具有可行域内Steiner点寻优能力的配电网网架规划方法

文章研究配电网规划中网架规划的问题,提出了一种基于Steiner最小树的配电网网架规划新方法,解决了以往研究中没有考虑到的在规划中引入中间节点,并在可行域内寻优的问题。首先用路径描述方法建立了配电网网架规划的数学模型,然后将该数学模型转换成欧式Steiner最小树问题,并采用模拟退火算法求解。通过在算法中对Steiner点进行启发式搜索,实现了在可行域中搜索中间节点的方法,扩大了中间节点的选取范围,增大了搜索到全局最优解的概率。最后,通过算例分析验证了算法的性能和有效性。     

基于知识增强的配电网运行信息关系抽取方法

知识图谱可辅助现场人员处理配电网运行过程中积累的海量异构文本,挖掘高价值运行信息。针对知识图谱构建需求人工标注成本过高的问题,提出一种基于知识增强的远程监督关系抽取方法。利用GloVe编码与Bi-GRU网络对配电网运行语料库的句包进行向量表征;同时,新增外部知识增强模块,通过Attention-GCN模型获取编码文本的句法结构以及非线性关系,实现低成本的关系抽取,解决传统远程监督学习存在的长尾分布及噪声问题,提升关系抽取精度。实验结果表明,该方法在配电网运行信息关系抽取任务中表现优秀,相较于主流模型在精确率上提升6%。     

深度学习目标检测算法在架空输电线路绝缘子缺陷检测中的应用研究综述

传统架空输电线路绝缘子缺陷检测一般通过人工巡检方式进行。架空输电线路的数量增长使巡检规模更加庞大、巡检环境更加复杂,放大了传统绝缘子缺陷检测方法人力成本高、检测效率低的不足。无人机(unmanned aerial vehicle, UAV)等新型巡线方式依靠深度学习目标检测算法识别架空输电线路绝缘子缺陷,能够有效应对人工巡检的不足,是绝缘子缺陷检测的发展趋势。鉴于此,围绕架空输电线路绝缘子缺陷检测场景,首先梳理常用的深度学习目标检测算法,比较不同算法的检测策略、检测精度与检测速度;然后结合云–边–端协同架构说明算法的改进需求与相应改进方法;最后针对现有绝缘子检测方面的不足,展望了输电线路绝缘子中多类型缺陷的识别问题,并在这一研究趋势下进一步探讨了模型边缘端轻量化与针对小样本数据下的算法研究价值。     

一种知识图谱的电力设备缺陷检索方案设计与实现

不断扩大的电网规模使得电力设备缺陷记录的数量不断增加,设备缺陷的准确检索是进行缺陷管理的基础和关键.对此,构建了一种基于知识图谱的电力设备缺陷检索方案,通过对现有设备缺陷记录语料的充分运用实现相应缺陷知识图谱的构建,在此基础上通过使用图搜索方法实现对设备缺陷的检索过程,算例对比结果表明相比于传统机器学习语义分析方法,检...     

基于机器学习的电力系统稳定通信终端安全身份认证方法

针对电力系统稳定通信终端安全身份认证的认证准确率和认证效率较低的问题,设计一种基于机器学习的电力系统稳定通信终端安全身份认证方法。完善身份认证的公钥基础设施(PKI),定义了内部组成、传输流程以及各部分功能;结合人工神经网络与极限学习机算法,改进了电力系统稳定通信终端认证基础设施;建立电力系统稳定通信安全身份认证模型,设计了安全身份认证流程,实现安全身份认证。算例分析结果表明,设计方法在外界条件改变的情况下性能稳定,认证准确率始终高于69.13%,身份认证的可靠性较强。     

基于知识图谱的电力行业与外部数据融合研究

针对电力行业与外部多源异构数据融合利用的难题,提出了一种基于知识图谱的内外部数据融合应用思路。通过对现有文本信息提取以及知识图谱构建主流技术路线的分析,提出优化的文本信息提取方案及知识图谱构建方案,实现对多源异构数据融合建模工作的支撑。技术研究成果在某省电力公司开展了工程项目过程管理领域风险识别试点应用,验证了所提技术方案的可行性。     

多标签多目标融合下国产AI芯片的行人目标检测技术

行人目标检测需要处理大量的图像或视频数据,在实时性和效率方面对AI芯片的计算能力和存储容量提出了较高要求。为此,提出多标签多目标融合下国产化AI芯片行人目标高精度检测技术。构建行人目标特征提取模型,并对特征信息跨维拼接。利用AI芯片的并行计算能力对以上特征融合计算,结合整流函数获取目标空间聚合特征。基于此,考虑多目标多融合,采用IOU阈值计算行人目标候选框的概率,由此实现行人目标的高精度检测。实验结果表明,利用所提方法检测行人目标具有较高的准确度。     

面向小型边缘计算的深度可分离神经网络模型与硬件加速器设计

神经网络参数量和运算量的扩大,使得在资源有限的硬件平台上流水线部署神经网络变得更加困难。基于此,提出了一种解决深度学习模型在小型边缘计算平台上部署困难的方法。该方法基于应用于自定义数据集的深度可分离网络模型,在软件端使用迁移学习、敏感度分析和剪枝量化的步骤进行模型压缩,在硬件端分析并设计了适用于有限资源FPGA的流水线硬件加速器。实验结果表明,经过软件端的网络压缩优化,这种量化部署模型具有94.60%的高准确率,16.64 M的较低的单次推理定点数运算量和0.079 M的参数量。此外,经过硬件资源优化后,在国产FPGA开发板上进行流水线部署,推理帧率达到了366 FPS,计算能效为8.57 GOPS/W。这一研究提供了一种在小型边缘计算平台上高性能部署深度学习模型的解决方案。     

基于边缘计算的变电站风险预警管控系统设计

为实现变电站风险预警的实多维度管控，设计基于边缘计算的变电站风险预警管控系统。感知层通过物联网设备采集变电站设备的运行相关数据，利用边缘设备和外部设备之间的通信传送数据至边缘层；边缘层接收数据后，通过通信协议解析该数据，完成数据的一致性，包装云服务下行数据传送至云计算层；云计算层利用云计算计算和分析变电站设备数据并传送至应用层；应用层采用支持向量机算法建立风险预警机制划分风险数据的属性、获取预警值，在此基础上，通过Logistic回归风险预测模型预测预警值对应的风险情况，得出故障发生概率完成变电站风险预警，同时将预警结果呈现在可视化界面，并由控制通道管控相应的风险预警。测试结果显示：系统的通信抖动结果均在15 ms以下，能够实现风险概率的计算，获取变电站各类风险预警数量，具备良好的工作能效，能多维度实现变电站风险预警管控。     

面向电力系统现场作业的安全风险管控智能检测算法

针对电力现场作业下的安全管控存在场景复杂、目标多样且部分遮挡而导致智能安全监测困难的问题，提出一种基于YOLOv7-Tiny的改进算法。首先，搭建了YOLOv7-Tiny检测网络，并在该算法框架中融合通道重组的注意力机制，从而有效提升通道之间的交互能力，增强复杂场景下目标区域的显著度；其次，在特征融合阶段，构建基于残差跳连的多尺度特征融合结构Res-PANet(Residual Path-Aggregation Network)来有效融合多尺度目标，提升场景中的多目标检测能力；同时，在模型的输出检测头中结合Swin-Transformer模块，提升模型的感受野，增强模型对特征图的全局感知，提高模型在部分遮挡情况下的检测能力；接着，在训练时采取改进的Mosaic数据增强方式，提升小目标的分布数量，达到丰富目标场景、提高模型泛化能力的目的；最后，以电力人员安全帽及安全服的穿戴、电力围栏以及电力警示牌为安全作业的监测对象进行改进算法的验证，同时采取基于Score-CAM的热力图分析进一步验证模型改进的有效性。实验结果表明：融合改进模型的平均检测精度达90.1%，图像检测速度为46帧/s，在嵌...