【摘 要】
：
输电线路覆冰积雪表现出强随机性和不可抗拒性,导致实际输电线路覆冰应急处理极度困难,亟需覆冰监测终端的边缘智能识别能力。为此,以电力视觉边缘智能为基础,提出了一种基于轻量型多感受野特征表达网络的输电线路覆冰厚度终端级辨识方法。该方法首先通过轻量化的卷积神经网络MobileNetV3提取覆图像的特征,然后引入多感受野模块增大模型对覆冰影像的映射区域,从而增强其特征提取能力,其次采用多尺度目标检测网络(single shot multibox detector,SSD)实现覆冰厚度的辨识与监测。最后,采用实际场
【基金项目】
：
国家自然科学基金项目(51777142)。
论文部分内容阅读
输电线路覆冰积雪表现出强随机性和不可抗拒性,导致实际输电线路覆冰应急处理极度困难,亟需覆冰监测终端的边缘智能识别能力。为此,以电力视觉边缘智能为基础,提出了一种基于轻量型多感受野特征表达网络的输电线路覆冰厚度终端级辨识方法。该方法首先通过轻量化的卷积神经网络MobileNetV3提取覆图像的特征,然后引入多感受野模块增大模型对覆冰影像的映射区域,从而增强其特征提取能力,其次采用多尺度目标检测网络(single shot multibox detector,SSD)实现覆冰厚度的辨识与监测。最后,采用实际场
其他文献
电-热互联综合能源系统负荷及风电随机性加剧,导致系统运行风险水平增加.为解决上述问题,提出了一种计及变量相关性及改进交叉熵法的电-热互联综合能源系统风险评估方法.首先
并网变流器矢量控制结构是非对称的,因此会带来稳定性问题.在建立复矢量阻抗模型的基础上,针对锁相环对q轴动态特性的影响,提出了采用q轴前馈和d轴补偿控制方法来减小锁相环
随着风电渗透率不断增加,为维持电网运行安全稳定,要求风电机组具有故障穿越(fault ride through,FRT)能力.在目前双馈风电机组(doubly fed induction generator,DFIG)故障穿
针对现有协同过滤智能推荐算法在海量数据和复杂电网结构下存在数据稀疏性和冷启动问题,提出一种融合知识图谱与神经张量网络的需求响应智能推荐模型。该模型核心是一个知识驱动的神经张量网络(neural tensor network,NTN)表示学习模型。通过用电数据集抽取用户用电行为知识三元组,与预先抽取的结构化先验知识融合构建知识图谱,利用NTN表示学习模型将知识图谱中实体嵌入低维稠密向量空间解决数据稀疏性问题;基于知识图谱中的先验知识实现新用户需求响应智能推荐,有效解决冷启动问题;为了减少推荐时延问题,文章通
单个光伏模块由3～4个子模块组成,在1个或多个子模块受局部阴影影响时,即使每个光伏模块配备一台微逆变器也会导致光伏功率损失.在桥式光伏微逆变器的基础上,增加了一个LC谐振
综合能源系统内可再生能源发电消纳率低和财政补贴压力大仍是制约其发展的主要问题.鉴于此,结合区块链技术和绿色证书交易机制,提出了含绿色证书跨链交易的综合能源系统优化
基于电力电子变流器的风电并网系统具有非线性、多时间尺度特征,受扰后易引发宽频段振荡问题,威胁系统稳定运行.如何实现宽频振荡的快速主动阻尼已成为风电并网系统中最受关
针对预想事故在线分析中,实时性要求和时域方程计算复杂性之间的矛盾,提出了一种基于图卷积神经网络的潮流计算模型,进而实现快速预想事故分析.该方法包含了一个基于节点图和
电力领域知识图谱旨在充分利用电力物联网所承载的数据信息,以结构化方式刻画电力系统中的概念、实体、事件及其间的关系,为电力行业产业链提供一种更为有效的跨媒体大数据组织、管理、认知能力。结合大数据与人工智能技术,领域知识图谱正逐步成为推动电力人工智能发展的核心驱动力之一。论文概述了知识工程在电力系统中的发展历程,重点分析了我国电力企业对知识表示、图谱构建以及图谱应用的发展现状,针对我国电力物联网的数据特征与发展趋势提出了一种基于NoDKG(not only domain-specific knowledge
高级量测体系的建设和深度学习技术的快速发展使得不依赖于物理模型,而是通过挖掘历史数据和先验知识快速地找到最佳无功优化策略成为了可能。为此,提出了一种基于图卷积网络(graph convolutional network,GCN)的配电网无功优化方法。通过邻接矩阵来表征配电网节点间的拓扑信息,所提出的算法能够有效地挖掘节点负荷之间的相关性,并利用深层图卷积架构映射电力设备状态与负荷数据之间复杂的非线性关系。仿真结果表明,GCN的无功优化精度和鲁棒性皆优于卷积神经网络、多层感知机和案例推理等现有的数据驱动方法