EVS34主题论坛议程:智能充换电、充换电基础设施及车网互动
EVS34主题论坛议程:高性能、全气候、新模式下的电动商用车
EVS34主题论坛最新议程:智能化变革下的电动汽车平台架构技术
EVS34主题论坛议程:智能充换电、充换电基础设施及车网互动 EVS34主题论坛议程:高性能、全气候、新模式下的电动商用车 EVS34主题论坛最新议程:智能化变革下的电动汽车平台架构技术 武汉大学电力智能感知及认知团队 本团队隶属武汉大学电气与自动化学院以及智能电网研究院,结合国家重大需求和电力数字化转型的学科前沿,长期从事电力非结构化大数据的成像感知、跨模态融合和知识认知等领域的研究,已形成芯片级视觉边缘智能、智能感知终端、特征级数据融合技术、全过程安全管控等从感知到认知序列的特色鲜明的研究方向。 对多源电力感知终端产生的异构多参量数据进行融合分析,是实现电力物联网下电力目标有效感知的关键。目前,电力多参量融合仍以同构多参量融合和决策级异构多参量融合为主,异构、多源的融合及分析技术薄弱,无法满足电力物联网下的异构多参量深度融合需求。该文提出一种适用于电力结构化时序参量和非结构化图像参量的普适性融合框架,可用于电力对象的描述性、预测性或决策性分析。 研究背景 对多源电力感知终端产生的异构多参量数据进行融合分析,是实现电力物联网和数字电网建设的关键。但目前电力多参量融合仍以同构多参量融合和决策级异构多参量融合为主,异构、多源的融合及分析技术薄弱,无法满足电力物联网下的异构多参量深度融合需求。 本文提出一种适用于电力结构化时序参量和非结构化图像参量的普适性融合框架,可用于电力对象的描述性、预测性或决策性分析,有效提高电力感知的精确性和容错性。 论文方法及创新点 图1 基于电力时序参量和图像参量的异构多参量融合整体框架 图1为本文所提电力异构多参量融合整体框架,可对结构化电力时序参量和非结构化电力图像参量进行有效融合。该融合框架采用特征级融合,即先根据数据形式及特点对各类参量进行特征提取,然后对特征进行有效融合,最后基于融合特征进行电力目标感知。 针对电力时序参量,首先将其转化为适用于非线性混沌系统的多参量递归图,使其和图像数据具有相同的表征形式,然后采用浅层的卷积神经网络进行特征提取;针对电力图像参量,使用Faster R-CNN进行特征提取,并将ROI Pooling后第一个全连接层的输出作为图像提取特征;针对二类特征的融合,采用基于权重因子的拼接融合方法,为避免人为因素的干扰,将权重因子作为网络参数,由训练得到。 应用案例 案例1:对应拉力、微气象参量和图像数据进行融合,实现绝缘子覆冰等级感知,并对单参量输入和融合感知模型进行精确性和容错性对比,如表1至表3所示。 案例2:对温度、湿度参量和红外图像数据进行融合,实现绝缘子污秽等级感知,并对单参量输入和融合感知模型进行精确性和容错性对比,如图2和表4所示。 图2 不同湿度范围下两类模型的表现 输电线路覆冰等级感知和绝缘子污秽等级感知的场景说明,所提模型具有一定的普适性,可使异构参量相互补充和增强,充分挖掘不同参量之间的非线性关系,有效提高感知精确性和容错性。 总结与展望 针对电力物联网下感知多源、参量异构的数据现状及高效利用的需求,从数据角度分析了各种数据融合模式及其优缺点,指出了特征级异构多参量融合模式的必要性。 提出了针对电力时序参量和图像参量的特征级融合模型,该模型将电力时序参量转换为多参量递归图,用不同的卷积神经网络对递归图和图像进行特征提取,并基于权重对二类特征进行融合和目标感知。 输电线路覆冰等级感知和绝缘子污秽等级感知的场景说明,所提模型具有一定的普适性,可使异构参量相互补充和增强,充分挖掘不同参量之间的非线性关系,有效提高感知的精确性和容错性。 引用本文 王红霞, 王波, 董旭柱, 姚良忠, 张锐锋, 马富齐. 面向多源电力感知终端的异构多参量特征级融合:融合模式、融合框架与场景验证[J]. 电工技术学报, 2021, 36(7): 1314-1323. Wang Hongxia, Wang Bo, Dong Xuzhu, Yao Liangzhong, Zhang Ruifeng, Ma Fuqi. Heterogeneous Multi-Parameter Feature-Level Fusion for Multi-Source Power Sensing Terminals: Fusion Mode, Fusion Framework and Application Scenarios. Transactions of China Electrotechnical Society, 2021, 36(7): 1314-1323. DOI: 10.19595/j.cnki.1000-6753.tces.201094 |
|