CN109886232A - 一种基于神经网络的电网图像识别系统 - Google Patents
一种基于神经网络的电网图像识别系统 Download PDFInfo
- Publication number
- CN109886232A CN109886232A CN201910152010.XA CN201910152010A CN109886232A CN 109886232 A CN109886232 A CN 109886232A CN 201910152010 A CN201910152010 A CN 201910152010A CN 109886232 A CN109886232 A CN 109886232A
- Authority
- CN
- China
- Prior art keywords
- neural network
- training
- image
- module
- artificial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明实施例公开了一种基于神经网络的电网图像识别系统,包括:人工神经网络训练用数据集生成模块、人工神经网络训练模块、人工神经网络推理预测模块和人机交互模块,人工神经网络训练用数据集生成模块对用于训练人工神经网络的示例图像数据进行预处理和图像数据集的创建,人工神经网络训练模块以图像数据集为输入,输出人工神经网络分类器,人工神经网络推理预测模块以原始数据图像为输入,人工神经网络分类器对每张图所代表的类别进行批量自动的推理预测,输出每一张图像对应的类别标识,所述人机交互界面输入待分析的原始数据图像,根据分析输出的结果对电网故障进行处理。本发明解决现有电力系统故障分析效率低、处理周期长的问题。
Description
技术领域
本发明实施例涉及供电技术领域,具体涉及一种基于神经网络的电网图像识别系统。
背景技术
随着电力系统自动化水平的不断提高,电力系统中原来越多的使用红外、超声波、电磁波传感器来在线监测设备运行状况,比如通过红外传感器实时采集设备红外影像、通过局放传感器采集开关柜、GIS等电力设备局部放电的超声波或特高频信号、通过无人机巡检广域电力输电线路并实时采集沿线设备可见光或红外观照片等。
所有采集到的红外光、紫外光、可见光图像以及超声波、电磁波频谱图像,可以直观的反应设备的各种异常状况、诸如温度异常、局部短路放电等故障,但识别这些图像不仅需要人花费大量的时间来完成,还需要这些操作人员具备相当的知识技能水平,能否对这些电力图像大数据进行高效的分析,已经成为电力大数据应用落地的瓶颈。
发明内容
为此,本发明实施例提供一种基于神经网络的电网图像识别系统,以解决现有电力系统故障分析效率低、处理周期长的问题。
为了实现上述目的,本发明的实施方式提供如下技术方案:
在本发明的实施方式中,提供了一种基于神经网络的电网图像识别系统,包括:分类器预训练单元和分析判断单元,分类器预训练阶段包括人工神经网络训练用数据集生成模块和人工神经网络训练模块,分析判断阶段包括人工神经网络推理预测模块和人机交互模块,所述人工神经网络训练用数据集生成模块对用于训练人工神经网络的示例图像数据进行预处理和图像数据集的创建,所述人工神经网络训练模块以人工神经网络训练用数据集生成模块输出的图像数据集为输入,进行神经网络计算,输出人工神经网络分类器,所述人工神经网络推理预测模块以实际现场采集的原始数据图像为输入,人工神经网络分类器对每张图所代表的类别进行批量自动的推理预测,输出每一张图像对应的类别标识,所述人机交互模块实现操作人员输入待分析的原始数据图像,并根据分析输出的结果对电网故障进行处理。
优选地,所述人工神经网络训练用数据集生成模块对训练人工神经网络的示例图像数据进行预处理,包括:示例图像分类、图像归一化处理和图像数据扩增处理。
优选地,所述训练人工神经网络的示例图像数据进行预处理过程为:
收集预先经过专业技术人员判断分类的典型图像,包括多种类型,每种类型500-1000张样本;
将多种类型图片存入多个文件夹,每个文件夹以图片所属类型进行命名;
对每个文件夹的图片数据进行清洗,避免放错类别,去除特征不清晰样本和重复样本,确保每个文件夹内图片数量均衡;
采用python与Open CV库对每个文件夹内的图片进行批量倍增,实现图片灰度化、随机选择和图片拉升变形操作,使每个类别图片增加至5000张;
基于Tensorflow框架将所有的图片文件生成对应的数据集文件,Tensorflow是一个基于数据流编程的符号数学系统。
优选地,所述人工神经网络训练模块以人工神经网络训练用数据集生成模块输出的图像数据集为输入,利用迁移学习算法进行训练,输出人工神经网络分类器。
优选地,所述人工神经网络训练模块的训练过程为:
在本地计算机安装适配Tensorflow环境依赖项;
定义目标神经网络的结构和前向传播的输出结果,定义损失函数以及反向传播优化的算法,选取预训练网络;
导入预训练网络的计算图与最优的权重文件,使用导入的计算图与权重作为目标网络的前部特征提取器,冻结预训练网络除最后一层之外的权重;
读取人工神经网络训练用数据集生成模块输出的图像数据集,做张量化处理,作为训练数据;
生成会话,并且在训练数据上反复运行反向传播优化算法,调整神经网络参数,进行多轮训练;
输出可以重复利用的网络计算图和权重文件,即人工神经网络分类器。
优选地,所述人工神经网络推理预测模块以实际现场采集的原始数据图像为输入,通过内置的图像预处理器过滤后,输送给人工神经网络训练模块输出的人工神经网络分类器,人工神经网络分类器对每一张图所代表的类别进行批量自动的推理预测,输出每一张图像对应的类别标识。
优选地,所述人机交互模块通过操作人员从设备或电脑存储器上读取待分析的原始数据图像、导入事先训练并优化调参的人工神经网络分类器,命令人工神经网络推理预测模块执行图像分类操作,并在人机交互模块上图形化显示人工神经网络推理预测模块的输出结果,在输出结果为响应的故障或异常时,在人机交互模块上动态提示操作员采取相关措施进行处理。
优选地,所述人机交互模块包括电脑端和移动终端,所述电脑端通过网页进行原始数据图像的输入,进行智能识别预测,所述移动终端上安装智能APP,通过移动终端直接将原始数据图像导入势能APP,识别结果回流至人工神经网络训练用数据集生成模块,构建大数据库,通过超大规模数据进行二次学习而不断迭代模型达到更高的性能。
本发明的实施方式具有如下优点:
本发明实施例公开了一种基于神经网络的电网图像识别系统,通过人工神经网络训练用数据集生成模块进行训练数据的预处理,输入人工神经网络训练模块,利用迁移学习算法进行多轮训练,输出人工神经网络分类器,人工神经网络预测模块将实际现场采集的原始数据图像进行输入,通过人工神经网络分类器对原始数据图像进行识别,通过人机交互模块显示识别结果,对异常情况进行处理,所述基于神经网络的电网图像识别系统能够全天在线工作,提升电网故障分析效率,缩短处理周期,及时解决问题,提供更优质服务。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明的实施例提供的一种基于神经网络的电网图像识别系统的连接示意图;
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
参考图1,本实施例公开了一种基于神经网络的电网图像识别系统,在电力系统中局部放电是指电力设备绝缘部位局部被击穿的放电现象,局部放电现象只有在设备带电运行时才会发生,放电电流微小,并且具有突发性,传统的电气设备的定期停电检修不易发现局部放电现象,长时间未得到解决将会导致电力设备的绝缘层彻底损坏,造成停电事故甚至人员伤亡及财产损失事故。人工检修过程中需要携带手持专用检测设备检测是否存在局部放电现象,对于偶然发生的局部放电现象无法准确捕捉,需要利用专用图像监测装置对电力设备进行全天实时在线监测,通过基于神经网络的电网图像识别系统对海量监测图片进行分析。
所述基于神经网络的电网图像识别系统包括:分类器预训练单元和分析判断单元,分类器预训练阶段包括人工神经网络训练用数据集生成模块和人工神经网络训练模块,分析判断阶段包括人工神经网络推理预测模块和人机交互模块。
所述人工神经网络训练用数据集生成模块对用于训练人工神经网络的示例图像数据进行预处理和图像数据集的创建,示例图像数据的预处理包括:示例图像分类、图像归一化处理和图像数据扩增处理;
通过专用图像监测装置收集图片,经过专业技术人员判断分类典型局部放电现象的图像,包括多种类型,每种类型500-1000张样本;
将多种类型的局部放电现象的图片存入多个文件夹,每个文件夹以图片所属类型进行命名;
对每个文件夹的图片数据进行清洗,避免放错类别,去除特征不清晰样本和重复样本,确保每个文件夹内图片数量均衡;
采用python与Open CV库对每个文件夹内的图片进行批量倍增,实现图片灰度化、随机选择和图片拉升变形操作,使每个类别图片增加至5000张;
基于Tensorflow框架将所有的图片文件生成对应的数据集文件,Tensorflow是一个基于数据流编程的符号数学系统广泛应用于各类机器学习算法的编程实现,构建各尺度下的神经网络分布式学习和交互系统。
数据集建立完成后输入人工神经网络训练模块进行训练,所述人工神经网络训练模块以人工神经网络训练用数据集生成模块输出的图像数据集为输入,相对于深度学习所需要的数据量,五千张图像数据不能满足训练需求,所以利用迁移学习算法进行训练,输出人工神经网络分类器;
迁移学习是运用已存有的知识对不同但相关领域问题进行求解的新的一种机器学习方法。它放宽了传统机器学习中的两个基本假设,目的是迁移已有的知识来解决目标领域中仅有少量有标签样本数据甚至没有的学习问题。迁移学习广泛存在于人类的活动中,两个不同的领域共享的因素越多,迁移学习就越容易。
所述人工神经网络训练模块具体训练过程为:在本地计算机安装适配Tensorflow环境依赖项;
定义目标神经网络的结构和前向传播的输出结果,定义损失函数以及反向传播优化的算法,选取预训练网络,在TensorFlow HUB上选取预训练网络InceptionV3;
导入预训练网络的计算图与最优的权重文件,使用导入的计算图与权重作为目标网络的前部特征提取器,冻结预训练网络除最后一层之外的权重;
读取人工神经网络训练用数据集生成模块输出的图像数据集,做张量化处理,作为训练数据;
生成会话,并且在训练数据上反复运行反向传播优化算法,调整神经网络参数,进行多轮训练;
输出可以重复利用的网络计算图和权重文件,即人工神经网络分类器。
所述人工神经网络推理预测模块以实际现场采集的电力系统的原始数据图像为输入,通过内置的图像预处理器过滤后,输送给人工神经网络训练模块输出的人工神经网络分类器,人工神经网络分类器对每一张图所代表的类别进行批量自动的推理预测,输出每一张图像对应的类别标识,判断是否发生局部放电现象;
所述人机交互模块通过操作人员从设备或电脑存储器上读取待分析的原始数据图像、导入事先训练并优化调参的人工神经网络分类器,命令人工神经网络推理预测模块执行图像分类操作,并在人机交互模块上图形化显示人工神经网络推理预测模块的输出结果,在输出结果为响应的故障或异常时,在人机交互模块上动态提示操作员采取相关措施进行处理。
所述人机交互模块包括电脑端和移动终端,所述电脑端通过网页进行原始数据图像的输入,进行智能识别预测,所述移动终端上安装智能APP,通过移动终端直接将原始数据图像导入势能APP,识别结果回流至人工神经网络训练用数据集生成模块,构建大数据库,通过超大规模数据进行二次学习而不断迭代模型达到更高的性能,实现更精准的预判。
全天在线实时监测电力设备是否出现局部放电现象,及时进行处理,提升电力系统故障分析效率,减少电力事故的发生,缩短处理周期,为电力用户提供更优质的服务。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (8)
1.一种基于神经网络的电网图像识别系统,其特征在于,所述基于神经网络的电网图像识别系统包括:分类器预训练单元和分析判断单元,分类器预训练阶段包括人工神经网络训练用数据集生成模块和人工神经网络训练模块,分析判断阶段包括人工神经网络推理预测模块和人机交互模块,所述人工神经网络训练用数据集生成模块对用于训练人工神经网络的示例图像数据进行预处理和图像数据集的创建,所述人工神经网络训练模块以人工神经网络训练用数据集生成模块输出的图像数据集为输入,进行神经网络计算,输出人工神经网络分类器,所述人工神经网络推理预测模块以实际现场采集的原始数据图像为输入,人工神经网络分类器对每张图所代表的类别进行批量自动的推理预测,输出每一张图像对应的类别标识,所述人机交互模块实现操作人员输入待分析的原始数据图像,并根据分析输出的结果对电网故障进行处理。
2.如权利要求1所述的一种基于神经网络的电网图像识别系统,其特征在于,所述人工神经网络训练用数据集生成模块对训练人工神经网络的示例图像数据进行预处理,包括:示例图像分类、图像归一化处理和图像数据扩增处理。
3.如权利要求2所述的一种基于神经网络的电网图像识别系统,其特征在于,所述训练人工神经网络的示例图像数据进行预处理过程为:
收集预先经过专业技术人员判断分类的典型图像,包括多种类型,每种类型500-1000张样本;
将多种类型图片存入多个文件夹,每个文件夹以图片所属类型进行命名;
对每个文件夹的图片数据进行清洗,去除特征不清晰样本和重复样本,确保每个文件夹内图片数量均衡;
采用python与Open CV库对每个文件夹内的图片进行批量倍增,实现图片灰度化、随机选择和图片拉升变形操作,使每个类别图片增加至5000张;
基于Tensorflow框架将所有的图片文件生成对应的数据集文件。
4.如权利要求1所述的一种基于神经网络的电网图像识别系统,其特征在于,所述人工神经网络训练模块以人工神经网络训练用数据集生成模块输出的图像数据集为输入,利用迁移学习算法进行训练,输出人工神经网络分类器。
5.如权利要求4所述的一种基于神经网络的电网图像识别系统,其特征在于,所述人工神经网络训练模块的训练过程为:
在本地计算机安装适配Tensorflow环境依赖项;
定义目标神经网络的结构和前向传播的输出结果,定义损失函数以及反向传播优化的算法,选取预训练网络;
导入预训练网络的计算图与最优的权重文件,使用导入的计算图与权重作为目标网络的前部特征提取器,冻结预训练网络除最后一层之外的权重;
读取人工神经网络训练用数据集生成模块输出的图像数据集,做张量化处理,作为训练数据;
生成会话,并且在训练数据上反复运行反向传播优化算法,调整神经网络参数,进行多轮训练;
输出可以重复利用的网络计算图和权重文件,即人工神经网络分类器。
6.如权利要求1所述的一种基于神经网络的电网图像识别系统,其特征在于,所述人工神经网络推理预测模块以实际现场采集的原始数据图像为输入,通过内置的图像预处理器过滤后,输送给人工神经网络训练模块输出的人工神经网络分类器,人工神经网络分类器对每一张图所代表的类别进行批量自动的推理预测,输出每一张图像对应的类别标识。
7.如权利要求1所述的一种基于神经网络的电网图像识别系统,其特征在于,所述人机交互模块通过操作人员从设备或电脑存储器上读取待分析的原始数据图像、导入事先训练并优化调参的人工神经网络分类器,命令人工神经网络推理预测模块执行图像分类操作,并在人机交互模块上图形化显示人工神经网络推理预测模块的输出结果,在输出结果为响应的故障或异常时,在人机交互模块上动态提示操作员采取相关措施进行处理。
8.如权利要求7所述的一种基于神经网络的电网图像识别系统,其特征在于,所述人机交互模块包括电脑端和移动终端,所述电脑端通过网页进行原始数据图像的输入,进行智能识别预测,所述移动终端上安装智能APP,通过移动终端直接将原始数据图像导入势能APP,识别结果回流至人工神经网络训练用数据集生成模块,构建大数据库,通过超大规模数据进行二次学习而不断迭代模型达到更高的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910152010.XA CN109886232A (zh) | 2019-02-28 | 2019-02-28 | 一种基于神经网络的电网图像识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910152010.XA CN109886232A (zh) | 2019-02-28 | 2019-02-28 | 一种基于神经网络的电网图像识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886232A true CN109886232A (zh) | 2019-06-14 |
Family
ID=66930058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910152010.XA Pending CN109886232A (zh) | 2019-02-28 | 2019-02-28 | 一种基于神经网络的电网图像识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886232A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111199213A (zh) * | 2020-01-03 | 2020-05-26 | 云南电网有限责任公司电力科学研究院 | 一种变电站用设备缺陷检测方法及装置 |
CN111598138A (zh) * | 2020-04-24 | 2020-08-28 | 山东易华录信息技术有限公司 | 一种神经网络学习图像识别方法及装置 |
CN112036472A (zh) * | 2020-08-28 | 2020-12-04 | 长安大学 | 一种电力系统视觉图像分类方法及系统 |
CN112036450A (zh) * | 2020-08-12 | 2020-12-04 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
CN112187820A (zh) * | 2020-10-09 | 2021-01-05 | 深圳供电局有限公司 | 基于机器学习的配电终端dtu入侵检测方法和系统 |
CN112529107A (zh) * | 2020-12-28 | 2021-03-19 | 华中科技大学 | 基于可见光图像识别的等离子体温度瞬态诊断方法和系统 |
CN113537339A (zh) * | 2021-07-14 | 2021-10-22 | 中国地质大学(北京) | 一种基于多标签图像分类的识别共生或伴生矿物的方法与系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
CN106874890A (zh) * | 2017-03-16 | 2017-06-20 | 天津大学 | 一种基于航拍图像的识别输电线路中绝缘子缺失的方法 |
CN106897739A (zh) * | 2017-02-15 | 2017-06-27 | 国网江苏省电力公司电力科学研究院 | 一种基于卷积神经网络的电网设备分类方法 |
CN107944412A (zh) * | 2017-12-04 | 2018-04-20 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路自动识别系统及方法 |
CN107992067A (zh) * | 2017-11-24 | 2018-05-04 | 贵州电网有限责任公司 | 基于集成吊舱和ai技术的无人机巡检故障诊断系统 |
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 |
CN108038847A (zh) * | 2017-12-05 | 2018-05-15 | 国网内蒙古东部电力有限公司 | 基于深度学习的变压器巡检图像智能识别和故障检测系统 |
CN108055158A (zh) * | 2017-12-19 | 2018-05-18 | 深圳供电局有限公司 | 一种电网图像识别系统以及方法 |
CN108957240A (zh) * | 2018-08-09 | 2018-12-07 | 炜呈智能电力科技(杭州)有限公司 | 电网故障远程定位方法及系统 |
CN109325936A (zh) * | 2018-08-17 | 2019-02-12 | 国网天津市电力公司 | 基于神经网络深度学习的配电设备缺陷图像识别终端及方法 |
CN109389180A (zh) * | 2018-10-30 | 2019-02-26 | 国网四川省电力公司广元供电公司 | 一款基于深度学习的电力设备图像识别方法及巡查机器人 |
-
2019
- 2019-02-28 CN CN201910152010.XA patent/CN109886232A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
CN106897739A (zh) * | 2017-02-15 | 2017-06-27 | 国网江苏省电力公司电力科学研究院 | 一种基于卷积神经网络的电网设备分类方法 |
CN106874890A (zh) * | 2017-03-16 | 2017-06-20 | 天津大学 | 一种基于航拍图像的识别输电线路中绝缘子缺失的方法 |
CN107992067A (zh) * | 2017-11-24 | 2018-05-04 | 贵州电网有限责任公司 | 基于集成吊舱和ai技术的无人机巡检故障诊断系统 |
CN107944412A (zh) * | 2017-12-04 | 2018-04-20 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路自动识别系统及方法 |
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 |
CN108038847A (zh) * | 2017-12-05 | 2018-05-15 | 国网内蒙古东部电力有限公司 | 基于深度学习的变压器巡检图像智能识别和故障检测系统 |
CN108055158A (zh) * | 2017-12-19 | 2018-05-18 | 深圳供电局有限公司 | 一种电网图像识别系统以及方法 |
CN108957240A (zh) * | 2018-08-09 | 2018-12-07 | 炜呈智能电力科技(杭州)有限公司 | 电网故障远程定位方法及系统 |
CN109325936A (zh) * | 2018-08-17 | 2019-02-12 | 国网天津市电力公司 | 基于神经网络深度学习的配电设备缺陷图像识别终端及方法 |
CN109389180A (zh) * | 2018-10-30 | 2019-02-26 | 国网四川省电力公司广元供电公司 | 一款基于深度学习的电力设备图像识别方法及巡查机器人 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111199213A (zh) * | 2020-01-03 | 2020-05-26 | 云南电网有限责任公司电力科学研究院 | 一种变电站用设备缺陷检测方法及装置 |
CN111199213B (zh) * | 2020-01-03 | 2023-09-26 | 云南电网有限责任公司电力科学研究院 | 一种变电站用设备缺陷检测方法及装置 |
CN111598138A (zh) * | 2020-04-24 | 2020-08-28 | 山东易华录信息技术有限公司 | 一种神经网络学习图像识别方法及装置 |
CN112036450A (zh) * | 2020-08-12 | 2020-12-04 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
CN112036450B (zh) * | 2020-08-12 | 2024-02-23 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
CN112036472A (zh) * | 2020-08-28 | 2020-12-04 | 长安大学 | 一种电力系统视觉图像分类方法及系统 |
CN112187820A (zh) * | 2020-10-09 | 2021-01-05 | 深圳供电局有限公司 | 基于机器学习的配电终端dtu入侵检测方法和系统 |
CN112187820B (zh) * | 2020-10-09 | 2022-10-21 | 深圳供电局有限公司 | 基于机器学习的配电终端dtu入侵检测方法和系统 |
CN112529107A (zh) * | 2020-12-28 | 2021-03-19 | 华中科技大学 | 基于可见光图像识别的等离子体温度瞬态诊断方法和系统 |
CN113537339A (zh) * | 2021-07-14 | 2021-10-22 | 中国地质大学(北京) | 一种基于多标签图像分类的识别共生或伴生矿物的方法与系统 |
CN113537339B (zh) * | 2021-07-14 | 2023-06-02 | 中国地质大学(北京) | 一种基于多标签图像分类的识别共生或伴生矿物的方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886232A (zh) | 一种基于神经网络的电网图像识别系统 | |
Liao et al. | A review of graph neural networks and their applications in power systems | |
Zhao et al. | New developments in wind energy forecasting with artificial intelligence and big data: A scientometric insight | |
US20210135625A1 (en) | Photovoltaic array fault diagnosis method based on composite information | |
Luo et al. | Data-driven short-term voltage stability assessment based on spatial-temporal graph convolutional network | |
CN106909933B (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
CN111444169A (zh) | 一种变电站电气设备状态监测与诊断系统及方法 | |
Li et al. | Multi-factor based stock price prediction using hybrid neural networks with attention mechanism | |
CN113887328A (zh) | 一种eca-cnn融合双通道rnn并行提取光子晶体空间透射谱时空特征的方法 | |
Yu et al. | Convolutional neural network with feature reconstruction for monitoring mismatched photovoltaic systems | |
Liang et al. | Status evaluation method for arrays in large-scale photovoltaic power stations based on extreme learning machine and k-means | |
US20210182615A1 (en) | Alexnet-based insulator self-explosion recognition method | |
Zhang et al. | Fire detection using vision transformer on power plant | |
Liu et al. | Explainable fault diagnosis of oil-gas treatment station based on transfer learning | |
CN116205905B (zh) | 基于移动端的配电网施工安全及质量图像检测方法及系统 | |
CN116934304A (zh) | 智能配电房设备运行维护管理系统及其方法 | |
CN116542688A (zh) | 基于房地产信息管理的批量估价方法 | |
CN113554010B (zh) | 一种电网线路故障识别模型训练方法 | |
CN111753097B (zh) | 基于深度学习的电力现货交易出清的数据分析方法及装置 | |
CN115378140A (zh) | 基于图像识别的无人机电力设备巡检系统及方法 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN113705695A (zh) | 一种基于卷积神经网络的配电网故障数据辨识方法 | |
Shi et al. | A novel approach to detect electricity theft based on conv-attentional Transformer Neural Network | |
Zhang et al. | Load prediction based on depthwise separable convolution model | |
CN112036472A (zh) | 一种电力系统视觉图像分类方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |