基于深度森林的电力系统暂态稳定评估方法

快速准确地实现暂态稳定评估,是电力系统安全运行的重要保障.近年来迅速发展的深度学习技术已经成为解决这一问题的有效手段,然而基于神经网络的深度学习模型存在着调参困难、训练时间长和样本需求量大等缺点.文中将故障切除时刻系统的物理量作为输入特征,以系统的暂态稳定状态作为输出结果,采用集成决策树方法,构建了基于深度森林的电力系统暂态稳定评估模型.新英格兰39节点系统的算例分析表明,所提方法与深度神经网络相比,参数设置简单、训练速度更快,即使在训练样本数量较少时也能有效避免过拟合,具有良好的泛化能力.     

基于深度神经网络的电力调度语音识别研究及应用

为进一步提高智能电网调度语音识别的准确率,本文将深度学习技术引入了电力调度语音识别领域,提出了基于深度神经网络(deep neural network,DNN)的电力调度语音识别技术。针对电力调度专用术语以及某区域电网习惯调度用语,建立了电力调度语音识别基础语料库。通过应用深度神经网络-隐马尔可夫模型(deep neural network-hidden markov model,DNN-HMM)进行声学模型训练,并对电力调度语音材料制作,语音模型训练过程、端点检测、与D5000系统交互以及语音转文字的整套流程进行了论述。实践结果表明,采用DNN-HMM的电力调度语音识别性能要显著优于传统语音识别框架,即高斯混合-隐马尔可夫模型(gaussian mixture model-hidden markov model,GMM-HMM),采用所提方法进行电力调度语音识别准确率达94.63%。基于所提方法开发的电力调度语音识别系统在某区域电网调控中心的应用实例表明了所提方法的可行性与优良性。     

基于深度残差网络的电力系统暂态电压稳定评估

随着人工智能技术的发展,基于数据驱动的深度学习方法可兼顾在线评估的快速性与准确性。通过分析电力系统的电压时序信息,构建暂态电压稳定裕度指标。基于实时获取的广域测量信息,选择代表潮流水平的稳态信息、代表故障冲击程度的故障瞬间信息以及代表故障持续进展的滑动信息构建半固定半滑动的异构样本集,基于深度残差网络构建暂态电压稳定评估模型,分别输出系统的暂态电压稳定评估结果、各监测母线的暂态电压稳定评估结果以及电压稳定裕度信息,为在线监控提供指导。在计及高压直流输电和风电接入影响的改进中国电科院36节点系统进行仿真验证,结果表明,该方法无需接收保护设备的故障切除时间信息,可在故障切除时刻之前给出高精度的评估结果,具有较高的实时性和准确性。     

全距离深度平衡立体匹配网络

针对当前视差估计网络在将视差转换成深度时,存在深度精度受相机参数影响,且在远距离处产生深度精度急剧下降 的问题,提出一种全距离深度平衡立体匹配网络(FRDBNet)。 首先构建深度代价体,使网络学习到全距离深度的概率分布,进 行深度回归直接生成深度;然后采用视差与深度损失融合的训练策略使网络同时关注远中近三分段全距离的深度估计;最后, 基于初始视差右图对应点 7 邻域特征设计视差优化模块进一步提高网络的深度估计精度。 在大型真实驾驶场景 DrivingStereo 数据集上的实验表明,针对全距离[1,100]m 的深度估计,FRDBNet 在[1,30]m 近距离、[30,60]m 中距离和[60,100]m 远距离 处深度精度相比 CVPR2022 性能表现优越的 ACVNet 分别提高 10. 38%、15. 11%和 20. 35%,达到了良好的深度精度平衡。     

一种基于DBN的高光谱遥感图像分类方法

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱数据的地面物体精确分类是高光谱遥感技术的核心应用之一。对高光谱数据进行提特征提取是进行地物分类的有效方法。深度学习是机器学习研究中的新领域,它多隐层的多层感知器结构使其能够学习到对数据有更本质的刻画的特征,在图像分类和可视化领域取得了更好的成绩。深度置信网（deep belief network ,DBN）是深度学习网络中常见的模型。利用高光谱数据的高维特性,搭建基于DBN的高光谱图像分类模型,结合高光谱数据的空间结构对地物进行分类。实验表明,基于DBN的高光谱图像分类方法可以得到更好的分类效果。     

基于深度学习的马铃薯机械损伤检测方法应用研究

针对人工难以区分的的马铃薯机械损伤特征的问题,提出了一种基于深度学习的马铃薯机械损伤检测方法,主要研究内容如下：1）研究基于深度学习的模型caffe的神经网络CaffeNet、GoogLeNet、AlexNet的马铃薯机械损伤识别,准确率的对比;2）研究基于MATLAB的caffe模型函数封装,将马铃薯分类模型整合到用MATLAB做的界面壳中,生成应用程序。根据以上研究,使用AlexNet、CaffeNet、GoogLeNet 3个经典的物体识别卷积神经网络对108张马铃薯图片进行识别,识别的准确率都达到了100%,表明该方法具有识别准确率高、识别速度快的特点。     

基于深度残差网络的短时交通流量预测

建立了一个深度残差网络模型用来进行短时交通流量预测。考虑到短时交通流量数据具有时空相关性,通过采用最小角回归拟合L1正则化损失函数的方法挖掘出了预测路口与上下游路口的时空相关性,并且构建了基于时空关联性的深度残差网络预测模型。采用了美国芝加哥i-55公路的交通数据集进行了模型验证,通过实验表明预测模型比传统的预测模型准确率提高近2%~4%,可以看出该模型一定程度上提高了预测精度。     

陡河发电厂国产200MW机组深度调峰综述

详细介绍了该厂国产２００ＭＷ机组深度调峰所进行的设备（系统）改进，以及燃烧调整，能耗测定等情况，对同型号机组具有一定的借鉴意义。     

“双碳”目标下供热机组深度调峰与深度节能技术发展路径

为实现既定的“双碳”战略目标,我国能源转型进程加快,大规模新能源并网将迫使以燃煤发电为主体的基础电源全面参与深度调峰。“三北”地区是我国风电、光伏的主要发展阵地,供热机组“以热定电”的运行方式极大限制了其调峰能力,弃风弃光问题长期得不到根本解决。对此,基于供热机组深度调峰的重大需求,系统总结了储热型与非储热型热电解耦技术的发展情况;分析了储热型与非储热型热电解耦技术工程应用的优缺点;进而展望供热机组深度调峰与深度节能技术发展趋势,并介绍了耦合多种热电解耦技术与管网侧和用户侧的蓄能协同技术,以助力“双碳”目标国家战略顺利实施。     

基于改进YOLOv4算法的玻璃杯缺陷识别方法研究

当前，玻璃杯表面缺陷检测主要依赖人力劳动来完成，存在耗时长且准确率不高等问题。提出了一种将YOLOv4与MobileNetV3结合的改进算法模型YOLO-M来解决该问题。首先，利用MobileNetv3网络替换YOLOv4原本的主干网络CSPDarknet53,并修改激活函数，在减少模型大小和参数量的基础上提升运行速度。然后，对玻璃杯缺陷样本进行拍照采样，将缺陷分为磨损、气泡、划痕三种，建立玻璃杯缺陷数据集。最后利用YOLO-M、YOLOv4以及YOLOv4-tiny三种算法对玻璃杯缺陷数据集进行训练，将不同算法下的平均精度均值、帧率等评价指标进行对比。实验结果表明，YOLO-M算法在玻璃杯缺陷检测上的帧率达到57.72 f/s,平均精度均值达到91.95%,均为最高。YOLO-M算法在玻璃杯缺陷识别的速度和精度上有明显效果，可做为后续分拣研究，以及其他玻璃制品缺陷识别的重要参考。     

基于深度确定策略梯度算法的主动配电网协调优化

将新一代人工智能在智能电网和能源互联网中进行应用,实现高比例可再生能源及时有效接入电网,文中基于深度学习中的深度确定策略梯度(DDPG)算法实现主动配电网的优化运行。首先,构造了含多微电网的主动配电网优化模型的DDPG回报函数,使主动配电网的节点电压总偏差和线损最小,最大限度地降低微电网功率调节量的变化以减小对微电网运行的影响,同时维持联络线功率平衡以减小对配电网的影响。然后,分析了主动配电网优化控制的DDPG样本数据处理、回报函数设计、模型训练和学习过程。最后,通过改进IEEE 14节点算例仿真验证了DDPG算法的有效性。     

泥砂粒径级配对材料磨损影响的试验研究

本文介绍使用旋转喷射装置进行泥沙粒径对常用钢材磨损影响的试验结果，给出各粒径对不同材质单位磨损率ε值及计算式，可用于沉砂池效果及水库不同淤积阶段对水轮机磨损相对影响的估算     

基于格拉姆角场变换和深度压缩模型的变压器故障识别方法

提出了一种基于格拉姆角场和深度压缩模型的变压器故障识别方法。针对故障样本稀缺和VGG(visual geometry group)网络一般不能直接读取一维数据的问题，首先提出了格拉姆角场变换方法将一维故障样本转换为三维特征图像，并使用数据增强方法进行样本扩充，使其满足故障识别方法的输入需求。进一步，针对VGG网络层数深、参数多以及结构复杂的缺点，提出了一种改进深度压缩模型。使用NiNNet(network in network)网络的全局平均池化层替换VGG网络的全连接层，减少VGG末端网络的层数和参数规模；提出了一种结构化剪枝方法对VGG网络的多层卷积核进行剪枝，进一步减少VGG前端网络的参数规模，实现网络的深度压缩。由变压器油色谱故障数据上开展的数值实验和性能评估结果表明，所提方法在不损失变压器故障识别结果精度的前提下实现了VGG网络的深度压缩和结构简化：此外，深度压缩模型能够有效降低模型存储所需的存储空间和运行所需的计算资源，使其能够应用于体积小、功耗低的边缘计算平台。     

考虑拓扑变化的电力系统暂态稳定评估

针对电力系统拓扑频繁变化导致暂态稳定评估（TSA）困难的问题,提出一种新颖的基于深度学习的TSA方案。基于深度森林（DF）构建暂态稳定评估模型,创新性地提出考虑主动学习技术和分级策略的DF更新方案。该方案从样本生成和模型训练两方面最大限度节省更新时间,并在电力系统拓扑变化后快速更新DF模型,有较强实用性。最后,在新英格兰39节点系统中对所提TSA方案进行验证,结果表明该方案对拓扑频繁变化的电力系统有更强的适应性与鲁棒性。     

电力视觉边缘智能:边缘计算驱动下的电力深度视觉加速技术EI北大核心CSCD

电力物联网和透明电网的背景下,电力系统智能终端感知的海量视觉影像对传统的云计算处理模式提出了重大挑战,边缘计算作为云计算的重要补充已经得到了电力系统的广泛关注。为此,首先梳理了边缘计算的演变历程,阐述了电力视觉边缘智能的基本概念,然后构建了云–边–端协同的电力视觉边缘智能结构框架,重点讨论了边缘计算驱动下边缘智能的关键技术,最后列举了电力视觉边缘智能的几种典型应用场景。     

光源光输出波动的准确测量及其影响因素

本文定义了表征光源光输出波动的三个参数：波动深度、闪烁指数和调制深度。比较了线性照度传感器、光敏二极管、普通照度计探头和光电倍增管四种探测器用于测量光波动的优劣。发现照度传感器能满足测量要求,而在简单测量时可以采用光敏二极管。用照度传感器对各种常用光源的波动深度进行测量,发现钨丝灯的波动深度为6％～31％,随功率的增大而下降。对荧光灯,电感镇流时波动深度高达42％～48％;使用高质量的电子镇流器时波动深度可以〈10％。方波电子镇流的金属卤化物灯光波动〈3％。小于电感镇流的1／20。分析了光源瞬时功率波形与光波动的相关性,发现要使光波动深度小,要求荧光灯电子镇流器的直流母线要平滑,高强度气体放电灯瞬时功率的过零时间越短越好。     

基于性能改善深度置信网络的风电机组主轴承状态分析

针对风电机组数据采集与监视控制系统采集的状态数据具有大容量、多样性的特点,充分利用该数据研究风电机组主轴承的状态分析方法成为了重要问题。采用深度学习方法分析风电机组主轴承变量间的特征规则,提取反映主轴承状态的特征变量;通过指数加权移动平均法设定阈值检测特征变量的变化趋势,判定异常状态的发生;根据深度置信网络的特点,从数据集变量的异常数据剔除、训练数据批次的选择、参数调优的迭代周期以及在线学习训练等方面对模型性能进行优化和改善,从而使得深度置信网络能够充分挖掘数据集的信息特征,达到有效地反映主轴承状态的目的。通过对主轴承发生故障前、后记录的数据进行仿真分析,结果验证了深度置信网络方法对主轴承状态监测的有效性。     

基于深度置信网络的电压暂降特征提取及源辨识方法

提出一种基于深度置信网络(DBN)的电压暂降特征提取与暂降源辨识方法,利用DBN的特征提取能力对实测波形数据进行特征自提取,解决了人工提取特征过度依赖专家经验,受未知特征影响较大不具备一般性的问题。采用多隐层结构网络学习特征最终实现暂降源辨识。该模型集特征提取器与分类器于一体,优化了模型结构框架,提高了暂降源辨识效率。对模型最优参数进行选择,建立适用于电压暂降实测数据类型的DBN模型,对电网实测暂降数据进行特征提取与暂降源辨识,通过对比验证了DBN方法在特征提取与暂降源识别上的优越性,适用于实际工程。