基于SF-Unet的高分辨率耕地遥感影像分割

利用深度学习实现遥感影像耕地区域自动化检测,取代人工解译,能有效提升耕地面积统计效率。针对目前存在分割目标尺度大且连续导致分割区域存在欠分割现象,边界区域情况复杂导致边缘分割困难等问题,提出了语义分割算法——Swin Transformer, TransFuse and U-Net (SF-Unet)。为强化网络不同层次特征提取和信息融合能力,提升边缘分割性能,使用U-Net网络替代TransFuse网络中的ResNet50模块;将Vision Transformer (ViT)替换为改进后的Swin Transformer网络,解决大区域的欠分割问题;通过注意力机制构建的Fusion融合模块将2个网络输出特征进行融合,增强模型对目标的语义表示,提高分割的精度。实验表明,SF-Unet语义分割网络在Gaofen Image Dataset (GID)数据集上的交并比(Intersection over Union, IoU)达到了90.57%,分别比U-Net和TransFuse网络提升了6.48%和6.09%,明显提升了耕地遥感影像分割的准确性。     

基于风电消纳的多类型储能系统联合经济调度

为使电力系统尽可能提高风电接纳能力,建立了基于风电消纳的实时失调成本模型,考虑到安全性、环保性,分别构建了基于风电-火电调度总成本模型和基于风电-火电-联合储能系统调度总成本模型,并采用HS-PSO混合算法求解调度总成本模型。算例仿真结果表明,抽水蓄能电站、蓄电池和超级电容器混合储能系统在增加经济效益、提高风电接纳能力方面优势明显;同时验证了储能系统容量与弃风率的关系,为含风电并网运行的系统经济调度提供了依据。