峰位微扰动修正在构建高斯响应矩阵中的应用研究

现有的高斯响应矩阵在对高分辨率γ能谱进行重建时，极易出现假峰、峰位漂移等问题。本文针对测量条件（温/湿度、电压波动等）微弱变化引起峰位扰动进而影响高斯响应矩阵重建结果准确度的问题，通过引入微扰动修正因子，对现有高斯响应矩阵进行修正。采用IAEA重峰分解测试谱及GMX40P高纯锗探测器实测能谱对修正前后的高斯响应矩阵进行谱线解析测试。结果表明：通过修正后响应矩阵重建的能谱，其峰位与实际峰位保持一致，净峰面积的相对偏差分别低于1025%和550%。     

核电厂地震PSA中的风险定量化研究

论述了核电厂地震概率安全评价（PSA）定量化方法和工具的现状，指出了定量化工具面临的挑战和存在的问题。根据定量化的概率论本质，提出了计算方法。以我国某核电厂厂址多方案概率地震危险性分析（PSHA）结果和核电厂地震响应分析给出的最小割集为例，展示了计算方法的应用过程，分析了地震动参数和置信度参数对定量化计算结果的影响。结果表明，针对置信度参数进行拉丁超立方采样，采样次数较小时即可给出地震导致的核电厂堆芯损坏频率（SCDF）的稳定估计值；通常情况下，设备失效对SCDF的贡献最大，厂房失效的影响相对较小；地震动年发生率对SCDF的贡献需要根据工程场地的位置进行具体分析。      

湖南广播电视台国际频道新增百万中国香港用户“文化出海”擦亮电视湘军品牌

2021年1月20日00:00,湖南广播电视台国际频道进入中国香港有线网络,新增百万中国香港用户。此外,中国香港150多家四星以上酒店也将同步可以收看到湖南国际频道。其独立运营的湖南省外宣融媒体矩阵现已集结了30余家新媒体平台,并在Youtube、Titter、Instagram、Facebook等海外平台实现自主全维运营。     

对称极坐标牛顿法潮流的直角坐标解法

为综合利用极坐标牛顿法潮流方程数少、雅可比矩阵J元素少以及直角坐标牛顿法中没有三角函数计算的特点,并克服极坐标牛顿法潮流J阵元素的不对称使其计算速度不理想的情况,提出一种对称极坐标牛顿法潮流的直角坐标解法.主要内容为,建立结构不完全对称的子阵形式的极坐标J阵,通过子阵建立子阵元素间的对应关系;拆分J阵元素的计算,建立子阵元素的部分对称关系;对J阵元素等计算公式进行三角变换,并按"二行+二列"的对称方式计算J阵元素;用四角规则而不是消元计算公式对J阵元素消元;将取倒的对角元素作为规格化因子以减少除法计算.新方法不但可实现J阵元素的部分对称计算,还可大量减少三角函数的运算以及消元过程中的除法运算,且无需计算公式直接完成消元计算.以IEEE-118节点系统为例,新方法生成J阵速度可提高约90％以上,潮流计算速度可提高约30％,并极利于编程.     

基于改进SOA-VMD的磁声发射信号去噪算法

磁声发射（MAE）是铁磁性材料磁化过程中产生的声发射信号，在构件应力检测和微观损伤检测中有着广泛的应用。针对MAE信号非稳态、复杂性、衰减性等特点，提出海鸥算法结合变分模态分解（SOA-VMD）的去噪方法，为克服海鸥算法求解过程中易陷入局部最优解问题，利用柯西变异算子产生随机迭代过程，使改进算法即柯西变异海欧算法（CVSOA）跳出早熟收敛。采用以幅值谱熵为适应度函数，优化VMD算法中分解模态个数K和二次惩戒因子α两个参数，将含噪声的MAE信号进行VMD分解重构。经仿真信号和实际检测信号分析表明，改进后的CVSOA-VMD算法全局寻优能力和去噪性能优于传统的SOA-VMD算法，降噪后的MAE信号特征值对于不同应力下均方根、偏斜度特征值的重复性更好，可靠性更高。     

基于SVD和SSA-VMD降噪的轴承故障特征提取

针对强噪声背景下轴承故障特征提取困难的问题，提出一种基于奇异值分解和参数优化变分模态分解联合降噪的轴承故障特征提取方法(SSVMD)：首先，对原始信号进行奇异值分解(Singular Value Decomposition，SVD)处理，运用奇异值差分谱法选取有效奇异值并将原始信号重构得到初步降噪信号；其次，为防止故障信息丢失，将残余信号进行麻雀算法(Sparrow Search Algorithm，SSA)优化的变分模态分解(Variational Mode Decomposition，VMD）算法处理，得到最佳的模态个数K和惩罚参数α，选取峭度值最大、包络熵最小的IMF分量与初步降噪信号叠加得到最终降噪信号，并对信号进行包络分析；最后，通过仿真和试验数据分析得出，该方法能在信噪比很低的情况下降低噪声含量并提取轴承故障特征，为设备的状态监测和故障诊断提供理论依据。     

基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。