基于深度学习的变压器故障信号识别算法

针对变压器结构复杂、维护成本高等特点,提出一种基于深度学习的变压器故障信号识别算法。首先分析变压器工作状态下的声纹信号并进行二维图像信号的转换,利用VGG16神经网络在图像中的优势,并在此基础上提出一种MCA注意力机制,该注意力机制能够同时保留背景信息和细节信息;其次对VGG16中的最大池化下采样进行优化,采用一种软池化的采样方法,减少图像中最大池化下采样带来的特征损失;最后为避免过拟合现象的发生,将VGG16顶层结构中的激活函数进行优化,引用可以自归一化的SELU激活函数。实验证明,广义S变换是将一维时域信号转换为二维图像信号的最佳选择,所提算法对于6类故障信号的平均识别率达到99.15%。

基于自适应patch的Transformer检测小金具缺陷

输电线路中连接各类电力设备的小金具容易受到外部或人为因素影响而脱落、安装不到位,给电网安全稳定的运行带来了极大的安全隐患,因此及时准确定位和识别出线路中的缺陷极其重要。然而,这类器件在高空中尺度极小,分布太广,给缺陷检测带来了极大的挑战。将NLP(自然语言处理)中Transformer架构引入电力图像缺陷检测,并在输入上做了自适应分割改进,设计了一种新的Transformer,命名为自适应patch的Transformer(APT)。还建立了一个多场景多目标的小金具缺陷数据集,为检测输电线路小金具缺陷提供了基础。

用于复杂网络节点重要度评估的离心率算法改进研究

复杂网络中的节点重要度评估一直备受关注。鉴于离心率中心性只考虑节点最大最短路径存在一定局限性,通过计算处理节点的平均最短路径,考虑离心率数值与平均最短路径的差值,提出改进后的新方法。在具有代表性的APAR网络上进行计算实现,并与其它节点重要性评估方法进行对比,发现该方法较离心率中心性方法,对于节点的粗略划分更加精细、有效;在SI模型的模拟对照中,发现该方法在最终第10个单位时间时,准确性相较于离心率中心性提升了15%。