基于生成对抗网络和深度残差神经网络的变电站异物检测

变电站电力巡检能够保证变电设备安全运行,及时发现潜在危险和隐患。传统方法主要依靠人工完成,需要较多的人力物力,并且由于变电站异物入侵的偶然性和突发性,传统方法很难预测发生的时间和地点。针对该问题,提出了基于生成对抗网络和深度残差神经网络的变电站异物检测技术。利用深度残差神经网络提出图片的特征,结合区域推荐网络和池化分类器实现目标的分类和定位。利用生成对抗网络生成样本扩充训练数据库,提升了网络的学习能力。最后利用真实变电站的图片数据进行测试,提出的方法具有较高的异物识别准确度,并且比较了不同种类不同数目的训练集,验证了通过生成对抗网络扩充样本的有效性和可行性。     

融合元学习和双路径注意力的太阳电池缺陷生成

针对太阳电池缺陷图像数据少导致深度学习模型过拟合，从而造成小样本缺陷检测困难的问题，该文提出一种融合元学习和双路径注意力的生成对抗网络（MAGAN）作为数据增强策略。所设计的元学习调参模块（MTM）优化生成器中权重参数；所设计的双路径注意力模块（DPAT）在特征提取过程中更关注图像中微小微弱缺陷特征；在改进网络构架的同时提出一种聚类约束损失函数解决训练过程中梯度消失问题。实验和研究结果表明，所提方法能够针对小样本缺陷生成有效目标数据集并优于其他生成对抗网络，最后通过分类准确率验证了该网络的有效性。     

基于Cascade R-CNN算法的输电线路小目标缺陷检测方法

输电线路无人机航拍图像缺陷识别是维护线路安全运行的重要巡检手段,但目前的识别算法对于销钉、螺母等小目标缺陷存在识别精确度低、易漏判等问题。将Cascade R-CNN算法应用于输电线路缺陷检测中,利用ResNet101网络进行特性提取,增强的网络的特征提取能力,并利用多层级联检测器对输电线路小目标进行判别和分类。基于无人机航拍图像数据集进行实验,实验结果表明,相比于Yolov3检测器和Lighthead R-CNN检测器,Cascade R-CNN算法提高了小目标缺陷检测中的召回率和精确度。     

基于混合算法的燃气轮机多传感器故障诊断

为解决卡尔曼滤波算法难以实现燃气轮机多传感器故障诊断的难题,提出一种基于混合算法的燃气轮机多传感器故障诊断方法。首先,基于平方根容积卡尔曼滤波（SRCKF）算法构建了一组滤波器,每个滤波器对状态的最优估计被定义为故障检测因子用于传感器故障的特征提取;然后,利用基于密度的聚类算法对故障检测因子进行聚类以实现故障传感器的检测和隔离;最后,利用极大似然估计方法（MLE）实现故障传感器故障严重程度的估计。所提出的方法在GT25000三轴燃气轮机模拟机上进行了仿真验证,仿真结果表明：所提方法有效,多传感器故障诊断的准确率高于95%。     

基于LO-RANSAC的锂电池极片表面痕类缺陷检测北大核心CSCD

针对锂电池极片表面的痕类缺陷检测准确率低、误检率和漏检率高的问题,提出了一种基于局部最优化的随机抽样一致性(locally optimized random sample consensus,LO-RANSAC)的痕类缺陷检测算法。首先,针对锂电池极片表面存在的椒盐噪声、大噪点多的问题,提出了一种改进的自适应中值滤波和基于连通域的滤波算法。其次,针对检测痕类缺陷准确率达不到预期以及误检率漏检率较高的问题,引入一种局部最优化的RANSAC算法。最后,给出了一种基于LO-RANSAC的痕类缺陷分类方法。实验结果表明:本文所提算法相较于标准RANSAC检测准确率提高了5.9%,相较于基于卷积神经网络算法准确率提高了15%,达到了98.2%;多种算法中本工作算法对于痕类缺陷的检测误检率和漏检率最低;平均检测速度较标准RANSAC算法提高了1.7倍,每秒钟检测的图片数量FPS(frame per second)达到12.49。本工作算法具有较高的检测准确率、较低的误检率及漏检率,检测速度达到实时检测要求,因此可满足锂电池极片表面的痕类缺陷检测需求,解决了锂电池极片表面痕类缺陷自动检测难题。     

基于差分序列方差与CPS融合的数字变电站数据异常检测方法

针对传统基于简单阈值的异常检测方法已无法适用于数字变电站过程层网络中可能出现的设备物理故障和恶意入侵导致的数据异常的问题,提出了一种基于差分序列方差（difference sequence variance,VDS）与信息物理系统（cyber-physical system,CPS）融合的数字变电站数据异常检测方法。首先,在分析CPS中面向通用对象的变电站事件（generic object oriented substation event, GOOSE）和制造报文规范（manufacturing message specification,MMS）数据的行为特征基础上,研究了IEC 61850协议规范的度量方法,提出了网络和系统管理方案;其次,基于VDS的异常检测方法和流程,结合数字变电站过程层报文特点,提出了变电站流量异常隶属函数以及基于CPS融合的参数确定方法;最后通过仿真验证了所提方法不仅能有效识别信息设备物理故障和恶意入侵导致的数据异常,对于拒绝服务攻击也能实现准确检测,相比于传统方法具有更高的准确性与可靠性。     

基于改进深度森林算法的风电机组故障诊断技术研究

为了及时有效地检测出风电机组发生的具体故障,同时克服传统故障诊断方法的局限性,文章提出一种基于改进深度森林算法的风电机组故障诊断方法。首先,利用有效的数据预处理方法处理SCADA原始数据并提取故障特征;然后,基于深度森林算法对风电机组具体故障进行诊断,同时,针对深度森林算法在故障诊断领域存在的缺陷,对算法提出改进;最后,利用河北某风场1.5 MW风电机组实际运行数据对文章提出的故障诊断算法进行验证,通过正确率、AUC等指标验证了所提故障诊断算法相比传统机器学习算法的有效性和优越性。该研究为风电机组运行和维修提供了依据,同时也为故障诊断领域提供了新的方法和思路。     

基于特征金字塔融合高分辨率网络的光伏热斑识别

针对光伏热斑识别算法中存在的深层网络参数运算复杂、梯度信息易消失和模型退化准确率下降等问题,提出一种基于特征金字塔融合高分辨率网络的光伏热斑识别检测算法。首先,该算法搭建一种多分辨率子网并行连接的网络模型,解决深层网络热斑细节信息丢失、特征冗余的难题。其次,引入特征金字塔的多尺度融合模块,跨层连接深浅层不同尺度特征图,解决特征语义的鸿沟、提高模型识别精度。实验结果表明：所提出的算法在光伏红外热斑图像数据集上的分类效果优于经典的深度卷积神经网络算法,准确率可达97.2%,可实现高精度高分辨率的热斑检测识别。     

基于改进DeepLabv3+的含噪声热红外图像光伏热斑检测方法

光伏组件表面钢化玻璃会导致采集的热红外图像中带有反光噪声，其与热斑的特征相似，热斑检测中常出现误检。该文提出一种多尺度融合注意力机制的轻量化DeepLabv3+语义分割模型LD-MA(lightweight DeepLabv3+with multi-scale integrated attention mechanism)用于热斑检测。LD-MA基于DeepLabv3+网络架构，首先引用MobileNetV2作为主干特征提取网络，减小网络参数量以提高训练效率。然后设计多尺度特征融合模块并引入CBAM注意力机制，保留多阶段目标特征且强化对热斑目标特征信息和位置信息的学习。在自建光伏热斑数据集进行热斑检测实验，结果表明LD-MA模型参数量大幅减少，同时有效避免误检和漏检，在测试集中平均交并比（mIoU）和类别平均像素准确率（mPA）分别达到90.82%和94.39%。     

基于改进YOLO-v3的风力机叶片表面损伤检测识别

为对风力机叶片损伤状态进行有效检测，提出一种基于改进YOLO-v3算法的风力机叶片表面损伤检测识别技术。根据风力机叶片损伤区域特点，对网络中锚框（anchor）的尺度进行调整优化；在特征提取网络后引入基于注意力机制的挤压与激励网络（squeeze and excitation networks,SENet）结构，使YOLO-v3算法更加关注与目标相关的特征通道，提升网络性能。结果表明，改进后算法的平均精度为84.42%，较原YOLO-v3算法提升了6.14%，检测时间减少了21 ms，改进后的YOLO-v3算法能较好地识别出风力机叶片表面损伤。