摘要：南方电网日常检修操作中涉及到大量的设备停复电操作,亟需通过精确分析方法替代原有人工经验判断,实现停复电操作时长的精准分析。按照南方电网实际业务情况,先利用KS检验法筛选出影响设备停复电时长的检修-冷备用、冷备用-热备用、热备用-运行、操作总耗时四大因素,作为KS检验重要分析维度;再针对设备停复电时长的异常样本与正常样本距离较大的特点,利用tSNE方法将多维样本降至二维,直观地展示出异常样本信息,并反映异常样本的偏离程度。通过上述方法,能够快速定位停复电异常事件,为调度管理提供技术支撑。

摘要：目前的阴影自动补偿方法仍然存在对比度提升的自适应能力不足等问题。Wallis滤波原理常用于影像色彩匀光,但应用于阴影补偿时会存在影像反差系数对对比度提升效果不理想的问题。首先,通过增加补偿强度系数及拉伸系数,设计了改进的Wallis阴影补偿模型;然后,获取阴影周边的非阴影区域信息作为补偿目标,利用阴影边界在局部范围内寻找同类特征点,自动解算该模型中的补偿系数值,再根据各个阴影区域自身的特点定制相应的补偿模型,对阴影区域内各像素亮度进行合理补偿,恢复被遮挡地物信息;最后,选取多幅具有云阴影及地物阴影的影像进行检测以及阴影补偿的实验,并与局部补偿方法进行对比。实验结果表明,该方法能够有效地补偿阴影,使其亮度和对比度共同提升到与非阴影区域相一致的水平,最佳还原被阴影遮挡的地物信息。

摘要：准确的接触网语义分割结果对于接触网组件提取和几何参数检测具有重要的意义。实际上,接触网场景复杂,部件之间的尺寸差异较大,并且存在着较多语义信息接近且相连的部件,导致现有的深度学习方法难以高精度地完成接触网点云语义分割任务。基于上述问题,本文提出一种基于图卷积和多尺度特征的神经网络GDM-Net。该网络包含基于图的局部特征提取器,增强了对接触网点云局部特征提取;双重通道注意力模块,同时兼顾了接触网点云的全局和显著特征的提取;多尺度特征融合的细化模块,通过提取并融合接触网的多尺度信息,提升了分割精度。受益于上述几个模块,该网络提升了对于接触网部件交界处的点云分割能力。基于接触网数据集对该方法进行定性和定量的验证分析,GDM-Net相较于5种其他的点云深度学习方法,精度最高,OA、mIoU和F 1值这3个精度指标分别可以达到96.73%,91.06%和95.28%。定性比较表示,本文提出的网络可以有效减少部件连接部分的错分问题,提高接触网部件分割的完整性。