基于SPDS神经网络的电流保护

提出一种基于SPDS神经网络的全新的电流保护方式。该网络采用的是3层SPDS神经网络模型，由3部分构成：故障类型与相别判断子网络ANN1、故障方向判别子网络ANN2、振荡识别子网络ANN3。对该模型进行了各种故障状态的测试及仿真实验，并与BP网络进行比较，发现SPDS网络训练速度快，且证实了基于SPDS网络的电流保护的可行性。     

基于CA-ResNet50的轮胎激光散斑图的分类研究

针对轮胎激光散斑图识别精度低的问题，本文提出了一种新的轮胎激光散斑图分类网络(CA-ResNet50)。首先选用ResNet50为基础的残差网络，改变传统ResNet50网络模型中的残差块结构，最大程度发挥批标准化的作用；再引入轻量级的卷积注意力模块，增强网络模型对轮胎缺陷的特征提取能力；然后，用LeakyRelu激活函数代替Relu激活函数，解决神经元的“失活”问题；最后，对训练数据集进行扩展，以克服训练中数据量不足和网络模型拟合过度的问题。将本文中提出的CA-ResNet50与当前常用的分类网络模型在相同的数据集上进行对比，实验结果证明本文所提网络模型对轮胎激光散斑图的测试精度高于其他网络，识别精度可达到99.7%。     

多层SPDS神经网络式电流保护

提出了一种基于SPDS神经网络的全新的电流保护方式。该网络采用的是3层SPDS神经网络模型，由三部分构成：故障类型与相别判断子网络ANN1、故障方向判别子网络ANN2、振荡识别子网络ANN3。通过大量的Matlab和EMTP仿真实验，对该模型进行了各种故障状态的训练和测试，并与BP网络进行比较，发现SPDS网络训练速度快，且证实了基于SPDS网络的电流保护的可行性。     

基于轻量化网络和知识蒸馏的回转窑工况识别

回转窑烧成带图像蕴含丰富火焰信息，准确识别燃烧状态是回转窑优化控制的前提，基于卷积神经网络的方法可以快速识别回转窑工况，提高回转窑自动化水平，但存在网络规模大，所需计算资源多的问题，为此提出了一种基于轻量化网络和知识蒸馏的回转窑工况识别方法，在网络卷积层后引入协方差池化层改进教师模型和学生模型，以改进的轻量化网络MobilenetV2作为学生模型的主干网络，以改进的Resnet50作为教师模型的主干网络，通过构建混合蒸馏损失函数，将教师模型蕴含的丰富分类标签信息迁移到学生模型中，并将蒸馏训练得到的学生模型作为回转窑工况识别模型，以提高网络对高相似火焰图像的识别精度。实验结果表明，经蒸馏后的学生模型总体识别准确率相较于原始模型提高了3.33%,对测试集中3种工况的识别率分别达到了93%、99%、90%,准确率和模型规模均优于目前其他主流网络模型，满足实际生产中实时、低成本要求。     

基于灰色BP神经网络的实验材料供应预测

针对单一BP神经网络对实验器材需求量预测准确度偏低的情况,提出了一种将灰关联分析与BP神经网络相结合的实验材料需求预测模型。先用灰关联分析法计算出影响需求量的各因子之间的关联度,然后选择关联度较大的3个优势因子作为BP神经网络的训练样本,建立了3层BP网络预测模型。以某实验材料的实际需求量为实例进行算法检验,对比分析了灰色BP网络模型和单一BP网络模型的预测准确性。实验结果表明：灰色BP网络模型将原有6 10 1的BP网络结构简化为3 6 1结构,灰色BP网络模型预测的最大相对误差仅为-1.36%,而单一BP网络模型的预测最大相对误差为-4.18%,灰色BP模型比单一BP模型的预测精度更高,结构更简单。     

多层前向神经网络学习算法及拓扑结构的探讨

以神经网络中应用最多最广泛的多层前向网络中心，对前向网络的拓扑结构及学习算法提出了一些改进。将随机搜索技术中的模型退火算法直接应用于多层前向网络的训练，以绕过多层网络所固有的局部极小，使网络的训练精度有明显改善；提出了一种双并联的前向神经网络模型－ＤＰＦＮ模型，明显提高了多层网络的训练速度。在理论分析的基础上，应用遥感分类数据进行对比实验的结果证明上述改进方法行之有效。     

基于秩分解和强语义信息融合的电力巡检算法

针对现行电力巡检方法对于高似然目标区分能力较差、检测速度较慢等问题，提出TR-YOLOv5模型。在网络第0层引入卷积注意力机制模块(CBAM),加强网络对细粒度特征的提取能力，并在网络最深层借助Transformer注意力进行编码，加强语义信息的传递能力。对于模型残差结构中的3×3卷积进行秩分解，压缩模型的冗余参数量。在特征融合阶段提出GPAN结构，以GSPP控制各尺度的变换，提高特征融合对各尺度信息的融合。在主干网络与同尺度特征融合结构的连接中加强了语义信息的融合，提高模型的检测能力。在模型训练过程中，以边框回归损失函数(SIOU)和CrossEntropy Loss作为IOU和分类损失回归函数提高模型的定位、分类能力。将训练完成的模型采用PyQt进行封装，提高了人机交互体验。实验结果表明，TR-YOLOv5模型检测平均精度值(mAP)达到97.1%,模型浮点运算量减少到3.6 GFLOPs。消融实验与对比试验证明了TR-YOLOv5模型能有效解决电力巡检过程中的前述问题。     

基于神经网络的水轮发电机组的建模分析

水轮发电机组是一个具有非线性的复杂受控对象。本文分别采用BP和RBF神经网络模型对水轮发电机组进行动态建模，经MATIAB仿真实验，结果表明用神经网络可方便的建立非线性系统的模型。通过分析比较两种网络动态建模方法，可知采用RBF网络进行建模相对采用BP网络具有明显的优点，RBF所用的学习时间和所用到的神经元个数大大减少，在某种程度上克服了BP网络的训练时间长、训练不完全和容易到达局部极小的缺陷。     

基于等效磁网络模型无刷直流电动机磁场分析

针对无刷无铁心直流电动机建立了等效磁网络模型，对其气隙磁场进行分析计算，并以稀土永磁体线性化退磁曲线为分析基础，用解析法计算电机的漏磁系数。计算和实验表明，基于等效磁网络模型对电机气隙磁场进行分析，结果直观，应用方便，是一种值得推广的分析方法。     

考虑气道局部努塞尔数的干式变压器热网络模型

为了准确分析干式变压器的热特性，提出一种考虑气道局部努塞尔数(Nu)的热网络模型。建立干式变压器的磁-热-流耦合有限元仿真模型，通过温升实验验证仿真模型的准确性；基于仿真数据获取局部努塞尔数关联式，用于修正热网络模型中的对流热阻，并对比分析修正前后热网络模型的准确性。以高压绕组温度的计算结果为例，未修正模型计算结果与仿真模型计算结果的平均绝对误差和平均相对误差分别为7.7℃和11.7%,修正模型计算结果与仿真模型计算结果的平均绝对误差和平均相对误差分别为5.5℃和8.4%,修正模型计算的轴向温度分布与仿真结果吻合度较高。仿真结果表明，修正后的热网络模型能够更准确地计算干式变压器绕组的温度分布。     

基于B／S结构的网络控制系统的开发与研究

本文将Internet技术与控制技术融合在一起，在分析B／S模型特点的基础上，从网络结构和软件技术两个方面，对控制网络与信息网络的集成提出了基于B／S结构的网络控制方案。并以双容水箱水位控制系统为实验对象，利用组态王的网络功能实现对其的网络远程控制。从而说明此结构用于网络远程控制的可行性。     

基于卷积神经网络的绝缘子RTV喷涂缺陷检测方法

绝缘子室温硫化硅橡胶(room temperature vulcanized silicone rubber, RTV)涂层的二次喷涂可以有效延长绝缘子的使用寿命，保障电力系统的安全运行。针对喷涂质量的评估问题，提出一种基于卷积神经网络的RTV喷涂缺陷自动检测方法：首先构建绝缘子RTV喷涂区域提取网络模型，对绝缘子RTV喷涂区域进行精确分割；然后构建绝缘子RTV喷涂缺陷检测网络模型，对5种喷涂缺陷进行语义分割。实验结果证明，所构建的喷涂缺陷检测网络模型在评价指标上优于主流的语义分割网络，具有良好的性能，能够满足应用需求。     

基于二端口网络的电机端子过电压研究

提出用二端口网络的方法来分析电机端子的过电压问题，建立了逆变器驱动电机系统中连接电缆的二端口网络模型，给出了电机端子电压的表达式，并通过仿真和实验验证了该方法的可行性。     

一组样条神经网络建模

采用一组样条基函数作为在层前向神经网络中各隐层神经元的传递函数，再以其加权和函数作为网络的非线性输出特性，构成一种样条神经网络模型。仿真实验表明，该网络具有良好的识别非线性系统的性能。     

基于轻量型网络的口罩遮挡人脸识别方法

由于口罩的遮挡会大幅降低人脸可供识别的特征，使得之前提出的人脸识别算法在现有外部环境下的识别性能大幅下降。因此，针对现有人脸识别技术在当前应用场景中的不足，本研究采用MobileNet v2轻量级卷积神经网络替换InceptionResNet-v1网络作为骨干网络对FaceNet人脸识别方法进行了改进，在简化模型参数的同时提高了模型的运算速度，并且在MobileNet V2网络中引入一种轻量型的混合注意力模块，同时将Softmax Loss与Triplet Loss加权融合作为网络模型的联合损失函数，通过调整权值达到最优后作为损失函数进行训练，提高网络的识别准确率。实验结果表明：本研究所提出的人脸识别网络在进行口罩遮挡人脸识别时，识别准确率达到92.1%,较原有人脸识别网络有大幅提升，同时识别速度也明显优于原有网络。     

基于卷积径向基网络的多变量水位预测模型

实现河流水位的准确预测对于流域水资源的精准调度与管理具有重要意义。由于水文数据的复杂多变与非线性相关特性，传统机器学习模型的预测精度难以进一步提高。本文提出了一种基于卷积径向基网络的多变量水位预测模型，该模型先通过多层二维卷积网络对水文变量的时空特征进行并行化地充分提取，然后利用径向基网络实现河流水位的高精度预测。针对四川省清溪河流域开展了模型的相关实验研究，结果表明：与四种经典模型相比，其均方根误差最少降低了0.0387，纳什效率系数最少增加了0.0557；与现有的自回归循环网络模型相比，在相同输入特征条件下其最大误差和均方根误差分别降低了0.3482和0.0165，验证了该模型在流域水位预测中具有良好的适用性和有效性。     

基于边缘卷积的交通锥筒点云数据分割方法

本研究以用于构建临时道路中的交通锥筒为研究目标，以多线激光雷达采集的临时道路三维点云数据为输入，提出一种基于图理论的图神经网络模型，该模型可实现点云数据分割，并提升模型对无序性点云数据学习效果。以无人驾驶方程式赛车为实验平台，针对交通锥筒进行网络训练与测试，实验结果表明，图神经网络模型对交通锥筒的分割准确率达到886%，比PointNet模型提升了约10%，此外，该模型在稀疏雷达点云数据下还具有一定泛化能力，有较好的适用性。     

机理与数据驱动的软体手弯曲角度软测量模型

由于软体手材料强非线性，难以建立软体手弯曲角度精确的机理模型。针对以上难题，提出机理与数据驱动的软体手弯曲角度软测量模型。该模型由机理模型与信息素挥发及惯性权重的自适应块增量随机配置网络(ABSCN)补偿模型组成。采用最小二乘对机理模型进行参数辨识，针对高阶未建模动态，采用ABSCN预测补偿。通过对块增量随机配置网络(BSC)的增量块配置次数进行自适应优化，提高模型的紧凑性，减少模型的训练时间。最后通过混合模型的仿真实验与真实数据进行对比，结果表明所提方法在精度上有显著提升。     

基于改进YOLOv5s的煤矿电力设备缺陷检测

针对煤矿电力设备缺陷检测精度低的问题，提出了一种基于改进YOLOv5s的煤矿电力设备缺陷检测的方法。该方法主要包括3个方面的改进：首先，提出了一种多分支的坐标注意力模块，增强了模型获得缺陷区域信息的能力；其次，提出了一种特征融合网络模块，通过将主干网络和颈部网络之间非相邻的特征信息进行跨层连接，进一步增强了模型的特征表达及融合能力；最后，提出了一种快速空间金字塔池化平均池化模块，并将其嵌入颈部网络的路径融合网络之间，以提升网络浅层定位信息传递到深层的能力。实验结果表明，改进YOLOv5s模型的mAP@0.5提升了3.1%,F₁分值提升了3%,满足煤矿电力设备缺陷的检测需求且具有更高的检测精度。     

基于Transformer改进YOLOv5的山火检测方法研究

构建智慧生态林业中核心环节为对森林火灾的监测及防范，为了第一时间扑灭火源防止火势蔓延并将可能发生的山火隐患于第一时间消除，提出了两种适用于无人机高空巡检的森林火灾检测模型YOLO_MC与YOLO_MCLite。其中YOLO_MC可对标准图像中的明火及烟雾进行检测，并基于YOLO_MC模型进行轻量化设计，提出适用于热图像中高温区域的检测模型YOLO_MCLite。在网络结构的设计中，首先在常规的卷积神经网络中融合加入了Transformer模型，提升了主干网络对于全局特征信息的感知能力；同时对Transformer模型进行轻量化设计，首先在网络结构上通过分组计算的形式减少tokens数量以降低计算量，其次通过通道注意力机制对特征块的通道数进行去冗余并提权来减少tokens的维度参数以降低计算复杂度，并且采用蒸馏算法从所设计的网络中提取出超轻量化网络应用于无人机红外影像的森林高温点检测,以预防森林火灾的发生。经过实验得出以下数据：所设计的两个检测模型中，其中适用于标准图像中对于明火及烟雾的检测准确率可达948%，适用于热图像对高温点的检测准确率可达972%，并且在英伟达JETSON TX2嵌入式设备上测试两个模型的帧率分别达到了225以及324。实验结果表明本文所设计网络能够对森林火灾进行有效检测并可以通过检测高温点及时预防火灾发生。