基于改进YOLOv7-tiny算法的输电线路螺栓缺销检测

为提高无人机对架空输电线路巡检的效率和线路中螺栓缺销的检测精度,提出了改进的你只看一次第7微小版(you only look once version 7-tiny,YOLOv7-tiny)输电线路螺栓缺销检测算法。该算法采用高效的分布移位卷积(distribution shifting convolution,DSConv)来替换YOLOv7-tiny网络中的3×3卷积,以提高模型的计算速度并降低计算复杂度;在模型的检测头部分,添加了高效解耦头结构,以提高模型的准确度和稳定性;并采用明智的交并比(wise intersection over union,WIoU)损失函数来提高正样本的权重,使模型更加关注缺销螺栓目标,以减少正负样本不平衡带来的噪声干扰。实验结果表明,改进YOLOv7-tiny算法对输电线路螺栓缺销检测的平均精度均值达到90.6%,检测速度达到143.0帧/s,同时实现了检测的高速度和高精度。该算法在无人机输电线路巡检中具有一定的优势。

融合注意力机制的YOLOv5光伏板电致发光图像缺陷检测算法

光伏板是光伏发电系统的核心部件,其质量好坏直接影响发电效率及电路安全。为了精准检测出光伏板的缺陷,提出了1种融合注意力机制的YOLOv5改进算法,该算法将有效通道注意力(efficient channel attention,ECA)与YOLOv5模型主干网络中的C3模块相融合形成C3-ECA模块。同时将融合注意力机制YOLOv5改进算法与YOLOv3、YOLOX等多个模型做对比实验,结果表明融合注意力机制YOLOv5改进算法精确率为97.5%,比原版YOLOv5提高了1.1%。改进的算法在引入少量参数的情况下,提高了模型的检测精度,并能够对光伏板表面的多种缺陷进行有效识别,且精度高、耗时少。

基于LightGBM-Transformer算法的短期电力负荷预测

高精度的短期电力负荷预测是优化电网运行策略和提高电网运行效率的可靠保障。为进一步提高短期电力负荷预测精度,提出轻量梯度提升机(light gradient boosting machine,LightGBM)-Transformer组合模型。该模型考虑时间特征和天气因素对短期电力负荷预测的影响,首先利用LightGBM算法获取特征重要性,排除无关噪声的影响,再将选择后的特征向量作为Transformer模型的输入,最后完成短期电力负荷预测。实验以澳大利亚能源市场运营商(Australian energy market operators,AEMO)检索的开放数据集为基础,并与多种类似模型进行对比。结果表明,LightGBM-Transformer组合模型的平均绝对百分比误差(mean absolute percent error,MAPE)为1.87%,误差指标显著低于其他对比模型,具有较高的预测精度,验证了该模型应用于短期电力负荷预测的可行性和有效性。