基于ViLBERT与BiLSTM的图像描述算法

传统图像描述算法存在提取图像特征利用不足、缺少上下文信息学习和训练参数过多的问题,提出基于ViLBERT和双层长短期记忆网络(BiLSTM)结合的图像描述算法.使用ViLBERT作为编码器,ViLBERT模型能将图片特征和描述文本信息通过联合注意力的方式进行结合,输出图像和文本的联合特征向量.解码器使用结合注意力机制的BiLSTM来生成图像描述.该算法在MSCOCO2014数据集进行训练和测试,实验评价标准BLEU-4和BLEU得分分别达到36.9和125.2,优于基于传统图像特征提取结合注意力机制图像描述算法.通过生成文本描述对比可看出,该算法生成的图像描述能够更细致地表述图片信息.     

槲皮素对高脂日粮小鼠学习记忆能力的影响研究

探讨槲皮素对高脂日粮小鼠学习记忆的影响及可能机制。4周龄C57B/L雌性小鼠45只,随机分为三组:对照组（基础日粮）,高脂组（约20%脂肪）,槲皮素组（高脂日粮+0.01%槲皮素）。第26周进行Morris水迷宫实验,实验结束后取小鼠大脑皮层和海马组织测定氧化应激指标,荧光定量PCR检测海马组织中脑源性神经营养因子（BDNF）、核转录因子Nrf2及血红素单加氧酶（HO-1）的基因表达。结果显示,高脂组小鼠学习记忆能力显著下降,脑组织出现明显的氧化应激,Nrf2、HO-1和BDNF基因表达显著下调;槲皮素干预后,大脑氧化应激程度减轻,Nrf2、HO-1和BDNF基因表达上调,学习记忆能力得到显著改善。槲皮素改善高脂日粮小鼠学习记忆,可能与上调Nrf2/HO-1通路及BDNF的基因表达有关。      

基于改进粒子群算法的中央空调系统节能优化控制

建筑的中央空调系统等设备用电能源消耗大,导致建筑能耗持续增长。为解决上述问题,首先根据中央空调工作原理,建立中央空调系统各设备能耗的数学模型,并选取决策变量;然后以中央空调系统总能耗最小为目标,以各变量上下限、设备之间的耦合关系、能量守恒等作为约束条件,建立中央空调系统节能优化模型;其次,将室内实时所需冷负荷与室内设定温度作为已知量,各决策变量作为输入量,中央空调系统总能耗作为输出量,降低模型的复杂程度;接着提出一种基于动态权重系数与加速因子的改进粒子群算法（IPSO）,对各决策变量进行协同优化控制,搜寻中央空调系统节能优化模型的最优解;最后,通过仿真分析对比IPSO与标准粒子群算法,IPSO结果更优、收敛性更好,优化后的空调系统总能耗较优化前显著降低,验证了所提模型与方法的有效性。     

考虑多重因素的空调负荷聚合响应潜力评估及控制策略研究

空调负荷已成为电力系统重要的需求响应资源,但由于其类型差异性、接入分散性,造成调度中心难以直接获取其聚合功率并开展调度控制,限制了响应潜力发挥。对此,提出考虑空调负荷聚合响应潜力多类型资源协同调度与精准控制相结合的双层调控框架。在日前调度层,基于近似聚合模型获取空调负荷聚合功率,考虑用户热舒适度、意愿度及可控度等多重因素,建立空调负荷聚合响应潜力评估模型,获取其聚合响应潜力,并结合基础柔性负荷响应特性建立联合调度模型,充分挖掘负荷侧多类型资源参与系统调节的潜力;在日内控制层,针对执行降负荷调温控制策略中空调群组功率跌落现象,为引导其有序参与电网需求响应,建立变状态数的状态队列模型,并引入准备时间对参数异质空调集群进行分组控制,使空调负荷跟随调度计划,提升控制精度,缓解功率跌落对系统运行产生的影响。最后,通过某简化配网系统进行仿真分析,结果表明:所提双层调控框架在调度层可深度挖掘并引导利用空调负荷响应潜力,在控制层实现精准控制并削弱功率跌落负面影响,工程应用价值显著。     

上海大容量火电机组黑启动系列试验

上海电网发电系统是以纯火电为特征,且大容量机组占绝对优势,对于机组黑启动而言,这些均是劣势。通过一系列黑启动试验及其研究,解决了长期以来一直困扰上海电网的缺乏黑启动能力的问题。本文通过介绍上海电网黑启动系列试验的总体过程和主要结论,分析了燃气轮机作为黑启动电源、全压启动大容量变压器、燃机小系统带重负荷长期稳定运行等上海电网黑启动试验的独特之处。     

数据驱动的时间注意力卷积风电功率预测模型

由于风电受气象特征影响大,风能波动性和间歇性强,导致快速、精准的风电预测成为一个难题。对此,该文提出一种基于数据驱动的时间注意力卷积网络的风电功率预测方法。首先,将来自风力机和数据采集（SCADA）系统的数据进行清洗;然后采用可并行计算的时间卷积网络,并加入Attention机制突出关键特征的影响,使模型训练速度和预测精度得到有效提升。实验结果表明,该文所提方法与其他方法相比可更准确地减少数据噪声,同时有更高的预测精度和更快的训练速度。     

双聚类的关联规则挖掘方法

为了使所有关联规则算法都可用于双聚类挖掘,将双聚类问题转化为关联规则的频繁集挖掘问题.在为双聚类挖掘提供大量算法的同时,不但能获得双聚类,而且还能得到额外的双聚类关联信息.基因表达数据的实验结果证明了其有效性.     

基于注意力机制和卷积神经网络的配电网拓扑辨识

针对当前配电网拓扑变化频繁,拓扑结构实时获取困难等问题,文章提出基于注意力机制和卷积神经网络的配电网拓扑辨识方法。首先利用卷积神经网络挖掘量测信息和配电网拓扑结构之间的关系,学习其映射规则;考虑当前配网中同步相量测量装置(phasor measurement unit,PMU)和微型同步相量测量装置(micophasormeasurementunit,μPMU)等高级量测设备安装数量不足导致获取量测数据质量不高的问题,在卷积神经网络隐藏层中融入注意力机制,以增强模型鲁棒性;通过随机森林算法对特征数据集进行降维,降低模型时、空复杂度;最后,分别基于IEEE 33节点配电网和PG&E69节点配电网开展算例分析,以验证方法的可行性和优越性,并检验利用更少特征进行拓扑辨识的可能性。结果表明：所提方法具有良好优越性和鲁棒性,泛化能力强,在仅提供少量时间断面量测数据情况下便可实现配电网拓扑辨识,且对于辐射网和含环网络同样适用。