块关联匹配与低秩矩阵超分辨融合的图像修复

针对块匹配图像修复算法容易出现结构不连贯与块效应问题,提出一种两阶段图像修复方法.该方法通过增加相邻修复块在重叠区域的关联性约束,利用图像块关联匹配修复算法实现对降采样受损图像的粗修复,以保证图像主体结构的完整性;依据不同分辨率图像中像素点与其8邻域的线性相关性,引入带噪低秩矩阵填充算法对图像细节进行超分辨率精修复,使修复后图像的纹理与色彩变化具有连续性.实验结果表明,文中方法对包含渐变特征的自然图像修复具有更好的视觉效果.     

基于低秩矩阵填充的XLPE电力电缆寿命评估

提出一种基于低秩矩阵填充技术的XLPE电力电缆寿命评估方法。该方法可有效应对传统算法所不能处理的不同厂家对电缆样本检测指标类别不统一导致的小样本寿命评估问题。在本文提出的评估方法中,首先以单一电缆样本检测指标及其寿命为列向量建立信息矩阵。然后,通过将该信息矩阵分解为一个低秩矩阵与一个稀疏的噪声矩阵的方式实现对目标电缆样本的寿命评估。仿真实验验证了该XLPE电力电缆寿命评估方法的准确性与鲁棒性。     

稀疏随机森林下的用电侧异常行为模式检测EI北大核心CSCD

随着智能电网的不断推进与传感技术的高速发展,我国电网用电侧数据逐步呈现出高复杂度、高冗余度的幂指数增长态势。传统的用电行为模式检测技术已无法满足其分析处理需求。为此提出基于稀疏随机森林模型的用电侧异常行为模式检测方法。该方法首先利用时间窗函数与Bootstrap重采样,建立用电侧行为模式信息簇。其次,利用基于随机权网络的有监督学习得到随机森林模型。最后,对随机森林模型进行稀疏化,并依据异常积累量指标判定样本有无异常。仿真对比实验验证了提出的稀疏随机森林模型的精确性与高效性。此外,通过多种体量数据下的Hadoop分布式计算实验,验证了基于稀疏随机森林的用电侧行为模式检测方法对用电侧大数据的高效处理能力。     

基于改进Faster R-CNN的太阳能电池板缺陷识别

太阳能在可再生能源中扮演越来越重要的角色,但是积灰和鸟粪等影响因素会降低太阳能电池板的发电效率,针对太阳能电池板的缺陷识别十分重要,为此基于改进的FasterR-CNN(fasterregion-basedconvolutionalneural network)算法对太阳能电池板的缺陷识别进行研究。网络的改进内容如下：实验样本量较少,首先采取了色域转换、旋转等操作以及mosaic数据增强方法,将主干网络替换为效果更好的RestNeSt-50网络;由于检测目标中积灰和鸟粪目标尺寸相差较大,采取了目标尺寸均衡策略;为了使分类和回归任务独立学习,采用了参数不共享双分支策略;并采用了Cosine学习率策略避免网络陷入局部最小值。以上改进方法使得评价指标平均准确率(mean average precision,m AP)值从基准模型的78.91%提升至94.05%。最后成功将单个太阳能电池板从无人机拍摄的图像中提取并修正角度,同时利用改进的FasterR-CNN算法进行缺陷识别,结果表明所提方法可以更准确地识别出积灰和鸟粪等缺陷。     

基于ELM的多结构变形QR码分类校正研究

针对不同曲面上QR码变形多样化、识别率低的问题,考虑到极限学习机(ELM)对大量数据的快速分类能力,提出了一种基于ELM的多结构变形QR码分类校正算法。在欧式距离量化变形特征后,运用ELM算法把变形结构分为平面变形、半曲面变形和全曲面变形三类,并利用不同分类系数改进QR码坐标透视变换算法,得到校正坐标值。实验结果表明,此方法不仅提高了QR码在曲面上的校正准确率,而且通过分类提高了曲面变形和平面变形QR码的校正速度。     

电力工程造价的随机权深度神经学习估算方法

为了实现对电力工程造价高效、精确的估算,提出了一种电力工程造价的随机权深度神经学习估算算法（Random Weighted Deep Neural Learning,RWDNL）。通过构建外权随机的带有小中间层的多隐层神经网络模型,利用神经网络深度学习实现了对海量数据有效特征的提取以及电力工程项目造价估算。数值仿真实验结果表明该方法使工程造价估算精度和速度大大提高,可获得令人满意的泛化能力。     

面向电网调度领域的实体识别技术

近年随着电网调度领域数据自动化、智能化管理需求的日益增长,知识图谱成为提供知识管理、智能查询、辅助决策等功能的重要技术。实体作为构成知识图谱的核心要素,识别的准确率将直接影响知识图谱的质量。针对电网调度领域,首先分析电网调度实体识别研究现状,明确了实体识别任务目标,然后根据电网调度领域文本数据特征,设计了同时满足局部特征与全局特征提取需求的算法结构,构建了基于双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)-卷积神经网络(convolutional neural networks, CNN)-条件随机场(conditional random field,CRF)的电网调度领域实体识别模型。最后实验结果表明,所提方法识别准确率达到93.1%,F₁值达到86.05%,能够有效支撑电网调度领域实体识别工作的开展。     

基于属性偏好学习的配电网综合评价方法

为了摆脱在传统地区配电网评价方法中对参评人员个人评价偏好的过度依赖,实现合理、精准的属性权重确定,提出了一种基于属性偏好学习的配电网多指标智能综合评价方法。依据属性测度理论,在置信度准则与评分准则下完成对配电网综合评价模型的构造。进而,提出数值绝对偏移率指标以实现对中间值指标的数据预处理。最后,应用随机权神经学习,通过对配电网历史训练样本进行有监督学习,计算得到指标属性偏好权重,并依据配电网综合评价模型以及计算所得属性偏好权重完成对配电网待测样本的智能综合评价。与传统的AHP、PSO-SVM以及RWN算法的对比仿真实验验证了该方法的精确性与稳定性,表明该方法实现了合理、客观的配电网综合评价,在地区配电网评价方面具有一定的应用价值。     

考虑扰动影响的微电网分布式自适应控制策略

通信网络、可编程控制器的引入在为微电网控制策略设计提供便利的同时,也增加了系统遭受多种类型扰动的可能性。针对控制通道中存在的未知扰动,定量分析了扰动对基于一致性的常规微电网次级控制策略产生的不利影响。进一步,提出了一种基于自适应积分滑模的微电网次级控制策略,分析了所提分布式控制策略在扰动下的动态性能,理论证明了该策略对未知扰动具有良好的抑制能力。该策略不需已知扰动的任何先验信息或假设扰动符合某种特定类型,可实现对未知扰动的自适应补偿,从而确保在多种类型扰动下微电网频率和电压的恢复以及有功功率的合理均分。仿真实验证实了所提控制策略的正确性与有效性。