基于多尺度特征融合的绝缘子缺陷检测

绝缘子缺陷检测对于保障电网安全稳定运行具有重要意义。由于绝缘子缺陷区域的像素信息少、形状尺寸不一,造成识别效果不佳问题。为解决此问题,提出了一种基于多尺度特征融合的绝缘子缺陷检测网络（MSD2Net）。在该网络中,采用残差注意力网络用于获取不同分辨率的绝缘子缺陷特征,设计了基于反卷积和多分支检测的多尺度特征融合网络将深层特征图与浅层特征图逐步融合,生成更加丰富的图像语义信息,用于实现目标的分类与位置回归,并结合Focal损失和高斯非极大抑制方法进一步提升检测效果。在变电站绝缘子缺陷数据集和输电线路CPLID公开数据集上进行测试,结果表明所提方法具有较好的检测性能与泛化能力。     

基于电压曲线聚类分析的低压用户相序自动识别

针对低压用户相序识别困难、成本高问题,提出了一种基于电压曲线聚类分析的低压用户相序识别方法。首先采用皮尔逊相关系数度量不同用户智能电表电压曲线之间的波动相似性;接着基于电压曲线相似性分布的密度信息选择初始聚类中心对象;然后采用K-medoids算法将智能电表电压曲线波动相似的台区用户聚类为3个不同用户组,进而识别低压台区用户相序。该方法在某电网公司进行了应用验证,在变压器三相不平衡严重台区开展用户相序识别,然后根据不同相序用户负载情况进行负荷再分配,从而降低该台区变压器三相负载不平衡度,取得了良好的效果。#$NL关键词：相序识别;三相不平衡;皮尔逊相关系数;密度信息;K-medoids算法     

基于三检测器的多车道车辆排队模型简

针对交通拥堵问题,提出了基于三检测器原理的多车道强交通流和弱交通流模型,解决了不同情况下交通拥挤的车辆当量排队长度计算问题,通过与交通波模型的对比分析,结果表明所提模型结果更加准确。同时,模型准确确定了车辆排队长度与车流量等影响因素之间的关系,为交通疏导确立了人工干预的时机。     

基于三检测器的多车道车辆排队模型

针对交通拥堵问题,提出了基于三检测器原理的多车道强交通流和弱交通流模型,解决了不同情况下交通拥挤的车辆当量排队长度计算问题,通过与交通波模型的对比分析,结果表明所提模型结果更加准确。同时,模型准确确定了车辆排队长度与车流量等影响因素之间的关系,为交通疏导确立了人工干预的时机。     

基于注意力机制与特征平衡的变电站多目标检测

随着电网结构的日益复杂,变电站关键设备的运行状态对电网安全稳定运行的影响逐渐增强。针对变电站复杂背景下多目标识别以及相似目标识别困难的问题,该文提出了一种基于注意力机制与特征平衡的YOLO-AFB(youonly lookonce-attentionandfeaturebalance)网络。通过在Darknet-53网络中引入混合注意力加强对变电站相关目标的特征提取能力,在特征融合模块中加入反卷积来实现特征图的自适应上采样,提出特征平衡策略来缓解特征图语义信息差别,提高特征融合的质量。在含有9类目标的变电站数据集上进行测试,所提模型整体识别精度达到了83.02%,与经典目标检测网络对比,各类目标的检测精度均有大幅提升。同时互感器等相似目标的识别也得到明显改善,验证了特征平衡的策略可以很好地解决变电站中相似目标识别难的问题。     

基于层次分析法的一种改进排名模型

本文针对排名问题,建立了基于层次分析法的综合评价模型,根据排名对象的各项指标,利用AHP法得到各项指标的权重,根据权重计算得到排名结果。之后结合时间因素,提出一种新的基于层次分析法的改进模型。同时将得到的结果与为改进的层次分析模型得到的结果进行对比分析,结果表明改进的这种模型得到的排名结果更加平稳。     

基于模糊综合评价模型的排名系统评估

针对排名问题,本文建立了基于熵权模糊综合评价模型进行求解。首先利用熵权法求解各项指标的权重,然后结合权重通过模糊综合评价法将评价指标合理模糊化后得出排名结果。同时将此结果与Topsis评价模型求解出的排名结果进行对比分析,对比结果表明基于熵权模糊综合评价模型更能消除主观因素的影响,避免各项指标之间的权重不平衡情况。     

在线毕业论文管理系统的研究

针对河南师范大学毕业论文管理的现状,经过调研发现这种管理方法有许多缺点,例如:学生由于就业等原因,经常不能在学校里撰写论文;教师也有时因为教学任务、出差等原因,导致不能及时和学生进行交流,给学生的撰写过程带来困扰。这就需要为老师和学生提供一个信息互动的平台,在线毕业论文管理系统就此诞生。本文结合传统的毕业论文管理方法,就需求分析和功能模块两方面对在线毕业论文管理系统进行研究。     

基于天气融合和LSTM网络的分布式光伏短期功率预测方法

分布式光伏发电功率高精度预测对配电网安全稳定运行有重要意义。针对分布式光伏发电设备的功率预测问题,基于天气信息和深度学习方法提出了一种分布式光伏短期功率预测方法。首先将天气进行分类融合,实现训练集的全面覆盖;然后基于长短期记忆网络（long short-term memory,LSTM）深度学习方法构建分布式光伏短期功率预测模型;最后实现分布式光伏功率预测。