合。试验表明，对比现有模型，该方法的识别准确率大幅提高，运行时间缩短，可迁移性提升。