基于轮廓形状的肺部电阻抗成像三维插值方法

肺部三维信息利于医生做出更快更准确的诊断,但肺部三维重建的图像都是源自二维断层图像的叠加.二维图像的数量制约三维成像的效果,增加电极层数可获取更多层的二维图像,但同时也会增加计算量,减缓成像速度.虽然采取层间插值的方法可以解决这个问题,但是由于人体几何结构的特异性,肺部电阻抗图像(electrical impedance tomography,EIT)边界不规则,传统的规则图像插值方法不适合直接应用于肺部EIT三维插值.为此,提出适用于肺部电阻抗的插值算法,先获得插值图像轮廓,再用对应点插值像素值.通过仿真和实验验证新插值算法成像的相对误差比线性插值、样条插值成像的相对误差分别降低5.69％、3.3％.基于轮廓形状的肺部电阻抗三维插值方法,能在测量数据量有限的条件下,进一步提高三维电阻抗成像质量,更好地反映肺部的真实形态.     

EIT重建算法中Jacobi矩阵的计算及仿真

电阻抗断层成像(EIT)技术充分利用人体阻抗所携带的丰富的生理和病理信息实现功能成像.EIT图像重建是一个严重病态的非线性的逆问题,属于EIT技术的关键和难点.在简介EIT系统及工作原理的基础上,主要研究EIT重建算法中Jacobi矩阵的计算及仿真.根据有限元模型上电极的位置和编号不同得到的矩阵也不同,从EIT计算量的角度出发,重点分析了EIT反问题中雅克比矩阵的计算方法.从Newton-Raphson导出雅克比的计算公式,利用标准求导法大大降低了计算时间.最后给出了雅克比矩阵的计算仿真和相关比较.     

阵列式电容传感器优化设计及灵敏特性分析

平面电容传感器基于边缘效应工作,敏感场具有明显的软场特性,导致其检测能力易受外部因素影响而降低。为了改善敏感场分布特性,提升传感器的检测精度,提出了一种新型12电极平面阵列电容传感器,对其进行特性分析。首先,采用数值模拟方法建立三维敏感场模型,同时选取灵敏度值三维成像的方法分析子灵敏度和整体灵敏度分布特性。其次,利用评价指标P量化评判新型12电极传感器和矩形阵列传感器的敏感场分布均匀性。建立3种不同物场模型并结合Tikhonov正则化算法进行图像重建。最终结果表明新型传感器的P值减小3.6%,重建图像的平均相关系数增加7.2%。综合验证了新型12电极传感器有效改善了敏感场均匀性,提升了传感器的检测能力。     

基于小波多分辨分析和LSQR的快速EIT图像重建算法

针对LSQR(least square QR-factorization)算法在求解电阻抗层析成像(electrical impedance tomography,EIT)逆问题时,由于矩阵维数高、计算量大而导致重建速度较慢的问题,提出基于小波多分辨分析的LSQR算法(wavelet multi-resolution based least square QR-factorization,WALSQR)。该方法将EIT的图像重建过程投影到低维的尺度空间进行,通过提取有效信息减少数据计算量,明显提高了图像重建速度。同时由于去除了噪声和冗余信息,保证了成像质量。本文将SALSQR方法分别应用于二维、三维EIT成像实验,证明其有效性,并为三维动态EIT图像重建算法的研究奠定了基础。     

动态电阻抗成像时空相关性重建方法研究

电阻抗成像(electrical impedance tomography,EIT)常用于监测物场中介质分布的动态变化。对于动态EIT系统,传统成像算法以牺牲图像质量为代价,提高成像速度。利用测量数据序列的时间、空间特性,改善重建图像质量,建立了基于时间-空间相关性的动态EIT成像数学模型,将动态阻抗图像序列的低秩特性引入到目标函数中。采用增广拉格朗日乘子(augmented Lagrange multiplier,ALM)法对模型进行求解。仿真和实验结果证明新方法能够在改善重建图像质量的同时提高成像速度,从而表明新方法的有效性。     

基于生成对抗网络的注入电流式热声成像逆问题研究

注入电流式热声成像结合了电阻抗成像高对比度和超声成像高分辨率的优势,在生物医学成像领域具有广阔的应用前景.该成像方法激励效率高、检测信噪比强,但在较低频率的电磁激励下,重建目标体电导率的高分辨率图像仍然具有很大的挑战.该文提出一种基于生成对抗网络的电导率重建新方法,包含三个步骤:首先用维纳滤波反卷积,将超声探头输出的电信号还原为真实声信号;然后利用滤波反投影获得初始声源图像;最后将初始声源图像和电导率图像进行匹配,作为生成对抗网络的训练样本,构建用于电导率重建的深度学习模型.经理论分析与仿真研究发现,新方法通过引入深度神经网络,能够挖掘出蕴含在数据中的逆问题求解模型,进而重建高分辨率的电导率图像,且具有很强的抗干扰特性.新方法的提出为解决注入电流式热声成像的电导率重建问题提供了新思路.     

生物电阻抗断层成像技术及其临床研究进展

生物电阻抗断层成像技术(EIT)是一种无创无放射损伤的功能成像技术。它通过体表电极测量得到的信号重构出内部电阻抗或电阻抗变化的分布。EIT首次出现于20世纪80年代,经过30多年的发展,其基础理论、信息采集、图像重构等方面已得到较大完善,并已过渡到临床研究阶段。该技术在乳腺癌检测成像、腹部脏器功能监测成像、呼吸功能监测成像、脑功能成像等领域得到了广泛关注和快速发展。为此,简述了生物EIT的发展状况,重点介绍了最新的相关临床应用,并提出了有关研究所面临的难点和挑战。     

基于医学阻抗技术的乳腺癌检测方法

乳腺癌是危害妇女健康的主要恶性肿瘤之一,准确检测癌组织具有十分重要的意义,生物电阻抗测量技术利用生物组织与器官的电特性(阻抗、导纳、介电常数),提取与人体生理、病理相关的生物医学信息,具有无创和功能丰富等特点,目前,乳腺癌检测常用的阻抗测量方法包括电阻抗频谱测量、阻抗扫描成像、电阻抗断层成像技术.电阻抗频谱测量主要研究生物组织的电阻抗随着外加电信号频率的不同而表现出的变化;阻抗扫描成像是应用癌变组织与正常组织的电导(阻)率存在的差异,从而使得均匀分布在组织的外加电流或电压场产生的畸变;电阻抗断层成像则通过配置于人体体表外周的电极阵列,外加一微小测量电流,提取信息,重构出截面电阻特性的图像.经过大量的研究,有些方法已在临床获得应用.     

基于内源式电阻抗成像的接地网缺陷诊断逆问题研究

如何实现对接地网局部支路导体的腐蚀缺陷检测是电力部门一直致力于解决的问题。该文研究了基于电阻抗成像(EIT)技术的接地网场域电阻率分布成像方法,并对接地网腐蚀缺陷进行诊断。首先针对接地网的开域场问题,建立其内源式电阻抗成像正、逆问题模型。其次对于其逆问题的病态性,提出一种基于改进正则化的牛顿-拉夫逊迭代方法对接地网的逆问题进行求解;针对接地网场域的大尺寸和土壤与扁钢电阻率的高对比度问题,提出土壤分离和分区成像的方法,提高了图像的分辨率。最后通过实验对接地网的腐蚀缺陷进行了电阻抗成像诊断,实验结果表明该方法能够对腐蚀缺陷进行准确定位,验证了该方法的正确性。     

多相流电磁成像测井测量敏感场分析

在油井多相流电磁成像研究中,测量敏感场的研究是设计测量仪器和图像重建的前提工作。本文根据阵列电极结构和测量电磁场特性,应用有限元求解流体截面的电磁场问题,对于不同介质分布模型,计算电势分布,进而模拟测量敏感场。计算结果表明,在靠近发射电极和测量电极的区域敏感性较强,在弧形区域的中间敏感性较小,同时在接地电极附近存在小的“负敏感”区域,形态上测量敏感场呈马鞍面状分布。     

基于深度强化学习的主动配电网高恢复力决策方法

随着全球极端天气事件频发,电力系统在极端自然灾害下恢复力的研究日益受到关注。本文提出基于深度强化学习的高恢复力决策方法,将极端灾害下配电网运行状态和线路故障状态作为观测状态集合,自学习智能体Agent在当前环境观测状态下寻求可行的决策策略进行动作,定义自学习Agent的回报函数以进行动作评价;采用观测状态数据,开展基于竞争深度Q网络(dueling deep Q network,DDQN)的深度强化学习(deep reinforcement learning,DRL)训练,智能体Agent通过试错学习方式选择动作,试错经验在估值函数Q矩阵中存储,实现状态到主动配电网实时故障恢复策略的非线性映射;最后结合改进的IEEE 33节点算例,基于蒙特卡罗法仿真随机故障场景,对所提出方法生成的故障恢复随机优化决策进行分析。结果表明:通过主动配电网的分布式电源、联络开关和可中断负荷的协调优化控制,可以有效提升极端灾害下供电能力。     

计及柔性负荷调节能力的有源配电网动态优化方法

为了解决复杂配电网的优化运行问题,提出了一种配电网综合运行优化方法.首先,通过量测数据获取配电网运行状态,当配电网出现电压异常或过载时,通过粒子群算法调整分布式电源出力值和柔性负荷值,优化配电网运行状态;检测配电网是否恢复正常,若配电网运行指标未恢复正常,进一步对配电网的网络拓扑进行重构优化,继而进一步调整分布式电源出...     

基于深度学习的直流配电网分布鲁棒优化调度方法

随着分布式资源的大规模接入,直流配电网能量损耗小、控制灵活的优点凸显。针对直流配电网传统物理优化模型效率低的问题,提出了一种基于深度学习的直流配电网分布鲁棒优化(DRO)调度方法,其采用深度学习方法替代了基于场景的DRO模型的迭代求解过程,通过直接预测典型场景的最恶劣概率分布来提高模型求解效率。构建直流配电网基于场景的DRO物理模型,采用列与约束生成算法迭代求解生成深度学习的训练数据;以光伏出力、负荷、范数置信度为输入,以最恶劣概率分布为输出,构建深度神经网络模型;基于训练好的神经网络预测实时输入的光伏出力、负荷、范数置信度的最恶劣概率分布,构建最恶劣概率分布下的单层随机规划模型,获取等效的基于场景的DRO调度策略;采用33节点直流配电网系统为算例,验证所提方法在求解效率和计算精度方面的有效性。     

基于深度强化学习的城市配电网多级动态重构优化运行方法

随着配电网分布式电源的大量接入以及城市区域负荷的快速发展,使得配电网运行环境愈发复杂。同时由于配电网重构涉及大量的开关状态二进制零散变量,现有优化方法很难求解大规模城市配电网重构问题。基于此,提出一种基于深度强化学习的城市配电网多级动态重构方法。首先,建立基于深度学习的配电网多级重构快速判断模型,通过该模型实现对重构级别在线决策,并对智能体动作空间进行降维。其次,使用含参数冻结和经验回放机制的深度Q网络对预测负荷、光伏能源输出功率等环境信息进行学习。以运行成本、电压偏移度以及负荷均衡度最优为目标,通过习得的策略集对配电网进行动态重构与运行优化。建立多智能体强化学习模型,对各个时段的不同重构主体进行联合优化。最后,通过算例分析验证了所提方法的有效性。     

含放射性约束条件的配电网重构研究

研究网络重构是配电网运行及优化的重要功能之一,在各种重构算法中,网络模型通常采用放射性的拓扑结构。为保证重构结构满足拓扑的放射性约束,把放射约束的数学模型纳入到含分布式电源(DG)的网络重构系统中,使以往复杂的方法转化为一个简单而有效的方法。进而把该放射性约束条件运用于基于粒子群优化算法的配电网重构中,克服了粒子群寻优的盲目性,提高运算速度。最后通过IEEE33和IEEE69节点算例表明,放射性条件的约束和DG的引入能够更进一步实现整个网络重构方案的优化。     

基于价值分解深度强化学习的分布式光伏主动电压控制方法

针对主动电压控制问题,深度强化学习能够有效地解决数学优化方法在精确性和实时性方面的不足。但传统多智能体深度强化学习方法存在信用分配、过度泛化等问题,难以学习到全局最优的协调策略,控制效果较差。为此,提出了一种基于价值分解深度强化学习的分布式光伏主动电压控制方法。将主动电压控制问题建模为分布式部分可观测马尔可夫决策过程,然后基于中心化训练和去中心化执行框架,提出分解式价值网络、集中式策略梯度2项改进措施：将全局价值网络分解为个体价值网络和混合网络,并采用所有智能体的当前策略进行集中参数更新。改进的IEEE 33节点配电网系统的算例结果表明,所提方法表现出了优越的稳压减损控制性能,且在训练速度、场景鲁棒性等方面具备一定的优势。     

基于量子粒子群算法多目标优化的配电网动态重构

为保证配电网动态重构后系统安全稳定的运行,提出了以网损和节点电压稳定性为目标函数的量子粒子群算法的配电网动态重构。针对配电网动态重构过程中时段划分问题,提出以负荷曲线的单调性和幅值变化大小为依据初步划分时间段落。采用整数型量子粒子群算法进行动态重构,重构过程中以相邻时段的网损变化值的关系获取最佳重构段落,然后综合考虑配电网网损最小和节点电压值最大且波动最小为目标寻找最佳重构结构。以IEEE33配电系统为例验证了所提方法的有效性和实用性。     

Application of artificial neural networks for optimization ofelectrode contour

In this paper artificial neural networks (NN) with supervised learning are proposed for HV electrode optimization. To demonstrate the effectiveness of artificial NN in electric field problems, a simple cylindrical electrode system is designed first where the stresses can be computed analytically. It is found that once trained, the NN can give results with mean absolute error of ~1% when compared with analytically obtained results. In the next section of the paper, a multilayer feedforward NN with a back-propagation algorithm is designed for electrode contour optimization. The NN is first trained with the results of electric field computations for some predetermined contours of an axisymmetric electrode arrangement. Then the trained NN is used to give an optimized electrode contour in such a way that a desired stress distribution is obtained on the electrode surface. The results from the present study show that the trained NN can give optimized electrode contours to get a desired stress distribution on the electrode surface very efficiently and accurately     

基于深度强化学习的配电网多时间尺度在线无功优化

含分布式电源的配电网存在潮流建模不精确、通信条件差、各无功补偿设备难以协调等问题,给配电网在线无功优化带来了挑战.文中采用深度强化学习方法,提出了一种多时间尺度配电网在线无功优化运行方案.该方案将配电网在线无功优化问题转化为马尔可夫决策过程.鉴于不同无功补偿设备的调节速度不同,设计2个时间尺度分别对离散调节设备和连续调节设备进行优化配置.该方案能够实时追踪配电网状态,在线决策无功调节设备的优化方案,且不依赖精确的潮流模型,适用于复杂多变、通信条件差的部分可观测配电网.最后,通过算例验证了所提方法的有效性和鲁棒性.