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。     

不平衡数据集下基于多粒度近邻图的智能电表故障分类方法

智能电表故障的准确预测对实现计量设备精准主动运维、保障电网稳定运行具有重要意义。电表各故障类型样本的出现频次不同,且不同故障类型样本在高维特征空间中的分布存在重叠,这极大增加了故障预测的难度。现有不平衡分类方法通过构建单一样本信息与其对应类别标签的映射关系来划分样本类型,导致对具有相似表征信息的重叠区样本难以准确判别,降低了整体分类精度。该文提出一种基于多粒度近邻图的智能电表故障分类方法。首先,选择原始数据集中样本作为目标样本,以目标样本及其近邻样本作为节点、目标样本与其近邻样本连线作为边构建近邻图。根据选择的近邻样本数量不同构建多粒度近邻图,实现目标样本的信息扩充和训练样本的数量扩增,更有利于模型稳定训练。构建编码器挖掘近邻图节点特征,利用图注意力机制,根据近邻图节点编码特征和节点邻接关系将近邻样本信息自适应地聚合到目标样本,实现对相似样本差异的有效挖掘。对于给定测试样本,通过集成测试样本多粒度近邻图的分类结果,得到更精准、更鲁棒的智能电表故障预测结果。在20个KEEL(knowledge extraction based on evolutionary learning)和UCI(...     

不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究

由于传统轴承故障诊断方法依赖于信号处理能力且模型泛化能力差的问题,提出一种不均衡数据集下基于深度对抗网络的故障诊断方法,该方法首先通过构建小样本训练集进行生成对抗网络训练,将生成样本加入到原始小类别样本训练集中,得到样本训练集,降低不同类别样本的不平衡性;然后引入深度学习的模型优化技术,提出适合轴承故障诊断的深度卷积神经网络模型,该模型直接作用于训练样本集,自适应地从原始数据中逐层学习故障特征,实现不同故障的准确识别;为了增强诊断系统最终分类预测的准确性,引入Focal损失函数对分类层进行故障识别。大量的定性定量实验表明,所提的改进网络在检测率与误检率方面均优于现有的其他深度模型,并且拥有较快的收敛速度与泛化能力。     

基于红外图像的输电线路故障识别

传统红外图像输电线路故障识别方法易受到噪声的干扰,故障边缘特征信息模糊,不能准确找出输电线路故障的位置,存在识别准确率低,抗干扰性差等难题,为此提出了基于红外图像对输电线路故障识别方法。采用红外成像仪器采集输电线路的温度变化图像,并采用粒子滤波算法去除故障图像中的噪声干扰,通过RGB色彩通道转换对输电线路红外图像的故障区域进行划分,利用共轭梯度法对输电线路故障区域的故障点进行识别和定位。实验结果表明,该方法能够实现输电线路故障的准确定位和高精度识别,且定位精度高达80%。     

多目标检测和故障识别图像处理方法

为了利用深度学习实现对输电线路的多目标识别以及多种故障的检测,以Faster RCNN(faster regions with convolutional neural networks features)网络为算法框架进行无人机图像的数据挖掘,针对输电线路的6种目标检测任务,提出了3种改进策略,分别为自适应图像预处理算法,基于面积的非极大值抑制算法,以及切分检测方案。研究结果表明:所提改进算法能够利用挖掘的数据对故障进行准确定位与识别,实现对复杂背景下航拍图像中多目标的故障检测,也可类推至其他类似多目标应用场景。论文研究可为多目标的检测和识别提供参考。     

考虑样本类别不平衡的电网故障事件智能识别方法

电网中不同设备的故障概率存在差异,影响智能诊断技术的准确性.为解决此问题,提出了一种基于代价敏感学习和模型自适应选择融合的电网故障事件智能识别方法.首先,利用Word2vec模型将预处理后的电网告警信息向量化,并搭建2个双向长短期记忆网络作为基础分类器;然后,设计代价敏感损失函数,将交叉熵损失函数与代价敏感损失函数分别应用于2个分类器中;最后,提出一种模型自适应选择融合法,融合上述分类器,得到故障事件识别结果.实际数据测试表明,所提方法能够有效降低故障事件识别中样本类别不平衡的影响.     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于稀疏差异深度信念网络的绝缘子故障识别算法

针对深度信念网络(DBN)的识别准确率比较低的问题,引入了基于模糊隶属函数的差异理论,提出了一种基于稀疏差异的深度信念网络图像分类新方法,简称D-DBN方法,并将其应用在了绝缘子故障识别中。差异理论有扩大低灰度区域,缩小高灰度区域的优点,更符合人眼的视觉特性。首先将图像的灰度特征矩阵转换成差异表示矩阵,并对其进行均值化、归一化和稀疏化,然后利用DBN网络对得到的差异特征进行训练,学习数据更本质的特征,从而达到提高识别性能的目的。在MNIST和SVHN库上对不同样本规模和不同网络结构进行实验,识别结果证明,与传统DBN和其它改进方法相比,本文算法取得了最好的识别效果。最后,将DDBN方法应用到绝缘子故障识别中。     

不平衡数据集下基于CVAE-CNN模型的智能电表故障多分类方法

提高智能电表故障不平衡多分类准确率对用电采集系统的可靠运行具有重要意义.传统机器学习中以合成少数类过采样(synthetic minority oversampling technique,SMOTE)算法及其变体为代表的过采样方法,较少考虑数据全局分布,而后续采用的分类算法难以从数据中获取更深层特征信息.基于深度学习...     

基于智能电表技术的智能电网负荷识别

传统侵入式负荷识别技术需要在智能电网用户侧每个用电设备的插座上安装传感器,通过传感器获取电器 设备的负荷,导致负荷识别精度较低.为此,提出基于智能电表技术的智能电网负荷识别方法.首先将智能电表安装 在智能电网用户侧总线上,采集全部用电设备的电力数据,并对采集数据进行降噪与筛选处理,得到高质量的负荷数 据集.其次构建时间卷积网络模型,并输入负荷数据集进行训练,输出目标负荷的识别标签,实现非侵入式智能电网 负荷的识别.实验结果表明,所提方法在识别智能电网用电负荷方面表现良好,平均绝对误差仅为１．１３５kWh,证明 了智能电表技术在智能电网中具有良好的应用效果.     

面向安检X光图像的违禁物品语义分割与识别研究

针对安检X光图像中违禁物品大小不一、物品摆放随意且存在重叠遮挡的技术难题,提出了一种改进的HRNet多尺度特征融合网络模型,实现图像中违禁物品的自动分割与识别。在编码阶段,利用HRNet网络中的多分辨率并行网络架构,提取多尺度特征,解决安检X光图像违禁物品尺度多样化的问题。在解码阶段,提出一种多层级特征聚合模块,采用数据相关上采样方法减少信息丢失,并聚合编码阶段提取的特征,以对物品进行更完整表征。在网络整体架构中,嵌入基于注意力机制的去遮挡模块加强模型的边缘感知能力,缓解安检X光图像中物品重叠遮挡严重的问题,提高模型的分割识别精度。通过在PIDray安检图像公开数据集进行实验,结果表明,在Easy、Hard、Hidden 3个验证子集上分别取得了73.15%、69.47%、58.33%的平均交并比,相比原始HRNet模型,分别提升了0.49%、1.17%、5.69%,总体平均交并比提升约2.45%。     

适用于智能电表双向互动系统的安全通信协议

根据智能电表双向互动系统逻辑结构和业务需求,提出了一种融合协议过滤、双向身份认证、访问列表查询和优先级控制等方法的智能电表双向互动、多重防护安全通信协议(BIMP),并采用BAN逻辑形式化分析方法和非形式化分析方法验证了其性能。BIMP在达到预期目标的同时具有安全保密性、抗攻击性、通信效率较高等特点,能够满足智能电表双向互动系统实际业务应用需求。     

基于CNN-BiGRU的高压直流输电线路故障识别

针对高压直流(high voltage direct current, HVDC)输电线路故障暂态行波具有时序性和强非线性的特点,导致高过渡电阻情况下故障识别率低的问题,提出基于卷积神经网络(convolutional neural networks, CNN)和双向循环门单元(bidirectional gate recurrent unit, BiGRU)的HVDC输电线路故障识别方法。首先,采用故障后整流侧的双极暂态电流行波作为特征向量,利用CNN提取全局特征,并从中剔除噪声和不稳定成分,完成对数据的降维处理。然后,采用BiGRU来捕获CNN提取到特征的前后时间信息,进一步提取数据中的时序特征,以实现HVDC输电线路故障识别。仿真结果表明：该方法可在不同故障地点以及不同过渡电阻下对单极接地、双极短路、雷击故障、雷击干扰共四种故障实现准确识别,可靠性高,具有较强的耐受过渡电阻能力,同时具备一定的抗噪性能。     

适用于发展性故障的故障分量提取算法

提出了适用于发展性故障的故障分量提取算法。该算法首先计算发展性故障发生前保护安装处的故障分量,再根据发展性故障发生前保护安装处的电流和获取的故障分量求得非故障状态网络中的支路电流;发生发展性故障后,利用保护安装处的全电流减去求得的支路电流得到发展性故障后的故障分量电流。该算法不受电网参数波动和负荷变化的影响。在IEEE 9节点系统模型基础上,BPA仿真验证了算法的正确性。     

基于优化卷积神经网络的电缆早期故障分类识别

准确识别电缆早期故障是及时消除故障隐患的必要前提。提出基于卷积神经网络的电缆早期故障分类识别的方法,可从含恒定阻抗故障、励磁涌流、电容投切扰动的过电流信号中准确识别电缆早期故障。通过小波变换提取过电流信号特征,构建卷积神经网络,进行训练调整网络参数形成输入特征与类别编码之间的映射关系。为解决训练过拟合和学习效率的问题,通过修正损失函数和采用自适应学习率的方法优化卷积神经网络。仿真结果表明,所提方法能对过电流信号进行有效分类,准确识别电缆早期故障,具有较高的工程应用价值。     

基于用电信息采集系统的运行电表故障智能分析

电能计量的准确性直接影响贸易结算的准确、公正,涉及广大客户利益,受到社会广泛关注。近年来,国内部分地区电网已有电力用户用电信息采集系统建成并投运,该系统针对不同的电力用户,采取不同的分类进行数据的采集。基于电力用户用电信息采集系统,对其采集到的大数据进行处理,利用数据挖掘工具,建立专家库并进行智能诊断,实现对运行电表的状态评估。     

基于接地故障比的不平衡配电网单相接地故障选相方法

为了解决传统故障选相方法可能因配电网不平衡度高或者高故障接地电阻而失效的问题,提出了一种基于接地故障比的不平衡配电网单相接地故障选相方法。首先建立了发生A相单相接地故障后接地故障比幅值和相位的解析表达式,通过将两个表达式对接地电导进行求导,并进行不同参数下的单调性分析,最终确定了发生A相SLG故障时零序电压幅值和相位的变化规律。然后将两种变化规律进行了整合,提出基于幅值和相位综合变化规律的故障选相方法。此外,还将A相的变化规律推广到B、C两相,并分析了欠补偿、过补偿和全补偿接地条件对所提方法的影响。最后通过Matlab仿真验证了零序电压变化规律和所提故障选相方法的有效性。仿真结果表明：在阻尼率为5%、三相不对称度为4.5%的4种工况下,传统故障选相方法均会失效,而所提方法能够保证故障选相的正确性。     

一种适用于海上风电经MMC-MTDC并网的电网侧故障穿越方法

海上风电工程逐渐向深远海和多端柔性直流输电技术推进。当岸上交流电网发生故障时,海上风电经多端柔直并网系统应该具有故障穿越的能力。然而现有方法主要研究电网侧换流站的系统级控制策略,未尽限利用风场侧换流站及场站内变流器的协同配合,严重故障时易导致换流站过载。此外,传统两端柔直故障穿越方法未针对多端场景改进,可能会出现风场脱网事故。针对上述问题,首先将故障划分为自消纳和非自消纳场景。自消纳场景下不平衡功率较小,结合风机自身安全减载能力和从站剩余容量,分别提出了基于降压法的超速减载和考虑功率裕度的从站电压偏差下垂控制策略。非自消纳场景下不平衡功率较大,分别提出了调度中心通信正常和异常情况下的故障穿越控制策略。最后在PSCAD/EMTDC仿真平台建模验证了所提控制方法的有效性。     

基于多源信息融合的配网故障外部原因识别

配网故障原因的准确识别对于缩短故障查找时间、提高供电恢复速度和供电可靠性有重要意义。根据责任归属可将配网故障原因分为内部原因和外部原因,内部原因指设备绝缘弱化、过电压等电气相关原因,而外部故障通常由于天气、动物或人类活动引起。由于外部原因导致的故障是多种因素共同作用的结果,为此提出融合线路参数、天气、时间等非电气量信息及动作电流、故障相数等电气量信息的故障外部原因识别方法,首先对5种典型外部故障原因的特点及相关影响因素进行分析,构建识别模型,然后使用无监督学习训练得到深度信念网络各层的最优参数,利用有监督学习对全局参数进行微调,得到基于深度信念网络的配网故障外部原因识别模型,最后利用西部某地区的实际故障数据对算法的准确性进行了验证,结果显示识别准确率可达94.82%,证明了方法的正确性。