电力工程造价的随机权深度神经学习估算方法

为了实现对电力工程造价高效、精确的估算,提出了一种电力工程造价的随机权深度神经学习估算算法（Random Weighted Deep Neural Learning,RWDNL）。通过构建外权随机的带有小中间层的多隐层神经网络模型,利用神经网络深度学习实现了对海量数据有效特征的提取以及电力工程项目造价估算。数值仿真实验结果表明该方法使工程造价估算精度和速度大大提高,可获得令人满意的泛化能力。     

考虑扰动影响的微电网分布式自适应控制策略

通信网络、可编程控制器的引入在为微电网控制策略设计提供便利的同时,也增加了系统遭受多种类型扰动的可能性.针对控制通道中存在的未知扰动,定量分析了扰动对基于一致性的常规微电网次级控制策略产生的不利影响.进一步,提出了一种基于自适应积分滑模的微电网次级控制策略,分析了所提分布式控制策略在扰动下的动态性能,理论证明了该策略对...     

面向配电异构数据的生成对抗式数据增殖技术研究

配电大数据跨媒体、小样本特征愈发凸显,为配电数据分析带来了新的挑战。为了解决样本分布不均匀的海量配电数据资源难以得到有效利用的问题,提出了面向配电异构数据的生成对抗式数据增殖方法。该方法通过引入生成对抗网络对数据完备的配电异构数据空间进行稠密化,而后利用峰值聚类算法实现样本空间的有限开覆盖,实现数据样本的有益增殖。仿真实验验证了所提出的生成对抗式数据增殖方法对于配电设备台账数据与巡检影像数据的有效性与稳定性,为配电数据分析提供了新的视角与思路。     

基于方向自适应检测器的输电线路设备检测方法

如何利用现有可见光影像数据与设备,实现高效巡检,辅助一线作业人员开展工作,是目前电力自动化巡检研究中亟待解决的难题.基于可见光图像的电力巡检存在图像畸变、待检测物体和摄像机角度不同导致目标特征丢失等问题,常见的目标检测算法往往效果较差,无法满足电力巡检要求.针对上述问题,提出一种基于CenterNet的有向检测器Rot-CenterNet.具体方案:首先,为了检测有向目标框,加入用于回归角度的检测头,并引入IoU-L1计算目标检测头的损失函数.其次,Rot-CenterNet提出3个骨干网络以适应于不同算力的电力业务场景部署,分别为保持高分辨率表征的HRNet、参数量少且实现精度与速度极致性价比的EfficientNet和大多数边缘芯片均支持的经典算子ResNet.同时,该文设计了DCN-ASPP和D-SKN模块,实现感受野随目标设备的形状和角度方向自动调整.最后,针对现有输电线路可见光数据集较少且不规范的问题,以项目为依托,整理了一批包括架空输电和电缆隧道场景在内的有向设备数据集并命名为TransLine-2020.在测试集上,经过检测器和骨干网络的改进,所提出的模型在检测设备元件上,相比CenterNet模型平均精度值(average percision,AP)提高了5.95.为了进一步证明检测器具备多场景应用能力,Rot-CenterNet在公开DOTA数据集中也进行了实验,取得了同样不错的效果.     

基于深度神经网络的特高压变压器滤油注油过程故障诊断技术研究

针对特高压油浸主设备安装智能化、自动化程度较低的问题，提出了特高压油浸主设备安装智慧管控系统实现方案。在此基础上，针对特高压变压器安装过程中的滤油注油工艺，提出了一个基于深度神经网络的多分支多尺度智能故障诊断方法。该方法由多分支变换、多尺度特征提取、多分支特征融合和分类4个主要部分组成，基于过滤数据、浮球数据、管道数据、绝缘油数据、球阀数据以及液位状态数据进行故障诊断。仿真实验验证了所提出的方法的有效性与鲁棒性，比传统神经网络分析方法精度提升14.35%以上。     

电力人工智能技术理论基础与发展展望(二):自主学习与应用初探EI北大核心CSCD

电力人工智能技术不断取得突破的同时,实际应用中也面临诸多挑战,在电力人工智能的假设分析与应用范式研究基础上,探索电力人工智能自主学习的创新应用模式。首先,针对电力人工智能研究中存在的可信伦理、数据分布与进化迁移等瓶颈,提出并详细阐述数据知识融合、平行互动、模型进化三大机制;进而,基于生物脑认知原理,提出适用于电力领域人工智能应用的意识引导的自主学习技术,通过构建电力领域机器意识引导算法进行模型构建、数据组织、训练调优等自主学习应用,解决规则复杂、数据价值低、场景泛化等情况下的电力人工智能模型训练优化难题;最后,在设备运维检修领域开展应用探索,通过意识引导知识、数据、任务的理解分析,构建面向复杂运维检修任务端到端算法生成的智能应用。     

面向新型电力系统的边缘缓存与计算资源迁移策略

随着以新能源为主体的电力系统的发展，分布式特征明显，终端设备数量剧增。海量用电负荷的调度和控制面临着时延过高和计算效率不足等问题，亟待建立高效的通信网络以有效提高电力系统的运行效率和可靠性。针对现有边缘计算技术与电力系统结合中未考虑在边缘网络资源管理中服务缓存和虑拟机(virtual machine, VM)迁移的联合优化问题，基于任务卸载模型、服务缓存模型和VM迁移模型，提出了一种联合服务缓存和VM迁移的边缘资源分配策略，旨在提高系统性能。针对服务缓存与VM迁移联合优化的耦合性问题，将原问题解耦成两个子问题的方法进行迭代求解，以实现更优的资源分配效果。仿真结果进一步证明了所提策略在性能方面表现更优，与其他方案相比可以得到更低的任务处理时延。