窃电行为不仅会扰乱正常用电秩序,更会影响电网的供电质量和安全运行。针对窃电检测工作中所面临的用户正常用电行为与窃电行为多样化问题,该文提出一种基于多阶段递推数据分析的低压台区窃电检测方法。该方法第1阶段对嫌疑窃电台区进...窃电行为不仅会扰乱正常用电秩序,更会影响电网的供电质量和安全运行。针对窃电检测工作中所面临的用户正常用电行为与窃电行为多样化问题,该文提出一种基于多阶段递推数据分析的低压台区窃电检测方法。该方法第1阶段对嫌疑窃电台区进行判定,针对当日线损不是明显激增的情况,提出基于台区线损综合波动率、总分表电流差异率、线损和电流曲线的突变点时间重合度的三步分析法,为窃电嫌疑用户的检测提供了良好的条件;第2阶段提出基于最优特征集的时间序列相似性度量方法,基于欧氏距离度量曲线间数值特征,同时基于动态时间规整(dynamic time warping,DTW)算法度量曲线间的形态特征,实现窃电嫌疑用户的初步筛选;第3阶段提出基于核函数和惩罚参数优化的支持向量机二次深度检测模型(optimize kernel-function and penalty-parameters support vector machine,OKPSVM),其中惩罚参数采用综合改进的粒子群(improved particle swarm optimization,IPSO)算法。通过算例仿真和实际工程应用,整体优化后的支持向量机模型(IPSO-OKPSVM)能够提高深度窃电检测的精准性和适用性。展开更多
针对云端单一集中数据处理时效性低、架空线路上鸟巢检测精度不高、模型对边缘计算设备算力高消耗以及目标定位不准确的问题,提出了一种基于云边端协作的架空线路鸟巢检测与定位算法。该算法通过云、终、边缘3端的协作,解决了云端集中...针对云端单一集中数据处理时效性低、架空线路上鸟巢检测精度不高、模型对边缘计算设备算力高消耗以及目标定位不准确的问题,提出了一种基于云边端协作的架空线路鸟巢检测与定位算法。该算法通过云、终、边缘3端的协作,解决了云端集中处理效率低的问题,并通过云边数据可视化协作解决由于角度及光线引起的图像不清晰问题。为了提高架空线路鸟巢检测的精度,该算法在YOLOv5x模型基础上进行了优化。首先,通过将主干特征提取网络中的C3模块替换为C2f模块,并在最后一层加入SE(squeeze and excitation)注意力模块,以提升模型对小目标的检测能力。其次,将激活函数替换为Mish函数,解决训练梯度饱和导致神经元停止学习的问题。为了降低模型对边缘计算设备算力的消耗,对改进后的模型进行剪枝微调以降低模型参数规模。基于此优化模型,提出了三维目标定位算法,结合GIS(geographic information system)系统对定位结果进行修正,实现了对检测目标的精准定位。实验数据显示,改进后的模型平均精度均值达到93.25%,比原YOLOv5x模型提升了3.44%,优化后的模型剪枝率达到45%。检测目标经过三维空间建模计算并通过位置修正能够定位到相应的杆塔,有效指导工作人员快速准确排除隐患。展开更多
文摘窃电行为不仅会扰乱正常用电秩序,更会影响电网的供电质量和安全运行。针对窃电检测工作中所面临的用户正常用电行为与窃电行为多样化问题,该文提出一种基于多阶段递推数据分析的低压台区窃电检测方法。该方法第1阶段对嫌疑窃电台区进行判定,针对当日线损不是明显激增的情况,提出基于台区线损综合波动率、总分表电流差异率、线损和电流曲线的突变点时间重合度的三步分析法,为窃电嫌疑用户的检测提供了良好的条件;第2阶段提出基于最优特征集的时间序列相似性度量方法,基于欧氏距离度量曲线间数值特征,同时基于动态时间规整(dynamic time warping,DTW)算法度量曲线间的形态特征,实现窃电嫌疑用户的初步筛选;第3阶段提出基于核函数和惩罚参数优化的支持向量机二次深度检测模型(optimize kernel-function and penalty-parameters support vector machine,OKPSVM),其中惩罚参数采用综合改进的粒子群(improved particle swarm optimization,IPSO)算法。通过算例仿真和实际工程应用,整体优化后的支持向量机模型(IPSO-OKPSVM)能够提高深度窃电检测的精准性和适用性。
文摘针对云端单一集中数据处理时效性低、架空线路上鸟巢检测精度不高、模型对边缘计算设备算力高消耗以及目标定位不准确的问题,提出了一种基于云边端协作的架空线路鸟巢检测与定位算法。该算法通过云、终、边缘3端的协作,解决了云端集中处理效率低的问题,并通过云边数据可视化协作解决由于角度及光线引起的图像不清晰问题。为了提高架空线路鸟巢检测的精度,该算法在YOLOv5x模型基础上进行了优化。首先,通过将主干特征提取网络中的C3模块替换为C2f模块,并在最后一层加入SE(squeeze and excitation)注意力模块,以提升模型对小目标的检测能力。其次,将激活函数替换为Mish函数,解决训练梯度饱和导致神经元停止学习的问题。为了降低模型对边缘计算设备算力的消耗,对改进后的模型进行剪枝微调以降低模型参数规模。基于此优化模型,提出了三维目标定位算法,结合GIS(geographic information system)系统对定位结果进行修正,实现了对检测目标的精准定位。实验数据显示,改进后的模型平均精度均值达到93.25%,比原YOLOv5x模型提升了3.44%,优化后的模型剪枝率达到45%。检测目标经过三维空间建模计算并通过位置修正能够定位到相应的杆塔,有效指导工作人员快速准确排除隐患。