基于反馈机制的卷积神经网络绝缘子状态检测方法

绝缘子是输电线路上的重要设备,其运行状况直接影响到电网的安全运行,因此对绝缘子状态自动、准确地检测是十分重要且必要的。针对已有检测模型处理不同样本时采用固定特征空间的不足及现有绝缘子检测算法特征提取复杂的缺陷,模仿人类由简到细反复推敲比对的认知过程,探索一种基于反馈机制的卷积神经网络绝缘子状态检测方法。首先,针对绝缘子样本的特点,改进LeNet_5网络结构,引入随机配置网络分类器,添加反馈机制调节卷积核的大小和个数,采用交替优化的策略以优化卷积神经网络的参数。其次,基于熵理论,建立语义误差信息熵测度评价指标,实时评价绝缘子不确定检测结果,克服状态后验评测的缺陷。最后,依据语义误差信息熵测度指标评价结果,通过构建的反馈机制调节卷积核的大小和个数细化提取特征,从而实现由简到细反复推敲比对优化检测结果。实验结果表明,改进型卷积神经网络模型在绝缘子状态检测上具有较高的检测正确率。

一种基于注意力机制的绝缘子状态反馈认知方法

针对已有绝缘子状态识别模型,以及细节识别深层网络开环认知模式和损失函数泛化能力不足的缺陷,模仿人工巡检模式,即实时评估认知结果可信度自寻优调节多尺度图像知识空间决策,提出一种基于注意力机制的绝缘子状态反馈认知方法。首先,针对预处理后的绝缘子图像,设计自适应尺度堆叠的卷积神经网络架构,使得网络输入由整体图像缩放至细节局部区域,每个尺度的网络共享相同的架构具有不同的参数,确保不同分辨率输入的可区分能力并为下一尺度生成一个细节注意区域。其次,随机配置网络面向多个尺度特征,建立具有强泛化能力的绝缘子状态分类准则。再次,构建类间分类和类内尺度间排序损失函数优化注意力网络,较前次预测生成更高置信度得分排名。最后,借鉴闭环控制思想,定义广义误差熵性能指标实时评测绝缘子不确定状态认知结果可信度,动态调节网络尺度等级,实现不确定认知结果约束下的特征空间自优化调节和分类准则重构,反馈再认知绝缘子状态。实验结果表明了本文方法与其他网络架构相比,增强了模型的泛化能力,提升了模型的认知精度。

基于深度迁移学习的配电线路绝缘子状态监测方法

针对传统人工巡线的方法不适用于近距离监测配电线路绝缘子状态以及现有方法精度低等问题,提出一种基于深度迁移学习的配电线路绝缘子状态监测方法。首先,智能配电终端汇集配电线路上的摄像机获取的绝缘子图像,利用尺度不变特征变换(Oriented FAST and rotated BRIEF,ORB)算法提取图像特征,采用灰度质心法以保证图像特征点发生旋转后性质不改变。然后,根据获取的图像特征,将深度学习与迁移学习算法结合,对图像特征进行训练,实现绝缘子状态的分类。最后,基于Matlab仿真平台将所提方法与其他组合方法在常见场景中进行试验分析。试验结果表明,相比于其他组合方法,所提方法能够在不同环境中准确监测绝缘子状态,并且分类准确度更高。

超高压线路绝缘子状态的在线监测

介绍了绝缘子污染的测量方法 ,表面电阻测量装置和泄漏电流检测装置 ,并取得一些结果。

基于深度迁移学习的玻璃绝缘子自爆状态智能认知方法研究

针对现有绝缘子自爆状态检测方法中开环模型泛化能力的不足和深层神经网络结构的缺陷,模仿人类认知模式,借鉴迁移学习和闭环控制思想,该文探索了一种基于深度迁移学习的玻璃绝缘子自爆状态智能认知方法。首先,面向预处理的绝缘子图像,采用交错组卷积策略重构GoogLeNet网络的卷积层,降低卷积复杂度。其次,基于自适应卷积模块组构建绝缘子图像由整体到局部有确定映射关系的动态特征空间数据结构,采用可区分性测度指标评测特征空间的差异认知信息,增强简约特征空间的可解释性。再次,将简约全连接特征向量送给随机配置网络模式分类器,建立具有强泛化能力的绝缘子图像分类准则。最后,模仿人类认知模式,基于广义误差和熵理论,建立玻璃绝缘子图像不确定认知结果的熵形式目标优化函数评测指标,实时评测绝缘子自爆状态认知结果,构建动态迁移学习机制,实现自爆状态多层次差异化特征空间及其分类准则的自寻优调节和重构。实验结果表明了文中方法的可行性和有效性。

光纤式复合绝缘子实现状态监测的实用化研究

介绍了一种光纤式复合绝缘子内部缺陷状态监测的新方法,利用埋植于复合绝缘子内的光纤光栅传感器现场检测其内部温度与应力的微小变化,从而可以判断其内部缺陷,通过在110 kV及220 kV线路上的挂网运行,可以实时监测复合绝缘子的运行状态。

基于改进ANFIS网络的绝缘子运行状态诊断研究

针对输电线路绝缘子性能的优劣对整个输电系统的安全运行起非常关键的作用,采用改进的自适应神经网络模糊推理系统(ANFIS)对绝缘子运行状态进行推理诊断,以有效诊断推理绝缘子污秽程度及闪络发生的可能性,训练中采用改进的学习方法,提高了推理网络的学习能力。试验结果表明,设计的绝缘子运行状态诊断系统具有优化学习能力,为准确推断绝缘子运行状态提供依据。

基于模糊Petri网的绝缘子运行状态诊断研究

针对输电线路绝缘子运行状态诊断的多样性和复杂性,本文采用模糊Petri网,以图形化的方法来表示绝缘子运行状态诊断的产生式规则,根据绝缘子污秽度征兆信息可有效诊断绝缘子污秽度及闪络发生的可能性.诊断实例表明,该诊断推理方法准确、快速,为推断绝缘子运行状态提供有效依据.

基于多尺度网络的绝缘子自曝状态智能认知方法研究

针对已有绝缘子状态识别模型,以及深层网络尺度和交叉熵损失函数的缺陷,仿照运维人员检修模式,即依据评测结果的可信度动态决策,基于多尺度网络构建了一种绝缘子自曝状态智能认知方法。首先,面向定位归一化化预处理后的绝缘子图像,基于ResNet-18增加不同结构的网络分支提高网络适应不同分辨率的能力,同时在网络末端添加多尺度信息融合模块;其次,随机配置网络面向多个尺度特征,构建了泛化的自曝状态分类认知准则;最后,为了评测自曝状态分类认知结果的可信度,基于定义的误差指标自调节多尺度网络架构,重构不确定认知结果约束下的特征向量和分类认知准则,以进行自曝状态再认知。实验结果显示,与其他方法相比,所提出的智能认知方法增强了模型的泛化能力和认知精度。

基于随机森林算法的玻璃绝缘子泄漏电流预测模型研究

绝缘子的污染性能对维持电力系统的可靠性、安全性和成本效益起着关键作用。在不同的绝缘子监测技术中,泄露电流可以衡量绝缘子串离闪络的距离,是最有意义的污染性能指标之一。综合考虑环境因素和天气信息的影响,提出了一种基于累积污染指数(Cumulative Pollution Index,CPI)的随机森林模型来预测玻璃绝缘子串泄漏电流。累积污染指数能根据风、定向灰尘和雨水数据估计绝缘子串上的可溶性污染沉积物,不仅适用于玻璃制成的绝缘体,还适用于具有疏水转移特性的有机硅树脂涂层绝缘子。该研究得到了广泛的现场监测计划的支持,在连续22个月的时间内,对由未涂覆、半涂覆(底部)和全硅涂覆玻璃绝缘子组成的3种不同绝缘子串进行了监测。最后,使用真实数据评估了所提出的预测模型的性能。

基于AE-Tiny YOLOV3的小目标检测模型

小目标检测是现阶段目标检测领域的热点和难点问题。针对小目标检测漏检及对硬件性能要求较高的问题,对Tiny YOLOV3进行改进,提出一种适合在低性能平台上使用的小目标检测算法AE-Tiny YOLOV3。首先,使用EfficientNet-B0骨干网络替换原算法的特征提取网络;其次,在检测网络中增加一个检测分支,形成3尺度预测;最后,引入注意力机制对3个检测分支进行改进。实验结果表明,在VOC07+12数据集上,AE-Tiny YOLOV3算法满足实时检测的要求,并且鲁棒性较高,最高能将mAP值提高16.89%。将AE-Tiny YOLOV3算法应用在架空输电线路中绝缘子状态检测实例上,mAP达到了86.53%,相较于Tiny YOLOV3算法提升了15.27%,能满足对小目标绝缘子状态的实时检测。