省级电网企业数据全面管控探索与应用

为增强数据资产管理,国网江苏省电力有限公司结合全业务统一数据中心建设成果,推进省级电网企业数据全面管控探索与应用.研究数据管理的方法和支撑工具,针对不同类型的数据用户,通过夯实数据资源台账、提升运维管理能力、优化资源应用服务三方面,围绕公司数据资源"管控全覆盖、监测全方位、流程全自动、服务全支撑"的"四全"目标,全面实现公司数据资产精益化管理,运用数据驱动公司运营发展.     

融合注意力机制与全局特征网络的行人重识别算法研究

行人重识别是近年来计算机视觉领域的研究热点,已被广泛应用在智能视频监控、安保系统等多个领域。但在实际应用场景中,图像数据会受到摄像机差异、物体遮挡、行人姿态视角改变等因素的影响,因此,克服以上问题成为了当前行人重识别研究所关注的重点问题。对于行人重识别方法在面对遮挡和复杂背景应用场景下的干扰信息影响精度的问题,提出了引入空间注意力机制,对拓扑关系遮挡行人重识别算法的全局特征提取网络进行改进,将基于空间注意力的特征提取网络与拓扑关系遮挡行人重识别算法中的作为Backbone网络的RestNet50进行优化改进。在公开的Occluded-Duke数据集和Market-1501数据集上进行测试,实验结果显示改进算法的评价指标有明显提升。     

基于FAST和DAISY的遥感图像配准算法

图像配准是计算机视觉中诸多问题的基础,基于图像特征的配准方法仍然是该领域的研究热门。为了提高算法的效率,拥有更好的实用性,本文提出了一种基于FAST-DAISY的遥感图像配准方法。首先运用FAST算法提取特征点,提出分配主方向的方法,利用DAISY算法建立描述符,得到特征点集后,使用RANSAC(随机抽样一致性)算法剔除误匹配点对,最终估计仿射变换参数,利用二次线性插值法得到配准后的遥感图像。实验结果表明,本文算法对于平移、旋转、灰度差异、地物差异、位置差异、小尺度差异和噪声干扰的遥感图像有较好的配准效果,匹配时间通常介于SIFT算法和SURF-DAISY算法之间。综上所述,该算法在实用性上有较大优势。     

基于Transformer模型的电力负荷预测

根据已知的历史用电需求来预测未来的用电需求是电网稳定且经济运行的重要一环。针对现有电力负荷预测方法存在无法准确长期预测的问题，提出一种新的基于Transformer模型的电力负荷预测模型。该方法在循环神经网络可以捕捉用电负荷短期依赖的基础上，通过编码器-解码器结构很好地捕捉了电力负荷的长期依赖特征；通过建立电力负荷数据集，训练得到了具备精准预测能力的Transformer模型。实验结果表明，Transformer模型具有较高的预测精度，随着预测时间巨幅增加，预测误差只出现了微小累积，该模型较好地预测了电力负荷可能出现的波动，且无时滞效应。