基于ZigBee的小区停车场智能管理系统设计

介绍了一种基于ZigBee无线技术的小区停车场管理系统的设计方法。该系统前端将ZigBee协调器安装在停车场的每个进出口,由协调器将读出的信息通过ZigBee无线网络传输到控制系统。控制系统在实现对小区车辆进行科学管理的同时,实时采集车辆的安全信息,和防盗报警相结合确保车辆安全管理。     

基于深度置信网络和多维信息融合的变压器故障诊断方法

为了综合多维度信息,快速准确判断变压器缺陷,同时解决多维度信息融合权重难以确定的问题,文中基于深度学习理论,采用稀疏受限玻尔兹曼机搭建了用于故障诊断的深度学习故障分类模型,结合大型变压器的多维度监测量,提出了一种基于深度置信网络和多维度信息融合的变压器故障诊断方法。该方法能够利用变压器海量的无标签多维监测数据作为学习样本,只需对少量带标签数据进行辅助优化,根据变压器实时在线多维监测数据,被训练后的模型能够对变压器本体状态做出准确的故障诊断。对某市220 k V主变进行诊断测试,结果表明,文中提出方法的故障诊断准确率较现有方法高约4%,验证了该方法的可行性和有效性。     

门禁系统在变电站中的应用

自动化技术的飞速发展使无人值守成为变电站建设的趋势,随之而来的是站内设备的安全保障风险加大,因此有必要建设一套智能系统来提高变电站的安防水平。门禁管理系统作为一种新兴的安防系统可以对各出入通道进行管理从而控制人员的出入,目前该系统主要应用在小区、银行等场所实现对出入口的安全管理。     

基于工业大数据的智能化能耗管理与故障预诊系统

主要介绍了基于工业大数据的智能化能耗管理与故障预诊系统。通过采集工厂生产设备的能耗数据,对设备能耗信息进行深度建模与信息挖掘,同时结合智能化的能耗信息故障诊断系统分析流程,实现对设备早期故障和产品质量风险的预测性管理。     

智能小区对讲系统中管理机环节的设计

管理机是智能小区对讲系统的重要组成部分，针对智能小区的管理特点，阐述了使用MCS51单片机实现对讲系统中管理机环节的原理，并对此环节进行了软、硬件设计。     

便携式可视化倒闸操作管理机的研制

主要介绍了便携式可视化倒闸操作管理机的研制,管理机包含管理端、操作端、钥匙端,基于"管理机平台",通过各端之间的信号实时传输,实现三者之间的相互关联、控制与被控制,将倒闸操作中远方监控和许可等所需的视频、通话、录音、语音式近电报警、照明、日历、时间、记录等高度集于一体。通过可视化功能,发出远方解锁指令,实现远方监控、制止违章,确保安全。同时,将倒闸操作有关操作信息、人员信息、解锁信息自动记录,以便管理、分析和检查。     

动车双冗余远程维护系统设计与实现

针对动车车载设备分布广、流动性大以及维护困难的特点,设计了一套基于Inknet中间件的远程维护系统,监控端PC机通过WCDMA 3G无线网络实现对设备远程监控和维护;然后,根据动车车载设备高可靠性、高稳定性的需求,从保障动车更加安全运行的角度,为动车监控系统提出了一种双冗余人机交互单元的设计方案,给出了详细的硬件设计框图。测试结果表明,该系统性能稳定,操作方便,提高了人机交互设备的可维护性,降低了设备的维护成本。     

基于电力设备大数据的预训练语言模型构建和文本语义分析EI北大核心CSCD

在电力设备运维管理过程中,如何运用非结构化文本信息,构造电力设备文本语义分析模型,挖掘非结构化文本信息,提升设备缺陷和故障的诊断速度和准确性,辅助电网运行检修决策,是非常具有应用价值的问题。该文提出基于超大规模预训练方法的电力设备文本语义分析模型(PowerBERT)。该模型基于多头注意力机制,采用多层嵌入语义表达结构,模型总参数超过1.1亿,实现对电力文本内蕴含的信息的理解和分析。基于超过18.62亿字符的电力标准、管理规定及检修记录文本构成的电力专业语料,并采用字符掩码、实体掩码、片段掩码等多种掩码机制和动态加载策略开展模型预训练。针对电力设备文本分析场景,在电力文本实体识别、信息抽取和缺陷诊断场景进行任务场景训练和优化。与传统深度学习算法进行对比实验的结果表明,该文所提方法在基于极少的场景任务样本的情况下,在验证集和测试集上实现召回率和精准度20%~30%的性能提升。     

分布式智能停车场系统设计

针对传统停车场使用和管理的局限性,引入实用而高效的分布式系统,利用局域网实现数据信息的共享;同时发挥集中管理、分散控制的优势,建立与智能小区配套且适应现代停车管理的分布式智能停车场管理系统,显著地提升了停车场的控制和管理效率.     

基于TensorFlow神经网络的MCR-WPT系统负载与互感识别方法

针对磁耦合谐振式无线电能传输(MCR-WPT)系统负载与互感识别精度低、速度慢等问题,提出一种基于TensorFlow神经网络的双LCC型MCR-WPT系统负载与互感识别方法.该方法基于TensorFlow深度学习框架,采用神经网络模型,将MCR-WPT系统的负载与互感识别问题等效为非线性方程的求解问题,进而转化为深度学习非线性拟合问题,并给出模型的训练方法,最后得到基于TensorFlow神经网络的MCR-WPT系统负载与互感识别模型.通过离线方式训练负载与互感识别模型,并将训练完成的识别模型导入微型控制器,只需要采集系统输入电流值和传输距离就能够实现负载与互感在线同时识别,识别速度快、精度高,有利于系统的实时控制,且成本较低、易于实现,有利于工程推广应用.     

智能家居电话网远程监控系统设计与实现

针对目前国内智能家居系统的局限性,提出一种基于电话网络为传送通道的智能家居系统,实现对家居内的安全状况进行实时监控和三表的远程抄送.采用MSP430F449为下位机,负责家居检测单元的实时数据采集和实时处理.以电话网络为传送通道实现数据通信,PC机作为上位机,负责对各智能家居的实时数据进行处理和小区综合信息进行管理控制,并向各下位机发出控制命令,实现远程控制.     

基于联邦学习的含不平衡样本数据电力变压器故障诊断

基于海量样本数据的深度神经网络可以显著提升电力变压器的故障诊断效果，但实际环境中各变压器本地数据被“数据孤岛”隔离，难以进行集中式深度训练。联邦学习可以实现多源数据的共同建模，但各变压器的非独立同分布不平衡数据会使算法性能严重下降。针对上述问题，提出一种基于联邦学习的含不平衡样本数据电力变压器故障诊断机制。与传统深度学习集中训练方式不同，文中采用多个参与者分布训练方式。每个参与者采用LeNet-5深度神经网络进行本地训练，中央服务器将本地模型进行聚合，同时引入改进的数据共享策略对云端共享数据进行选择性下发，以降低非独立同分布数据的不平衡性。实验结果证明，该机制实现了各变压器独立且不平衡数据的协同训练，对变压器故障类型的诊断精度可达到97%。     

基于路损的DCA算法的研究及实现

DCA算法实现了上行基于ISCP及下行基于TxCP的载波和时隙的优先级排序.上行采用时隙的ISCP反映了邻小区对本小区的干扰程度,但是下行基于TxCP的优先级排序,不能体现用户与邻小区的距离关系,影响算法的规模应用.在DCA算法的基础上,根据用户上报的P_CCPCH RSCP测量值计算出路损信息,对原有算法进行优化,体...     

基于多目标多智能体强化学习的低轨卫星切换策略

针对低轨卫星通信系统(LSM) 中地面用户流量需求分布不均衡和用户并发切换过多等挑战,提出了一种基于多目标 多智能体协同深度强化学习的低轨卫星切换策略,以地面小区用户流量需求满意度、切换时延、用户冲突为优化目标,采用多 智能体协同深度学习算法对目标进行优化,其中每个智能体仅负责一个小区用户的卫星切换策略,智能体之间通过共享奖励 实现协作,从而达到多目标优化的效果。仿真结果表明,所提的切换策略的平均用户流量满意度为73.1%,平均切换时延为 343 ms,对比启发式算法能够更好满足地面小区用户的流量需求、平衡卫星网络的负载。     

线损精细化管理在黄浦小区的应用实践

针对上海沪东黄浦小区2.2 km2的配电网改造,探讨了基于信息技术集成的数字化供电模式的实施,并在此基础上进一步研究了线损精细化管理的功能分析和技术实现.沪东黄浦小区线损精细化管理的实践表明,数字化供电为线损精细化分析、统计提供了技术的依据和基础.通过配电网信息化实现线损精细化管理是配电网节能降耗的一个发展方向.     

基于高速窄带载波的双预测交流充电桩智能有序充电系统

在小区配电变压器旁安装智能有序管理终端(IOMU),引入短期基础负荷预测方法,基于交流桩供电线路采用高速窄带载波通信方式,实现区域内各充电桩动态组网和信息交互。结合各充电桩用户充电量预测,采用主从式控制结构实现对网内接入的每辆电动汽车有序充电规划,确保充电过程中既考虑用户经济性,又兼顾电网安全性,实现小区内电动汽车智能有序充电。同时,搭建实际系统进行安全经济功能验证,为将来电网消纳规模化的电动汽车接入提供方案参考和基础技术支持。     

基于DTMF的小区与家庭安全系统设计

针对小区内安全监控系统可靠性能低的问题,介绍了一种基于双音多频(DTMF)技术的智能小区安全系统与家庭安全子系统.整个系统主要由家庭安全子系统、通信部分、上位机监控等部分组成,主要实现了对家庭安全的监护和小区内安全监控网络系统内的通信.家庭安全子系统以STC89C52单片机为中央处理单元,接收传感器信号和产生报警信号,...     

基于CAN总线的家庭智能控制器的设计

设计了一种基于CAN总线的家庭智能控制器,并给出了其硬件设计和软件构成.通过它可将家庭内部CAN总线和小区CAN总线联系起来,实现两条总线之间的信息传送,从而实现两个总线的物理隔离,以保证它们独立工作,互不干扰.具有通信简单易行、便于网络化管理和设备扩充、可靠性高等特点.     

基于深度学习的超短期光伏精细化预测模型研究

光伏发电系统的超短期功率预测对电网调度的计划安排及光伏发电系统的优化运行具有重要意义。机器学习、人工智能领域的技术进步为精细化分析光伏功率预测影响因素并提高光伏预测精度提供了有效途径。提出一种基于深度结构网络模型的光伏超短期功率预测方法,首先根据光伏发电系统的机理特征,分析深度学习算法处理光伏预测问题的可行性;然后提出基于深度学习算法的光伏功率预测模型,采用基于受限玻尔兹曼机的深度置信网络提取深层特征完成无监督学习过程,采用有监督BP神经网络作为常规拟合层获得预测结果;并立足于实际需求,建立含离线训练和在线预测的双阶段光伏发电预测系统,分析天气信息及历史信息的输入属性;最后利用光伏发电系统的实际运行数据进行仿真,验证算法准确性和有效性,通过比较深度结构是否包含无监督学习过程,说明其在预测中的重要性。     

多源异构数据融合的电力变压器状态评价方法

在设备运行维护中,记录了设备运行状态的非结构化数据尚未被挖掘并利用。为此,基于深度学习思想,提取运行检修过程中产生的设备缺陷记录的语义信息,并结合结构化的检测数据信息,提出了一种多源异构数据融合的电力变压器状态评价方法。该方法首先建立可识别电气专业术语的自定义词典,利用深度语义学习网络构建缺陷记录与缺陷等级间的深层映射关系;继而将基于结构化数据的计算结果和基于非结构化数据的计算结果进行加权求和,得到了不同运行状态下的隶属度。实验结果表明,所提出的非结构化信息挖掘方法具有98%～99%的分类准确度,且基于多源异构数据的变压器运行状态评价准确度达96.67%,可较准确地评估设备运行状态。