基于图注意网络与深度确定性策略梯度的三相主动配电网供电恢复方法

配电服务恢复作为一种基本韧性范式，提供了一种优化协调的韧性解决方案，通过极端事件后配电网的供电恢复实现韧性提升。该文根据三相不平衡配电系统的网络特点，利用图注意网络对Actor-Critic架构的深度强化学习进行改造，通过增加网络拓扑特征提高其对不平衡配电系统的学习能力，提出一种基于图深度强化学习的三相不平衡主动配电网供电恢复新方法。该方法将配电网的动态供电恢复问题设计为一种新颖的马尔科夫决策过程，在此过程中不断产生样本数据并根据所提出的图深度强化学习算法对智能体进行训练，通过优化协调多个微电网以实现配电网动态供电恢复，其性能在IEEE37节点和IEEE123节点配电系统中得到了验证。     

基于分布式多步回溯Q(λ)学习的复杂电网最优潮流算法

针对传统最优潮流算法对复杂多目标函数的不适应性以及常规算法难以满足大规模电网计算实时性的要求,本文中提出一种新颖的基于复杂电网分区的最优潮流分布式Q(λ)学习算法,该算法无须对最优潮流数学模型进行辅助处理,不依赖于对象模型,其内部各Agent使用标准的多步Q(λ)算法独立承担各分区子系统的学习任务,通过统一协作从而形成整体意义上的最优,并在IEEE 118节点等标准算例中进行了验证,取得了良好的效果,为解决复杂电网多目标最优潮流问题提供了一种新的可行、有效的方法。     

RBF神经网络的一种新的学习算法

提出了构造性RBF神经网络的一种新的全监督式学习算法 .该算法在神经网络隐层引入新节点 ,并通过使新节点的输出方向尽力逼近学习残差的方向获取网络参数 ,从而减少学习误差 ,实现对训练样本的学习 .仿真结果表明了该新学习算法的有效性 .     

基于免疫原理的径向基函数网络在线学习算法及其在热工过程大范围工况建模中的应用

针对现有径向基函数(RBF)神经网络训练算法在非线性动态系统大范围辨识中的不足,借鉴免疫原理,提出了一种新颖的RBF神经网络在线学习算法,通过分析RBF神经网络学习过程和免疫系统的相似性,采用免疫记忆、克隆选择、扩增和细胞凋亡机制在线动态调节网络隐层节点,并确定相应的数据中心和宽度,从而使网络具有在线学习和记忆新样本的功能,并将该网络应用于某300MW火电机组主汽压的多工况辨识.实验结果表明该算法不仅能精简网络的结构,而且能很好地适应对象的时变特性.     

基于弱监督注意力和知识共享的车辆重识别

为解决弱监督车辆重识别方法中标签不准确和背景干扰下预定义局部区域难以获得的问题,提出一种基于弱监督注意 力和知识共享的车辆重识别网络。 在弱监督注意力模块(WAM)中使用弱监督的方法生成车辆部件掩模,通过部件通道对齐步 骤使得该模块在复杂背景下也能自适应地进行特征对齐。 针对弱监督方法中标签准确性不高导致 WAM 模块生成部件掩模不 稳定的问题,在局部分支中构建了知识共享模块。 该模块利用迁移学习从 WAM 模块中提取车辆部件特征,并进行多尺度部件 特征提取,防止了不稳定的车辆部件掩模生成。 通过实验,mAP、CMC@ 1 和 CMC@ 5 分别达到了 82. 12%、98. 50%和 99. 12%, 优于现有的方法,验明该方法的有效性。     

基于1-DISVM的无刷直流电动机故障识别方法

提出一种基于改进无监督学习支持向量机(1-DISVM)的无刷直流电动机故障识别方法.通过对无刷直流电动机正常以及驱动电路开关管断路、定子绕组端部断路、Hall传感器断线三种故障状态的仿真模拟,对仿真过程中得到的母线电流采样数据进行FFT频谱分析,作为输入特征向量用于支持向量机分类器的训练和故障识别.将改进无监督学习支持向量机用于无刷直流电动机的故障识别,并与无监督学习支持向量机(1-SVM)的故障识别结果进行比较,结果表明基于改进无监督学习支持向量机的无刷直流电动机故障识别方法具有更高的准确率.     

基于LVQ神经网络的变压器故障诊断方法

结合模糊理论,提出一种基于学习向量量化器(LVQ)的变压器故障诊断方法。它首先在无监督学习模式下,采用数据压缩技术,完成输入空间上的向量重构。接着结合监督学习机制,从输入数据选择特征赋予每个类。该方法是一种将自组织映射(SOM)和监督学习模式结合起来的自适应模式分类技术,具有结构简单,适应性强和分类精度高的特点。变压器故障诊断实例显示了该方法的有效性。     

基于对比学习生成对抗网络的无监督工业品表面异常检测

在工业品表面异常检测中，由于异常的未知性和无规则性，人工标注异常样本难度大、成本高，有监督的深度学习算法在工业品表面异常检测任务中存在局限性。针对上述问题，提出一种基于对比学习生成对抗网络(contrastive learning generative adversarial network, CLGAN)的无监督工业品表面异常检测算法。首先，建立基于无监督学习算法的CLGAN模型；其次，采用对比学习加强潜在特征空间正负例样本约束，使得输入与输出图像对应Patch之间的互信息最大化，增强正负样本特征向量区分度，使模型重构异常样本图像能力得到进一步提升；然后，在检测阶段，利用训练好的模型得到待测工业品的无异常重构图像，并计算得到待测样本与其对应重构图像之间的残差图像；最后，结合双阈值分割的后处理方法和数学形态学处理，实现工业品表面异常区域地快速检测和准确定位。通过在公共数据集MVTec AD上进行实验，与其他的无监督深度学习模型算法相比，所提算法具有更好的识别效果和更强的泛化能力。     

自监督瓷砖表面异常检测与定位

针对瓷砖表面异常检测中人工检测效率低、成本高和自动检测标记样本不足、漏检率高等问题，提出了一种自监督学习模型，无需大量缺陷样本，即可实现瓷砖表面常见异常的检测与定位。自监督学习通过样本扩充产生负样本，利用分布增强对比学习提高数据不规则性和扩展样本分布，进而降低对比表示的均匀性，使表示特征分布与分类目标保持一致。在自监督学习表示基础上，构建一类分类器实现了准确的异常检测与定位。实验结果表明，在异常检测标准评估度量(AUROC)准则下，该方法相比其他两种先进方法异常检测率分别提高了371%和274%；异常定位率分别提高了122%和401%，且具有更可靠的检测性能。     

基于稀疏自动编码器深度神经网络的电能质量扰动分类方法

针对智能电网日益突出的电能质量扰动问题,提出了一种基于稀疏自动编码器(SAE)深度神经网络的电能质量扰动分类方法。利用SAE对电能质量扰动原始数据进行无监督特征学习,自动提取数据特征的稀疏特征表达;通过堆栈式稀疏自动编码器(SSAE)进行逐层学习,获得电能质量扰动数据的深层次特征;将其连接到softmax分类器进行微调训练,并输出电能质量扰动事件分类结果。利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的抗噪声能力。仿真结果表明,所提方法能够准确地识别包含2种复合扰动在内的9种电能质量扰动信号,并且具有很好的鲁棒性。     

Control strategy of leveling load power fluctuations based on fuzzy neural networks by tuning coefficients of learning rate with genetic algorithm

The effective usage of the power facilities can be realized by leveling the fluctuating active power and compensating the reactive power. The fuzzy and fuzzy neural network control strategy of superconducting magnetic energy storages (SMES) was proposed for this purpose. The control results depend on the values of coefficients of learning rate in fuzzy neural networks. Therefore, it is desirable to obtain better control results by tuning the coefficients of learning rate to their optimum values. In this paper, the control strategy based on an autotuning of scaling factors with neural network and tuning of coefficients of learning rate of neural network with genetic algorithm is proposed for leveling load fluctuations. Encoding and decoding of coefficients of learning rate and selection, crossover, and mutation within genetic operations are shown, and crossover rate and mutation rate are discussed. Through these methods, we can achieve a better leveling of load power fluctuation by using fuzzy neural network with genetic algorithm. © 1998 Scripta Technica, Electr Eng Jpn, 125(1): 65–72, 1998     

PSO演化神经网络集成的边际电价预测新方法

为了克服神经网络模型结构和参数难以设置,学习算法收敛速度慢等缺点,提出了一种基于粒子群优化的演化神经网络集成新模型对日前交易电力市场的边际电价进行预测。该模型将边际电价预测问题转化为神经网络实际输出与预测输出误差最小化问题,首先采用粒子群优化算法把神经网络的结构和权重映射成问题空间中的粒子,通过粒子速度和位置更新方程进行粗学习,获得多个相对占优的神经网络结构和初始权重并构成神经网络集成预测模型,然后采用梯度学习算法和交叉验证对神经网络集成单元的权重进行细学习,并以误差最小的神经网络集成单元的输出作为神经网络集成预测模型的输出。运用此方法对加州日前交易电力市场的边际电价进行了日预测,结果表明其优于三层BP神经网络预测方法。     

基于Elman神经网络的甘肃电网负荷预测模型

为提高甘肃电网负荷预测精度,提出了一种基于神经网络的负荷预测方法。针对甘肃电力系统负荷数据的非线性和动态特性,在多层前向BP网络中引入特殊关联层,形成有“记忆”能力的Elman神经网络,从而可以映射系统的非线性和动态特性。在网络训练算法中,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点。文中分别采用El-man神经网络与BP神经网络建立模型,对甘肃电网实际历史数据进行仿真预测,经分析比较,证明前者具有收敛速度快、预测精度高的特点。这表明利用Elman回归神经网络建模对甘肃电网负荷进行预测是可行的,能有效提高负荷预测精度,在负荷预测领域有着较好的应用前景。     

基于深度学习网络的输电线路异物入侵监测和识别方法

为解决输电线路异物入侵在线监测图像样本量较小的问题,针对异物图像特点,提出了一种基于深度学习的输电线路异物入侵监测和识别方法。首先选取典型正常运行输电线路图像和目标异物图像,采用条件生成对抗网络算法对有异物入侵的输电线路图像进行样本扩充。然后将Dense-net网络替代YOLOv₃网络中倒数第二层网络,建立Dense-YOLOv₃深度学习网络模型。使用实际图像样本和扩充图像样本数据训练和测试深度学习网络,实现输电线路异物入侵监测和识别。该型深度学习网络算法可以对风筝、鸟巢、垃圾、机械施工类异物入侵情况进行有效识别,识别准确率分别达到98%、96%、90%和100%。     

神经网络的柔性改进及其在开关磁阻电机控制中的应用

提出三自由度柔性双极性神经网络的结构、原理以及算法,由于网络多自由度学习的特点,使得其学习能力较传统神经网络大为增强。为了全面研究网络柔性对学习能力及复杂性的影响,将三自由度网络与单自由度网络及两自由度网络进行了比较。在学习逼近开关磁阻电机非线性磁化曲线过程中,基于三自由度的神经网络表现出优良的性能,和传统神经网络及两自由度网络比,其更加柔性的特点可以使网络具有更少的神经元、更快的学习速率。基于所提三自由度神经网络,建立了开关磁阻电机转矩逆模型和磁链模型,构建了电机控制系统,有效补偿了电机的非线性特性。仿真结果表明,基于柔性神经网络的开关磁阻电机控制系统有效降低了转矩脉动,系统运行平滑。     

基于类别空间约束的弱监督卷积神经网络特征学习算法

传统卷积神经网络虽然具有较好的应用准确度,但是其的主要缺陷是效率低,为解决这一问题,弱监督算法被提出,现有的弱监督学习算法标记训练样本较少,效率较理想,但是仍然存在误分类率较高等不足。为了同时满足高效率和高精度的要求,本研究结合了弱监督算法和卷积神经网络,提出一种基于类别空间约束的弱监督卷积神经网络特征学习算法。首先,建立弱监督卷积神经网络特征学习算法的网络模型;其次,通过对空间加以约束,使标记样本和未标记样本建立一定的联系,从而实现特征空间聚类;最后,利用模型训练样本数据,实现基于类别空间约束的弱监督卷积神经网络特征学习算法的设计。实验结果表明,所提方法误分类率达到5%,分类耗时不超过0.4 ms,能够更好地开展特征学习。     

An improved elman neural network controller based on quasi‐ARX neural network for nonlinear systems

An improved Elman neural network (IENN) controller with particle swarm optimization (PSO) is presented for nonlinear systems. The proposed controller is composed of a quasi‐ARX neural network (QARXNN) prediction model and a switching mechanism. The switching mechanism is used to guarantee that the prediction model works well. The primary controller is designed based on IENN using the backpropagation (BP) learning algorithm with PSO. PSO is used to adjust the learning rates in the BP process for improving the learning capability. The adaptive learning rates of the controller are investigated via the Lyapunov stability theorem. The proposed controller performance is verified through numerical simulation. The method is compared with the fuzzy switching and 0/1 switching methods to show its effectiveness in terms of stability, accuracy, and robustness. © 2014 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于信息融合与深度残差收缩网络的DAB变换器开路故障诊断方法

针对双有源桥(DAB)变换器开路故障诊断存在的多信号诊断和诊断阈值设置问题,提出了一种基于信息融合和深度残差收缩网络(DRSN)的DAB变换器开路故障诊断方法。首先,将DAB变换器的开路故障诊断信号减少至3个,减少了信号传感器的数量;其次,采用递归图法和脉冲耦合神经网络将3个诊断信号的时间序列转化为图像进行信息融合,生成的融合图像可以反映不同故障状态下的故障特征且便于深度学习网络进行分类;最后,将融合图像输入构建的DRSN进行故障诊断,可以避免设置诊断阈值。使用RT-LAB搭建DAB变换器半实物系统进行实验。实验结果表明选择的3个诊断信号能够有效区分DAB变换器各IGBT开路故障状态。对比分析表明所提出的方法具有较高的故障诊断精度,平均诊断精度可达98.44%。     

基于改进型RBF神经网络的VSG转动惯量自适应控制

与传统同步发电机相比,虚拟同步发电机(VSG)具有参数灵活可调的优势,特别是虚拟惯量和虚拟阻尼能够对VSG稳定性产生显著影响.RBF神经网络对于连续非线性函数具有很好的逼近效果,且算法简单,学习能力强大,学习速度快,能够满足实时控制的需求.文中基于控制对象的特性,对RBF神经网络进行改进,并设计出一种全新的自适应控制策略.该策略使用改进RBF神经网络对VSG虚拟惯量J进行在线调整.在Matlab中将神经网络算法融合入控制对象建立自适应仿真模型,对所提控制策略进行仿真验证.仿真结果表明,该自适应控制策略能够有效提高虚拟同步发电机频率稳定性.     

一种基于人工神经网络的谐波测量新方法

提出了一种基于人工神经网络(ANN)的电力系统谐波测量新方法.该方法应用一个多层前馈神经网络(MLFNN),对当前采样时刻和上一采样时刻的三相电流采样值进行分析计算,得出三相电流的谐波分量.阐述了该神经网络的构造和用于网络训练的学习算法.将该网络应用于整流电路的谐波测量,进行了仿真研究.仿真结果表明该方法能够实时而准确地检测出谐波分量.通过与基于瞬时无功功率理论的谐波测量方法比较,进一步证实了该方法具有延时小而精度高的优点.