基于深度迁移学习的输电线路涉鸟故障危害鸟种图像识别

为了实现输电线路涉鸟故障的差异化防治,提出一种基于深度迁移学习的危害鸟种图像识别方法.根据历史涉鸟故障的鸟种信息及输电走廊周边鸟种调查结果,建立88种相关鸟类图像数据集,采用类激活映射进行图像预处理,滤除复杂背景噪声.基于迁移学习的思想,首先利用AlexNet、VGG16、ResNet50、Inception V3这4...     

基于改进深度学习的电表终端故障图像识别方法

针对常规运维模式越来越难以满足电表终端高效可靠运营需求的问题,文章提出了一种基于改进深度学习的电表终端故障图像识别方法。在分析现有基于深度学习电表故障识别方法的不足的基础上,介绍了改进深度学习识别方法的思路。进一步设计了改进深度学习识别方法,具体阐释了深度学习分类网络、电表终端检测网络、组态匹配三个主要技术环节。最后以一个算例,介绍了改进深度学习的电表终端故障图像识别方法的应用情况,证明了该方法的有效性。     

基于深度-迁移学习的输电线路故障选相模型及其可迁移性研究

为提高输电线路故障诊断模型的可迁移性,根据迁移学习理论将输电线路分为源线路和目标线路,提出一种基于深度-迁移学习的输电线路故障类型识别方法。通过组合不同故障条件,生成输电线路故障期间的时序数据,并通过对数据的预处理,得到面向卷积神经网络的输入数据样本;利用源域数据对初始卷积神经网络进行预训练,获取适用于源线路故障类型识别的预训练模型;采用最大均值差异法对源线路和目标线路进行相似性检验,筛选出待迁移的源域预训练模型;利用目标域数据对预训练模型进行微调迁移训练,获取最终的目标域故障诊断模型。仿真结果表明,利用源域数据量5 %的目标域数据对预训练模型进行微调迁移训练,得到的目标域模型对目标线路故障诊断的准确率达99 %以上。     

基于深度迁移学习的时变拓扑下电力系统状态估计

针对电力系统拓扑实时变化导致数据驱动状态估计器不可用的情况,提出一种基于深度迁移学习的数据驱动状态估计方法.将原拓扑海量历史数据训练得到的模型作为基础模型,当新拓扑实时量测数据更新时,加载和保存基础模型中特征提取层的权重和参数,只需要微调模型的全连接层,即可获得适应于新拓扑的神经网络,提高了数据驱动状态估计模型的自适应性和泛化性能.通过对IEEE标准系统和中国某实际省网的算例测试,并将其估计结果与加权最小二乘法和加权最小绝对值法进行比较.结果表明,在考虑拓扑时变性的情况下,该算法与上述2种物理算法相比具有更优的估计性能和估计效率.     

基于特征融合的调制识别增强与迁移演化

针对调制识别中单一图像的特征信息不足,区分度不够高,识别范围受限的问题。本文提出了一种基于时频图和星座图特征融合的调制识别特征增强方法,利用深度学习神经网络提取信号图像的特征,构建特征空间,通过多维特征融合,挖掘和整合不同特征的优势,增强模型算法的鲁棒性。此外运用了模型迁移的方法,仅需对分类器进行训练,大幅节约了训练时间和资源,具有很强的实时性和实用性。仿真结果显示,在0db左右的条件下,相比于单一特征图像,采用特征融合增强的方法能将信号的平均识别率提高约25%,通过模型迁移,省去了卷积神经网络的训练,所需的训练时间约为迁移前的9.6%,消耗内存约为迁移前的7.3%,同时模型的识别率损失控制在了5%以内。     

基于深度学习的电力设备图像识别方法

针对传统方法对电力设备的图像特征分类不明确,导致得到的图像识别效果不佳,难以保证安全运行的问题,提出了基于深度学习的电力设备图像识别方法。该方法首先提取电力设备图像特征分类伪装因素,然后基于深度学习方法构建网络模型定位错误锚点,通过正负训练标记识别目标区域,从而完成对电力设备图像的识别。实验结果表明,以变压器和电线塔杆作为识别设备测试对象,该方法能在30 s内基本完成采集图像的有效识别,可保证电力设备能稳定运行,具有较好的实际应用效果。     

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。     

基于深度学习和迁移学习的公共楼宇非侵入式负荷分解

建筑与工业、交通并列成为我国三大“耗能大户”,公共楼宇能耗巨大但节能潜力不可估量,监测其负荷特征挖掘节能潜力应用前景广阔。非侵入式负荷监测与分解作为大数据环境下面向智能电网配电侧的一种高级应用,可通过电力端口信息挖掘用户用电行为,但传统算法主要针对家庭用户,且存在功率跟踪性差,训练时间长等问题。为此,文章面向楼宇用户提出一种基于深度学习和迁移学习的负荷分解模型。该模型将3种神经网络:多层感知器神经网络(multi-layer perceptron neural networks,MLP)、卷积神经网络(convolutional neural network,CNN)、长短时记忆网络(long short-term memory,LSTM)模块化并联连接,并融合网络特征,通过再学习模块重新学习融合特征与结果的映射关系;针对新楼宇数据量不足的问题,将特征学习网络模块特征冻结,运用迁移学习重新训练网络,在确保模型精度的同时降低深度学习所需数据量和训练时间。最后利用真实楼宇负荷数据划分出3种应用场景,利用所提模型开展分解应用并与3种传统深度学习算法分解结果作对比,结果表明:基于深度学习和迁移...     

基于深度学习网络的轴承工件自动检测

针对实际生产中轴承滚子原始故障数据量少,数据集不平衡的问题,提出一种数据增强策略对原始的数据集进行扩充,并结合U-Net框架和轻量级深度学习模型构建了一个端到端的轴承滚子语义分割模型方法.通过结合U-Net框架和轻量级深度学习模型MobileNetV1、DenseNet121构建了端到端的轴承滚子语义分割模型LS-MobileNetV1、LS-DenseNet121,将所提模型基于迁移学习策略进行了训练,与其他模型进行对比实验分析.结果表明,与现有方法相比,本文方法在具有更少参数量的情况下实现了更高的分割精度与更具鲁棒性的检测效果,验证了所提方法的有效性.     

基于深度学习网络的轴承工件自动检测

针对实际生产中轴承滚子原始故障数据量少,数据集不平衡的问题,提出一种数据增强策略对原始的数据集进行扩充,并结合U-Net框架和轻量级深度学习模型构建了一个端到端的轴承滚子语义分割模型方法.通过结合U-Net框架和轻量级深度学习模型MobileNetV1、DenseNet121构建了端到端的轴承滚子语义分割模型LS-MobileNetV1、LS-DenseNet121,将所提模型基于迁移学习策略进行了训练,与其他模型进行对比实验分析.结果表明,与现有方法相比,本文方法在具有更少参数量的情况下实现了更高的分割精度与更具鲁棒性的检测效果,验证了所提方法的有效性.     

基于深度学习和多模型融合的局部放电模式识别方法

局部放电与电力设备的绝缘状态息息相关,准确识别局部放电类型对于保障电网运行具有重要意义。文中提出一种基于深度学习和多模型融合的局部放电模式识别方法。首先,设计并搭建开关柜内4类典型局部放电缺陷模型,采集局部放电相位分布(phase resolved partial discharge,PRPD)图谱并建立样本集;其次,搭建基于迁移学习的深度残差网络,对局部放电缺陷进行识别;最后,利用Sugeno模糊积分将深度残差网络(deep residual net￣work,DRN)模型与传统识别模型进行融合。实验结果表明：迁移学习模型相比于无迁移学习模型有着更好的更新能力和泛化性能;融合模型与单一模型相比具有更高的识别准确率。所提方法能够准确识别局部放电缺陷类型,对于电力设备的运维检修具有一定的参考价值。     

基于改进深度学习的刀闸状态识别方法研究

识别刀闸状态对于现代电力系统至关重要,传统的刀闸状态识别方法不能很好地解决多刀闸目标干扰问题。为了解决此问题,提出了一种基于改进深度学习的刀闸状态识别方法。首先采用空间加权的池化策略来改进传统的卷积神经网络(CNNs);其次利用改进CNNs在训练数据库上获得训练模型;然后通过训练模型来检测绝缘子和刀闸的潜在位置,并进一步利用非极大值抑制和直线拟合算法获得精确的绝缘子和刀闸位置;最后利用与绝缘子的连通性和刀闸区域的长宽比来识别多种刀闸的闭合或断开状态。实验结果表明此方法能够精确地定位绝缘子和刀闸的位置,显著提高刀闸状态识别的精度。     

基于深度神经网络的弱监督信息细粒度图像识别

强监督识别算法需要大量的人工标注信息,消耗较多的人力物力资源。为了解决上述问题,满足实际需求,提出了两种基于弱监督信息图像识别方法用于细粒度图像分类(FGVC)。一种是联合残差网络和Inception网络,通过优化卷积神经网络的网络结构提高捕捉细粒度特征的能力。另一种是对双线性CNN模型进行改进,特征提取器选取Google提出的Inception-v3模组和Inception-v4模组,最后把不同的局部特征汇集起来进行分类。通过在CUB200-2011鸟类公开数据集和Stanford Cars汽车类型数据集上进行测试,实验结果表明,提出的方法在两种数据集上的分类精度分别到达了88.3%和94.2%的分类精度,实现了较好的分类性能。     

基于深度学习的脊椎CT图像分割

脊椎CT图像分割是脊椎三维重建可视化的关键。针对脊椎CT图像中脊椎边缘模糊,结构复杂,形状多变等问题,基于深度学习方法提出一种双解码器网络。该网络在编码解码网络U-Net结构基础上增加了一条结构相同的并行解码分支,两个解码分支可以互补地提取图像特征。并且,在编码与解码之间加入双重特征融合模块,解决网络在下采样和上采样过程中造成的语义信息丢失问题。同时用密连混合卷积模块代替原始卷积模块,提高网络对多尺度特征的提取能力。此外加入高效注意力模块,使网络在空间上注重学习感兴趣区域,在通道上抑制无关信息。在CSI2014公开数据集上进行测试,Dice系数达到0.970,Jaccard系数达到0.945,召回率达到0.962。实验结果表明,该网络能够提高脊椎分割精度,具有较好的泛化能力,可以满足临床脊椎CT图像分割需求。     

基于深度学习的电力设备铭牌文本识别

电力设备铭牌包含丰富的设备信息,通过图文识别技术获取设备铭牌信息,可更加高效快捷地完成电力设备的信息统计、台帐校核等工作,也有利于提高电力系统的设备管理水平。针对电力设备铭牌与普通图像文本识别差异较大的特殊应用场景,文中提出一种基于深度学习的电力设备铭牌信息自动识别算法。该算法由铭牌检测、文本检测、文本识别三部分组成。通过改进损失函数设计、增加文本识别结果纠正、人工合成文本图像等方式,使得铭牌检测模型在测试集上的平均精度均值达到92.2%,文本检测模型在测试集上的F₁值达到91.2%,文本识别模型的字符识别准确率达到94.0%,文本行识别准确率达到82.3%。     

基于深度强化学习的配电网负荷转供控制方法

随着城市规模的快速扩张以及电能替代的不断推进,配电网节点数大量增加,结构愈加复杂,发生故障后拓扑变化不确定性较大,传统负荷转供方法难以在短时间内给出高质量的解决方案。为此,提出基于深度强化学习的配电网负荷转供控制方法。将负荷转供过程视为一个马尔可夫决策过程,与配电网实时电气、拓扑数据进行交互,对联络开关与分段开关进行控制。为了提高算法的精度与泛化能力,针对算法动作策略加入了预模拟机制,调整了动作与学习的比例并采用自适应优化算法进行求解。算例分析表明,所提方法能够应对不同故障下配电网的拓扑变化,即时给出负荷恢复量、电网损耗、开关动作次数多方面最优的转供控制方案,这对于减小故障后的停电损失与提高用户满意度有着重要意义。     

基于深度学习的安全帽识别算法研究与模型训练

针对作业人员不按规定佩戴安全帽和非作业人员误入作业现场的问题,设计了基于深度学习的安全帽和语音识别智能终端算法。对于安全帽的检测,采用了人体关键点检测模型和基于深度学习的YOLO3算法。将智能摄像头得到的视频文件,先利用人体关键点模型提取现场人员图像,再结合YOLO3算法检测现场作业人员佩戴安全帽的情况,对于未正确佩戴安全帽的人员发出告警信息。通过模型训练验证了所提模型的实用性。     

融合多类型深度迁移学习的电力系统暂态稳定自适应评估

针对不同类型人工智能网络应用于电力系统暂态稳定评估时精度和泛化能力不稳定、运行方式或拓扑结构发生较大变化时评估精度下降、重新训练新模型费时费力等问题,提出一种融合多类型深度迁移学习模型（tmDLM）的自适应评估方法,该方法融合了深度置信网络、卷积神经网络以及长短期记忆网络3种不同的深度学习模型。将训练好的各类深度学习模型作为源域模型,当运行方式或拓扑结构发生较大变化时,采用少量目标域样本集微调预训练模型,使其快速跟踪系统当前的运行状态,并得到tmDLM。新英格兰10机39节点系统和华中电网的仿真结果表明：所提方法可以充分发挥各类深度学习方法的优势,具有良好的泛化能力;六分类模型能够在判稳的同时进行稳定裕度/失稳程度等级的评估;经过迁移后的深度学习模型具有良好的评估精度和时效性,大幅缩短了模型更新时间,实现了电力系统暂态稳定的自适应评估。     

基于图像增广与迁移学习的输电线路金具 多目标实时检测方法

架空输电线路金具的状态评估工作对于线路的可靠运行至关重要,金具的检测是评估工作的重要一环。针对金具识别检测中数据集人工标注的工作量大,以及难以兼顾高精度和快速性问题,提出一种基于YOLOX网络改进的输电线路金具检测方法。将无人机拍摄的金具图像进行增广预处理丰富数据集,骨干网络采用在线Mosaic、Mixup增强方式,引入基于特征提取的迁移学习并采用余弦退火学习率进行两阶段模型训练。实验结果表明,改进后的方法对各类金具检测的平均精度均值提高了18.32%,与Faster R-CNN等5种主流检测模型相比,所提方法平均检测精度均值最高,且检测速度仅次于YOLOv3,能够更加快速、精准地识别各类金具,并在一定程度上减少人工标注的工作量。