基于AdaBoost算法和单模板匹配的变压器识别

随着无人值守变电站的发展,设备的在线监测技术可为工作人员对变电站现场情况的监控提供一份有力且直观的保障。图像识别技术在电力设备在线监测中的应用研究有助于真正实现变电站的无人值守。变压器作为变电站内的主要设备之一,其运行状态的监控至关重要。文章针对变电站环境中变压器设备的识别问题,提出了一种融合基于Ada Boost算法和模板匹配的方法。该方法在提取Haar特征的基础上采用Ada Boost算法初步识别变压器,再通过模板匹配的方法进一步判定,不仅提高了识别的正确率,减少了误检的发生,而且相比于对整幅图采用模板匹配法,提高了检测效率。     

LS-SVM误差补偿的广义预测控制

广义预测控制（Generalized Predictive Control,GPC）汲取了DMC（Dynamic Matrix Control）、MAC（Model Algorithmic Control）中的多步预测优化策略,抗负载扰动、随机噪声、时延变化等能力强,且选取模型参数少,利于控制。然而,据研究发现GPC对模型失配问题有一定的局限性。最小二乘支持向量机（Least Squares Support Vector Machine,LS-SVM）是在支持向量机的研究基础上发展而来的,具有良好的回归、分类功能。在认真学习LS-SVM原理的基础上,提出了基于LS-SVM误差补偿的广义预测控制,并选择两个模型进行了仿真实验。通过与常规GPC的比较,表明了该算法具有更优的控制性能。     

火电厂仿真机中的DCS仿真方式与关键技术

本文全面地分析和总结了国内火电厂仿真机中的DCS仿真方式和技术,从多个角度对仿真方式及虚拟DCS技术进行了细致的分类,阐述了不同方式的优缺点,分析了实现虚拟DCS的关键技术,总结了不同DCS产品在国内火电厂仿真机中的应用情况,介绍了采用虚拟DCS技术的仿真机上可以实现的先进功能,最后对该领域的发展方向和进一步研究进行了展望。     

基于双目视觉的拖车钩检测与定位方法研究

在某些危险环境下需要拖车实施救援时,救援人员难以靠近,救援人员可以通过遥控操作拖车杠来完成拖车钩的挂装。针对被救援车辆拖车钩的检测与定位问题,提出了一种拖车钩检测与定位方法ECSA-YOLOv5,首先改进YOLOv5算法,设计了高效注意力模块ECSA,将其替换掉空间金字塔池化模块上一层的模块,并增加一个大小为160×160的小目标检测层,能够更准确的获得拖车钩在图像中的像素坐标;通过在SGBM立体匹配算法预处理阶段加入引导滤波、后处理阶段引入加权最小二乘法WLS滤波与异常值处理,从而获得更优化的视差图,得到更为准确的目标深度信息,提高拖车钩位置信息计算的精确度。基于Jetson Agx Xavier开发板进行了实验验证,实验结果表明,ECSA-YOLOv5模型较YOLOv5s模型AP值提升了5.8%,达到了99.0%,平均实时检测帧率为14 fps,定位测距在3 m内时,误差在3.5%以下,能够满足拖车钩的检测与定位的准确性和实时性的要求。     

基于Web技术的电力信息服务网站的研究与实践

信息化是电力行业的发展趋势，以Ｗｅｂ技术为基础，建立了面向电力行业的信息服务站点，信息服务系统采用两级框架结构，面向３个方面用户对象，５种不同的用户信息交互方式，经３个多月的实践表明网站的建设满足了许多电力行业的需求，在用户间建立起了一条新的信息交流渠道，取得了令人满意的效果，具有很好的衫和价值和发展前景。     

基于改进Mask R-CNN的变电设备红外图像实例分割算法

红外图像中变电设备的分割精度直接影响着故障诊断的结果，针对复杂红外背景下变电设备边缘分割不精细、分割精度低的问题，提出了一种基于改进Mask R-CNN模型的变电设备红外图像分割方法。首先将ResNet特征提取网络中部分残差模块的标准卷积替换为可变形卷积，然后对空间注意力机制模块和通道注意力机制模块并行连接，并在这两个模块中加入可变形卷积，最后改进Mask R-CNN掩膜分支的损失函数，对目标边缘分割的精细度进一步优化。该方法能够有效提高模型对红外图像中变电设备几何特征多样性的适应能力，并减轻模型对背景等干扰特征的关注。在变电设备红外图像数据集上进行实验，结果表明，相比于Mask R-CNN基准模型，该方法的AP_50:95、AP₅₀和AP₇₅提高了3.5%、1.0%、4.2%,表明该方法能够显著提高红外图像中变电设备实例分割的准确率，有效解决边缘分割不精细的问题。     

基于神经网络的火电厂烟气含氧量软测量

介绍了测量仪表及过程控制中的软测量技术. 讨论了软测量技术的有关问题和开发策略.提出了基于一种复合型神经网络的火电厂烟气含 氧量软测量模型,并且用它对火电厂烟气含氧量的软测量进行了建模仿真验证,现场不同负荷 下的实测数据仿真验证结果表明了软测量方法的有效性.最后给出了应用前景展望.     

基于聚类分析和状态估计的制粉系统故障预警

状态监测可大大降低发电设备的维护成本.将基于非线性状态估计的状态监测方法用于发电机组制粉系统.采用一种改进的内存矩阵的构造方法,能够很好地覆盖制粉系统的正常运行空间.当估计的模型和实际测量值之间相差很大时表明状态异常.通过提取正常工况下的监测参数的聚类中心,计算估计值与聚类中心的相似性测度值,确定风机工作状态.根据国内某机组某直吹式制粉系统的实时数据验证,仿真结果表明此方法可以有效地实现早期故障预警.