移动学习平台在供电企业班组培训中的应用

传统培训存在一定的不足,供电企业班组员工较难通过传统培训,满足他们的培训需求。基于供电企业班组员工的胜任力模型,以供电企业某市的班组为样本进行测评,借助变异系数分析员工培训需求的一致性和差异性,继而构建移动学习平台,更好地促进供电企业班组培训,切实发挥培训的作用。

改进YOLO V3的集中器故障识别

计量设备运维人员技术水平和经验有限、运维记录不便统计分析等问题亟待解决。YOLO V3算法在自然图像上的准确率和计算速度方面有着良好平衡,但在计量设备图像目标识别上表现较差,因此提出一种改进的YOLO V3检测算法,用于集中器设备故障检测。通过优化的anchor box设计和可变形卷积改进YOLO V3算法,实现对现场设备运行状态的自动识别,提升集中器设备的运维效率和质量。实验结果表明,所提改进的YOLO V3算法在集中器图像上取得较好检测效果。

基于用电大数据的用电异常状态辨识方法

为充分利用并挖掘电力系统中海量的用电数据进行用电异常状态的识别,本文基于计量自动化系统智能电能表所采集的用电大数据,用随机矩阵理论对用电异常状态、异常时间段及异常地点的辨识进行研究。首先,介绍了用电大数据构造高维随机矩阵的方法,并分析了高维随机矩阵的协方差矩阵特征谱分布规律;然后,根据矩阵的特征值统计特性变化规律提出基于用电大数据矩阵的用电异常状态辨识及定位方法;最后,以贵州各大行业实际用电数据为例,对不同的行业进行了仿真验证,仿真结果表明该方法能准确识别用电异常并判别异常时间段和异常地点,不仅能满足电网对可视性、时效性、可靠性和安全性的迫切要求,而且为数据驱动用电环节智能化、可视化监控提供了新思路。

基于增强现实与人工智能融合的低压集抄运维技术研究

提出利用人工智能(AI)中的图像识别技术分析故障设备的外在表象特征,确定计量终端的故障原因,同时利用增强现实(AR)技术,将计量设备的故障信息和排查步骤显示在运维人员的眼前,指导运维人员工作。

基于深度学习改进算法的数字化变电站计量图像识别方法

针对当前数字化变电站计量领域图像识别准确度有待提高的问题,本文提出一种基于深度学习改进算法的图像识别方法。该方法对传统的图像识别算法进行优化,使得合成的形状更接近目标对象,同时改进了卷积层,通过采用可变形卷积,加强对计量设备图像不同物体形变的建模能力。论文详细介绍了改进方法的原理、实现算法和实现流程,并开发了对应的计量图像识别软件,验证结果表明该算法具有良好适应性和高识别可靠度等优点。

用于描述电力设备图像特征的通用数据建模

高压线路巡检无人机、变电站巡检机器人等智能巡检设备在使用过程中会采集大量电力设备的图像,这些图像数据容量较大、无法有效保存记录。同时,电科院等检测部门对机器视觉类智能终端的检测没有统一的规范,无法实现数据量化的视觉功能及精度检测。依据图像识别算法的原理以及电力设备的外观统一特性,设计一种通用的数据结构模型,用来描述电力设备的主要图像特征信息,方便电力设备图像信息的大量存储,以此可作为相关检测机构在电力设备图像识别方面的检测标准。

适用于电表终端故障识别训练的图像训练方法

针对当前深度学习算法在电表故障识别训练领域中存在的不足,文章提出了一种改进的电表故障识别训练方法。对传统算法的识别训练过程进行了优化,重点关注缺陷样本的训练和图像采集质量的优化,并采用透视变换等技术手段丰富样本库、调整改善样本采集质量,提升了数据训练结果的可靠性。实例验证表明该方法具有良好适应性与高识别训练可靠度。