基于图像处理与RBF神经网络的绝缘子憎水性识别方法的研究

为了快捷准确地识别复合绝缘子的憎水性等级,提出了基于图像处理与RBF神经网络的绝缘子憎水性识别方法。首先,对图像进行直方图均衡增强、自适应中值滤波处理;然后,利用二维Ostu阈值法对图像进行分割;最后提取4个与绝缘子憎水性相关的特征量,以这4个特征量作为输入向量,以相应的憎水性等级作为输出向量,通过训练得到优化的RBF神经网络识别模型,并用于绝缘子憎水性等级的识别。试验结果表明,该方法能够准确识别绝缘子的憎水性等级,总识别率高达90%,准确度达到了实际应用的要求,为在线检测绝缘子憎水性奠定了基础。     

基于图像特征提取与BP神经网络的绝缘子憎水性识别方法

为了方便、快捷、准确地识别运行中绝缘子表面的憎水性等级,提出了基于图像特征提取与BP神经网络的绝缘子憎水性识别方法。首先,利用同态滤波和直方图均衡对憎水性图像进行增强预处理,然后利用改进的Canny算子提取了图像中水珠(或水迹)的边缘,并利用数学形态学对其进行修正得到最终的分割图像;提取图像中与憎水性相关的4个特征量,最后建立了基于BP神经网络的憎水性识别模型,并对测试样本的憎水性等级进行了识别。实验结果表明,该方法克服了人为因素的影响,能够有效识别绝缘子7种典型憎水性等级,总识别率达90%,为在线检测绝缘子憎水性提供一种新的有效方法。     

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。     

复合绝缘子憎水性机理分析

本文阐述了老化前后复合绝缘子表面憎水性的变化，分析了复合绝缘子老化的原因，并通过试验验证了复合绝缘子憎水性丧失及恢复的机理。     

复合绝缘子憎水性丧失的研究

根据复合绝缘子的主要成分、生产用的原材料,从运行中电气和环境应力影响及制造原因分析复合绝缘子在挂网运行过程中憎水性下降和憎水性迁移性丧失的原因,通过大量的抽检数据,探讨复合绝缘子憎水性丧失的防范措施。     

绝缘子憎水性图像水珠/水迹形状提取算法

绝缘子表面憎水性检测是判别绝缘子性能优劣的主要手段.传统的检测方法具有其主观性,图像处理技术的引入为憎水性检测提供了更为客观的方法.考虑到绝缘子所处环境的复杂性(污秽、光照等)以及憎水性图像本身的特殊性(水的透明性),本文首先对绝缘子憎水性图像进行自适应直方图均衡和基于模糊逻辑的滤波,以达到增强图像的效果;然后通过基于模糊熵的自动阈值分割方法来获取水珠(水迹)的形状信息,最后用数学形态学的二值重构开运算来去除由于分割引入的噪声.实验统计结果表明,该方法能够对各级憎水性图像进行有效地分割.     

卷积神经网络在复合绝缘子憎水性智能识别中的应用

喷水法是目前检测复合绝缘子憎水性的常用方法,但存在依赖人工判断导致效率低下、准确率较差等问题.为解决该问题,提出一种基于卷积神经网络的复合绝缘子憎水性智能识别方法.首先,通过喷洒不同浓度乙醇溶液模拟绝缘子不同憎水性等级;在各憎水性等级下,综合考虑不同拍摄角度、不同拍摄距离以及不同光照强度等实际条件,分别获取绝缘子表面干...     

基于深度迁移学习的复合绝缘子憎水性识别

憎水性等级(hydrophobicity class,HC)是复合绝缘子耐污闪性能的重要表征指标,为了准确判断绝缘子伞裙表面的憎水性,提出一种基于深度迁移学习的喷水图像识别方法。通过喷水试验构建不同HC等级的复合绝缘子喷水图像样本集,采用AlexNet、Inception-ResNetV2、ResNet101、ShuffleNet这4种卷积神经网络建立学习模型,利用ImageNet数据集对其进行预训练,通过微调网络结构进行模型迁移,并在前后网络层设置不同的学习率,使其适用于绝缘子HC识别任务。采用喷水图像样本集对4种迁移学习模型进行训练、验证与测试,并通过梯度加权类激活映射(gradient-weighted class activation mapping,Grad-CAM)对各模型的决策区域进行可视化分析。算例结果表明,4种模型均能有效识别HC1—HC7的喷水图像,其中ResNet101的性能最好,对700幅测试样本图像的识别准确率达98.14%,Grad-CAM热力图显示该结果具有较高的可靠性。研究可为复合绝缘子憎水性的检测与智能识别提供参考。     

复合绝缘子憎水性表面水滴的电场特性分析

基于复合绝缘子的污闪理论,通过两种简化的硅橡胶平板模型,应用电场有限元计算软件ElecNet分别模拟了复合绝缘子护套表面和伞裙表面水滴的电场特性,着重研究比较了水滴的体积、接触角、形状等参数对水滴表面电场的影响,分析了两种模型中影响水滴表面电场强度的主要因素,并计算了复合绝缘子表面附着水滴时的电场,得出复合绝缘子伞裙上下表面以及护套表面附着的分离水滴使电场大大增强的结论。     

基于MATLAB平台的复合绝缘子憎水性分析软件开发

复合绝缘子憎水性状况对于电力系统的安全稳定运行具有重要影响。为了准确、快捷、方便地识别复合绝缘子憎水性,借助MATLAB图像处理工具和GUI图形用户界面功能开发了一款复合绝缘子憎水性分析软件。该软件开发运用了模块化思想,建立了图像处理、水珠特征量提取、憎水性检测方法和数据库管理等功能模块;采用改进的Canny算子对图像进行分割,提取了水珠(或水迹)的特征;最后利用改进径向基函数(radial basis function,RBF)神经网络对绝缘子憎水性进行分级。实验结果表明,该软件能够准确、客观地识别绝缘子憎水性等级,准确识别率高达92%。避免了人为因素的影响,提高了工作效率,为现场运行人员提供了数据支持和参考。     

局部自适应复合绝缘子检测与憎水性分类网络

憎水性等级(Hydrophobicity Class,HC)是衡量绝缘子性能的重要指标之一。在实际环境的多种因素作用下绝缘子伞裙表面存在局部憎水性差异,为了准确识别绝缘子的性能,本文提出了一种基于深度学习的局部自适应绝缘子检测与憎水性分类模型。首先,通过绝缘子分割模块分离绝缘子与背景区域,为后续针对绝缘子区域的操作提供分割信息;然后将绝缘子区域划分为固定大小的图像块,在缩小分辨率减小运算难度的同时保留了绝缘子表面的细节信息;最后通过憎水性分类模块分析图像块内绝缘子的憎水性。实验使用巡检维护现场的绝缘子图片作为样本集,分阶段构建模型,分别对分割阶段和憎水性分类阶段的准确性进行评估。实验结果显示分割阶段模块能有效识别绝缘子和背景区域,交叉验证的测试集准确率均大于97.21%,并且憎水性分类阶段模块能准确分析绝缘子憎水性,对140幅测试图片的识别准确率达到98.65%。经过实验证明本文提出的模型在复杂自然环境中检测绝缘子性能是一种有效的解决方案。     

BP神经网络在电力线路工程基础坑施工成本估算中的应用

电力线路工程基础坑施工成本估算的指标太多,很难实现明确的映射函数关系,反向传播(BP)神经网络能很好地实现对连续函数的映射的无限逼近,因此,提出了一种基于BP神经网络的基础坑施工成本估算方法。以掏挖基础为例,根据施工特点,建立了有7个输入单元、1个输出单元的BP神经网络。仿真结果表明:用BP神经网络模拟施工成本的映射关系,能相对有效、准确地进行基础坑施工成本估算。     

基于分形神经网络的电力电子电路故障诊断

针对电力电子电路的故障,分析了故障产生的特征类型,提出了基于分形理论及BP网络故障诊断的方法。以三相整流桥路为例,利用分形理论建立了故障元与分形维数之间的关系,对故障信息做预处理。通过仿真试验提取出用于BP神经网络训练的学习样本,并构建了用于不同类故障的三层BP神经网络结构,继而确定故障点。     

基于DCT与神经网络的语音增强方法

本文提出新的语音增强方法。这种新方法先将带噪信号进行离散余弦变换,得到带噪语音信号的DCT系数,并提取这些DCT系数的参数作为神经网络的输入来估计阈值,从而构造阈值函数对变换后的系数进行处理,再进行离散余弦反变换最终达到去噪的目的。本文实验中的噪声采用加性高斯白噪声,仿真实验结果表明新方法具有良好的语音增强效果,特别是在低信噪比情况下,效果更好。     

基于BP与RBF级联神经网络的日负荷预测

在采用分段预测方法的基础上,利用小规模BP(back propagation)神经网络学习时间短和径向基函数(radial basis function,RBF)神经网络自身训练速度快的优点,提出了基于BP和RBF网络的级联神经网络日负荷预测模型,将影响日负荷变化的非负荷因素(气象、日类型等)与历史负荷因素分别加入BP和RBF网络中分开考虑,进一步简化了预测模型。计算实例表明,该模型较一般级联神经网络模型收敛更快速、高效,预测精度有了很大提高。     

关联分析在电力负荷灰色神经网络预测中的应用

针对电力负荷预测序列存在随机增长特性和非线性波动性,灰色神经网络模型能够有效地反映序列增长特性和对非线性关系进行拟合.引入灰色关联度作为确定组合预测权重的依据,以序列整体拟合优化为目标,从而找到能够代表序列内在变化规律性的组合权重,使总体预测精度得到提高.     

基于BP神经网络和遗传算法的年负荷预测与分析

建立BP（Back Propagation）神经网络与遗传算法相结合的电力负荷预测模型。在该模型中,利用遗传算法具有的全局寻优特点,将BP网络的初始权值优化到一个较小的范围,然后再用BP算法在该范围内继续优化,以便使优化算法既能实现全局最优求解,又能获得较快的求解速度。最后,通过仿真算例,与传统BP网络优化结果、及各种拟合方法获得结果进行比对,验证了计算方法的可行性和优越性。     

BP和RBF神经网络在气隙击穿电压预测中的应用和对比研究

气隙的击穿电压是决定外绝缘水平的重要因素之一,现有关于击穿电压的理论都是单参数的经验公式,对某一特定大气条件下的击穿电压则很难估计.本文讨论了BP及RBF神经网络在气隙击穿电压预测中的应用,详细说明了在人工气候室中进行击穿试验的过程和BP、RBF神经网络的构建方法.使用人工气候室中获得的样本数据对网络进行训练,用训练好的网络对击穿电压进行预测,结果表明BP及RBF神经网络均能较好地对气隙击穿电压进行预测.并对BP及RBF神经网络进行了比较,RBF神经网络在收敛速度、网络构建、非线性逼近以及泛化能力方面都要优于BP神经网络,更适合于气隙击穿电压的预测.     

基于人工神经网络的日负荷预测方法的研究

基于人工神经网络原理,设计了一个三层的ＢＰ网络模型。充分利用了神经网络高度非线性建模能力,实现电力系统的短期负荷预测。文中对样本数据进行了预处理,以及在算法中引入附加冲量项,以提高训练速度。预测仿真结果证明使用人工神经网络方法进行短期负荷预测是可行的。     

弹性自适应人工鱼群-BP神经网络模型及在短期电价预测中的应用

为了提高短期电价预测精度,分析了人工鱼群算法及其缺点,提出了一种弹性自适应人工鱼群算法(RAAFSA).应用RAAFSA算法训练BP神经网络,实现了BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对贵州电网进行短期电价预测.仿真表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法和人工鱼群-BP神经网络算法,该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.762$/MWh.该混合算法可有效用于电力市场短期电价预测.