基于GRU和GWO-KELM的电力线路故障诊断

为实现电力线路故障的高精度检测和分类,设计并实现了基于机器学习的电力线路故障诊断系统,核心模块是机器学习经典算法中门控循环单元(GRU)神经网络和核极限学习机(KELM)。利用GRU对电力数据进行故障诊断,将正常数据与故障数据高精度地区分开来;利用灰狼优化(GWO)算法对KELM的核参数和惩罚因子进行寻优,使KELM获得了最佳参数;利用KELM进行故障分类,成功将不同种类的故障区分开。试验证明,GRU在数据集的准确率高达98%,得到了最优参数的KELM在数据集中准确率高达99%;利用模拟退火算法(SA)进行了准确率比对,证实了GWO算法的优越性。还对数据集中的电压和电流进行了数据可视化,简洁直观地表达了数据集,为电力线路故障诊断提供了一个切实有效的方法。

基于Real-ESRGAN和改进YOLOv8n的输电线路绝缘子故障检测

为解决无人机在输电线路巡检时遇到的绝缘子故障难以检测的问题,提出一种绝缘子故障检测新方法。该方法结合了真实世界增强超分辨率生成对抗网络(Real-ESRGAN)和改进的YOLOv8n。首先,利用Real-ESRGAN对数据集进行超分辨率重构,优化数据集质量,有效减少复杂背景的干扰;然后利用高效视觉变压器框架替换YOLOv8的主干,加强模型的特征提取能力,同时使模型在推理阶段有更快的处理速度;再对YOLOv8的检测头进行轻量化处理,进一步加速模型推理。试验结果显示,该方法的均值平均精度达86.7%,证明了其在复杂背景下的卓越目标检测性能。通过分析热力图,展示了该算法与传统YOLOv8在关注区域上的差异,从而揭示了模型的内部工作机理。