基于机器学习和心率变异性的经皮耳迷走神经电刺激疼痛阈值预测

经皮耳迷走神经电刺激（taVNS）作为新兴的精神和心血管疾病的治疗方法,其刺激强度设置需要将刺激电流调整至疼痛阈值后再降低其幅值。该设置方式不仅缺乏一致性,且影响治疗效果和舒适度。本文提出了一种结合心率变异性（HRV）特征和机器学习回归模型的新方法,实现了taVNS疼痛阈值的预测。基于实验采集的数据,系统的比较了将HRV特征作为各种机器学习模型输入的预测精度。结果表明,HRV特征与极端随机树的组合性能最优,使用遗传算法去除冗余特征能够有效改善模型预测性能,均方根误差在1.18到1.56之间,均方差在0.77到0.96之间。该方法可用于不同个体的taVNS刺激强度的预测,对受试者在taVNS期间的治疗效果有积极作用。     

基于DeblurGAN的运动模糊图像盲复原算法研究

DeblurGAN方法利用条件生成对抗网络解决了端到端的图像去模糊问题,但存在图像边缘细节恢复不足以及鲁棒性不高的问题,针对此问题,提出一种基于DeblurGAN的运动模糊图像盲复原方法。在生成网络中,采用多尺度卷积核神经网络提取特征,并使用级联空洞卷积扩大神经元的感受野;采用自适配归一化方法代替原来生成器中使用的实例归一化方法。其次,引入了梯度图像L1损失,结合对抗损失和感知损失,将其作为图像去模糊的正则约束,使得生成图像的边缘特征更加清晰。实验结果表明,提出方法复原的图像峰值信噪比数值较DeblurGAN算法高出5.4%,结构相似性指标高出1%;在主观上清晰化效果较好,且消除了网格效应。     

基于VMD-CNN-BIGRU的电力系统短期负荷预测

为提高负荷预测精度,考虑了历史负荷本身内在规律及外部影响因素,提出一种基于变分模态分解（variational modal decomposition,VMD） –卷积神经网络（convolutional neural networks,CNN） –双向门控循环单元（bi-directional gated recurrent unit,BIGRU）混合网络的短期负荷预测方法,改善了训练时长和预测效果。通过仿真分析验证了所提方法的有效性,且该方法与其他模型相比有更高的负荷预测精度和更强的鲁棒性,能够提高电力系统短期负荷预测的精确度。     

架空输电线雨凇覆冰研究

输电线覆冰后在风载荷作用下舞动特性明显。在冻雨工况下,输电线会形成雨凇覆冰。而雨凇覆冰往往会造成严重电力事故,因此研究雨凇覆冰过程,对输电线安全运行有重要指导意义。首先分析了雨凇覆冰的形成过程及其影响因素,然后进行了雨凇覆冰的危害分析,其次总结了现有的雨凇覆冰预防措施,最后展望了雨凇覆冰的下一步研究方向。     

非侵入式负荷识别的电流序列可视化方法

以单一特征为标签的用电设备识别,因特征携带的信息量不足,在区分性质相似的负荷时易产生误判,为此,提出一种将电流序列编码为图像的二维可视化方法,通过计算机视觉技术对负荷进行分类识别。利用Fryze功率理论提取电流的非有功分量,通过格拉姆角场(GAF)将一维电流序列转换成二维图像,借助数据扩充的方式进行升维,并赋予矩阵颜色特征来提升负荷标签的辨识度;基于迁移学习的思想,利用预训练模型Inception_v3提取并学习GAF图像特征,并以该特征为标签对负荷类型进行分类识别。在2个公开数据集上的实验验证了所提方法在高频采集场景下的准确性和有效性。     

基于类噪声信号的等值负荷惯量两阶段辨识方法

负荷惯量的准确、在线估计是电力系统电压和频率稳定分析的重要基础。为此,提出了一种基于类噪声的负荷惯量辨识方法,基于系统中时刻存在的类噪声信号跟踪等值负荷惯量的时变特性。考虑到类噪声条件下惯量参数可辨识性较差,采用两阶段辨识的思路,首先对负荷的电磁参数进行辨识,然后基于第一阶段辨识得到的状态变量估计出惯量、转矩系数等机电参数。仿真算例和实测数据分析表明,所提负荷惯量辨识方法能够适应不同变转矩情形下负荷惯量的类噪声辨识需求;相较于恒转矩辨识方法,该方法能够更加准确地反映实际负荷的机电暂态特性,得到稳定、可靠的惯量辨识结果。     

基于高斯混合模型及近似线性规划的风电系统校正控制方法

提出一种基于高斯混合模型及近似线性规划的风电系统校正控制方法。考虑到风电及负荷功率预测误差的非高斯特性及相关性,建立了描述风电及负荷功率联合概率分布的高斯混合模型。考虑切负荷、发电机功率调整以及统一潮流控制器等控制措施,以控制代价最小为目标函数,构建了计及电压、频率及线路潮流等静态安全约束的风电系统校正控制优化问题的数学模型。为求解含不确定变量的非线性优化问题,依据高斯混合模型的性质,在稳态运行点的邻域内将非线性约束近似转化为线性约束,用线性规划方法求解,并不断迭代直至收敛。最后,将该方法应用于修改后的IEEE 10机39节点算例系统验证其有效性,与场景法的对比结果表明该方法求解效率较高,且具有较好的经济性。     

基于多层特征融合注意力网络的电能质量扰动识别方法

针对复杂电网环境下电能质量扰动特征冗余、分类精度低的问题,经过多层卷积神经网络逐层获取电能质量扰动信号低维到高维特征信息,引入特征注意力机制构建多特征融合层消除特征冗余,提升扰动信号关键特征关注度,并加强扰动信号的局部特征与全局特征的提取,提高模型泛化能力进而提高扰动分类精度,据此提出基于多特征融合注意力网络的电能质量扰动识别方法。仿真结果显示,所提方法不仅在单一扰动、复合扰动下能有效辨识电能质量扰动,而且能有效克服噪声干扰对模型的影响,相比主流扰动分类方法提取的特征辨识度更高、模型抗噪性更强。     

一种6~18 GHz宽带高精度有源移相器

设计了一种6 bit 6~18 GHz工作频段的宽带高精度有源移相器。片上集成了输入无源巴伦、逻辑编码器、RC多相滤波器、矢量合成单元、数控单元等。该移相器的设计采用55 nm CMOS工艺实现,芯片尺寸为1.29 mm×0.9 mm,移相器核心尺寸为1.02 mm×0.58 mm。后仿结果表明,在6~18 GHz频率范围内,增益误差RMS值小于1 dB,相位误差RMS值小于0.75°,输入回波损耗、输出回波损耗分别小于-8.5 dB、-8.9 dB,芯片总功耗为20.7 mW。该6 bit移相器的相对带宽为100%,覆盖C、X和Ku波段,适用于雷达探测等领域。