基于目标检测的电网涉鸟故障相关鸟种智能识别

鸟类活动引起的电网故障呈现上升趋势,为了辅助输电线路巡检人员进行鸟类识别,该文提出一种基于YOLOv4目标检测的涉鸟故障相关鸟种图像识别方法.利用巡检图像与网络资源构建电网涉鸟故障典型危害鸟种图像数据集,并进行图像标注与数据增广.建立YOLOv4检测模型,采用多阶段迁移学习进行模型训练,并引入Mosaic数据增强、余弦...     

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WDCNN-SVM深度迁移学习的燃气轮机转子故障诊断方法

针对在使用深度学习对燃气轮机转子故障诊断过程中,因振动信号样本中正常运行数据多、故障数据少而使得模型故障诊断准确率低的问题,提出了一种采用深度迁移学习对燃气轮机转子进行故障诊断的方法。首先,使用典型行业样本数据集预训练第一层宽卷积核深度卷积神经网络（WDCNN）模型,给予模型初始的权重。其次,在源域中,使用某型燃气轮机试车获得的大量正常运行样本更新WDCNN模型的权重;在目标域中,利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征,然后使用支持向量机（support vector machines, SVM）进行分类识别,从而达到燃气轮机故障识别的目的。试车数据实验结果表明,该方法能够实现96%的识别准确率,验证了将轴承数据集预训练的深度学习模型迁移到燃气轮机转子领域进行故障诊断的可行性。     

一种轻量化YOLOv4输电线路防外力隐患检测方法*

输电线路多地处野外偏远，易受各种外力隐患破坏而出现安全故障。针对基于深度学习的输电线路外力隐患检测模型不能满足边缘部署的实时性需求的问题，提出一种轻量化YOLOv4的输电线路防外力隐患检测方法。首先引入深度可分离卷积，采用MobileNetv3作为YOLOv4模型的主干网络用以提取输电线路图像的多尺度特征。然后用建立的输电线路图像数据集对改进的轻量化模型进行训练、验证和测试。实验结果表明，提出的方法在输电线路外力隐患检测中准确率可达到87.73%，运算速度可达到32.49，与同类方法相比综合性能较优。     

基于深度卷积神经网络的输电线路防鸟刺部件识别与故障检测

电力铁塔上故障防鸟刺的及时检测,对于减少输电线路鸟害的发生,从而保障输电线路安全可靠运行具有重要意义。电力巡检图像中电力铁塔上的防鸟刺具有轮廓特征较不明显、部分重叠分布的特点给防鸟刺部件识别与故障检测研究带来一定挑战。针对所述防鸟刺特点,提出一种基于深度卷积神经网络的防鸟刺部件识别与故障检测方法。先利用锐化滤波器对电力巡检图像进行锐化处理;其次运用经过多尺度训练的YOLOv3目标检测网络框选并截取出经过锐化处理的电力巡检图像中的防鸟刺区域;最后利用基于Resnet152特征提取网络的防鸟刺故障检测器处理截取出的防鸟刺区域,实现防鸟刺故障检测。利用上述方法,实现电力巡检图像中的防鸟刺部件识别与故障防鸟刺检测,防鸟刺部件识别平均准确率为95.36%,故障防鸟刺检测准确率为92.3%。实验结果表明,所提方法能够有效实现电力巡检图像中防鸟刺部件识别与故障检测。     

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。     

架空输电线路涉鸟故障分析与防范

根据国内近几年的统计数据表明，涉鸟故障造成的输电线路跳闸次数已超过总数的10%，鸟类活动已经成为仅次于雷击、外力破坏的第三大输电线路跳闸原因。对架空输电线路涉鸟故障相关鸟种和习性进行了研究分析，确认不同涉鸟故障类型及其鸟种和区域分布情况。根据涉鸟故障的统计分析，发现涉鸟故障主要发生在3—7月的农田或邻近水源低海拔地区。同时，涉鸟故障发生的概率还与杆塔的结构型式、排列方式和相别有关。在对涉鸟故障试验研究和仿真计算的基础上，得到了不同电压等级下不同涉鸟故障的防护范围，并对比不同防鸟装置的性能和优缺点，提出了合理的防治措施。     

基于CNN-SVM的高压输电线路故障识别方法

高压输电线路故障识别对保证电网安全稳定运行具有重要意义。提出了一种基于CNN-SVM的高压输电线路故障分段识别方法。针对传统故障识别方法数据特征提取过程复杂的问题,通过深度学习的CNN模型,将故障特征以时序矩阵形式输入其卷积层与池化层,从而简化特征提取与计算过程。此外,针对高压输电线路故障特征不明显导致相间故障识别率较低的问题,提出将故障相间电流差及非故障相负序与零序分量作为特征,输入到SVM模型,进而判断相间故障接地类型。仿真结果表明,所提方法准确率高,与其他深度学习方法相比,在相间故障识别的准确率上提升尤为显著。     

基于深度学习的输电线路巡检图像绝缘子识别

绝缘子是输电线路无人机巡检的重要目标。为了快速准确识别巡检图像中的绝缘子,通过采集巡检图像,构造绝缘子数据集,提出了一种基于深度学习单阶图像识别框架（YOLOV3-SPP）的绝缘子在线识别模型。该网络模型在YOLOV3的模型上加入了SPP模块。通过在Pytorch环境下的训练和测试,结果表明：加入SPP模块后提高了检测的精确度,并可以快速有效地完成绝缘子识别定位。     

基于改进ResNet34网络的变电站设备巡检图像分类识别的方法

针对变电站设备巡检图像识别领域中存在的图像规模有限和识别准确率低等问题,提出了一种基于改进ResNet34网络的图像分类识别方法。采用Seam Carving算法对图像中的低能量区域进行压缩以保留关键特征;同时使用弹性变换、高斯噪声等6种图像增强技术来增强图像的多样性。将基础ResNet34网络与卷积注意力模块结合,增强模型对设备巡检图像关键特征的提取能力。使用在ImageNet数据集上的预训练模型作为迁移学习的特征提取器来解决样本数量不足的问题。在Adam优化器中引入余弦退火策略来动态调整学习率使改进的ResNet34网络更快收敛至最优解。试验结果表明所提方法比基础ResNet34网络的准确率提升了0.073 3,损失率降低了0.201 9,为变电站设备巡检图像识别领域提供了一种可靠的解决方案。