基于视觉字符增强的电力调度故障预案匹配

电力系统中,调度控制中心会制定一系列的预案作为调度人员处理故障的参考和操作指南,然而,预案中包含的大量文本形式的知识目前仍需由人工进行反复记忆和查询,效率低,速度慢。为了解决这个问题,加快故障处理进程,该文提出一种用于自然语言推理的视觉特征增强型长短期记忆模型(enhanced long short-term memory model based on visual character-enhanced word embeddings for natural language inference,VCWE-ESIM)来实现故障现象与故障预案的自动匹配。该文从模型收敛速度、匹配准确性以及运算速度3方面将VCWE-ESIM模型与已有的文本匹配模型进行对比。算例分析表明,提出的VCWE-ESIM模型综合性能最优,能够准确快速地实现故障现象与故障预案的自动匹配,减少故障处置的时间,加快故障恢复的速度,防止由于故障处置不及时带来的严重后果,提高电网调度的智能化水平。

采用DETR与先验知识融合的输电线路螺栓缺陷检测方法

为了解决深度学习模型无法学习螺栓目标的先验知识、仅通过视觉特征难以快速准确定位其缺陷以及螺栓缺陷样本数量有限、类别不平衡的问题,提出了将深度学习模型与螺栓先验知识相结合的方法。选取端到端目标检测(DETR)为基线模型,设计并实现了一种采用DETR与先验知识融合的改进DETR模型。首先,利用视觉-知识注意力模块将螺栓图像的视觉特征与螺栓先验知识有机融合,获得螺栓对应的增强视觉特征;然后,将增强视觉特征送入基于Transformer编码-解码结构的DETR模型框架中对螺栓目标进行识别与分类;最后,针对螺栓危急缺陷样本少及样本不平衡的问题,引入类增量学习损失函数(CILLF)来增强模型的鉴别能力,缓解螺栓缺陷样本间长尾分布问题。仿真实验结果表明:改进DETR模型在输电线路螺栓缺陷样本上的mAP相较于基线模型DETR提升了2.8个百分点;相较于主流Faster R-CNN,YOLOv5l模型,改进DETR模型在长尾分布下螺栓缺陷样本少的类别图像上的检测效果提升尤为显著。