电网厂站接线图人工智能识别关键方法

矢量化的电网厂站接线图需要调度运维人员参考设计图纸进行人工绘制及导入，工作量巨大且极易出错。针对电网厂站接线图中图元、文字以及接线关系3个核心的识别问题，提出一套基于人工智能的完整电网厂站接线图识别方法，显著提升识别的效率和准确性。通过结合分级预处理的重叠滑窗机制与YOLOv4算法，解决电网厂站接线图的“大图像小图元检测”问题；通过迁移学习与卷积循环神经网络结合，提升包含中文电气文本的识别率；通过嵌入电气领域知识与规则，提升接线识别的准确率。最后，根据获取的电气元件信息、文本信息、连接线信息，完成其他下游任务。采用实际调度系统导出的电网接线图数据集，设计了图元、文字、接线识别三方面的对比实验，验证了所提方法的有效性。     

矿区承包商HSE管理存在的主要问题与对策

矿区承包商施工作业中，时常发生火灾、高处坠落、触电、物体打击、环境污染等事故，导致人员伤害、财产损失等后果。根据目前矿区承包商的类型，确定易发生事故的承包商，并分析其HSE管理中存在的主要问题，依据产生的原因，给出相应的对策措施，以实现提高矿区承包商的HSE管理水平，降低其事故率。     

针对柔性高压直流输电系统的交互式教-学优化算法

提出一种针对柔性高压直流输电系统(VSC-HVDC)的交互式教-学优化算法(ITLO)以获取最优PI控制增益.首先在原始教-学优化算法中引入多个班级来扩大搜索范围;然后在不同班级的教师或学生之间建立小世界网络(SWN),通过深度交互学习实现精确搜索.交互式教-学优化算法能够合理权衡搜索范围和搜索精度,从而有效避免算法陷入局部最优.通过3个算例对所提出算法的有效性进行测试,即有功功率和无功功率追踪、电网短路故障和风电并网,仿真结果验证了其相较于现有启发式优化算法的优越性.     

某抽水蓄能电站主变直流偏磁现象及抑制措施研究∗

直流偏磁是一种变压器非正常运行状态,简述了变压器直流偏磁产生机理及其不良影响;介绍了某抽水蓄 能电站主变直流偏磁现象,并结合电站主接线形式、主变联接方式等实际情况,提出在主变中性点加装电容隔直自动 投退装置的解决方法.该方法通过动态监测、实时自动投退隔直电容,在确保主变中性点有效接地的前提下,达到抑 制侵入变压器直流电流的目的.隔直装置运行效果表明,该方法有效解决了变压器直流偏磁问题,保证了主变和电站 的安全稳定运行.     

无协调主体的多产消者完全端到端交易机制

产消者之间进行能量交易对促进分布式资源就地消纳具有重要意义。为此，在充分考虑产消者利益诉求的基础上，提出了一种无协调主体的多产消者完全端到端交易机制，以实现社会福利最大化。以微网为例，对产消者内部资源进行建模，并引入物理网络约束，提出多产消者能量交易集中式优化模型。通过支路撕裂法及拉格朗日对偶分解，将问题转化为分布式优化问题，并利用交替方向乘子法求解。可证明此机制无需第三方主体协调，仅需在交易主体间进行信息传递，通过各主体内部进行资源调配即可完成优化，实现完全分布式求解。此外，所得价格更符合实际市场的运作规律。最后，以4个微网为例进行分析，验证了所提交易机制的可靠性以及有效性。     

双酶体系高效制备(R)-2-氯-1-(3-氯苯基)乙醇

人工合成经密码子优化的羰基还原酶基因Sys1,并与葡萄糖脱氢酶基因Sygdh共克隆至双启动子表达质粒p ETDuet-1中,获重组质粒p ETDuet-Sygdh-Sys1。将其转化大肠杆菌(Escherichia coli)BL21(DE3),构建了共表达羰基还原酶和葡萄糖脱氢酶的重组工程菌E.coli BL21/p ETDuet-Sygdh-Sys1。以经IPTG诱导的重组菌为生物催化剂,不对称还原间-氯苯甲酰甲基氯(m-CPC),制备手性药物中间体(R)-2-氯-1-(3-氯苯基)乙醇((R)-CCE)。在m-CPC 30 mmol/L、重组湿菌体70 mg/m L、葡萄糖40 mmol/L、辅酶NADP+0.2 mmol/L,以及p H 7.0、反应温度40℃和反应时间3 h等条件下,所获手性化合物(R)-CCE的摩尔产率高达99.0%,对映体过量值(e.e.值)为100%。     

结构参数对各向异性磁电阻(AMR)磁场传感器性能的影响

采用磁控溅射工艺制备NiFe合金薄膜，通过电子束蒸发制备Barber电极，获得了各向异性磁电阻(AMR)线性磁场传感器。通过材料芯片技术，系统研究了图形化的NiFe薄膜宽度、厚度以及Barber电极角度、间距等因素对传感器性能的影响。测试结果表明，在设计的工艺条件下，NiFe薄膜宽度为36μm、厚度为28 nm、Barber电极角度为40°以及电极间距为10μm时，该磁场传感器在磁场范围为±5 G内灵敏度最大，达到1.17 mV/(V·G)。研究工作为进一步发展基于AMR效应的角度及磁场传感器芯片提供参考。     

基于机器学习的遥感影像云检测研究进展

在对地观测领域中云检测是遥感定量化应用的重要环节，同时也是卫星气象应用的关键步骤。近年来，基于机器学习的遥感影像云检测逐渐成为该领域的研究热点，并且取得了一系列研究成果。系统阐述了近10 a来国内外基于机器学习的遥感影像云检测的研究进展，将算法模型分为传统的机器学习模型和深度学习模型两类，并对两类中的具体模型进行详细介绍，对比分析不同模型的优缺点及其适用情况。重点介绍了传统机器学习中的支持向量机（SVM）、随机森林等方法，深度学习中的神经网络模型，包括卷积神经网络（CNN）、改进的U-Net网络等模型。在此基础上，分析了基于机器学习的遥感影像云检测研究中存在的问题，讨论了未来潜在发展方向。