基于E-FCNN的电力巡检图像增强

为了解决无人机巡线、无人值守变电站机器人巡检中,由于距离过远或机器抖动造成的采集图像待检目标分辨率低、图像模糊等问题,提出一种边缘感知反馈卷积神经网络E-FCNN。该网络在传统超分辨率网络基础上增加了残差模块和反馈机制,实现细节特征的提取和强化,并通过边缘感知分支补充纹理信息,提升了图像的细节描述。通过测试集实验结果表明：提出的边缘感知反馈卷积神经网络无论在主观视觉质量,或是峰值信噪比等客观评价指标上,都明显优于其他相关算法。且在基于无人机巡检的绝缘子检测应用中能够有效提高绝缘子检测率。     

基于需量管理的工业园区混合储能配置及运行优化研究

在工业能源结构改革中,配置混合储能系统(Hybrid Energy Storage System,HESS)能够有效促进工业园区用户侧清洁能源的消纳.提出一种基于工业需量管理HESS配置与运行的两阶段优化模型.采用经验模态分解法对用户净负荷功率分频,分别将高频、低频分量输入HESS的不同模块.以工业用户总成本为目标,充分考虑并网负荷的波动性,建立月度和日前两阶段优化模型,使用改进的混沌粒子群算法(CPSO)求解.仿真结果表明,采用HESS替代单一储能,并通过改进的CPSO算法优化模型,使得工业用户用电总成本大大降低,对工业净负荷的削峰效果明显,降低了负荷并网的波动性.     

GIS在电网规划中的应用研究综述

电网规划是电力系统建设必不可少的前期工作,科学合理的电网规划是电力系统安全稳定运行的保证。地理信息系统强大的数据管理和空间分析能力为电网规划提供空间决策支持,有效提高了电网规划工作的科学性与准确性。文中针对目前GIS分析技术在电网规划工作中的应用与优势,主要从空间负荷预测、变电站的选址定容及输电线路的路径选择与优化三个方面综述GIS技术在电网规划中的应用。最后展望GIS在电网规划中的未来研究方向。     

基于BLSTM-随机森林的短期光伏发电输出功率预测

光伏发电功率具有不确定性和波动性,准确预测光伏发电功率对提高光伏并网效率和保持电网安全运行具有重要作用.对江苏某地区光伏发电站的功率特性进行分析,使用小波降噪处理历史功率曲线,并对各气象条件使用灰色关联分析筛选出强相关影响因素,减少输出功率噪声和无关气象条件对功率预测的影响.将小波降噪处理后的历史输出功率及强相关特性构建数据集,建立基于双向长短期记忆网络(BLSTM)与随机森林的短期光伏发电功率预测模型,并与其他模型的预测误差进行比较.仿真结果表明,提出的BLSTM-随机森林的短期光伏功率预测模型具有较高的预测精度.     

基于Transformer与增强信息融合的双源情感识别

为解决当前多模态情感识别效果不佳的问题,提出了一种基于Transformer与增强信息融合的双源情感识别模型,模型由音视频编码分支网络和双源增强特征融合模块组成。其中,视频编码分支利用MobileViTv2提取每帧视频的空间特征,并通过在Transformer编码器结构中内嵌残差结构,强化各帧短期关联语义信息的提取能力。在音频特征提取部分构建了维度匹配器,避免了潜在异构鸿沟,提高了模型训练的鲁棒性。在音视频特征融合处引入低参数量跨模态注意力机制,从两个角度同时增强特征融合能力。通过对比和消融实验证明了方法在多模态情感识别任务中的有效性。     

基于改进混合粒子群算法和匹配理论的无人机电力巡检卸载策略

无人机搭载深度神经网络进行自主电力巡检时由于受到设备本身计算能力、电池容量、深度神经网络计算负载的限制,无法独立处理巡检任务中产生的海量图像数据。为解决该问题,提出了一种基于改进混合粒子群算法和匹配理论的无人机电力巡检卸载策略,该策略将系统成本最小化问题分解为深度神经网络计算任务协同分割和边缘服务器选择两个子问题。针对协同分割子问题,基于深度神经网络计算任务的执行流程提出了一种错时传输方法,通过改进混合粒子群算法求解多无人机任务协同分割层。针对边缘服务器选择子问题,定义无人机与边缘服务器各自偏好函数,根据偏好函数通过匹配理论建立两者间的稳定匹配,得到边缘服务器选择策略。仿真结果表明,与其他卸载策略相比,所提策略能有效降低无人机能耗和计算任务处理时延,促进边缘服务器负载均衡。     

双有源桥变换器电流应力优化

由于传统单移相（SPS）控制下双有源桥（DAB）DC/DC变换器仅有一个自由度,在输入、输出电压不匹配时,存在较大电感电流应力。在双重移相（DPS）控制策略的基础上,分析了两种工作模式下传输功率与电流应力的特性。提出了自适应步长法以优化电感电流应力,以减少传统优化策略所需的离线计算量。最后通过搭建实验样机验证了控制策略的有效性。     

基于颜色编码的非侵入式负荷细粒度识别方法

在非侵入式负荷识别任务中,仅使用单一负荷特征对设备进行辨识时,存在特征重叠现象,无法满足对设备进行细粒度分类的需求。为此,该文提出一种基于颜色编码的非侵入式负荷细粒度识别方法。首先,采用Fryze功率理论将高频采样电流分解为有功、无功电流,并对高频采样电压与无功电流进行标准化处理以构建二维U-I轨迹图像。然后,利用颜色编码技术对轨迹图像进行处理,在R、G、B三通道中分别融合有功电流、轨迹变化信息及瞬时功率,得到彩色U-I轨迹图像。最后,构建卷积神经网络,对彩色U-I轨迹图像进行特征提取,实现对设备的分类。在此基础上,文中提出了一种自主学习方法,实现对负荷识别模型自主更新。使用PLAID和WHITED数据集对本算法的识别效果及自主学习方法进行测试。结果表明,文中方法使得U-I轨迹所携带的信息量增加,增强了负荷特征的独特性,从而实现对设备的细粒度识别;自主学习方法能够学习新型电器并更新模型,提升了负荷识别模型场景适应能力。     

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。