利用红外图像特征和径向基概率神经网络识别不同湿度条件下绝缘子的污秽等级

提出一种利用污秽绝缘子红外图像特征和径向基概率神经网络(RBPNN)来检测不同湿度条件下自然污秽绝缘子污秽等级的新方法。采用修正后的阿尔法滤波器和基于波谷的图像分割方法对绝缘子红外图像进行预处理。提取了不同湿度条件下的图像背景(周围环境)的平均温度、绝缘子盘面区域的最高温度、绝缘子盘面区域的平均温度、绝缘子盘面温度分布的方差值作为反映污秽等级的4个特征量。通过RBPNN建立了湿度及污秽特征与污秽等级之间的映射关系,并利用训练好的RBPNN识别绝缘子污秽等级;另外提出一种梯度算法与随机性方法相结合的算法来确定RBPNN的隐中心、宽度控制参数及权值矩阵。实验结果证明该方法能有效识别不同湿度条件下绝缘子的污秽等级。     

基于彩色可见光图像的绝缘子污秽等级判别

提出一种新的基于彩色可见光图像的高压绝缘子污秽等级判别方法。对深圳变电局所属多个变电站进行现场拍摄获取污秽绝缘子可见光图像,并实验获取其对应等值附盐密度,经图像灰度化、图像增强、滤波后,用两次最大类间方差法进行分割,得到盘面积污区域。提取积污区域的RGB、HSV空间共36个特征分量,并运用Fisher判别法进行特征量筛选。用筛选的特征量训练BP神经网络,建立可见光图像污秽等级判别网络。试验结果表明可见光污秽等级判别法具有较高准确率,是一种检验高压绝缘子污秽等级的可行方法。     

利用径向温度分布特征检测绝缘子污秽等级

为了实现绝缘子污秽状况的红外热像在线测量,提出一种基于径向温度分布特征的绝缘子污秽等级检测新方法.人工截取绝缘子图像区域,采用复小波广义交叉确认GCV阈值去噪方法抑制白噪声干扰,通过直方图包络线提取阈值分割图像,利用二值图像水平扫描采样绝缘子盘面边缘点,应用最小二乘拟合盘面边缘椭圆方程,获得椭圆内长轴以上图像区域,并提取径向温度分布特征表征绝缘子污秽程度,采用最近邻湿度条件下的最小距离分类器评定待检测绝缘子的污秽等级.试验结果验证了该方法的可行性和有效性.     

WebGIS红外热像零值绝缘子在线检测系统

为实现输电线路瓷质绝缘子巡检的标准化作业和信息化管理,提高零值绝缘子在线检测准确率、安全性和易操作性,设计并开发了一套互联网地理信息系统WebGIS (Web geographic information system)红外热像零值绝缘子在线检测系统.基于J2EE实现的瘦客户端模式的WebGIS架构设计,以绝缘子串区域温度分布方差、温度最大差值,盘面之间平均温度最大差值,盘面与背景平均温度最大差值作为零值特征参数,并结合环境相对湿度,等值附盐密度共6个量作为BP神经网络输入,通过WebGIS技术和BP神经网络算法实现零值绝缘子地图定位和智能识别.经过110kV线路实测验证,表明系统检测效果良好,适用于输电线路瓷质绝缘子的在线检测与管理.     

基于BP神经网络的复合绝缘子憎水性等级的判定

憎水性检测对于确保复合绝缘子安全可靠运行具有重要意义。笔者提出把图像处理技术和BP神经网络引入到绝缘子憎水性检测中。首先,运用对比度受限自适应直方图均衡和数学形态学滤波对憎水性图像进行增强。然后,利用自适应阈值对图像进行分割,并提取图像中与憎水性相关的4个特征量。最后,选择BP神经网络判定绝缘子憎水性等级。分别采用BP标准算法和4种改进算法对网络进行训练,并对测试样本进行了憎水性等级判定。基于4个特征量的BP网络在一定程度上能够准确地判定绝缘子的憎水性等级。各种算法的判定结果表明L-M算法是比较合理的判定绝缘子憎水性等级的BP神经网络算法。     

基于优化概率神经网络的驾驶员疲劳检测

针对驾驶员面部疲劳检测问题，提出了一种基于遗传算法优化概率神经网络(PNN)的驾驶员疲劳检测算法。采用基于HOG特征的人脸检测器检测脸部，使用ERT算法进行关键点定位，计算PERCLOS值、眨眼频率、单位时间内打哈欠的时间占比、点头频率4个疲劳特征参数，将其输入到PNN中进行疲劳判别，并使用遗传算法优化PNN的平滑因子，提高疲劳分类准确率。使用NHTU-DDD数据集和YawDD数据集训练网络，使用自采集样本验证模型泛化性能，实验中与SVM、BP神经网络以及未优化的PNN模型对比，SVM、BP神经网络以及未优化的PNN的准确率分别为95.67%，97.67%，95.33%，所提的优化的PNN模型准确率为98.67%，验证了算法的有效性。     

绝缘子污秽等级红外热像检测的视角影响分析

为了提高绝缘子污秽等级红外热像检测的准确性,提出利用绝缘子红外热像污秽等级分类特征的对比分析确定最佳成像角度的方法。该法采用直方图均衡化增强原始红外热像对比度,人工截取绝缘子盘面图像区域;基于盘面图像直方图包络线提取分割阈值,对阈值分割后的二值图像进行形态学滤波,得到绝缘子盘面图像;应用统计理论从绝缘子盘面图像提取最高温度、最低温度、平均温度、温度分布方差等10个红外热像污秽等级分类特征;运用Fisher准则对特征进行对比分析。瓷绝缘子人工污秽试验红外图像分析结果表明:成像角度变化显著的改变所得绝缘子表面热场;下盘面特征比上盘面特征有更好的分类性能。推荐绝缘子污秽等级红外成像检测应以下盘面为准。     

基于方差分析的绝缘子红外热像特征选择方法

利用红外成像技术检测绝缘子污秽等级的关键在于获取分类性能优异的红外热像特征,文章提出了基于方差分析的红外热像特征选择方法。利用直方图均衡化增强原始热像图对比度,人工截取绝缘子盘面图像区域;通过平滑后的图像直方图包络线提取分割阈值,对阈值分割后的二值图像进行形态学滤波,得到绝缘子盘面图像和背景图像,提取2者的最高温度、最低温度、平均温度、温度分布方差以及盘面相对于背景的最大温升和平均温升共10个红外热像特征;应用单因素方差分析甄别特征优劣,实现特征选择。瓷绝缘子人工污秽试验结果表明：文中提出的红外热像特征选择方法和图像分割算法简单有效。     

基于GNBR算法的BP网络对绝缘子 运行状态预测研究

电力系统输电线路绝缘子运行中受到空气环境的污染,绝缘子表面污秽主要有大气中的盐密和灰密成分,不同地区不同环境下盐密和灰密对对绝缘子闪络电压影响具有非线性关系,为了较好辨识此非线性关系,运用基于GNBR算法的BP神经网络诊断该非线性关系,BP网络中采用GNBR算法,使网络具有很好的收敛性和很高的辨识精度,解决了BP网络局部最优、训练速度慢和辨识精度低的问题。实验结果表明设计的基于GNBR算法的BP神经网络能够很好地辨识绝缘子污秽对闪络电压的影响关系。     

基于协同深度学习的二阶段绝缘子故障检测方法

针对现有绝缘子故障检测模型受航拍图像中复杂背景干扰导致准确率低的问题,提出一种基于协同深度学习的二阶段绝缘子故障检测方法.该方法将全卷积网络(FCN)与YOLOv3目标检测算法相协同,第一阶段,利用FCN算法对航拍图像预处理,设计跳跃结构融合浅层图像特征与深层语义特征,构建8倍上采样的绝缘子分割模型,结合图像像素逻辑运算,实现绝缘子目标的初步分割,避免背景区域对绝缘子故障检测的干扰.在此基础上,第二阶段构建YOLOv3模型进行绝缘子故障检测,以深度神经网络Darknet-53作为特征提取器,借鉴特征金字塔思想,在三个尺度的输出张量上对绝缘子故障进行标记和类别预测,保证模型对不同尺寸的绝缘子故障准确检测.利用K-means++聚类算法优化YOLOv3的锚点框参数(Anchor Boxes),进一步提升检测精度.实验结果表明,基于协同深度学习的二阶段方法能够有效克服复杂背景的干扰,在绝缘子故障检测中平均准确率(MAP)高达96.88％,较原始YOLOv3算法MAP值提升了4.65％.     

基于联合分量灰度化算法和深度学习的玻璃绝缘子目标识别算法

针对相近色干扰、不同光照条件下玻璃绝缘子颜色特征不明显而无法准确识别的问题,提出一种基于联合分量灰度化算法和深度学习的玻璃绝缘子目标识别算法.首先,提出一种联合分量灰度化算法,通过补偿玻璃绝缘子目标区域的颜色特征实现目标增强;然后,在均匀分块的基础上,采用动态分块阈值进行玻璃绝缘子图像粗分割,并结合玻璃绝缘子的颜色和空...     

复杂环境背景下绝缘子缺陷图像检测方法研究

针对处于复杂的环境背景下的电力绝缘子以及绝缘子缺陷的检测存在检测精度低、检测速度不高的实际问题,提出了一种改进YOLOv4(you only look once v4)算法的电力绝缘子图像以及存在缺陷的绝缘子检测的方法。通过制作电力绝缘子以及绝缘子存在缺陷的数据集,使用K-均值聚类(K-means)算法对电力绝缘子图像样本进行聚类,获得不同大小的先验框参数;然后通过改进平衡交叉熵(balanced cross entropy, BCE)引入一个权重系数,来增加损失函数的贡献程度;最后,通过增加空间金字塔池化结构(spatial pyramid pooling, SPP)前后的卷积层来加深网络的深度。实验结果表明,改进模型的单张检测时间为3.27 s,对于绝缘子缺陷平均检测精度比原始的YOLOv4算法提升了24.36%。同时通过改进后的YOLOv4算法在测试集上的平均精度均值(mean average precision, mAP)的值为84.05%,比原始的YOLOv4算法提升了17.83%,充分说明了能够很好的定位和识别电力绝缘子图像存在的缺陷。     

基于网格曲线分析绝缘子附灰密度的变化趋势

提出了一种基于网格曲线分析绝缘子附灰密度变化趋势的新方法。首先介绍了网格分形的基本概念和计算方法,讨论了泄漏电流畸变特征产生的机理,并利用网格分形算法提取畸变形成网格曲线。在比较网格曲线变化特点的基础上,提出了分析绝缘子附灰程度变化趋势的新方法。以单片WXP2-70高压线路耐污盘形悬式绝缘子为试品,在雾室中进行了人工污秽试验,试验结果表明新方法能够有效地区分不同附灰密度下的绝缘子。     

基于MEA-BP神经网络的开关磁阻电机静态电磁特性建模

建立精确的开关磁阻电机（SRM）模型对于改善SRM的性能和控制效果有着重要的影响。针对SRM运行时磁路的高度饱和和严重非线性问题,提出了基于思维进化算法（MEA）优化的反向传播(BP)神经网络算法的SRM非线性模型。利用ANSYS Maxwell软件建立了四相8/6极SRM模型并进行有限元计算,通过仿真和试验值的对比验证了该模型的精度比未经MEA优化的BP神经网络模型更高,可以更好地反映SRM运行时的磁链特性和转矩特性,且具有较好的泛化能力。     

定向识别航拍绝缘子及其缺陷检测方法研究

针对现有绝缘子检测算法无法定向检测绝缘子及其缺陷的问题，提出了一种改进YOLOv5(you only look once v5,YOLOv5)算法的航拍绝缘子识别及其缺陷检测方法。通过定向标注航拍绝缘子图片，形成航拍绝缘子数据集和缺陷绝缘子数据集；在YOLOv5的主干特征提取网络引入轻量化注意力机制模块、在特征融合阶段使用改进的空间金字塔池化结构；通过改进YOLOv5网络的头部结构使其可以对绝缘子进行定向识别，并对损失函数添加角度损失分类。实验结果表明在检测时间由单张0.044 s到单张0.049 s并无显著增长的前提下，改进后的算法在测试集上的mAP(mean average precision)的值为95.00%,实现了定向识别绝缘子及其漏帽缺陷，还可应用到绝缘子视频流检测。为后续的绝缘子精确定位以及进一步故障检测打下良好基础。     

人工污秽下盐/灰密对普通悬式绝缘子串交流闪络特性的影响

污闪是电力系统的严重自然灾害之一,国内外对盐密(ESDD)的影响进行了大量的研究,但对灰密(NSDD)影响的研究较少。文中以7片串普通悬式绝缘子XP-160为试品,在人工雾室中进行了大量的人工污秽试验,分析了ESDD和NSDD的变化对人工污秽绝缘子交流闪络电压的影响。试验结果表明:在人工污秽试验中,ESDD和NSDD均对绝缘子交流闪络电压有影响,与ESDD对人工污秽绝缘子串绝缘子交流闪络电压的影响一致,人工污秽绝缘子串交流闪络电压与NSDD也呈幂函数关系。在对交流闪络电压的影响上,ESDD和NSDD是相互独立的。因此,污区的划分不仅应考虑ESDD,同时也应考虑NSDD。对于7片串XP-160,文中还给出人工污秽试验条件下绝缘子串的交流污闪电压表达式。     

涂覆RTV对瓷绝缘子盐密和灰密影响的对比观测

绝缘子盐密和灰密值是污区分级和外绝缘配置的基础,各地污区分级观测绝缘子往往以XP-70瓷绝缘子为观测绝缘子,涂覆室温硫化硅橡胶(RTV)涂料对绝缘子积污特性的影响是一个值得关心的问题。因而选择深圳地区54处代表性的输电杆塔进行涂覆RTV与未涂覆RTV的XP-70绝缘子不带电挂样观测对比,测量了积污期为2a的绝缘子盐密、灰密和灰密盐密比,对比了涂覆RTV与未涂覆RTV线路绝缘子上表面、下表面与单片均值积污规律的差别。结果表明:涂覆RTV的绝缘子与未涂RTV的XP-70绝缘子相比,上表面盐密值增加约1倍,下表面盐密值、单片盐密均值增加约2倍,上表面灰密值增加约2倍,下表面灰密值、单片灰密均值增加约3倍,涂覆RTV的XP-70绝缘子灰密盐密比大于未涂覆RTV绝缘子的灰密盐密比。污秽外绝缘配置时在注意到涂覆RTV对绝缘子污闪电压大幅提高的同时,也应注意到涂覆RTV对绝缘子积污特性的影响。     

基于GA-BP神经网络的变压器绕组热点温度预测

本文针对现有变压器绕组热点温度预测方法中存在的不足,采用遗传算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络容易陷入局部最小值的缺陷,加快了算法的收敛速度,建立基于遗传算法优化BP神经网络的变压器绕组热点温度预测模型。利用500组变压器试验数据进行仿真,结果表明,基于GA-BP神经网络的变压器绕组热点温度预测值与实际值的变化趋势基本一致,平均相对误差和均方根误差分别为2.05%和0.21。     

基于生成对抗网络的自爆绝缘子检测模型设计

随着输电线路的持续建设,无人机逐步代替人工成为巡线工作的主要工作方式。绝缘子在输电线路中具有重要作用,然而,因自爆绝缘子导致的事故尤为频繁,从大量的航拍图像中识别自爆绝缘子,是一个亟待解决的任务。在航拍图像中,大部分绝缘子数据均是无损绝缘子,自爆绝缘子数量较少,因而无法满足识别算法的训练要求。针对现有输电线路无人机巡检中自爆绝缘子数据量稀缺的问题,该文提出了一种基于生成对抗网络的自爆绝缘子检测模型。通过生成器和鉴别器的对抗训练,该模型仅使用无损绝缘子数据训练即能完成对自爆绝缘子的检测。在此基础上,该文优化了生成对抗网络的训练过程。通过引入指导网络,解决了生成对抗网络的模式崩塌问题,提高了对自爆绝缘子检测的召回率;通过对鉴别器的输入添加扰动,解决了生成对抗网络中的样本不均衡问题,提高了对自爆绝缘子检测的精确度。通过与其他异常检测算法的对比实验,证明了该文方法的可靠性。并通过对模型各部分的消融实验,证明了该文方法各部分的可靠性。实验结果证明,该生成对抗网络模型有效避免了传统生成对抗网络中的缺陷,完成了对自爆绝缘子的高效自动检测。     

基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测

针对短期负荷预测的精度问题,文中提出基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法。在传统的灰色关联分析方法基础上,引入以距离相似性和形状相近性相关联的综合灰色关联度选取更高相似度的相似日。为缩小训练样本的差异程度,提高预测精度,利用相似日集合中的样本来训练蝙蝠优化的反向传播(BP)神经网络预测模型。以中国南方某城市的历史数据作为实际算例,将文中提出的基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法与单纯的BP神经网络法、蝙蝠优化BP神经网络法、传统灰色关联与蝙蝠优化的BP神经网络组合法的预测结果相比,结果表明文中方法的预测精度较高。