文摘

随着社会经济的不断发展,越来越多的关注电力系统的安全。然而,由于电力系统涉及广泛领域,如何有效地维护能源安全是极其重要的。介绍了人工智能图像识别技术来有效地识别相关的信号灯具、数字仪表面板、开关位置,等,电力设备和解决具体的识别过程。仿真实验证明,人工智能图像识别是有效的,可以支持电力系统的应用。

1。介绍

传统电力系统的振动问题主要包括负阻尼振荡引起的重型载重线,现代快速励磁和天花板很高的因素激发系统,以及次同步的共振/振荡(SSR / SSO)引起的感应发电机的影响,轴系的扭转振动的力学分析,瞬态扭矩放大。(1,2]。在现代电力系统“double-high”,大量可再生能源单元之间的交互与低惯性,弱稳定、弱免疫,以及输出的随机性与现有发电设备、传输网络、电子负载,和自己带来了各种各样的新类型的振荡问题3]。这种类型的振荡由变频器控制,激励机制是复杂的,频率范围宽(10-1-103 Hz数量级)4]。因此,在现代电力系统中,传统的低频振荡,SSR / SSO,和新型振荡由转换器共存,威胁电力系统的安全稳定运行5]。

现有的宽带振动分析方法主要是基于数学模型的方法,以及常用的方法包括特征值分析方法、阻抗方法,开环共振法等。这些方法可以更好地分析具体问题的状态空间模型和阻抗模型线性化的前提下,揭示了内部的振荡机制(6,7]。然而,由于电力系统的宽带振动是一个复杂的系统问题引起的多种类型的设备和多个时间尺度控制交互,其很难获得精确的参数,和电磁瞬态等效模型难以建立,它有很大的随机性和强大的非线性。因此,现有的方法很难全面分析宽带振动问题在实际系统(8,9]。在这种背景下,人工智能系统具有良好的性能,如低依赖模型,强大的学习能力对非线性和复杂的大量数据之间的关系,和快速适应性随机时变环境,为宽带提供新的解决方案对电力系统振荡的问题。在人工智能的发展历史,可以发现,它不断丰富自己的方法在开发过程中,逐渐形成了一个系统适合解决宽带振动问题。很长一段时间,数据科学的一个重要组成部分,人工智能可以有效地从大量的数据中提取有用的信息通过数据分析和挖掘和揭示复杂系统的内在规律,从而避免实际高维动力系统的精确建模问题[10,11]。

设备的图像识别实现警报结合人工智能图像识别,通过远程数字视频监控和数字图像识别系统,以确定事故警报的原因在现场更准确地说,事故检测提供新的手段,为事故提供可靠的分析。

2。讨论人工智能的应用到宽带振荡

2.1。人工智能的基本原理和应用特点

人工智能方法通常用于宽带振动研究主要包括智能优化算法受自然法则和生物学的启发,模仿它的原理和结构设计,使计算机智能机器学习,深入学习,模拟人脑的深入思考12]。

为核心的人工智能,机器学习可以使计算机模拟人类学习新事物的能力,不断提高自己的性能通过积累的经验11,13]。

监督学习算法使用样本与已知的标签数据集,建立良好的输入和输出之间的映射关系,具有较高的计算效率和识别的准确性;无监督学习算法不需要带安全标签的数据时,从而节约时间和劳动力成本;强化学习强大的在线自学习功能,如图1。

因为浅结构传统机器学习泛化能力不足的实际复杂的问题,深度学习与多个隐层结构已成为研究热点14]。深度学习有很强的数据降维分析功能,可以使用无监督学习来实现自动提取功能,可有效处理大而复杂的非线性问题。典型的深度学习算法包括卷积神经网络(cnn)和深度信念网络(DBNs)。近年来,深入强化学习和深度转移获得的学习算法结合深度学习,强化学习,转移学习也成为人工智能领域的一个研究方向。

2.2。分类和宽带振荡机制

在传统的电力系统振荡主要包括低频振荡和SSR / SSO。然而,在现代电力系统“double-high”,由于电力电子设备之间的交互和电网的各种组件,它造成了一种新型的振动与宽的频率和强大的非线性时变特征。不同的振荡机制传统电力系统,新型的振动主要是电磁振荡引起的电力电子控制,频率范围是10-1-103 Hz,所以它被称为“宽带振荡”(图2)。根据频率区间的差异,传统的振荡和新宽带振动分为低频振荡(0.1 -2.5赫兹),子/超同步振荡(几赫兹2倍的电源频率)和中期和高频振荡(100赫兹到1000赫兹)。

此外,multipower电子转换器也将耦合和互动电网在更高的频率范围内,导致中期和高频振荡的问题从100赫兹到1000赫兹。例如,交互的电压源converters-high电压直流(VSC-HVDC)系统和交流电网和负阻尼特性当模块化多电平转换器(MMC)集成到弱电网在中间,高频乐队可能导致中期和系统的高频振荡。

考虑到参数识别、定位和抑制SSR / SSO和传统的低频振荡的方法基于人工智能可以被转移到一定程度上的“机电振荡频率范围类似于低频振荡,及其思想也具有重要的参考意义的子/超同步和mid-to-high-frequency宽带振动,所以这些方法总结供参考。

2.3。人工智能的应用的必要性和合理性,宽带振动

(1)数学模型而言,很难建立一个电磁暂态数学模型,一个适当的规模,考虑了多尺度交互的组件,并且很难准确获得模型参数。宽带振动涉及范围广泛的组件,每个组件的“double-high”系统包含多尺度控制策略。因此,如果进行电磁暂态建模,系统模型的顺序是非常高的。此外,设备的控制策略和参数在实际系统中很难获得准确由于制造商的技术的保密和不确定的操作状态。人工智能是一个功能强大的数据分析和挖掘的工具。它可以有效地从大量数据中提取有用的信息,避免高维模型的准确建模问题的实际的电力系统。例如,工程特性可以实现挖掘有用的信息,减少数据维度通过功能建设和提取和选择的数据。此外,端到端学习方法也可以自动从数据获取功能,直接学习从原始数据映射到所需的输出。(2)分析方法而言,现有的方法很难准确和全面分析宽带振动。现有的振动分析方法主要是线性方法如特征值分析方法和阻抗分析方法,和宽带振动问题具有较强的非线性特征难以准确分析;尽管非线性分析方法方便研究的nonlinear-related信息宽带振荡,它有大量的计算,由系统的规模有限,方程的顺序,并倾向于维数问题。如何使用它合理实现准确和全面的分析宽带振动的实际系统还有待进一步探讨。(3)就表现而言,振荡模式多样化,时变和时空分布特征,提出了更高的要求,迅速和监测和抑制方法的适应性。传统的振动监测和抑制方法通常用于振荡在特定的频率范围或单位在一个特定的范围内。很难跟踪系统运行状态实时处理随机时变系统的宽的频率振荡问题,也难以协调multipower电子设备多频振动处理的时空分布特征的宽带广域系统振荡。人工智能方法可以通过实时在线调整战略与环境的交互,所以它有很强的快速适应随机时变环境的能力。例如,人工神经网络可以自适应地调整网络结构和权值根据外部环境变化的输入信息;强化学习可以不断提高自己的行为策略来适应外部环境的变化通过代理和环境之间的互动学习。

总之,宽带振动的研究仍面临许多困难,和人工智能方法依赖较低的系统模型和可以学习复杂的非线性问题和适应随机时变环境。因此,人工智能技术引入宽带振动的研究来补充现有的振动分析方法,为系统提供新的研究思路和可行的宽带振动。

2.4。人工智能的应用现状在宽带振动识别

宽带振动识别主要包括参数识别和振荡检测。现有的方法是用于执行信号分析获得的数据通过时域、频域,或时频域方法;比较了参数设置的阈值;确定系统振荡;并提供信息的频率和振幅的振荡。然而,对于参数识别部分,一方面,常见的信号分析方法如普龙尼的算法,快速傅里叶变换,和ESPRIT算法都是线性分析方法难以适应多通道耦合非线性振动信号的特征提取和分析。另一方面,相量算法的局限性,通信带宽和采样定理的电流相量测量单元(PMU)进行频谱分析方法基于相量只能有效地识别低频振荡或实现子/超同步振荡的参数识别算法的改进,以及宽的频率振荡频率范围涉及10-1-103 Hz,所以现有的应用程序而频谱分析和识别框架基于“同步向量”是有限的在更高的频率振荡识别。此外,在“double-high”系统,操作状态改变的和宽带振动表现多样化。在振荡检测部分,当前的报警阈值需要设置基于人类经验和各种操作条件下的适应性是不够的。

不同于现有的基于光谱分析鉴定方法,参数识别问题建模为回归问题和振荡检测问题作为一个分类问题,基于人工智能宽带振动识别方法。人工智能的拟合任意复杂的非线性函数的能力,挖掘能力的大量数据之间的关系,并且能够降低维数的数据可以用来有效地提高振动参数识别的鲁棒性和准确性,以及振动检测的速度和可靠性的判断,和预计解决问题的监测和分析宽带振动在更高频率较低的数据量。宽带振动识别方法的总体框架基于频谱分析和人工智能图所示3。

识别方面的振动参数,方法常用在被建模为一个回归的问题包括自适应线性神经元(学习机),神经网络指数阻尼正弦曲线(EDSNN),等等。学习机是一种常用的模态识别的神经网络模型。一些文献提出了结合学习机普龙尼的算法,傅里叶算法等,准确地识别所有振动参数。

除了振动参数的识别,人工智能还可以预测振荡模式,这是一个函数,传统方法无法实现。

2.5。应用人工智能在宽带振动识别的挑战

虽然人工智能方法可以用于提高性能的振荡识别的速度和准确性,很多研究取得了令人满意的结果,当使用基于人工智能的振动识别方法在实际电网中,仍然必须面对相当具有挑战性的问题如下:(1)宽的频率振荡的不同表现,构成挑战,基于人工智能的适应性广宽的频率振动识别方法。现有的大部分研究集中在子/超同步振荡在一些特定的场景和执行模型的训练。由于“double-high”系统的复杂性,新类型和振荡发生的表现,和他们的动态特性也不同。基于人工智能的监控方法是否仍然具有较高的准确度和精密度这种多元化的振荡需要进一步探讨。(2)基于振荡识别要求精度高,和人工智能的识别方法非常依赖于数据。因此,普遍存在的数据质量问题带来的挑战,基于人工智能的识别方法的准确性。由于实际电力系统的复杂的现场环境中,不可避免的会有不确定性,如数据丢失,通信延迟和数据数据收集过程中的错误或沟通。因此,如何设计一个合适的人工智能算法结构提高振荡识别的准确性在数据质量问题迫切需要深入研究。

目前,有许多理论研究成果的应用人工智能领域的振动抑制,但仍有许多问题需要解决时,用于抑制宽带振动的实际系统:(1)的极高要求电力系统的安全与稳定构成巨大的挑战,基于人工智能的振动抑制方法。尽管抑制方法基于神经网络和强化学习能够平息时变宽带振动在仿真、控制策略得到的神经网络方法,从历史中学习样本和深刻的强化学习方法,学习与环境的相互作用很难通过理论证明系统的稳定性。因此,控制策略的可靠性仍难以保证,这是一个主要的挑战将它应用于实际电力系统要求极高的稳定性。(2)全球正如协调带来的挑战,基于人工智能的振荡抑制算法的收敛性。电力系统的宽的频率振荡的传播范围广,涉及多个领域、多个机器,和多个电气设备单元,这是一个全球性的复杂性问题。进一步发展的电力系统“double-high”, source-grid-load-diversified电气设备的协调控制具有重要意义。然而,当人工智能方法用于设计一个广域正如合作控制器来抑制宽带振动问题,由于multielectric整个网络设备,状态空间的大小与数量的增加呈指数增长的特性,这使得基于人工智能的振动抑制方法可能面临问题的维数灾难,和算法的收敛性也将面临更大的挑战。

2.6。基于人工智能的图像识别技术的过程

基于人工智能图像识别技术,获取信息最重要的途径是图像预处理,这直接影响到识别的结果,这是整个过程的关键环节。图像预处理可以用来协助图像识别系统,使功能的图像更准确,可以为后续的工作奠定一些基础,有效缩短识别时间,减少复杂性。在预处理的过程中,最重要的任务是在全面提高识别效率。最常用的方法是减少噪音和除雾。

预处理工作可以用来实现图像修复和恢复清晰而生动的图画。应用在电力系统智能图像识别技术应用在架空输电线路的检查,它可以处理收集到的照片与一个关键,实现图像数据的最优解。

图像特征提取,主要分为两个步骤:提取和选择。在目标图像,可能有许多特征点,这些特征点对应各自的特征子集。特征点的选择需要科学,充分保证图像的关键可以公认的高效、准确。目前最常见的特征点图像包括以下部分:颜色特征,图像纹理图像形状、空间关系特征,等。在这些特性中,首先颜色捕捉特征点,但是在当地特性捕获、图像纹理特性是第一个特征点。可以看出,基于人工智能的图像识别技术可以实现目标特征提取与选择方面的应用方向和识别要求。一般来说,图片将包含大量的信息,所以当应用技术手段,图片的特点应该有效地区别。例如,在电力系统,电线应提取的纹理特征在架空输电线路的检查和维修,这行可以发现的问题。

因此,首先定义一个能量函数,并使用能量函数引入一系列的概率分布函数。

对于一个给定的国家(v、h),能量函数可以定义如下: 在哪里是可见的二进制状态层,隐层的二进制状态,是这两个节点之间的权重。是可见的偏差向量层,然后呢是隐藏的偏见向量层。调整参数在遏制θ= ( ,一个,b)。给定的训练样本,训练后的遏制手段调整参数θ适合给定的训练样本。

的联合概率分布状态( ,h)所示如下:

归一化因子显示如下:

可以看出,概率P( ,h)的一组值(一个国家)可见节点和一组值的一个隐藏节点(一个国家)是由能量函数定义。

基于人工智能的图像识别技术,图像匹配分类是最后一个链接。通过严格执行每一个过程,信息在同一画面显示从数据库中检索过程的结果,这样的分析特征可以完成。对于电力系统,基于人工智能的图像识别技术是用于架空输电线路的检查和维护,图像匹配分类应根据具体情况的照片,和相应的信息应该从数据库检索实现相应的处理。

2.7。应用程序分析的在线监测系统收集数据信息

在电力系统的具体操作期间,将会有许多事故,将造成巨大的伤害,电力系统的安全,如盗窃和火灾。因此,有必要做好信息收集及时为了有效地避免意外情况造成的不利影响。所提供的信息,可以方便地通过在线监测电力系统异常报警数据可以使技术人员及时了解特定的异常情况,及时处理异常情况。监控系统可以实现实时监控的人进入和退出,利用图像识别技术可以准确识别。在线监测系统可以使用红外摄像机来掌握红外轮廓的人进入和退出,所以轮廓可以用于数据预处理。更重要的是,与红外摄像机可以感觉到温度,即使是热发电,你可以按照国家火焰识别并确定火焰温度充分保护电力系统的安全。

2.8。应用程序分析Video-Condensed快照和异常报警

存储的数据量大,你可以选择视频压缩的方法科学地减少它。为了满足不同的数据检索需求约束,包括检索的时间点,由数据检索方法的变化,等等,同步数据和相应的图像可以存储,并通过时间点快照的数据形成可以提供给技术人员进行分析。首先,视频排序是基于时间序列和数据同步系统快照:有必要研究图像和数据的存储方法,消除冗余数据,并简化数据库完全满足用户的需求定制的查询;第二,异常报警,系统识别某种异常数据时,将报警并进行同步异常显示。第二屏柜智能监控,该系统用于监督通过构建一套智能检测系统对变电站二次设备基于人工智能图像识别技术;最后,进行了总结并提交数据仓库的数据,通过数据系统监控效率全面提高大数据与权力的结合形成的模型来减少员工的劳动值班并提供坚实的保障电网的操作。

在人工智能图像识别系统中,第一步是拦截和节省视频流的实时图像,然后执行图像识别任务如图像预处理、图像特征提取和事件判断,如图2。

2.9。仿真实验分析

当前视频图像识别内容包括监测和识别警报开关设备的信号灯,指针位置,7-segment数字,开关位置,和变压器油位的位置。

2.9.1。信号灯的识别

的信号灯设备主要包括红灯、绿灯、黄灯。光信号的识别是识别这三个颜色的开关信号灯。信号光的颜色特征值可以计算直方图的方法,包括均值、方差,区别广场,平均差,等图3显示了一定的红色柱状图红灯。从图可以看出,当红灯,像素值大多分布在225年至255年之间,和像素的最大数量约为135;红灯时,像素值大多分布在72和184之间。像素的最大数量大约是19。根据这个特性,区别的平方数量的像素点的像素值和两种情况可以很容易地识别信号光的打开或关闭。

2.9.2。7-Segment数字的识别

有大量7-segment数字灯或液晶数字电力系统自动化设备显示值,如电压、电流和温度。图4显示7-segment数字的结构。

可以看出,图像预处理后7-segment数量是非常清楚的。字符分割后,7-segment数的值可以被判断是否有黑色像素对应的部分。

2.9.3。识别指针位置

有大量的指针类型电压表,电流表,气压计,温度计在电力系统设备。仪表的指针和指针图像的处理过程如图5。

2.9.4。识别开关位置

在电源设备的人工智能图像识别确定开关的位置,首先需要确定的真实位置开关和手动通用故障消除的观察或提供维护。与此同时,相应的开关标志应当设置识别开关位置的变化,也就是说,它可以自动确定开关。

2.9.5。变压器油面位置的识别

变压器的油位随变压器的内部温度的增加。虽然变压器通常有一个温度计检测变压器的温度和检测到的温度数据传输到变电站自动化系统,检测到的温度数据不能直接反映变压器内部的油位的位置。人工智能图像识别技术可以用来有效地检测变压器的油位的位置。原始绘画和变压器油的预处理结果如图6。只有水平投影可以用来识别变压器的油位的位置。

在图像识别过程中,首先需要被监控的目标序列依赖人工智能图像识别技术。一旦发现超过阈值,将发出一个声音报警,事件和时间将被记录在数据库中,同时图像将被保存,这样图像的参数和相关数据库相连后调用和视图。

3所示。结论

人工智能图像识别系统不仅有遥视功能,也有一个信号监测和识别功能。因为它可以监控设备的实际情况,它可以执行设备维护和故障排除。执行图像识别结合电力系统识别依赖于人工智能,断路器开关的位置和变压器油位的位置确定。前者使调度程序理解的真实位置开关,使调度命令更准确、更及时,并提供更直接的检测方法进行事件分析后事件和故障诊断;后者使维修人员立即检查变压器消除隐藏的问题,从而保证变压器的安全稳定运行。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这个研究是由中国国家电网公司科技项目:智能管理与控制技术研究分销网络终端设备检测(TSS2020-15)。本文作者感谢项目支持。