基于Spark和IPPSO_LSSVM的短期分布式电力负荷预测算法

为了提高电力负荷预测的精度,应对单机运算资源不足的挑战,提出一种改进并行化粒子群算法优化的最小二乘支持向量机短期负荷预测模型。通过引入Spark on YARN内存计算平台,将改进并行粒子群优化(IPPSO)算法部署在平台上,对最小二乘支持向量机(LSSVM)的不确定参数进行算法优化,利用优化后的参数进行负荷预测。通过引入并行化和分布式的思想,提高算法预测准确率和处理海量高维数据的能力。采用EUNITE提供的真实负荷数据,在8节点的云计算集群上进行实验和分析,结果表明所提分布式电力负荷预测算法精度优于传统的泛化神经网络算法,在执行效率上优于基于Map Reduce的分布式在线序列优化学习机算法,且提出的算法具有较好的并行能力。     

基于云计算和极限学习机的分布式电力负荷预测算法

为了提高电力负荷预测精度,应对电力系统智能化所带来的数据海量化高维化带来的单机计算资源不足的挑战,提出了一种在线序列优化的极限学习机短期电力负荷预测模型。针对电力负荷数据特性,对极限学习机预测算法进行在线序列优化;引入分布式和multi-agent思想,提升负荷预测算法预测准确率;采用云计算的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力。选用EUNITE提供的真实电力负荷数据进行算例分析,在32节点云计算集群上进行实验,结果表明基于该模型的负荷预测精度均优于传统支持向量回归预测算法和泛化神经网络预测算法,且提出的算法具有优异的并行性能。     

基于改进YOLO算法的光纤环绕制缺陷检测

作为光纤陀螺仪的核心部件,光纤环的绕制质量对光纤陀螺的精度至关重要。为了保证光纤环绕制的准确率和效率,提出了一种基于改进YOLO算法的目标检测方法。该方法采用Shufflenetv2网络来替代YOLO主干网络中的卷积层和池化层,提升了网络的特征提取能力;加入Focus模块提升训练速度;采用K-means聚类算法对原始锚框进行聚类,得到适用于光纤绕制缺陷的预测框,提高缺陷检测的准确率;同时修改损失函数,使用CIOU来计算定位损失,使用Focal Loss作为置信度损失和分类损失函数,加快网络收敛;并进行了数据增强,增强了网络的泛化能力。实验结果表明,改进后的YOLO算法的平均准确率达到了99.63%,相比于原始的YOLOv3-tiny算法提升了2.06%,检测速度达到91 fps,这将保证了光纤环的绕制系统的实际应用。     

基于Dropout优化算法和LSTM的铅酸蓄电池容量预测

针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM（long short-term memory）神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。     

基于APRIORI-贝叶斯优化XGBoost的电力通信网根告警预测

电力通信网根源性告警的精准预测,能够辅助运维人员提前对通信网高风险点进行高效排查和快速定位,从根源上避免区域性通信故障和衍生告警,降低网络风险和运维成本。针对现有研究中电力通信网根告警预测源数据冗余、准确率不高的问题,面向电力通信网根告警提出基于APRIORI-贝叶斯优化XGBoost的预测模型,利用APRIORI算法优化预测模型输入,挖掘根告警影响因素间的关联规则,借助关联规则概率化方法确定关键影响因子,降低贝叶斯优化XGBoost模型训练数据冗余度,提高数据价值密度,进而提升模型效率和告警预测精度。实验结果表明,所提算法在预测准确率、召回率和F-值等性能上均取得良好的效果,并在最小支持度为15%时达到最优预测结果,能为电力通信网高效运维和故障排查提供技术支撑。     

基于多种不确定因素相似度匹配的母线负荷预测算法

母线负荷预测是合理安排生产调度计划和实施节能发电调度的保障。对母线负荷进行了精细化分解,通过考虑历史样本数据的类型,以及影响负荷变化的星期类型、气象类型、运行方式变化等外在因素,提出了基于多种不确定因素相似度匹配的母线负荷预测算法,在此基础上,利用逐点分配因子法实现各种母线负荷成分的剥离。通过算例验证得出:采用该方法预测的平均日母线负荷预测准确率和合格率均符合考核标准要求,工业行业负荷的预测准确率达到95%以上。由此证明了该方法具有可行性和实用性。     

一种可变周期反馈的动态负载均衡算法

为了提高负载不均衡系统中并行计算效率,基于反馈机制设计动态负载均衡算法.该算法采用可变周期反馈设计,通过反馈负载信息和预测节点处理能力进行任务重分配.将周期长度与负载状态关联,当负载变化频繁时,缩短反馈周期,增强自适应性;当负载稳定时,增加反馈周期,减少额外开销.将该算法应用于半经典分子动力学力计算,对信息收集策略、反...     

基于改进飞蛾扑火算法的BP神经网络蓄电池寿命预测

基于电网蓄电池充放电试验数据,建立基于改进飞蛾扑火算法的BP神经网络蓄电池寿命预测系统。针对神经网络算法缺陷,选择飞蛾扑火算法与其结合;引入立方混沌映射种群初始化策略,增加全局搜索多样性;引入Lévy飞行策略,增加种群的多样性;引入变尺度混沌变异策略,增加局部搜索性能;借助差分进化算法思想,提高算法求解大规模问题的能力。将基于改进飞蛾扑火算法的BP神经网络模型应用到蓄电池寿命预测中,仿真试验对比表明,该方法具有更高的准确率。     

基于贝叶斯神经网络的风电短期功率预报研究

提高风电功率预报的准确率对电网的安全运行调度有着重要的意义。针对标准BP学习算法泛化能力不强的问题,设计了一种基于贝叶斯正则化算法修正权值的学习算法,用于风电的功率预测。仿真结果对比表明新的算法具有比标准BP算法和径向基神经网络具有更好的泛化能力,同时取得了良好的预测效果。     

基于云计算平台实现电网短期负荷预测算法的研究

短期电网负荷预测在任何电力系统的运行决策中都起着重要作用。由于负荷短期预测的实时性要求与在大型数据集上执行复杂的计算过程所需的高计算能力相冲突,提出了基于支持向量回归的短期电网负荷预测算法,并基于云计算平台实现了该算法。将所提预测算法分别在云计算平台和单机计算平台上进行对比实验,结果表明基于云计算平台的实现有效提高了算法执行效率。     

基于特征向量提取的点云配准算法

为提高现有配准算法精度和配准效率,提出了一种基于点云特征向量提取的点云配准算法。该算法利用点曲率和邻域内点数量作为综合判据筛选特征点,然后对特征点进行主成分分析提取特征向量,利用特征向量变换关系求解待配准点云之间的变换矩阵实现粗配准,精配准阶段创建点云k维二叉树,通过k维二叉树最近邻搜索来提高ICP算法精配准效率。为验证算法的有效性,将本文算法与多种配准算法在公开数据集Bunny和Horse以及实测环境点云数据进行配准实验对比分析,实验结果表明,计算时间相较于ICP算法减少60%,所提算法具有良好的精度和配准效率。     

基于YOLOv3的轻量化口罩佩戴检测算法

当前疫情防控形势严峻,在人群密集场所进行实时快速的口罩佩戴检测可以有效降低病毒传播的风险。针对目前人工检测效率低的问题,提出一种基于YOLOv3的轻量化口罩佩戴检测算法。使用ShuffleNetv2替换原来的主干特征提取网络,降低网络参数量,减少计算功耗。提出将SKNet注意力机制引入到特征融合网络部分,增强不同尺度的特征提取能力;使用CIoU作为边界框回归损失函数,进一步提高检测精度。在构建的人脸口罩检测数据集上实验表明,与原YOLOv3相比,本文所提算法在保持较高检测精度的情况下,检测速度提高了34FPS,有效地实现了准确快速的口罩佩戴检测,与其他主流目标检测算法相比,该算法也具有更好的检测效果。     

基于深度学习的改进型YOLOv4输电线路鸟巢检测与识别

针对输电线路无人机巡视图像经典鸟巢检测算法权重参数范围大、识别效率低、识别精度低的缺点,提出了一种改进型YOLOv4输电线路鸟巢检测与识别方法。首先,选取Mosaic图像增强技术对图片集进行多种变换,变相增加图片集中的小目标数量。其次,在骨干特征提取网络中,通过引入深度可分离卷积来提高检测网络的速度;在YOLO头中,基于K-means++算法改进锚框的大小和比例,基于最小凸集建立回归损失函数。最后,在PANet和YOLO头之间增加2个SPP模块,进一步增强特征融合能力,提高小目标检测能力。利用某供电局无人机巡检图像制作数据集,将提出的算法与其他目标检测算法进行对比实验研究。实验结果表明,改进后的算法有更高的鸟巢检测准确度和更低的运算开销。     

基于改进GSA-SVM模型的电力变压器故障诊断

准确评估输变电设备运行状态是电力企业生产技术工作的核心内容。为提高电力变压器故障诊断精度,避免传统引力搜索算法（GSA）自身收敛速度慢且易陷入局部最优区等不足,提出一种利用混沌序列改进GSA的支持向量机（SVM）模型,用于电力变压器故障诊断中。首先利用混沌序列来增加重力粒子的多样性,目的是避免在其训练时陷入局部最优区;然后利用改进的GSA算法来优化SVM模型自身的参数,从而提升该模型的预测准确率;最后将预测结果与其他3种传统诊断模型的预测结果进行了对比分析,结果表明利用混沌序列改进的GSA-SVM模型有着更好的泛化能力以及更高的分类准确率。     

基于改进EfficientDet的药丸检测算法

针对药剂师在药丸分拣过程中因疲劳而出错的问题,本文提出了一种基于改进EfficientDet的药丸检测算法。首先,引入Mosaic数据增强技术来提高采样数据的复杂度;然后,对主干网络EfficientNet进行改进优化,嵌入了CBMA模块的特征融合层,通过增强学习特征提高对药丸关键特征的提取能力;最后,对BiFPN特征融合部分增加了下层到上层的跨级数据流,通过充分利用多级数据,提高了不同层次的多尺度特征融合效率。实验表明,改进后的EfficientDet算法在测试中mAP值达到99.84%,相比较原始EfficientDet算法提高了0.65%,同时也比YOLOv3,YOLOv4和YOLOv4-Tiny等性能较好的目标检测网络具有更高的准确率和更好的实际应用性。     

基于数据挖掘的风电功率预测特征选择方法

输入特征向量的选择是建立风电功率预测模型中至关重要的第一步,但由于风电机组的待选监测量项目过多、部分监测量与风电功率的相关性不明显甚至不相关、信息冗余量大等因素造成输入向量集的选取不够合理,进一步影响功率预测模型的准确性。针对这一问题,在综合对比研究了邻域粗糙集、随机森林和互信息这三种较为有效的用于特征选择的数据挖掘算法的基础上,提出了一种综合性能较好的基于随机森林筛选风电功率预测模型输入向量的方法,并分析了另两种方法的特点和适用范围,最后使用风机的实际运行数据,基于最小二乘支持向量回归算法对文中所提出的方法进行了验证。仿真结果表明,该方法能够通过减少功率预测模型的输入向量有效地降低模型复杂度,不仅加快了模型的预测速度而且提高了预测的精度。     

基于改进RetinaNet-GHM算法的钢板表面缺陷检测

针对传统钢板表面缺陷检测方法效果差、缺陷定位不准确等问题,提出一种基于改进RetinaNet-GHM的深度学习检测算法。首先,引入路径聚合特征金字塔网络融合浅层和深层语义信息,提升网络对小目标的检测效果;然后,使用GHMC和GHMR损失函数对缺陷进行分类和定位;最后,引入高斯形式的软化非极大值抑制算法,提高检测精度。实验结果表明,改进的RetinaNet-GHM算法的平均精度均值为76.7%,裂纹、夹杂、斑块、麻点、压入氧化铁皮以及划痕六类缺陷的平均精度分别为45.2%、88.2%、94.2%、86.1%、65.1%和87.4%。通过与其他经典算法相比,改进的RetinaNet-GHM算法具有较好的检测效果     

XGBoost算法在风机主轴承故障预测中的应用

针对传统机器学习算法处理海量风机数据采集与监视控制(SCADA)监测数据效率低和准确度差的问题,提出利用极端梯度提升(XGBoost)算法预测风机主轴承故障。首先,对风机主轴承SCADA数据开展特征分析,挖掘和发现特征与故障之间的关联关系,并评估各特征的重要性;然后利用XGBoost算法构建主轴承故障预测模型,进行模型评估;最后,依据SCADA系统收集的实测数据对模型进行训练和测试,并调整XGBoost模型的主要参数,提高预测准确率。通过与经典梯度提升决策树(GBDT)算法诊断结果相对比,结果表明XGBoost在风机主轴承故障预测的效率和准确度方面均优于GBDT算法,是处理SCADA大规模数据集的有效工具。     

注意力机制优化的全尺寸目标检测方法

针对现有目标检测算法全尺寸目标检测精度低的问题,提出了一种改进的基于YOLOv3模型的全尺寸目标检测算法。该方法设计了一种全新的通道自适应递归FPN网络架构,提出了一种基于通道注意力的递归金字塔模型,提高了YOLOv3的特征提取能力和不同尺度目标的检测能力。同时在训练过程中引入损失函数转换,解决了训练过程中动态参数不优化的问题。与其他主流目标检测算法相比,本文提出的改进模型在小尺寸目标、大尺寸目标与复杂背景多尺寸目标的检测精度分别提高了5.6%、2.6%、1.6%。实验结果表明,本文提出的方法检测精度显著提升。     

基于IWOA-SVM的电路软故障诊断

针对DC-DC电路软故障诊断准确度不高的问题,提出了一种基于改进鲸鱼（IWOA）优化支持向量机(SVM)的电路软故障诊断方法。首先,对故障信号进行VMD提取特征向量;然后通过引用反馈机制来改善传统鲸鱼算法的全局搜索能力防止陷入局部最优,把线性因子改为非线性因子用来平衡全局搜索和局部开发能力来改进鲸鱼算法,以解决易陷入局部最优和局部开发能力低的问题。最后建立IWOA-SVM模型用来进行电路软故障诊断,最终对电路软故障诊断准确度不高的问题,实现了高效的诊断。根据故障诊断的结果表明,改进后的鲸鱼算法优化支持向量机相比本文对比的其他方法具有更好的诊断效果。故障识别准确率达到了99.1667%。