改进Res2Net-YOLACT模型的输电线路检测方法

为了提高电网无人机巡检中对输电线路目标检测效率,提出了一种改进的Res2NetYOLACT输电线路检测方法。该方法采用以Res2Net为主干的YOLACT模型,快速准确地对输电线路进行特征提取。通过改进模型的非极大值抑制算法,提高模型的检测精度与速度。在真实公开数据集展开的实验结果表明,改进后的模型比改进前获得了更高的检测精度与速度,具有更好的输电线路检测性能。

基于K-means聚类的BP-DTR的电动汽车短期充电负荷预测

随着电动汽车的普及率越来越高,电动汽车充电行为对电网稳定运行的影响愈发显著,对充电负荷的预测愈发重要,提出了一种基于K-means聚类的BP-DTR电动汽车短期充电负荷组合预测模型。首先,利用K-means聚类方法将充电负荷聚类;其次,使用反向传播神经(BP)和决策树回归(DTR)分别对聚类后的每一类数据进行预测;最后,采用最优化方法加权组合得到每一类的预测结果并求和。实验以真实数据为基础,采用蒙特卡洛方法获得电动汽车充电负荷。实验结果表明:该预测模型能考虑到充电负荷影响因素,有效提高电动汽车充电负荷预测的准确性,为电网的优化运行和规划提供了参考。