基于声纹特征和集成学习的变压器缺陷诊断方法

变压器运行过程中产生的振动噪声与其运行状态及内部缺陷情况直接相关,对其声纹信号开展特征分析,有助于进一步了解设备运行工况,保障电力系统安全稳定运行。文中以声纹特征分析为基础,兼顾诊断效率与准确性,提出一种基于卷积神经网络及集成学习模型的变压器缺陷诊断方法。该方法以变压器声纹数据的时域及频域信号为多通道输入混合特征,构建了基于卷积神经网络模型和声纹特征分析法的集成学习模型,可实现变压器声纹特征的有效识别,并通过由多个基学习器组成的集成学习模型提高了变压器缺陷诊断的准确性。基于文中所构建的变压器声纹样本库,可得到该方法对变压器单一缺陷的识别准确率为99.2%,对变压器混合缺陷的识别准确率为99.7%。研究结果表明该方法可有效识别变压器的运行状态,为变压器运维检修提供技术参考。

基于EfficientDet的输电线路破损防振锤检测

随着人工智能尤其是深度学习技术的快速发展,无人机巡检与图像识别技术在电网输电线路破损防振锤检测中发挥着重要作用。文中构建了一种基于改进EfficientDet深度神经网络模型的破损防振锤检测模型。采用先目标检测后分类判别的方法实现输电线路中的破损防振锤识别,基于目标各要素之间的相互关系判别技术,优化了背景干扰所产生的误识别问题。使用细节特征提取来判断拍摄倾角并去除倾斜角度过大的目标。实验结果表明,文中所提改进EfficientDet目标检测模型的mAP为51.16%,准确率与召回率分别为93.3%、91.8%,均优于其他目标检测模型。同时,破损防振锤的分类准确率与召回率分别达到85.4%、81.7%,由此验证了所提方法的准确性与实用性。

基于电力无线专网电力设施监控及预警平台的研发

设计基于电力无线专网电力设施监控及预警平台,可将电力设施各种信息采集起来,通过电力无线专网传输汇总到一起,降低了人力成本,提高工作效率,减少电力事故的发生。