变电二次线智能检测技术及实践应用

电力二次回路是保证电路安全稳定运行的基础,但是在二次回路使用中不可避免地会出现故障,此时使用 二次线检测技术可快速锁定故障.为提高二次线检测水平,通过总结分析二次回路特征、检测必要性,并使用检测装 置进行二次线检测,明确检测装置使用方法,从而提高二次线检测水平.希望通过分析及检测装置的应用,为相关工 作者提供参考.     

考虑死区的水轮机调节系统非线性自抗扰控制

针对含死区环节和机械时滞的水轮机调节系统,提出了一种改进状态误差反馈控制律的自抗扰控制方法。首先,考虑电液随动系统传动过程中存在的间隙特性,建立含非线性死区环节和机械时滞的水轮机调节系统数学模型。其次,通过坐标变换将具有死区和时延特性的状态空间方程转化为可控标准化数学模型。然后,引入PID积分环节,设计新型的自抗扰控制器,消除状态误差反馈控制律处理误差信号过程中出现的抖振现象。最终,基于Lyapunov稳定性定理,分析系统误差方程,证明了扩张状态观测器的收敛性。仿真结果表明,所提控制器在不同运行工况下的控制效果均优于PID控制和传统自抗扰控制,验证了所设计控制器的有效性和优越性,具有良好的参考价值。     

水库群消落期多目标智能优化调度研究

本文考虑了河道天然流量模式调度需求,以发电量、供水满足度最大和河道流量偏差函数值最小为目标,建立了水库群消落期多目标优化调度模型,采用非支配排序遗传算法求解,以湘江流域东江-双牌-涔天河水库群为研究对象,进行了实例分析。研究结果表明：相比常规方案,在丰、平、枯水年情景下,发电量最大方案分别能提高1571万kW·h(11.2%)、1167万kW·h(10.9%)和811万kW·h(10.0%)的发电量;生态效益最好的方案,能减小1.56(61.2%)、0.33(6.3%)和0.89(13.6%)的河道流量偏差函数值;供水满足度最大的方案能提高2.1%、2.6%和3.4%的供水效益。构建的水库群消落期多目标优化调度模型可为长江流域水库群消落调度提供理论参考。     

带异形孔的双稳态压电能量采集器研究

针对传统线性压电悬臂梁能量采集器共振频率高、偏离共振频率时输出电压快速下降的问题,该文设计了一种悬臂梁基板上带异形孔的新型双稳态能量采集器。建立该能量采集器的理论模型,并制作了实验样机,研究了该能量采集器在外界不同正弦激振频率下,磁间距对其输出电压和工作频带的影响。结果表明,随着磁极对间距减小,带异形孔结构的双稳态能量采集器的双稳态效应先增强再减弱,由此确定最佳磁极对间距为12 mm,谐振频率为18 Hz,最大输出均方根电压达到12.01 V,采集器有效工作频率为15.5～22.5 Hz,工作带宽达到7 Hz,带异形孔的双稳态能量采集器具有更宽的采集频带,在低频振动环境下具有更高的输出电压响应。     

用于光场成像的超构衍射光栅阵列优化

为提高矢量光场显示亮度和视角均匀性,提出了一种应用于圆偏振光场成像的超构光栅结构。利用严格耦合波分析,逐像素对超构光栅结构进行仿真,研究了入射光偏振状态、光栅结构、入射角度对-1级光衍射效率的影响规律。仿真结果表明,圆偏振光显示可以使得光栅衍射效率稳定高效,当光栅周期为500 nm时,与基于TE和TM设计的光栅结构相比,圆偏振光设计的光栅结构衍射效率提高了18.5%和2.6%;光栅高度和占空比对衍射效率具有明显的影响。综合考虑光栅制备难度、衍射效率和视角均匀性,设计了一种高度为0.6μm,占空比为0.4的光栅阵列结构应用于圆偏振光场显示,系统衍射效率可以达到40%以上,具有较优的综合性能,对超构光栅设计制备和裸眼3D显示具有一定指导意义。     

基于机器学习的配电网异常缺失数据动态清洗方法

针对传统配电网数据清洗过程中异常数据判断阈值需要人为设定、缺失数据填补效率不佳的局限性,提出基于机器学习的配电网异常缺失数据一体化动态清洗方法。首先,基于局部异常因子检测算法和高斯混合模型,提出一种异常数据动态检测改进算法,实现配电网异常数据阈值的准确自动选择。其次,基于随机森林算法与最小二乘回归法,提出一种配电网缺失数据动态填补算法。根据缺失数据时间长度自适应优化填补算法,在保证数据填补精度的同时降低计算时间。在此基础上,通过异常数据检测和缺失数据填补共同构建一体化动态清洗架构。采用湖南某地区配电网数据进行实例验证,结果表明所提方法可实现异常辨识阈值准确自动选择,有效检测配电网异常数据,并且实现缺失数据填补精度与速度的平衡,具有较好的工程应用价值。     

基于深度学习与SVM的吸毒成瘾者识别

提出一种使用PCA和线性判别器的神经网络模型,利用深度学习方法通过面部图像及抽象特征中的局部信息识别吸毒成瘾者的成瘾程度和社区矫正时间。首先对主干网络Res Net50进行预训练;再使用PCA降低特征数、Fisher判别器进行预判,从而使模型的训练时间减少、特征提取更加准确和快捷;最后网络末端通过全连接层与SVM函数的组合进行分类。随机梯度下降的优化目标采用了交叉熵损失。实验表明,此方法对于吸毒成瘾程度的识别准确度可达81.74%,对于社区矫正时间的识别准确率可达60.59%。     

基于变分主题模型的半监督文本分类

为解决实际应用场景中常面临的数据标注不足的问题,提出一种基于变分主题模型的半监督文本分类模型。首先使用无监督变分主题模型挖掘出语义信息集中的文档-主题分布,作为有效的文档特征表示,再通过半监督方式训练分类器。基于神经网络的变分主题模型相较传统的主题模型,不仅可以得到合理的主题,而且推断速度更快。在20NewsGroup等数据集上的实验结果表明,所提出的模型仅使用30%的训练数据就可以取得与使用90%训练数据的半监督基线模型相当甚至更好的结果,证明了所提出模型的正确性和实用性。     

安全帽佩戴检测网络模型的轻量化设计

现有的安全帽佩戴检测网络模型存在准确率低、推理速度慢、部署到边缘计算设备时精度和实时性均达不到应用要求等问题。提出一种轻量化设计的DT-YOLO模型,对YOLOv4-Tiny目标检测模型进行改进,通过增加一个检测层提高模型在密集场景下对小目标的检测能力,并引入空间金字塔池化模块,提高模型对不同尺寸目标的检测能力。使用局部稀疏因子衰减算法进行稀疏化训练,从而使经过稀疏化训练后模型的平均精度均值（mAP）得到提高。根据缩放系数判断通道的重要性,并进行模型的通道剪枝,压缩模型的大小和计算量。使用TensorRT推理加速引擎进行网络层水平和垂直融合,消除拼接层操作,并将参数压缩成16位浮点型,提高模型的推理速度,最后在Jeston Nano边缘计算设备上实现模型部署。实验结果表明,与YOLOv4-Tiny模型相比,DT-YOLO模型的mAP提高了3.6个百分点,模型大小减少了83.5%,帧率提高137.7%,能够满足安全帽佩戴检测的要求。     

一种融合变量的日志异常检测方法北大核心CSCD

为了充分挖掘日志中变量的潜能,优化日志异常检测效果,文章提出一种融合变量的日志异常检测方法SiEv。首先,该方法可以识别主体变量,并根据主体变量将日志划分为不同片段;然后,SiEv以这些日志片段为输入,基于长短期记忆网络(Long Short-Term Memory,LSTM)训练或检测异常,从而避免不同主体的日志序列特征相互干扰;最后,根据日志片段将SiEv划分为多个类别,从不同角度检测日志。为了验证文章所提方法的有效性,SiEv对Loghub所提供的日志数据集进行测试。实验结果表明,SiEv能够发现多种类型日志中存在的异常,识别同一主体的活动行为模式和变化趋势。