一种用于植物叶片图像骨架提取的去毛刺方法

为了获取能描述植物叶片区域主要分支结构的骨架,提出了一种植物叶片图像骨架中的毛刺去除方法。方法基于修剪后骨架所重构区域的质量判定骨架中的毛刺分支。重构区域与原区域的面积差指标被作为主控指标,以保证修剪不会明显影响区域的宏观形状;提出了突出部分骨架长度显著性指标作为保护性指标,以保护对于叶片识别分类具有重要意义的尖细状边缘细节不被剪除。完整的剪除过程由贪婪策略控制。在实际图像上的实验结果表明,所提方法能有效除去毛刺,并能得到更为准确的叶片区域骨架。     

基于深度强化学习的两阶段显著性目标检测

为提高复杂场景下的显著性目标检测速度和精度,提出了一种基于深度强化学习的两阶段显著性目标检测方法。该算法由显著性区域定位网络(salient region localization network, SRLN)和显著性目标分割网络(salient object segmentation network, SOSN)组成,分别对应显著性区域定位阶段和显著性目标分割阶段。在显著性区域定位阶段,首次提出采用深度强化学习训练智能体通过执行序列动作逐步定位显著性区域。再将其交由分割网络进行第二阶段的精细目标分割。网络结构上,SRLN和SOSN采用共享特征提取网络的方式简化模型和减少参数量,同时针对该两阶段检测框架提出了一种分治的训练策略。在公开的显著性目标检测数据集上的实验结果表明,无论是简单或复杂场景的图像,该算法能够快速有效的剔除干扰信息,获得准确的显著性目标检测结果,并且检测速度达到了实时性能。在行人检测数据集上的检测结果表明本算法在其他实际应用问题上也具有较强的泛化能力。     

综合考虑节点重要度和线路介数的网络重构

网络重构阶段是电力系统黑启动过程中的一个重要阶段。针对网络重构阶段最优目标网架的确定问题,基于复杂网络的静态拓扑连接特性,提出了一种综合考虑线路介数和节点重要度的骨架网络重构策略。该策略以节点重要度和线路介数作为确定目标网架的指标,实现有针对性地对网络中的节点和线路进行筛选。进一步,采用离散粒子群优化算法实现的骨架网络重构能够确定覆盖大部分枢纽节点和关键线路的最优目标网架,对大停电后快速、有针对性地重建系统具有重要意义。相关算例验证了该方法的有效性。     

基于节点重要度评价的骨架网络重构

电力系统全停电后的黑启动恢复问题是电力系统安全防御的重要课题，合理的网络重构策略对于快速建立输电网架、全面恢复负荷具有重要意义。该文提出了一种基于节点重要度评价的骨架网络重构策略，该策略采用节点收缩后的网络凝聚度定量评价网络中电源和负荷的重要性。在此基础上，以结合网络结构和运行质量的综合评价指标--网络重构效率来全面、客观地衡量重构效果。进一步采用离散粒子群优化算法实现的骨架网络重构，能够有效地减轻重构负担。应用实例证明，该策略给出的重构方案能够有效应对系统恢复过程中的不确定性，保证系统大停电后的顺利恢复。     

一种SVPWM宽调制度的相电流重构策略研究

在交流调速系统中,对电机三相电流的采集是必不可少的,采用相电流重构技术可简化系统结构、降低成本和提高运行稳定性。提出了一种相电流重构方法,在低、中调制区域下采用一种PWM波移相方法,扩大了电流重构算法的使用范围,在高调制区域下采用电压矢量近似法,实现了SVPWM线性调制范围内的三相电流重构。仿真实验结果表明该方法应用在交流调速系统中进行相电流重构检测是可行的,电流检测精度满足系统控制的需要,有实用价值。     

基于RSS＿GN RRT算法的狭长空间路径规划

针对RRT算法在狭长空间中存在的收敛速度慢及规划路径不平滑的问题,提出了一种RSS＿GN RRT算法。为了提升算法的收敛速度,提出了引导节点导向策略与分区域采样策略,极大地减少了算法对无效区域的搜索;其次,算法引入了采样角度约束策略来提高规划路径的质量,并采用父节点拓展选择的方法有效解决了由角度约束引起的迭代次数增加的问题。此外,算法可根据感知信息进行地图地动态重构并规划避障路径,提高了算法在低速动态环境中的适应性。仿真结果显示,在狭长通道环境中,RSS＿GN RRT算法在规划路径的耗时上比RRT、Goal＿bias RRT、角度约束下的RRT、Informed RRT*及DR-RRT算法分别减少了77.3%,51.9%,84.7%,98.8%和60.3%。在迭代次数上,相比于上述算法,分别减少了95.9%,92%,98.3%,98.3%和89.5%。路径的平均曲率也分别降低了94.1%,93.2%,88.7%,91%和92.9%。仿真结果证明了RSS＿GN RRT算法在提升规划速度和改善路径质量方面具有显著优势。同时,本文采用了阿克曼模型的小车实测了算法的局部避障能力。经测试,小车可...     

基于分层分枝定界算法的机组组合

针对常规机组组合算法计算量大、计算精度不高的问题,提出了一种分层分枝定界算法.该算法采用分层求解策略,对传统机组组合模型进行线性化处理,进而基于线性规划算法求解松弛整数变量的线性化机组组合模型,通过取整策略形成初始分枝,作为分枝定界算法的上层;采用经典广度优先搜索算法的节点搜索策略,以及考虑负荷备用和机组启停时间约束并结合最大、最小边界的分枝策略,不断进行分枝、定界和剪枝获得下层问题的最优解.不同测试算例分析表明,所提出的分层分枝定界算法快速、稳定,能够考虑机组爬坡约束,可以在保证合理计算时间内有效提高求解精度.     

车辆曲面重构中点云精简算法的研究与改进

为了解决车辆点云数据曲面重构效率低和精简后数据重构模型质量差的问题,提出一种改进的点云精简算法。基于kd-tree建立散乱点云数据的空间索引结构并获取每个数据点的k邻域索引;提出基于快速识别边界线的精简算法避免精简过程边界数据丢失,确保获得真实的车辆曲面重构模型;对非边界点邻域进行区域分类,并根据分类选择性保留邻域数据,以提高点云数据处理速度并减少内存开销。在实现了算法的程序设计及仿真实验的基础上,完成了基于三维激光扫描车辆外廓尺寸测量系统平台的实车实验。实验结果表明,改进后的精简算法程序最大限度地保留了车辆点云的的边界特征和细节形状,改善了车辆点云曲面重构模型质量;数据处理中能够精简45%~70%的车辆点云数据,加快了系统重构的速度,提高了车辆外廓测量的性能。     

基于加权复杂网络模型的恢复路径优化方法

输电网络重构是电力系统大停电或部分停电后进行恢复的第2个阶段,如何确定恢复的目标骨架网络及其恢复路径序列是该阶段的主要任务。文中提出了一种新的基于加权复杂网络模型的输电网络重构优化算法,考虑了节点有功发电出力和有功负荷（特别是重要负荷）的大小以及各节点在网络中的分布情况和重要性程度,并利用了加权复杂网络模型中衡量网络枢纽性的介数指标来优化恢复路径。该算法可以得到最优的恢复路径序列和目标骨架网络,克服了现有方法在确定目标骨架网络和优化恢复路径序列这2个输电网络重构环节严重脱离的缺点,并在一定程度上解决了现有的恢复路径优化方法采用专家经验或分段寻优策略而无法得到最优解的问题。最后,以新英格兰10机39节点系统为例说明了所提出的方法的基本特征。     

基于立体视觉分析的显著性区域检测算法

针对传统单目视觉显著性模型存在细节丢失,不适用于复杂场景等问题,提出一种基于立体视觉分析的显著性区域检测算法。首先,采用基于图的分割方法将图像分割成不同区域,根据颜色和视差以及空间相干性计算颜色复杂度和视差复杂度。其次,对两者进行显著性聚合,计算像素对比度从而得到区域对比度。最后,引用视差信息计算局部对比度后,进行融合归一化,获得显著图。该算法适用于背景纹理复杂的立体图像显著性区域检测,检测的显著图细节突出,边缘锐利。实验结果表明,该算法优于其他显著性算法,符合人类视觉机制,在立体图像数据集上获得了75%正确率和88%召回率。     

视觉显著性特征约束下的骨架生长算法

骨架特征在图像处理和计算机图形学等领域有着广泛的应用,而常规的骨架提取算法易受到噪声和物体自身变化的影响,使得提取的骨架难以进行后续的应用.本文提出联合离散曲线演化和弯曲度比率这两种视觉显著性特征约束下的骨架生长算法.在骨架生长过程中通过对判为结点的骨架点的邻域骨架点进行进一步的弯曲度比率约束,有效抑制了离散曲线演化约束骨架提取算法对于弯曲度较大的部位所产生的无法避免的冗余枝.通过调节保留的离散曲线演化点数以及弯曲度比率阈值,可获得多尺度的骨架.实验证明,在较大非刚体形变和轮廓噪声等干扰下,本文提出的算法仍能有效的抑制冗余骨架枝的产生,获得的骨架能够较好的表示图形中视觉重要部分.     

基于故障区域搜索的配电网故障定位算法

提出了一种基于故障区域搜索的配电网故障定位算法,该算法仅需要在有限的开关处安装测点。首先,由多代理系统(MAS)利用上、下级代理(Agent)之间的配合搜索出故障关联区段,然后,根据故障区域相对于分布式电源(DG)的位置,分别由相应的Agent在选定的故障关联区段上利用阻抗法计算故障距离。若故障发生在DG上游,则由主站Agent利用本地测量信息和DG接入点的同步测量信息计算故障距离;若故障发生在DG下游,则由DG接入处的线路执行Agent仅利用本地测量信息计算故障距离。该算法对故障点的判别能够适应配电网分支较多的情况且计算速度较快,同时不依赖于大量数据的长距离传输。在MATLAB中的仿真结果表明,该算法在过渡电阻较大的情况下,仍能保证误差距离在可接受范围内。     

Sensorless drive of surface-mounted permanent-magnet motor by high-frequency signal injection based on magnetic saliency

This paper presents a new sensorless control scheme of a surface-mounted permanent-magnet (SMPM) motor using high-frequency voltage signal injection method based on the high-frequency impedance difference. In the SMPM motor, due to the flux of the permanent magnet, the stator core around the q-axis winding is saturated. This makes the magnetic saliency in the motor. This magnetic saliency has the information about the rotor position. The high-frequency voltage signal is injected into the motor in order to detect the magnetic saliency and estimate the rotor position. In this paper, the relationship between the high-frequency voltages and high-frequency currents is developed using the voltage equations at the high frequency, and the high-frequency impedance characteristics are analyzed experimentally under various conditions. The proposed sensorless control scheme makes it possible to drive the SMPM motor in the low-speed region including zero speed, even under heavy load conditions. The experimental results verify the performance of the proposed sensorless algorithm.     

Compressive sensing‐based adaptive sparse predistorter design for power amplifier linearization

Greedy algorithms in the compressive sensing theory have been formed the essential method for pruning power amplifier (PA) behavioral models and digital predistorters (DPDs). However, the inherent batch mode of these algorithms limits their application in adaptive digital predistortion framework. In this paper, a powerful subspace pursuit greedy scheme combined with stochastic gradient descent adaptive algorithm is proposed to design a class of adaptive sparse DPDs. According to the given sparsity level, the proposed approach can obtain the sparse terms of DPDs and extract the corresponding coefficients adaptively. Performance improvement of the proposed method is validated by simulation results on the adaptive DPD excited by 15‐MHz 3‐carrier Long‐Term Evolution signals and 50‐MHz 16 amplitude/phase‐shift keying signals. Meanwhile, measurement results on a Doherty PA excited by 30‐MHz 3‐carrier Long‐Term Evolution signals are also performed to verify the advantage of the proposed approach. Simulation and experimental results show that proposed algorithm can efficiently construct the adaptive sparse DPD models with only a small number of parameters; both nonlinear distortions and memory effects in the PA can be almost completely removed. A comparison with the nonsparsity aware DPD techniques and batch mode compressive sensing pruning techniques has been demonstrated that the proposed method exhibit faster convergence, improving tracking capabilities and reduced computational complexity.     

一种补充可及节点的接地网腐蚀故障诊断改进方法

为了使接地网腐蚀故障诊断得到的电阻可能取值范围较宽的不确定支路转化为电阻可以唯一确定的明晰支路,提出一种对接地网局部进行选择性的少量开挖,暴露一些不可及节点使之成为可及节点,再补充相应的测试后重新进行故障诊断的方法。论述了测试方案集合的充分性判断和所提出方法的基本步骤。提出了一种基于遗传算法确定需要补充可及节点位置的优化过程,其目标函数是使补充的可及节点数量最少。论述了染色体编码方法和能避免不可行解的初始种群生成方法、交叉方法和变异方法。采用提出的方法对一个60支路的实验接地网进行了验证,结果表明提出的方法是可行的。     

一种基于图论剪枝算法的多分支配电网行波故障定位算法*

配电网由于其结构上多为树形辐射状结构,若直接采用传统的输电线路故障定位方法则会造成定位的不准确。因此,基于图论剪枝算法提出一种适用于配电网的行波故障定位新方法。该方法将配电网拓扑结构等效成图论模型,构建配电网距离矩阵和关联矩阵,采用剪枝算法剪掉无效的行波波头信息,利用配电网末端检测到的故障初始行波到达时间信息实现配电网故障的实时精确定位。文章最后采用PSCAD和MATLAB软件进行联合仿真。仿真结果表明利用该方法实现的配电网故障定位结果精确可靠。     

基于简化网络模型的复杂中压配电网分析可靠性评估算法

提出一种基于简化网络模型的复杂中压配电网可靠性评估算法。为使网络简化,首先根据复杂配网特点将网络分块,块具有整体性,且块内元件故障后果一致,然后将块等效为简单的支路,形成简化网络模型。在简化网络模型基础上可灵活、高效地用最小割集法搜索故障、进行网络重构和潮流计算。应用该算法对RBTS-BUS6系统进行可靠性评估,算例表明该算法灵活、高效、实用、信息丰富。     

基于分层变迁的WFPN电网故障分析

为了增强模型的灵活性以及解决算法在推理过程中存在的不足而影响诊断准确性的问题,研究了基于改进的加权模糊故障Petri网(WFPN)的电网故障诊断方法。首先,根据故障信息确定可疑元件并建立各元件两层通用模型。其次,提出了对变迁集合进行分层归类及算法的改进,使计算过程更符合变迁的触发时序。其中,变迁分层数的多少决定着算法迭代的次数。最后,给出了故障诊断的具体推理过程,分析了算法性能和模型适应性。算例分析和不同模型诊断结果的比较表明该方法的合理性和有效性,可实现快速的故障诊断。     

考虑负荷和风电相关性的多场景鲁棒输电网规划

摘 要：大规模风电并网,使得电力系统的不确定性急剧增加,基于不确定理论的输电网规划成为众多学者关注的热点。传统多场景方法容易考虑负荷和风电的相关性,但却难以调整规划方案的鲁棒性。据此,文章提出一个考虑负荷和风电相关性的多场景鲁棒输电网规划模型。相较于传统多场景规划模型中每1个场景代表1个确定的风电出力和负荷功率值,在文章提出的模型中,每1个场景代表1个风电出力和负荷功率的不确定集,在给定场景数目后,通过改变不确定集的控制参数,可以调整规划方案的鲁棒性。因此,该模型较多场景输电网规划具有更高的灵活性和更强的适应性。所提多场景鲁棒优化模型采用CCG（column-and-constraint）方法求解,并在修改的Garver-6节点和IEEE RTS-24节点系统验证了所提模型的正确性和有效性。     

基于神经网络剪枝算法的热工过程模型辨识研究

提出了一种基于神经网络剪枝算法的过程模型辨识方法,该方法可解决模型辨识中确定模型阶次困难的问题。首先提出了一种基于灵敏度的神经网络剪枝算法,并将其应用于热工过程神经网络模型的辨识。仿真结果表明,所提出的基于神经网络剪枝算法的模型辨识方法是有效的。