结合气象监测与地基云图的地表太阳辐射预测

高精度的太阳辐照度预测是光伏输出功率预测的基础,而云的遮挡是导致太阳辐射波动的主要原因。针对现有技术由于对云图时变特征获取能力不足,导致在复杂天气条件下预测精度显著下降的问题,本文提出了利用3D卷积神经网络同时提取单张云图特征和云图序列时变特征,建立云图图像特征与云对地表太阳辐射衰减之间的关联,实现太阳辐射高精度预测的方法。实验验证结果表明,较现有方法,本文提出的方法在复杂天气条件下的未来5分钟功率预测精度提高8%以上,具有很高的推广应用价值。     

基于混沌理论的无源互调功率预测研究

该文以通信系统中常用的典型微波部件——同轴连接器为研究对象,基于混沌理论对获得的同轴连接器的无源互调(PIM)功率时间序列进行分析,验证了使用混沌理论预测无源互调的有效性.首先通过实验系统获得同轴连接器的3阶无源互调功率时间序列,并对得到的实验数据进行相空间重构,确定该时间序列的最佳嵌入维数m和延迟时间τ.然后,结合最佳嵌入维数和延迟时间,分别构建相图和使用小数据量法计算该时间序列的最大Lyapunov指数,从而从定性和定量角度验证了该无源互调功率时间序列具有混沌特性.在此基础上,基于获得的最大Lyapunov指数对该无源互调功率时间序列进行混沌预测,在最大可预测尺度范围内,理论预测值与实验值最大误差为2.61％,表明采用混沌方法预测无源互调功率效果较好.该文提出的使用混沌理论预测通信系统中微波部件无源互调功率的方法,为开展无源互调抑制技术研究,提高通信系统的性能提供了新思路.     

基于奇异谱分解和双重注意力机制的超短期光伏功率预测方法

准确的光伏功率预测可以有效促进光伏发电的安全高效利用。针对现有方法预测精度不足的问题，提出一种结合奇异谱分解（SSD）、双重注意力机制和双向门控逻辑单元（BiGRU）时序建模的超短期光伏功率预测方法。首先利用SSD降低光伏信号的随机性和波动性；然后利用BiGRU网络对分解后的信号进行时序建模，并设计了一种同时学习特征序列和时序序列的重要性权重的注意力模块，对BiGRU网络提取的特征进行权重加权；最后经过决策层获得最终的光伏功率预测结果。实验结果表明，SSD和注意力机制可以有效提升深度时序模型的光伏功率预测精度，在不同季节和不同天气情况下均优于其他几种经典方法，具有较高的实用价值。     

卫星光通信中的调制技术研究

分析和比较了光通信中脉冲位置调制(PPM)、多脉冲位置调制(MPPM)两种调制方式的功率利用率、频带利用率、抗干扰能力等方面的性能.分析表明,MPPM性能较好,适合于卫星光通信.     

基于k-sums分段聚类的动态组合学习光伏短期功率预测

目前单一模型预测精度存在难以随着功率波动保持最优的问题,为提高并网系统运行的稳定性和电网的节能调度,文中提出了一种基于k-sums分层聚类的动态学习组合光伏短期功率预测方法。利用k-sums算法经过分段聚类,将天气类型分为晴天A₁、多云A₂、阴雨天B。通过TCN(Temporal Convolutional Network)提取数据的时序特征,并结合GRU(Gate Recurrent Unit)建立融合提取时序特征模块的改进GRU结构,以达到对时序特征敏感的效果。将改进GRU结构与SVM(Support Vector Machine)动态组合,使用Elastic Net算法输出最佳权重值叠加得到最终预测值。文中采用江苏某地区的光伏发电功率数据及对应的气象数据对所提方法进行验证,结果表明动态组合学习模型的MAE(Mean Absolute Error)为1.888,RMSE(Root Mean Squared Error)为2.403。     

基于混沌理论的无源互调功率预测研究

该文以通信系统中常用的典型微波部件——同轴连接器为研究对象,基于混沌理论对获得的同轴连接器的无源互调(PIM)功率时间序列进行分析,验证了使用混沌理论预测无源互调的有效性。首先通过实验系统获得同轴连接器的3阶无源互调功率时间序列,并对得到的实验数据进行相空间重构,确定该时间序列的最佳嵌入维数m和延迟时间τ。然后,结合最佳嵌入维数和延迟时间,分别构建相图和使用小数据量法计算该时间序列的最大Lyapunov指数,从而从定性和定量角度验证了该无源互调功率时间序列具有混沌特性。在此基础上,基于获得的最大Lyapunov指数对该无源互调功率时间序列进行混沌预测,在最大可预测尺度范围内,理论预测值与实验值最大误差为2.61%,表明采用混沌方法预测无源互调功率效果较好。该文提出的使用混沌理论预测通信系统中微波部件无源互调功率的方法,为开展无源互调抑制技术研究,提高通信系统的性能提供了新思路。     

基于高度有效驱动注意力与多层级特征融合的城市街景语义分割北大核心CSCD

针对DeepLabv3+网络在进行城市街景图像分割任务时,没有充分利用到网络中多层级特征信息,导致分割结果存在大目标有孔洞、边缘目标分割不够精细等不足;并且考虑到城市街景数据具有天然的空间位置特殊性,本文提出在DeepLabv3+网络的基础上引入高度有效驱动注意力机制(height-driven efficient attention model,HEAM)与多层级特征融合模块(multi-stage feature fusion model,MFFM),将HEAM嵌入特征提取网络与空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)结构中,使其对目标关注更多垂直方向上的空间位置信息;MFFM通过融合多层特征图,在网络中形成多条融合支路依次连接到网络解码端,采用逐次上采样提高解码时像素上的连续性。将改进的网络通过CamVid城市街景数据集验证测试,实验结果表明,该网络能有效改善DeepLabv3+的不足,并且合理运用了数据集的位置先验性,增强了分割效果,在CamVid测试集上平均交并比(mean intersection over union,MIoU)达到了68.2%。     

用于VLC的混合多维无载波幅度相位-多脉冲位置调制方案

针对室内可见光通信链路性能提高问题,提出了一种适用于室内可见光通信的高效混合调制方案。该混合调制方案通过将频谱高效的多维无载波幅度相位(CAP)调制与功率高效的多脉冲位置调制(MPPM)相结合,利用MPPM的不同脉冲时隙信息控制CAP信号的传输。基于Lambertian光照模型,推导了高斯信道下N维DCO(DC offset)-CAP-MPPM方案的误码率(SER)解析表达式,仿真验证了其准确性。此外,对比分析了该混合调制方案与传统MPPM及多维DCO-CAP方案的性能优劣。通过数值仿真,分析了脉冲占比、调制阶数以及CAP维度等参数对混合调制方案误码性能的影响,仿真结果表明,混合多维DCO-CAP-MPPM方案在可以提供灵活的多址接入功能基础上,通过选择合适参数,可以得到优于传统MPPM或CAP调制的误码性能。     

基于多特征神经网络的日前光伏功率预测

工业互联网技术在能源领域飞速发展,准确的光伏发电功率短期预测有利于智能电网的调度管理,可以提高电力系统的运行效率以及经济性和稳定性。为了进一步提高预测方法的准确性,提高电网的运行质量,提出了一种结合深度学习和特征工程的短期光伏功率预测方法,该方法被称为衍生和基础神经网络特征融合(DBDeepFF)。该方法旨在提高多种传统预测模型的准确性,以澳大利亚公开的光伏发电功率历史数据为例进行了验证。结果表明,提出的架构能够使原始数据和衍生的特征在不同的模型上进行训练。该方法与普通预测方法相比,可以实现快速收敛,同时预测结果的平均绝对百分比误差（MAPE）降低4%左右,为区域内光伏电站的稳定运行提供了可行的数据指导。     

基于多源图像融合的光伏面板缺陷检测

传统光伏面板缺陷检测任务以人工目视方法为主，存在效率低、精度差、成本高等问题。提出基于深度学习的融合光伏面板可见光图像与红外图像的缺陷检测网络，即多源图像融合网络（MultisourceFusionNetwork,MF-Net），实现光伏面板的缺陷检测。MF-Net以YOLOv3tiny为主干结构，并针对光伏面板缺陷特征进行网络结构改进。其中包括：在特征提取模块中增加网络深度并融入密集块结构，使得MF-Net能够融合更多高层语义信息的同时增强特征的选择；将双尺度检测增加为三尺度检测，以提高网络对不同尺寸缺陷的适用度。此外，提出自适应融合模块，使特征图融合过程中可以根据像素邻域信息自适应分配融合系数。实验结果表明，相比基于YOLOv3 tiny的融合网络，改进后的融合检测网络m AP提高7.41%；自适应融合模块使m AP进一步提升2.14%，且自适应融合模块能够有效提高特征的显著性；在与单一图像（仅有可见光图像或红外图像）的检测网络及其他融合图像检测网络的对比实验中，所提出的网络F1 score最高（F1=0.86）。     

功率IGBT模块可靠性研究

提出了一种根据功率IGBT模块实时特征量对IGBT缺陷程度进行评估的新方法。首先从IGBT模块的结构入手,分析了其失效机理及故障特征。然后对IGBT模块进行人为挑断键合线实验,对获得的实验数据进行灰色关联模型建模,以初步验证灰色关联度与缺陷程度的关系;并进一步进行了老化试验,提出了灰色关联预计模型,通过实验验证了预测模型的正确性。该文研究成果为IGBT模块在线可靠性预测提供了参考依据。     

基于LSTM和数值预报的机场短期能见度预报分析

阐述利用WRF预报资料中的气象要素场，通过LSTM模型建立案例数据的能见度预报模型。为了评估气象要素场对模型的影响，通过相关性分析确定了能见度预报模型的最佳气象要素，探讨不同气象要素对能见度预测的影响。结果表明，随着输入气象要素的增加，LSTM模型在短期能见度预报方面可以取得较好效果。     

基于双重注意力和多尺度特征融合的场景文本检测算法

本文提出了一种场景文本检测方法,用于应对复杂自然场景中文本检测的挑战。该方法采用了双重注意力和多尺度特征融合的策略,通过双重注意力融合机制增强了文本特征通道之间的关联性,提升了整体检测性能。在考虑到深层特征图上下采样可能引发的语义信息损失的基础上,提出了空洞卷积多尺度特征融合金字塔(dilated convolution multi-scale feature fusion pyramid structure,MFPN) ,它采用双融合机制来增强语义特征,有助于加强语义特征,克服尺度变化的影响。针对不同密度信息融合引发的语义冲突和多尺度特征表达受限问题,创新性地引入了多尺度特征融合模块(multi-scale feature fusion module,MFFM )。 此外,针对容易被冲突信息掩盖的小文本问题,引入了特征细化模块(feature refinement module,FRM ) 。实验表明,本文的方法对复杂 场景中文本检测有效,其F值在CTW1500、ICDAR2015和Total-Text 3个数据集上分别达到了85.6%、87.1%和86.3%。     

基于MATLAB的光伏模块输出特性及MPPT的建模与仿真

基于光伏模块的等效电路模型,结合simulink中的S函数,建立了光伏电池仿真模型。利用该模型,可以模拟实际光伏模块产品在不同太阳辐射强度、环境温度下的I-V和P-V特性。分析了常见的最大功率跟踪(MPPT)方法爬坡法,并建立了仿真模型。     

一种基于ResPNet的光伏组件红外成像故障检测方法

目前利用无人机获取光伏组件红外影像数据越来越多地应用于光伏组件故障检测中。但光伏组件红外影像数据各类别样本相似度较高，现有深度学习模型的光伏组件红外影像特征提取能力较低，导致光伏组件多故障类型分类精度偏低。针对以上问题，基于ResNet(residual network)模型构建ResPNet(residual photovoltaic network)模型进行光伏组件红外影像故障检测。ResPNet模型在ResNet模型基础上，加入了底层特征信息增强模块、多尺度特征信息增强模块、全局特征信息增强模块，用于提升模型的光伏组件红外影像特征提取能力。在公开的光伏组件红外影像数据集Infrared Solar Modules上进行实验，ResPNet模型的12类光伏组件红外影像分类精度达到84.6%，不但优于ResNet-50模型，而且优于其他的光伏组件红外影像分类模型。通过级联多个ResPNet模型，取得了该数据集目前已知最高的12类光伏组件红外影像分类检测精度（85.9%）。     

基于仿真模型的光伏电池输出功率的分析

基于光伏电池的工程模型,在Matlab/Simulink中搭建仿真模型,进行输出特性的仿真,得到该光伏电池的I-V、P-V特性;光伏电池温度可根据当地的温度和光照数据得到,为了得到光伏电池在某地某一天输出最大功率的实时变化曲线,对原来的仿真模型进行了输入模块的修改,并加上光伏电池温度、环境温度、光照之间的关系模块,对修改之后的模型只需输入光伏电池的工程参数、一天的实时光照以及光伏电池在24h所对应的最大功率点电压,然后运行仿真模型,即可得到一天之内光伏电池输出的最大功率实时曲线。该仿真结果具有实用性、实时性和可观性。     

实用光伏电池建模及MPPT算法仿真

基于工程用光伏模块输出方程,利用Matlab/Simulink建立一个光伏电池实用仿真模型。该模型可以模拟实际光伏模块在不同环境下的输出特性曲线。在传统的电导增量法基础上利用计算得到的步长进行最大功率点跟踪,通过仿真结果表明在外界环境剧烈变化时改进的电导增量法可以快速跟踪光伏电池的最大功率点。该文是在Matlab/Simulink中实现了梯度变步长电导增量法,且在此给出该算法的模型搭建图,并在保证仿真精度的情况下通过加入延迟模块解决了仿真中的代数环问题。     

基于导航卫星的干涉SAR数据采集策略优选方法分析

基于导航卫星的干涉SAR(GNSS-InSAR)使用在轨导航卫星作为照射源,近地面部署接收机,利用导航卫星的星座特性以及重轨特性,可实现区域性的连续观测。对于场景1维/3维形变反演而言,需要连续时间的数据采集,由于导航卫星并非严格意义上的重轨,且重轨时间具有不确定性,原始数据冗余度高,数据对齐时截取量大,数据有效性低。该文针对GNSS-InSAR场景数据采集时间精确性问题,提出了一种重轨数据采集优化模型,该方法通过实际轨迹与TLE预测轨迹相结合的方式,通过空间相干系数的滑窗轨迹对齐,以获取相邻天导航卫星重轨时间间隔,实现精确的GNSS-InSAR数据采集,在降低原始数据冗余度下,保证数据的有效合成孔径时间。实测数据表明所提方法的有效性。      

有云层干扰的光学遥感图像舰船检测算法

针对海面光学卫星遥感图像舰船检测中云层干扰所产生高虚警率的情况,提出一种基于串并联混合多维特征融合判决的舰船目标检测算法。首先,利用高斯灰度阈值分割目标与海面云层背景,并对分割后的二值图像进行区域标记;然后,利用感兴趣区域的几何形态和边缘能量两类特征,包括中心偏移度、长宽比、面积变化比、曲折度和填充度,构建了串并联混合多维特征融合判决方法;最后,通过对感兴趣区域进行综合鉴别,有效剔除了云层干扰导致的虚警,解决了含云层背景检测结果虚警率高的问题。对多幅SPOT4光学遥感卫星图像的实验结果表明算法的有效性。     

多尺度语义信息融合的目标检测

针对当前目标检测算法对小目标及密集目标检测效果差的问题,该文在融合多种特征和增强浅层特征表征能力的基础上提出了浅层特征增强网络(SEFN),首先将特征提取网络VGG16中Conv4_3层和Conv5_3层提取的特征进行融合形成基础融合特征;然后将基础融合特征输入到小型的多尺度语义信息融合模块中,得到具有丰富上下文信息和空间细节信息的语义特征,同时把语义特征和基础融合特征经过特征重利用模块获得浅层增强特征;最后基于浅层增强特征进行一系列卷积获取多个不同尺度的特征,并输入各检测分支进行检测,利用非极大值抑制算法实现最终的检测结果。在PASCAL VOC2007和MS COCO2014数据集上进行测试,模型的平均精度均值分别为81.2%和33.7%,相对于经典的单极多盒检测器(SSD)算法,分别提高了2.7%和4.9%;此外,该文方法在检测小目标和密集目标场景上,检测精度和召回率都有显著提升。实验结果表明该文算法采用特征金字塔结构增强了浅层特征的语义信息,并利用特征重利用模块有效保留了浅层的细节信息用于检测,增强了模型对小目标和密集目标的检测效果。