摘要:为提高断路器试验机器人接线的准确性和可靠性，以双目视觉和深度学习目标检测技术为基础，提出一种基于背景数据增强和改进YOLOv4的断路器试验机器人接线定位方法。该方法利用本文提出的背景混合剪切的数据增强方法，解决因断路器训练图像背景特征不足而导致所训练的目标检测模型泛化能力和准确率低的问题，可以极大地提高不同试验场所（背景）和人员走动等背景扰动下机器人接线的准确性和可靠性；将标准YOLOv4的特征网络CSPDarknet?53替换为Mobiledets，可以优化目标检测模型的推理时间，提高机器人接线效率。仿真结果表明，本文方法的准确率为99.9%；实测结果表明，接线准确率为98.8%，全项目试验接线时间减少了57 s。通过对比分析，本文方法在接线准确率和时间上优于其他方法，可为断路器机器人试验平台的实用化提供技术支持。

摘要:由于分布式光伏窃电的稽查难度大，致使相关部门收集的窃电样本数量有限，无法满足基于数据驱动的窃电检测需求。通过数据增强的方式，提出一种基于Wasserstein生成对抗网络(WGAN)的分布式光伏窃电样本数据增强方法。首先，WGAN通过生成网络与判别网络的对抗训练，能够学习到光伏窃电数据序列难以显式建模的时间相关性，可以生成与真实窃电样本具有相近分布的新的窃电样本；然后，根据典型的光伏窃电模型，针对窃电样本的数据特征选用卷积神经网络(CNN)进行窃电检测；最后，通过算例分析，对比不同数据增强方法与分类器，表明WGAN生成的窃电样本能够符合真实样本的波动规律和历史数据的概率分布特征，进而有效改善分类器的检测性能。