基于改进YOLOv5和DBSCAN聚类的变电站压板识别方法

本文提出了一种基于改进YOLOv5和DBSCN聚类方法的变电站压板智能识别方法,旨在实现压板开关状态的智能监控和高效管理。针对压板开关目标较小、分布密集的特点,对原生YOLOv5网络进行改进,增加检测头以提升小目标检测能力,并采用EIOU损失函数优化目标框定位精度。结合DBSCAN聚类方法,对检测出的目标框中心点进行聚类,并根据相对位置排列每个压板的目标框。通过比对“四表一指南”中的开合状态,实现所有压板开关的智能比对,该方法可提高监控准确性和管理效率,降低人工干预成本,为电力系统的安全稳定运行提供有力支持。

基于深度学习的线路走廊异物检测-数据融合与扩容

本文旨在探讨数据增广技术在电力场景下的异物检测效果,重心是通过融合小样本数据来提升模型的训练数据量,从而提升检测算法的性能。在线路走廊中的异物种类繁多且形状复杂,但每一类别的数据量较小且难以获取大量样本进行训练,因此模型的性能提升受制于训练样本的数量。本文提出了一种方法,即通过融合多背景数据和多异物风筝样本来生成新的铁塔-风筝数据集。同时,本文还采用了基础的数据增强技术,以提升算法模型的泛化能力和鲁棒性。本文基于目标检测算法YOLOv5,通过对扩充后的数据集进行训练,实现了线路走廊的异物检测和识别。本文的研究成果将为电力场景下的异物检测问题提供新的解决思路和方法,并为相关情景的研究提供参考,具有重要的理论和实践意义。

配网自动化故障定位中存在的问题分析与应用

关于配网自动化故障定位问题,通过学者们多年的努力,获得了许多具有影响力的成果,但是配网系统是一个庞大的系统,情况复杂多变,因此许多方法在实际应用中还会遇到各种难题。为了进一步明确各种配网自动化故障定位算法中存在的问题,本文对当前比较流行的几种方法进行了分析。