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。     

基于混沌理论的电力系统微弱谐波检测方法研究

针对微弱谐波信号时频域分析检测方法在宽谱环境噪声较强场景中无法识别目标信号的缺陷,首先引入混沌系统的随机共振原理,在信号成分完全未知的情况下,利用随机噪声增强微弱目标信号进行频率盲检。进一步引入Duffing混沌系统,利用其对特定频率周期信号幅值的极高敏感性和噪声抵抗力,对检出的各谐波频率分量进行幅值精准检测。在经典随机共振模型的基础上,通过归一化改进了系统参数。结合Duffing混沌系统模型,设计了实时检测控制策略。通过粒子群寻优算法,以系统输入输出信号的互相关系数为适应度函数,寻找最优系统参数。对强随机噪声背景下的多整次谐波与间谐波混叠的谐波信号进行了仿真实验。结果表明,所提方法能在恶劣的噪声环境中,实现各谐波分量的无差频率检测与高精度幅值检测。     

基于二次聚类的工业用户负荷可调节潜力特征提取与综合评估方法

随着新能源发电占比增加,发电侧的调节能力降低,挖掘负荷侧的可调节潜力是新型电力系统电力供需平衡的必然选择。针对工业用户,提出了一种基于二次聚类的可调节潜力特征提取与综合评估方法。综合考虑工业用户的可中断性、可转移性和生产属性,建立了负荷可调节潜力评估指标体系。首先,采用近邻传播(affinity propagation, AP)聚类-k均值(k-means)聚类的二次聚类方法挖掘用户可调节潜力特征,计算可调节指标。其次,基于相关性定权(criteria importance through intercriteria correlation, CRITIC)法和多准则妥协解排序(vlsekriterijumska optimizacija I kompromisno resenje, VIKOR)法分别评估工业用户可中断潜力、可转移潜力和生产潜力。然后,利用集对分析(set pair analysis, SPA)-可变模糊集(variable fuzzy set, VFS)法评估工业用户负荷综合可调节潜力,并得到优先级排序。最后,根据某地区9户工业用户历史负荷监测数据进行可调节潜力评估,通过对不同聚类方法、不同指标体系以及不同评估算法结果的对比分析,验证了所提方法在特征提取、指标定义以及评估合理性方面的优势。     

基于柔性多状态开关和动态重构的配电网灵活运行方法

未来电动汽车(electric vehicle, EV)以及光伏(photovoltaic, PV)在配电网中的接入比例逐渐增高,这不仅带来了复杂的不确定性问题,而且导致了配电网净负荷时空分布的不均衡,从而产生了弃光、失负荷以及潮流分布不均匀的问题。基于此,考虑电动汽车充电负荷以及光伏的不确定性,提出了一种基于柔性多状态开关(flexible multi-state switch, FMS)和动态重构的含高比例电动汽车-光伏配电网灵活运行方法。首先,基于FMS灵活功率调控和网络动态重构,构建了支撑高比例电动汽车-光伏接入的配电网灵活运行框架。其次,利用蒙特卡洛随机模拟法对各类电动汽车充电负荷以及光伏出力进行不确定性建模,建立了基于场景集以及场景缩减法的随机规划模型。然后,建立了以弃光、失负荷、FMS损耗、网损成本最小和负荷均衡度最优为目标的配电网灵活运行模型。最后,在158节点系统上通过算例验证了所提方法的有效性。     

向列相液晶激光器件侧面辐射谱研究

研究了向列相液晶激光器件侧面激光辐射谱,并深入分析了激光辐射机制。分别制备了传统液晶盒和引入SU-8光栅结构的两种器件,并注入向列相液晶TEB30A和激光染料PM597的混合物。利用Nd:YAG固体脉冲激光器倍频出的532 nm激光作为泵浦源正面入射器件,侧面探测激光辐射谱。在传统液晶盒器件侧面,测得575～600 nm范围的随机激光辐射谱。而具有周期100μm和8μm的SU-8光栅结构器件侧面,获得了多波长激光辐射谱。随着泵浦能量增大,最高强度激光辐射峰波长位置出现在583～585 nm和588～592 nm附近,FWHM约0.3 nm。基于光波导理论结合器件结构分析得出,在传统液晶盒中引入SU-8光栅结构增强了液晶器件的光波导效应,是获得多波长激光辐射谱的主要原因。     

基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法

为了充分挖掘不同尺度影响因子对短期电力负荷的影响,以及解决预测精度受数据非平稳特性影响的问题,提出了一种基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法。该方法先采用变分模态分解(Variational Mode Decomposition, VMD)将历史负荷分解为若干平稳性好的本征模态函数(Intrinsic Mode Function, IMF)分量,再把VMD分解得到的各个历史负荷的IMF分量和气象数据分别送入时间卷积网络(Temporal Convolutional Network, TCN)进行特征提取;将所有TCN网络提取的特征融合为一个新的特征向量;最后将融合得到的特征向量与经过One-Hot编码的日期因素特征向量拼接,把拼接得到的向量送入随机森林网络进行预测。通过公开的电力负荷数据集对本方法进行验证,结果表明所提方法与现有模型相比具有更高的预测精度。     

单帧红外图像超分辨率重建算法研究

针对目前基于插值的红外图像超分辨率重建算法主要把重心置于原始图像的像素上的问题,提出了一种将原始图像像素和插值像素相结合的红外图像超分辨率重建算法。该算法在最近邻插值算法的基础上,将其与自适应高斯滤波相结合,采用边插值边滤波的方式对红外图像进行超分辨率重建处理。由红外数据集的大量对比试验结果可知,该算法能够在不以时间消耗为代价的前提下使重建结果得到有效提升。具体表现为其重建结果的客观评价指标与经典的图像插值算法相比提高了约2.8%～3.2%,并且能够有效减少噪声、锯齿和模糊现象。该算法有助于推动红外图像超分辨率重建在军事、医疗等领域的发展。     

量子近似优化算法在最大独立集中的应用

最大独立集问题是著名的NP问题,并且在许多场景中都有应用。传统的精确算法解决最大独立集问题需要指数级的时间复杂度。为更高效地解决最大独立集问题,提出了一种基于量子近似优化算法的量子线路解决方案。该方案由最大独立集的数学模型,推导出最大独立集问题的哈密顿量表达式;设计了基于量子近似优化算法的量子线路,采用COBYLA经典优化算法对参数量子门中的参数进行优化,并使用IBM提供的量子开发框架Qiskit进行仿真实验。仿真结果表明,使用量子近似优化算法可以在多项式时间内以高概率获得最大独立集问题的解,实现了指数加速。量子近似优化算法对解决最大独立集问题有一定的可行性和有效性。     

基于深度学习的RGB图像目标位姿估计综述

6自由度（DoF）位姿估计是计算机视觉与机器人技术中的一项关键技术,它能从给定的输入图像中估计物体的6DoF位姿,即3DoF平移和3DoF旋转,已经成为机器人操作、自动驾驶、增强现实等领域中的一项至关重要的任务。首先,介绍了6DoF位姿的概念以及基于特征点对应、基于模板匹配、基于三维特征描述符等传统方法存在的问题;然后,以基于特征对应、基于像素投票、基于回归和面向多物体实例、面向合成数据、面向类别级的不同角度详细介绍了当前主流的基于深度学习的6DoF位姿估计算法,归纳整理了在位姿估计方面常用的数据集以及评价指标,并对部分算法进行了实验性能评价;最后,给出了当前位姿估计面临的挑战和未来的重点研究方向。     

基于子空间流形的图像集识别方法

近年来,基于黎曼流形将图像集在线性子空间中进行表征的图像集识别方法已经被证实有良好的效果,针对该领域存在的图像线性子空间大多高维所导致现有黎曼流形的图像集识别方法存在计算成本高、适用性有限的问题,提出一种基于子空间流形的图像集识别方法。首先,从线性子空间的几何结构出发,利用Grassmann流形对线性子空间进行建模,得到基于Grassmann流形的联合黎曼度量。然后,通过该联合黎曼度量,从高维的Grassmann流形中学习到一个低维的Grassmann流形。最后,对通过学习得到的低维流形上的图像集数据进行图像集识别。实验结果表明,在ETH-80数据集上该方法的识别准确率比投影度量学习（PML）和图嵌入Grassmann判别分析（GGDA）都分别提升了2.5个百分点。证明了在通过提出的度量与方法学习到的低维流形上,图像集数据具有更好的分类结构,从而降低图像集识别计算成本,扩大适用范围,提升识别准确率。