深度学习

我们的出发点是什么？ 我们设计了什么？ 我们带来了什么？ 我们改变了什么？ 我们还能做什么？

阐述了无人机图像智能算法在电力巡检的开发及应用，带来AI人工智能和多传感器融合的全栈式电力运维解决方案。在普宙无人机自主巡检中，深度学习算法被两次应用，实现可见光对杆塔本体精细化巡检的拍照点自动化精准选定以及精确识别存在缺陷隐患的照片及缺陷位置。其采用的RTK载波相位差分技术，可通过基站采集的载波相位数据发送给移动站（无人机）进行求差计算定位坐标，不受限于通信链路和网络覆盖，使得定位精度提高到了厘米级。

介绍了深度学习识别技术发展情况，并指出深度学习已经在欧几里得数据域中取得了很大的成功，但从非欧几里得域生成的数据更需要进行有效的分析。其中包括了三维激光点云数据、化学领域的化学成分结构数据、生物领域的基因蛋白数据。

所有的老化在材料字上的共同点：向材拜中引入了缺陷，这种缺陷可以是化字缺陷，也可以是物理缺陷，缺陷与非缺陷的区别在于适当条件下能够捕获电荷。 采用远高于电缆运行的电场，使存在的缺陷在高场下表现出来，采用数理统计的方法评估。

架空输电线路巡检是电网运维工作的一项重要内容，利用无人机进行线路巡视检测已成为运维人员完成电力巡检工作的重要手段。首先，文中概述无人机巡检任务中人机协同作业系统以及无人机智能自主作业系统的架构；其次，分析当前架空输电线路缺陷巡检领域数据集状况以及数据扩增技术；再次，综述基于深度学习的无人机图像缺陷检测典型方法以及评价指标，并对比总结各种方法的优缺点；然后，讨论无人机图像视觉检测方法中图像采集规范、数据集形式、缺陷检测算法专业化应用等对架空线路缺陷的检测效果，指出图像检测指标和类别定义在电力巡检专业化领域中的不足；最后，探讨基于深度学习的无人机图像缺陷巡检的未来发展方向。

直流微电网是一个网络物理信息系统，在信息传递的过程中容易遭受网络攻击的影响。虚假数据注入信息通道会影响微电网的系统安全。检测并修正虚假数据注入攻击，能够提升微电网系统运行的安全性。针对这一问题，提出了一种基于卷积神经网络（convolutional neural network，CNN）和长短期记忆网络（long short-term memory，LSTM）联合最大互信息系数（maximum information coefficient，MIC）的二阶段虚假数据注入攻击检测方法。首先，使用CNN从直流微电网运行的时序数列中提取时序特征，运用LSTM模型结合CNN提取的时序特征运行得到直流微电网运行状态预测值，与直流微电网运行的实际值对比，初步判断系统中是否存在虚假数据；其次，考虑到CNN-LSTM模型存在一定的误报率，构建MIC校验器，进一步判断系统中是否存在虚假数据并恢复；最后，通过直流微电网Matlab仿真分析，验证了所提方法的合理性和可行性。

本案例项目研究的输电线路融合型智慧终端，通过综合运用边缘计算和人工智能技术，并结合5G通信技术，研究轻量化深度学习算法设计技术，实现输电线路通道状态监测的边端图像智能分析；通过研究设计智慧终端边缘计算框架，实现输电线路状态监测传感器的融合接入；通过研究5G通信融合应用技术，实现超高清视频及信息的高速安全传输；通过提升线路通道防护的技术水平，提高输电线路安全水平。输电线路融合型智慧终端整体方案如图1所示。项目所用方案按功能可分为以下几部分：基于AI模组的图像智能分析（即低功耗DPiM架构的人工智能算法）、动态虚拟运行环境、可支持eMBB切片配置及与MEC交互的5G通信，以及多状态监测传感器的接入。输电线路融合型智慧终端技术方案。

他介绍到为了将技术的优势与业务的需求结合到一起，让信息系统具备“智慧的大脑”，通过综合运用深度学习、自然语言处理、知识图谱等先进的人工智能技术，针对企业管理对人工智能技术的应用实践需求，打造出“知识图谱应用平台”，围绕知识获取、知识表示、知识运用的三大过程展开，以知识流为主线来逐步构建企业“数据→信息→知识→智能”的生成通道，实现知识图谱技术在业务场景中的应用落地。

阻抗分析法因适用于并网变流器控制结构和参数均未知的黑箱系统，已成为工程中评估宽频振荡风险的重要选择。以跟网型三相两电平变流器为例，首先，使用谐波线性化方法，严格推导了计及直流侧耦合的交流侧全工况开/闭环理论阻抗模型，实现了模型参数与工作点高阶项的完全解耦。其次，依据理论模型特征，明确了黑箱辨识方法的基本原理，分析了辨识单一开/闭环阻抗模型频率响应所需的工况数量。使用辨识得到的全工况阻抗模型，实现了不同短路比条件下系统安全运行域的快速评估，并通过时域仿真验证了其准确性。此外，讨论了所提方法的合理性、普适性以及相对于深度学习方法的优越性，为阻抗分析法的实际应用提供了参考。

当前，基于深度学习目标检测技术的设备缺陷识别已经在变电站远程智能巡视中得到广泛应用，本报告先总体概述基于深度学习目标检测的技术发展路线图；其次通过对不同类别和场景设备缺陷识别算法的深度分析，给出相应的技术路线在算法层面和数据层面的优化，在算法层面，引入特征提取和表征能力更强的Transformer架构，再结合端到端的目标检测架构，实现检测效果大幅度提升；数据层面，采用数据生成和增广策略，如生成对抗网络和扩散模型，增加样本的多样性，从而进一步实现检测效果的提升；最后探讨基于深度学习的设备缺陷识别及设备状态评价技术研发趋势及应用前景。