多元QoS约束下电力通信无线资源分配的边缘代理调度方法

为满足不同配电通信业务的服务质量要求,BS需要在时变网络条件下实时优化无线资源。提出一种基于级联深度网络的接入网无线资源边缘代理调度方法,将时频资源和发射功率分配给延迟耐受度不同的业务。核心网采用网元功能与专用硬件设备解耦的软切片方法,在保证负荷在规定时长内可靠切除的同时,提高了核心网服务器对不同业务的时空间复用能力。仿真结果表明,多业务并列运行时RTU与协控子站间的接入时延与TD-LTE专网相比降低40.76%,相邻第一第二信道间的功率泄露比均高于45 dB,满足毫秒级负荷切除业务分路整组动作时延和通信可靠性的要求。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

考虑客户画像和能量枢纽的配电网多目标抢修重构模型

随着大规模风电以及能量枢纽接入配电网,配电网故障后抢修重构面临新挑战,提出一种考虑客户画像和能量枢纽的配电网多目标多故障抢修重构模型。通过对配电网用电客户多因素精准画像,确定权重,建立兼顾客户画像和能量枢纽的配电网多目标抢修重构模型,提出一种改进NSGA-II算法以适应对模型求解,从而获得Pareto解集,并利用模糊最大满意度进行决策。算例仿真表明所提模型正确有效,与传统模型相比更加精细而客观。     

基于CPSO-BP神经网络的风电并网暂态电压稳定评估

针对目前传统方法难以快速、准确判断风电并网后系统暂态电压稳定性的问题,提出了一种基于CPSO-BP组合的风电并网暂态电压稳定评估方法。首先采用混沌理论对粒子群算法的不足进行改善,应用改进后的算法对神经网络的初始权值和阈值进行优化,然后利用系统故障前后采集的传统物理量和风电场相关的物理量作为BP神经网络输入特征量进行监督学习,最后将训练得到的模型应用于风电并网系统的暂态电压稳定评估中。利用英格兰10机39节点系统标准算例进行风电并网仿真分析,结果证明了所提方法的有效性。     

基于注意力机制和卷积神经网络的异步电动机三相电压不平衡损耗研究

配电网中三相电压不平衡对异步电动机损耗会造成较大影响。运用等效电路公式分析三相电压不平衡影响下电动机损耗存在精度不稳定、需要参数过多且数学模型过于复杂等问题。针对以上问题,提出一种基于注意力机制和卷积神经网络(CNN)的异步电动机损耗评估方法。该方法将实测电机数据作为输入,引入注意力机制为输入特征赋予不同权重;采用卷积层和全连接层组成的CNN构架对异步电动机实测数据进行学习,最后完成损耗评估。以现场试验得到的电机损耗数据作为实际算例,该方法评估损耗与实测损耗平均误差仅为0.717%和0.549%,并与其他典型机器学习算法进行对比,结果表明所提方法具有更好的损耗评估性能。     

基于卷积神经网络的直线同步电动机电枢绕组故障诊断

通过绕组函数理论对直线同步电动机进行分析,提出一种基于卷积神经网络(CNN)的直线同步电动机故障诊断方法。从直线同步电动机的数学模型出发,基于绕组函数理论对电动机正常状态和匝间短路故障状态进行仿真,对电流波形图进行快速傅里叶变换(FFT)得到不同状态的数据集。利用CNN中的GoogLeNet网络结构,在保持网络空间维度的同时不增加故障诊断的计算量。将数据集输入到网络模型进行故障诊断,仿真结果表明GoogLeNet网络结构对直线同步电动机电枢绕组的短路故障识别率达到了96.5%以上。     

基于电流变化的环状直流配电网故障定位方法

针对现有故障测距方法无法同时对单极接地故障和极间故障进行定位,以及利用电容放电阶段进行故障定位时忽略了多端换流站都会对故障点注入电流等问题,提出一种利用故障线路上的全电流分量对多端柔性直流配电网进行故障定位的方法。通过联立与故障点相邻两网孔的电压方程,从算法上解决了过渡电阻对求解故障位置的影响。在simulink中搭建6端环状模型对所提方法进行仿真,结果验证所提方法可以在发生线路故障时能快速识别故障并进行可靠定位,满足直流配电网的故障测距要求。     

基于高频暂态稀疏测量的复杂直流配电网故障定位

为了解决直流配电网中高速通信测量点不足、故障特征复杂等导致的故障定位精度差的问题,提出了一种适用于复杂直流配电网的新型直流极间短路故障定位算法。首先,根据高频瞬态电流环路,构建含有电平转换器和DC/DC转换器的高频阻抗等效模型为故障过程提供稳定的阻抗值。其次,利用BCS理论推导与稀疏测量点相对应的节点高频暂态电压方程。最后,结合节点高频瞬态电压方程和贝叶斯压缩感知理论,求解节点高频瞬态电流稀疏矢量实现故障定位。实验结果表明:所提算法对测量点的数量要求较低,不需要严格同步地测量数据,且不受转换器的控制策略和过渡电阻影响,具有较高的故障定位准确性。     

Method for discrimination of false targets in multistation radar systems based on the deep neural network

For the existing jamming discrimination methods for multistation radar systems,only the single feature of target echo space correlation is utilized as the metric,which leads to insufficient comprehensiveness of feature extraction,so that effectiveness and universality are insufficient for the discrimination algorithm.In this paper,an identification method in multistatic radar systems based on the deep neural network is proposed.This method combines the characteristics of multistatic radar systems cooperative detection technology,which has many available resources and strong scheduling ability in space,time and frequency domain,with the strong model learning and feature representation ability in the process of information processing on the deep neural network,so that it can effectively apply to the field of anti-deception jamming.Full use is made of unknown information about echo data to obtain more multi-dimensional,more comprehensive,more complete and deeper feature differences besides correlation,so as to achieve a better jamming discrimination effect.Simulation results show that the proposed method can effectively reduce the influence of noise and pulse number on the jamming discrimination performance.At the same time,the limitation of the target echo correlation coefficient on anti-jamming technology under nonideal conditions is alleviated,which broadens the boundary conditions of the application process.     

基于机器学习的网络拥塞控制研究

拥塞控制是网络研究的经典课题,可以避免网络因拥塞而性能下降。其在互联网的发展中扮演着重要的角色。近年来,随着机器学习、深度学习和强化学习的兴起,给拥塞控制提供了新的思路。对网络拥塞控制的机制进行了详细分析,阐述了国内外对于该领域的研究现状及进展,将有代表性的解决方案分为基于规则的解决方案、基于路由反馈的解决方案和智能解决方案3类,并详细分析了各方案的原理及优缺点。