基于暂态导数极性分段优化的VSG二次调频控制策略

二次调频能使电力系统在一次调频过程中始终满足频率稳定的要求。采用虚拟同步发电机VSG控制策略的并网逆变器在离网运行时仅具备一次调频特性,若VSG的输出频率超出安全工作区间时将会对微电网的稳定运行产生影响,因此,需在有功控制环加入固定积分系数来实现频率无差控制的二次调频,但传统二次调频存在恢复时间与频率振荡的固有矛盾。提出一种根据暂态导数极性分段优化的改进VSG二次调频策略,该策略基于频率恢复特性,将频率恢复过程划分为2个阶段,并分别配置不同的积分系数,使得整个频率恢复时间缩短,且避免了频率的振荡,并给出了所提方法关键参数的设定依据。最后通过仿真与基于HIL的半实物平台验证了所提策略的可靠性。     

基于深度强化学习的新型电力系统调度优化方法综述

随着新能源并网规模不断扩大，能源形式更加灵活多变，电力系统调度运行面临新的挑战。随着系统复杂度和不确定性增加，传统基于物理模型的优化方法难以建立精确的模型进行实时快速求解，而深度强化学习（DRL）可以从历史经验中自适应地学习调度策略并实时决策，避免了复杂的建模过程，以数据驱动的方式应对更高的不确定性和复杂度。文中首先介绍了新型电力系统调度运行问题；然后，介绍了DRL原理及其分类算法；接着，分析了各类DRL算法在求解新型电力系统调度决策问题时的优势与劣势；最后，对需进一步研究的方向进行了展望。     

基于图神经网络的起作用安全约束辨识方法

在安全约束机组组合问题中含有大量冗余安全约束，如何高效辨识起作用的安全约束对提高求解速度具有重要意义。构建电网拓扑图、节点与支路特征后，输入至图卷积网络，对基态和故障态下支路潮流约束是否起作用进行分类，在IEEE RTS 79系统中迭代求解安全约束机组组合。结果表明，所提方法可以有效降低求解迭代次数和计算时间。所提方法可大幅提高求解效率，对将机器学习应用于辅助优化模型求解具有启示作用。     

基于标签嵌入方法的纺织品瑕疵识别网络

卷积神经网络（Convolutional Neural Network, CNN）可用于工业生产环境下的纺织品疵点的鉴别与分类。针对实际场景下的纺织品瑕疵存在瑕疵类型视觉区分度小和实际数据样本采集时的瑕疵类别不平衡问题，本文提出了基于标签嵌入方法的纺织品瑕疵识别网络（Textile Defect Recognition Network Based on Label Embedding, TDRNet）。首先，算法调整了基础骨干网络的结构，从而提高模型的分类精度；接着算法还设计了标签嵌入模块（Label Embedded Module, LEM），并使用该模块来生成模型的类别权重偏移；然后，本文提出了分布感知损失函数（Distribution Perception Loss, DP Loss）调整算法的类别分布，从而减小同类瑕疵特征的类内距并增大异类瑕疵特征的类间距；最后，本文引入了Seesaw Loss损失函数，通过抑制少数类别的负样本梯度并提高对误分类时的样本损失来动态平衡模型训练过程中在不同样本下的更新梯度，以缓解少数类别的误分类率。在自制的“广东智能制造”布匹瑕疵分类数据集中，本...     

裂隙围岩隧道爆破开挖断面轮廓控制研究与应用

为解决裂隙围岩隧道爆破掘进施工过程中断面轮廓控制不足、超欠挖严重的问题，以某隧道为例，通过分析掌子面爆破开挖过程中导致轮廓控制不足的主要因素，对炮孔装药结构、装药密度和光爆层厚度等进行了优化。现场爆破效果表明：采用优化后的爆破参数进行开挖，可有效控制爆破开挖断面轮廓，抑制拱顶岩体大面积离层，避免掌子面底部“根底”现象；隧道平均线性超挖量大幅降低80%,平均炮孔利用率提高至93.2%,有效降低了裂隙围岩隧道爆破开挖对围岩的损伤，改善了爆破效果。