基于序列特征融合和深度置信网络的配网故障选线方法

针对配网发生单相接地故障特征提取困难,且现有选线方法精度不高的问题,提出了一种基于序列特征融合和深度置信网络的故障选线方法。首先,通过序列特征融合方法对同一故障工况下的各馈线暂态零序电流进行数据拼接,获取序列融合特征。然后,将序列融合特征作为蜘蛛猴算法(spider monkey optimization,SMO)优化深度置信网络(deep belief network,DBN)的输入,经DBN自适应地提取低维故障特征进而实现故障选线。仿真结果表明,所提方法和现有方法相比,具有较高的选线精度。当信噪比达到10 dB时,所提算法的平均选线精度达到99.78%,具有较强的鲁棒性。

基于序列多尺度特征融合表示的层级舞蹈动作姿态估计方法

人体姿态估计是计算机视觉研究领域的热点研究问题之一,但其在传统民间舞蹈动作姿态估计方面的应用研究尚处于起步阶段.由于舞蹈图像中人体动作复杂多变、舞蹈动作连贯性强、舞蹈者存在严重遮挡不易检测等特点,传统人体姿态估计方法难以准确估计舞蹈者的动作变化,导致舞蹈动作姿态估计准确率较低.针对此问题,本文提出一种基于序列多尺度特征融合表示的层级舞蹈动作姿态估计方法,该方法针对舞蹈动作骨骼关节点尺度变化剧烈的问题,构建基于序列多尺度特征融合表示的关节点估计模型.并且,针对舞蹈姿态形变较大,遮挡严重的问题,设计基于关节点几何关系的层级姿态估计模型,提高舞蹈动作姿态估计的效果.实验结果表明,本文方法在标准人体姿态估计数据集及自建舞蹈数据集上取得较好的姿态估计结果.

基于1DCNN-BiLSTM的配网单相接地故障选线方法

针对单相接地故障特征信息难以充分挖掘导致故障选线精度不高、鲁棒性差的问题,提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network, 1DCNN)-双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)的配网单相接地故障选线方法。首先,利用序列特征融合方法对同一工况下各线路的暂态零序电流,获取序列融合特征向量。其次,采用1DCNN提取序列融合特征向量的局部特征,BiLSTM进一步从局部特征中学习上下文依赖关系,最后通过SoftMax层实现故障选线。仿真表明,所提方法的选线精度为100%。与现有方法相比,所提方法同时兼顾选线精度高和鲁棒性强的优点。