摘要：笔者通过整合无线传感技术与人工智能算法,设计并实现了一种基于无线传感网络的分布式电力设备监测与维护系统,本系统能够实现对电力设备的实时监测与故障预警,显著提高电力系统的可靠性与安全性。实验结果表明,相比传统的多分类支持向量机(SVM)方法,本系统在准确率、召回率、精确度和F1分数等性能指标上均有显著提升。本研究不仅展示了无线传感网络在电力设备监测领域的应用潜力,也为智能电网的发展提供了新的技术支持。

摘要：该文提出了一种基于GSM的电力设备监测系统。由井下监控站、数据传输终端、监控中心和个人手机构成。该系统不仅可以通过GSM远程监视和控制色散点,实现该地区的煤矿集中监控,而且还可以通过手机短信及时将关键数据传送到每个受信任的人员,实现实时监控。该文的设计是基于硬件和软件结构的TC35i矿井电气设备的监控,整体设计包括初始化、数据获取、微控制器、液晶显示、GSM、串行通信、短信等7大模块。

摘要：针对大规模电力设备监测数据存储和批量计算问题,基于云计算平台,应用大数据计算服务(MaxCompute)实现了电力设备监测数据的高效分区存储和并行化的批量特征分析,并将分析过程组织为工作流,实现了数据加载、分析任务的自动化周期调度。所设计的存储和并行分析算法可以有效应对TB/PB级海量电力设备监测数据分析和计算场景。

摘要：针对目前电力设备监测主要依靠传统的经典神经网络自动化监测方式,准确率低且难以挖掘图像的深层信息,设计了基于SE-Attention(squeeze excitation attention)图像识别模型的电力设备监测系统。在卷积神经网络(convolutional neural network,CNN)基础上,结合SE-Net(squeeze excitation network)网络提取图像局部特征,采用深度学习中的行注意力机制、列注意力机制和通道注意力机制增加局部故障信息的权重,挖掘深层信息,提高识别电力设备故障的准确率。实验结果表明:与CNN和SE-Net检测方法相比,此检测方法在避雷器、断路器、电流互感器、电压互感器的识别准确率上分别有不同程度的提高。