基于transformer自适应特征向量融合的图像分类

针对目前基于transformer的图像分类模型直接应用在小数据集上性能较差的问题,本文提出了transformer自适应特征向量融合网络,该网络在特征提取器中将不同阶段的特征进行融合,减少特征信息丢失的同时获得更多不同感受野下的信息,同时利用最大池化来去除特征中的冗余信息,从而使提取的特征更具有判别性。此外,为了充分利用图像的各级特征信息来进行分类预测,本文将网络各阶段产生的特征向量进行融合,使融合后的特征向量更具有表征能力,从而减少网络对大数据集的依赖,使网络在小数据集中也能获得很好的性能。实验表明,本文提出的 算法在数据集Mini-ImageNet-100、CIFAR-100和ImageNet-1k上的TOP-1准确率分别达到了74.22%、85.86%和81.4%。在没有增加计算量的情况下,在baseline上分别提高了6.0%、3.0%和0.1%,且参数量减少了18.3%。本文代码开源在“https://github.com/xhutongxue/afvf”。     

基于选相投旁通对的LCC-HVDC系统逆变侧换流变故障性涌流主动抑制策略

当高压直流输电系统换流变阀侧发生单相接地故障,由于换流阀的单向导通性,阀侧故障电流中含有较大的直流分量,流入换流变可能导致换流变饱和并产生“故障性涌流”。与传统三大涌流不同,故障性涌流由阀侧单相接地故障诱发并受直流控制与保护系统的影响。计及直流控保系统的影响,分析了逆变侧换流变发生阀侧单相接地故障时,换流变故障性涌流的产生机理及其对换流变差动保护的影响。针对换流变保护区内阀侧单相接地故障场景下,故障性涌流可能导致差动保护误闭锁的问题,提出了一种基于选相投旁通对的故障性涌流主动抑制策略,可以从根本上避免差动保护误闭锁问题。基于PSCAD/EMTDC的仿真实验验证了所提方案的有效性。     

基于样本扩充和特征优选的IGWO优化SVM的变压器故障诊断技术

为了增强变压器故障诊断模型对不平衡样本的学习能力从而提高少数类故障样本的识别精度,提出了一种基于样本扩充和特征优选的融合多策略改进灰狼算法(improved grey wolf optimizer with multi-strategy, IGWO)优化支持向量机(support vector machine, SVM)的变压器故障诊断技术。首先,使用基于K最近邻过采样方法及核密度估计自适应样本合成算法的混合过采样技术对少数类样本进行扩充得到均衡数据集,并在此基础上采用方差分析对变压器候选比值征兆进行特征优选。然后,通过改进灰狼优化算法(grey wolf optimizer, GWO)初始化策略、参数及位置更新公式,并引入差分进化策略调整种群,提出了融合多策略的改进灰狼算法。最后,构建了一种基于混合过采样技术的IGWO优化SVM的变压器故障诊断模型,并通过多组对比实验验证了所提方法能够有效增强模型对少数类故障样本的识别能力,并提升模型的整体分类性能。     

变压器绕组松动故障的混沌特征分析方法

为了更加有效地对变压器绕组松动故障进行监测与识别,提出了一种变压器绕组松动故障的混沌特征分析方法。首先,针对振动信号的混沌动力学特性,采用互信息量法和G-P算法分别确定延迟时间和嵌入维数,对变压器振动信号进行相空间重构;其次,通过判断最大Lyapunov指数是否为正,进而证明变压器振动信号的混沌特性,在此基础上分析不同程度的绕组松动故障对相空间轨迹变化的影响;最后,将关联维数、Kolmogorov熵和最大Lyapunov指数作为一组混沌特征用以量化变压器绕组发生松动故障前后振动信号的混沌特性。结果表明：变压器振动信号的最大Lyapunov指数均大于0,证实了其具有混沌特性,所得到的混沌特征能够有效反映变压器绕组松动故障。研究结果为变压器绕组松动状态监测提供了一种理论依据。     

基于谐波电阻的变压器箔式绕组温升在线修正

绕组热点温度是配电变压器在线监测的重要指标,而现有的绕组温升在线计算方法未考虑箔式绕组结构产生的影响。通过配电变压器不同谐波下等效电阻比值对箔式绕组结构进行辨识,然后对比线绕式和箔式两种绕组结构发热差异,对一种通过绕组电阻变化计算绕组温升的算法进行了在线修正。该方法提供了一种通过谐波电阻比值预测箔式绕组热点温度的新思路。     

HVDC/GIC型直流偏磁的差异性分析

考虑到地磁感应电流(geomagnetically induced current, GIC)具有低频性,过去一直将其近似等效为高压直流输电(high voltage direct current, HVDC)诱发的不平衡电流进行研究。然而,与HVDC型直流偏磁相比,GIC型直流偏磁具有显著的随机性与时变性,因此简单地将两者完全等效处理并不合理,在特定场景下应加以区分。为此,首先,从理论上分析了两种类型直流偏磁在诱发原因及特点上的差异。其次,通过研究直流偏磁对变压器本体以及电流互感器的不利影响,进一步探究两种类型直流偏磁对电网一/二次设备的影响差异,为后续的偏磁治理提供有效参考。最后,基于PSCAD/EMTDC仿真平台搭建了等效仿真模型,并通过仿真验证了理论分析的正确性。     

基于云相似度与证据融合的电力变压器状态评价方法

针对电力变压器状态评价过程中存在的不确定性,提出一种基于云相似度和证据融合的电力变压器状态评价方法。首先,考虑到各指标在状态等级边界处的随机性与模糊性问题,采用云模型来建立状态评价的基本框架。其次,为兼顾状态等级划分的严明性和模糊性,采用改进的云熵优化算法确定云模型的熵值。然后,考虑到指标数据本身的不确定性,利用正向云发生器和云合成算法生成各试验项目待识别云和标尺云,并采用模糊贴近度计算二者间的相似度作为证据源的基本概率分配。最后,采用考虑证据可信度和不确定度的冲突证据修正方法修正证据源,并融合不同证据以判断电力变压器的最终状态。经实例验证,相较于传统方法,所提方法能够有效处理状态评价过程中的不确定性,评价结果符合电力变压器的真实情况,对电力设备状态评价有一定参考价值。     

一种变压器巴伦馈电的超短波紧耦合阵列天线

紧耦合阵列天线(Tightly Coupled Array, TCA)具有超宽带、低剖面、宽角扫描等特点,近年来受到国内外学者的广泛关注。然而,在甚高频(VHF)、特高频(UHF)频段TCA 由于馈电网络设计困难等原因现有的研究报道很少。为了填补这一空白,本文设计并测试了一款变压器巴伦馈电的TCA,利用变压器巴伦解决了单元平衡馈电困难问题,同时采用短路枝节抑制E面共模谐振,采用频率选择表面(FSS)匹配层改善宽角扫描阻抗匹配。实测结果表明,该天线在110~520 MHz 频带内、±40°扫描角范围内电压驻波比<2.5,和仿真结果吻合。     

Transformer-based global–local feature learning model for occluded person re-identification

Most recent occluded person re-identification (re-ID) methods usually learn global features directly from pedestrian images, or use additional pose estimation and semantic analysis model to learn local features, while ignoring the relationship between global and local features, thus incorrectly retrieving different pedestrians with similar attributes as the same pedestrian. Moreover, learning local features using auxiliary models brings additional computational cost. In this work, we propose a Transformer-based dual-branch feature learning model for occluded person re-ID. Firstly, we propose a global–local feature interaction module to learn the relationship between global and local features, thus enhancing the richness of information in pedestrian features. Secondly, we randomly erase local areas in the input image to simulate the real occlusion situation, thereby improving the model’s adaptability to the occlusion scene. Finally, a spilt group module is introduced to explore the local distinguishing features of pedestrian. Numerous experiments validate the effectiveness of our proposed method.     

基于改进麻雀搜索算法优化BN的变压器故障诊断研究

针对变压器故障诊断准确率低和稳定性差的问题,文中提出了一种改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断方法。首先,通过计算互信息建立最大支撑树并进行定向处理得到贝叶斯网络初始结构即初始种群。然后,在算法中引入一种新的合作机制和正弦余弦算法,提高算法收敛速度和全局搜索能力,并利用油中溶解气体分析,创建基于改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断模型。最后,为了证明所提方法的优越性,将所提的方法与现有变压器故障诊断方法进行对比。结果表明,文中所提出的方法故障诊断率最高,可以更精准地对变压器进行故障诊断。