基于深度学习的无人机飞行轨迹及地质勘测研究

为了对无人机的飞行轨迹及地质灾害勘测进行研究,首先基于深度学习、无人机等相关理论,对无人机飞行高度、图像分辨率以及地质勘测所消耗时间三者之间的关系进行分析;其次将卷积神经网络模型应用于地质勘测图像精度研究中;最后引入Sigmoid算法对无人机的飞行轨迹进行分析。结果表明：无人机的飞行高度与图像分辨率成反比、与地质勘测所用时间成正比。在同一高度、不同控制点的情况下,卷积神经网络模型能够缩小数据的点位误差以及高程误差,并且随着控制点的增多,精确度也会越来越高。将Sigmoid算法引入无人机的姿态控制以及速度控制中,能够将姿态控制的误差限制在-0.5~1之间,速度控制误差限制在-0.3~0.3之间,可见不管是卷积神经网络模型还是Sigmoid算法都对无人机的发展具有优化作用。因此,深度学习下飞行轨迹规划以及地质灾害勘测,对无人机的快速发展具有很大的参考意义。     

固定翼无人机在输电线路防灾减灾中的应用∗

无人机技术巡检输电线路的运用逐步广泛,通过研究其防灾平台系统、防灾差异化勘察模式、现场勘灾广域图像及视频传输方法,实现在各种灾害模式下的无人机防灾实时监测,并精准分析输电线路存在的隐患灾害,提高巡线效率,确保电力线路运行的安全性及可靠性.     

基于电池电流前馈控制策略的两级式双向储能变流器控制

当下储能发展的速度以及多样性催生了多种不同电压等级的储能电池,所以能适应不同电压等级电池组的双向储能并网系统是当下分布式发电发展的关键,而由于直流的DC/DC变流器具有升压功能,所以将直流斩波与逆变背靠背设计能够满足此条件,但是由于在电池充放电过程中直流母线电压存在严重暂态波动,严重降低了储能系统的稳定性。为此本文针对背靠背的储能变流控制系统在充放电过程中所出现的暂态性提出一种基于电池参考电流前馈补偿控制策略,并采用不同电压等级的电池接入系统进行仿真验证。     

基于SVM-BP混合网络的输电线路安全评价模型研究

为了能够科学、客观地评价输电线路安全状态，提出了基于SVM-BP混合网络的输电线路安全分析模型。首先，对天气数据、输电线路标准文件和缺陷数据等进行处理和分析，利用关联规则和主成分分析法对输电线路缺陷数据进行整合，建立输电线路安全状态评价体系；然后，提出了SVM-BP混合网络模型挖掘各因素与缺陷状态间的关联，评价输电线路的安全状态；最后，以某地区输电线路为数据集进行验证，该评价模型的准确率达到97.4%，可以快速准确地评价输电的安全状态，并在灾害性天气下提前做好应对措施，保证输电线路的稳定运行。