基于机器学习的配电线路异常检测与快速定位技术分析

阐述配电线路异常检测与快速定位的特点,分析基于机器学习的配电线路异常检测与快速定位技术应用方法,包括数据采集与预处理、模型建立、异常监测、快速定位,以保障电网稳定与安全。

基于改进FasterRCNN的配网架空线路异常状态检测

随着无人机巡线技术的不断发展,现已广泛运用在输电线路运维工作中,但仍需由人工判断线路异常状态类型,检测准确率极易受环境影响,现有智能检测技术检测速度慢、检测手段单一。针对提高异常状态智能检测效率问题,提出基于融合FPN结构的FasterRCNN深度学习在线异常状态检测系统。首先采用ResNet50卷积神经网络对原图逐层进行特征提取,得到最高层特征图;再对该特征图使用反池化法进行上采样得到多张低特征图,并将原各层特征图与新各层特征图对应融合;最后将融合后的全部特征图输入RPN层进行二分类与边框回归,经过ROIpooling层后得到异常点检测结果。经过对配网设备及异常状态检测数据集的检测验证,所提出的网络结构对比原FasterRCNN网络,不仅具有更高的识别正确率,且可以有效识别变压器等小目标物体。

基于改进FasterRCNN的配网架空线路异常状态检测

为解决人工判断无人机巡线结果准确率低、耗时长且易受环境影响等问题。本文采用基于图像特征处理与融合FPN结构的FasterRCNN深度神经网络模型,以提高架空线路无人机异常状态检测效率。具体做法是,首先使用ResNet50卷积神经网络对原图逐层进行特征提取,得到最高层特征图;再对该特征图使用反池化法进行上采样得到多张低特征图,并将原各层特征图与新各层特征图对应融合;最后将融合后的全部特征图输入RPN层进行二分类与边框回归,经过ROIpooling层后得到异常点检测结果。经数据集验证,本文所提出的网络结构对电杆、开关、变压器、绝缘子损坏、杆塔倾斜和断线的AP值分别为0.97、0.88、0.86、0.89、0.94和0.93,所有目标的mAP值为0.91。对比FasterRCNN网络及现有检测手段,不仅具有更高的识别准确率,更快的检测速度,且可以有效识别变压器等小目标物体。