输电线路的智能巡检视觉任务对电力系统的安全稳定至关重要。尽管深度学习网络在分布一致的训练和测试数据集上表现良好,但实际应用中数据分布的偏差常常会降低模型性能。为了解决这一问题,提出一种基于对比学习的训练方法(TMCL),旨在...输电线路的智能巡检视觉任务对电力系统的安全稳定至关重要。尽管深度学习网络在分布一致的训练和测试数据集上表现良好,但实际应用中数据分布的偏差常常会降低模型性能。为了解决这一问题,提出一种基于对比学习的训练方法(TMCL),旨在增强模型鲁棒性。首先,构建专为输电线路场景设计的基准测试集TLD-C(Transmission Line Dataset-Corruption)用于评估模型在面对图像损坏时的鲁棒性;其次,通过构建对类别特征敏感的正负样本对,提升模型对不同类别特征的区分能力;然后,使用结合对比损失和交叉熵损失的联合优化策略对特征提取过程施加额外约束,以优化特征向量的表征;最后,引入非局部特征去噪网络(NFD)用于提取与类别密切相关的特征。实验结果表明,模型改进后的训练方法在输电线路数据集(TLD)上的平均精度比原始方法高出3.40个百分点,在TLD-C数据集上的相对损坏精度(rCP)比原始方法高出4.69个百分点。展开更多
为了应对海量分布式资源分层分布接入柔性配电网给无功优化引入的不确定性,提出了基于概率场景驱动的柔性配电网分布式无功优化方法。首先,以最小化系统损耗为目标建立了柔性配电网无功优化模型,其次,综合考虑1-范数和∞-范数的置信约束...为了应对海量分布式资源分层分布接入柔性配电网给无功优化引入的不确定性,提出了基于概率场景驱动的柔性配电网分布式无功优化方法。首先,以最小化系统损耗为目标建立了柔性配电网无功优化模型,其次,综合考虑1-范数和∞-范数的置信约束,构建基于概率场景模糊集的柔性配电网分布鲁棒无功优化模型。在此基础上,以分布式优化模型为外部框架,采用一致性加速梯度交替方向乘子法(alternating direction method of multipliers,ADMM)进行全局协调与更新迭代求解,以各子区域分布鲁棒优化模型为内部框架,采用列与约束生成(column and constraint generation,CCG)算法求解。基于改进的IEEE-33节点系统的算例仿真结果表明,所提出的柔性配电网分布式无功优化方法具有较好的收敛性,兼顾了经济性和鲁棒性的平衡。展开更多
文摘输电线路的智能巡检视觉任务对电力系统的安全稳定至关重要。尽管深度学习网络在分布一致的训练和测试数据集上表现良好,但实际应用中数据分布的偏差常常会降低模型性能。为了解决这一问题,提出一种基于对比学习的训练方法(TMCL),旨在增强模型鲁棒性。首先,构建专为输电线路场景设计的基准测试集TLD-C(Transmission Line Dataset-Corruption)用于评估模型在面对图像损坏时的鲁棒性;其次,通过构建对类别特征敏感的正负样本对,提升模型对不同类别特征的区分能力;然后,使用结合对比损失和交叉熵损失的联合优化策略对特征提取过程施加额外约束,以优化特征向量的表征;最后,引入非局部特征去噪网络(NFD)用于提取与类别密切相关的特征。实验结果表明,模型改进后的训练方法在输电线路数据集(TLD)上的平均精度比原始方法高出3.40个百分点,在TLD-C数据集上的相对损坏精度(rCP)比原始方法高出4.69个百分点。
文摘为了应对海量分布式资源分层分布接入柔性配电网给无功优化引入的不确定性,提出了基于概率场景驱动的柔性配电网分布式无功优化方法。首先,以最小化系统损耗为目标建立了柔性配电网无功优化模型,其次,综合考虑1-范数和∞-范数的置信约束,构建基于概率场景模糊集的柔性配电网分布鲁棒无功优化模型。在此基础上,以分布式优化模型为外部框架,采用一致性加速梯度交替方向乘子法(alternating direction method of multipliers,ADMM)进行全局协调与更新迭代求解,以各子区域分布鲁棒优化模型为内部框架,采用列与约束生成(column and constraint generation,CCG)算法求解。基于改进的IEEE-33节点系统的算例仿真结果表明,所提出的柔性配电网分布式无功优化方法具有较好的收敛性,兼顾了经济性和鲁棒性的平衡。
