基于CK-means与CatBoost算法的电力系统暂态稳定评估

考虑到电力系统中,失稳数据样本远少于稳定数据样本,针对数据不平衡问题,论文首先提出了基于Canopy和K-means算法的数据分解方法,对稳定和失稳样本进行分解,缓解数据不平问题对评估效果的影响;其次利用CatBoost算法对分解后的数据进行暂态稳定评估;通过新英格兰10机39节点系统仿真算例,在准确率和召回率方面与其他发现进行了比较,论文方法都具有一定的优势;同时,考虑到同步相量测量装置(Phasor Measurement Unit,PMU)配置的实际情况,检验了算法在不同PMU安装数量情况下的评估效果,论文方法较传统方法,受PMU数量的减少影响小。

基于改进YOLOv5的绝缘子掉串缺陷识别研究

针对绝缘子所处环境的复杂性及掉串缺陷在航拍图像中占比较小的问题,提出了一种基于改进YOLOv5算法的输电线路绝缘子掉串缺陷识别方法。以YOLOv5算法为绝缘子检测的基础,在SPP模块将原网络的池化结构改为SoftPool;引入DIoU_NMS代替NMS,并将损失函数设置为CIoU+DIoU_NMS,最后以PSO融合K-means算法优化初始锚框并改变最终输出通道个数。通过实验结果表明,改进后的YOLOv5对绝缘子及掉串缺陷双目标检测的平均检测精度比原始YOLOv5提高3.7%,上述方法能较为有效地、准确地识别绝缘子掉串缺陷。

基于深度学习的输电线路绝缘子缺陷识别研究

输电线路中绝缘子的缺陷识别检测为维持电力系统的安全稳定性十分重要,但由于绝缘子所处背景的复杂性及缺陷在航拍图像中占比较小的问题,使得绝缘子检测及其缺陷识别具有一定的挑战。针对上述,文章提出了一种基于深度学习的输电线路绝缘子缺陷识别研究。通过全局检测和局部分割的两级检测方法对绝缘子进行缺陷识别。首先全局检测采用YOLOv3算法对绝缘子进行定位并切割出仅包含绝缘子的图像,扩大缺陷部分在整个图像上的占比,然后将切割后的图像送入U-Net网络中对绝缘子及缺陷进行像素级检测,提高对缺陷识别的精度。通过实验验证分析,两级检测网络对缺陷的识别准确率同只用YOLOv3进行一级检测比提高2.8%,该方法能较为有效地、准确地识别绝缘子缺陷。

基于改进粒子群算法与油中溶解气体的变压器故障诊断的研究

利用电力变压器故障时产生的气体(DGA)来对变压器进行故障诊断已经成为国内外重要的诊断方法。本文选择采用卷积神经网络(CNN)作为变压器故障的诊断模型,对电力变压器进行故障诊断。但CNN的诊断性能很大程度取决于它的结构,存在着模型超参数难以人工选择的问题。针对该问题,为了提高模型的诊断准确率,设计了利用改进粒子群算法(IPSO)来对CNN的超参数进行自动寻优。通过对PSO算法中的惯性权重w以及学习因子c_(1)、c_(2)进行改进,提高粒子的寻优能力,从而构建出性能更好的诊断模型,达到提高诊断准确率的目的。实验结果表明,IPSO算法具有比PSO更好的全局寻优能力和局部寻优能力,且基于IPSO算法搭建的CNN比人工经验搭建的CNN具有更高的诊断准确率,准确率提高了5.84%。