赵洪山:一个摄影家的大地情怀

赵洪山，1955年10月出生在河南省范县。他第一次摸相机是1977年河南大学中文系毕业后，当时．他分配在安阳地区文化局（现在的濮阳市）工作，当年他和刘文选举办的第一次摄影培训班．使他有机会第一次触摸到。珍贵”的相机．他的第一幅摄影作品《春情》获得了三等奖。

人工智能背景下高职学生就业技能提升研究

人工智能是新型通用目的技术,改变了传统的职业分布、工作任务和就业技能构成。高职教育直面工作岗位,培养的人才大多数从事基础性工作,被人工智能替代的风险较大。人工智能的发展和应用,对人才的认知技能和非认知技能提出了新的要求,促使国家重视相关就业技能的提升。但是,当前高职教育存在对相关技能的认识不足、教师掌握的技能不高以及有效提升技能的平台缺乏等问题。对此,高职院校应顺应人工智能发展态势,重视培养适应人工智能发展的技能,尤其是注重认知技能和非认知技能的提升,从而保障学生就业,助力技能型社会建设。

10 kV电缆接头局部放电趋势分析及预警方法研究

电缆接头是局部放电频发的位置,针对目前对局部放电趋势研究的不足和预警不及时的问题,提出了一种基于Mann-Kendall检验法和长短期神经网络(LSTM)的局部放电的趋势分析和预警方法。为了清晰地揭示局部放电数据的趋势特征,文中采用Mann-Kendall检验法对采集的暂态地电压(TEV)数据进行处理,定量计算趋势变化及突变点检测。文中提出基于Mann-Kendall检验法和LSTM算法的综合预警模型,该模型利用LSTM预测TEV序列幅值,并用Mann-Kendall计算预测值的趋势参数,通过综合考虑TEV幅值大小和趋势参数实现了电缆接头局部放电主动预警。算例结果表明,Mann-Kendall能清晰揭示局部放电变化趋势,LSTM对局部放电数据预测效果良好,基于二者构建的预警模型能较好地对局部放电进行预警。

考虑极端天气冲击过程的风电机组竞争失效可靠性评估

针对风电机组的运行可靠性易受极端天气影响的问题,提出了一种考虑极端天气冲击过程的风电机组竞争失效可靠性评估方法。同时考虑风电机组自然退化、极端天气冲击导致的瞬时退化以及极端天气持续过程产生的加速退化,构建极端天气下的风电机组综合退化模型;考虑风电机组退化过程对其耐冲击性能的影响,建立风电机组竞争失效可靠度模型以评估风电机组可靠性;基于我国北方某风电场工程数据和极端天气历史数据评估了某2 MW风电机组的可靠性并进行了参数灵敏度分析。结果显示,到第5年时,仅考虑自然退化的方法评估风电机组可靠度为0.84,而考虑极端天气冲击过程的方法评估风电机组可靠度为0.178,后者更加符合工程实际。通过模型参数的灵敏度分析发现,运行时间超过3年后,退化失效开始逐渐影响风电机组的可靠性。

事件触发改进一致性算法的孤岛混合微电网并联互联变流器分布式协调控制策略

在交直流混合微电网中,并联互联变流器(parallel bidirectional power converters,BPCs)可以实现大容量的功率传输,以满足新型电力系统在空间上的供需匹配。如何在占用更少资源的同时协调控制BPCs实现功率的比例共享,是交直流混合微电网中BPCs控制的研究难点。因此,该文设计了一种针对BPCs的事件触发改进一致性协调控制策略。以归一化下垂控制为基础,提出了改进的比例功率一致性算法,实现BPCs间高精度比例功率共享。在此之上,基于BPCs比例功率误差建立事件触发改进一致性算法,并预设触发函数的预判阈值,从而降低系统在稳定状态下的通信次数。最后进行仿真对比分析,结果表明该文提出的方法相比基本一致性算法通信量减少98.35%;同时,与现有控制策略相比,该文提出的方法有着更好的控制性能。

考虑多时间尺度信息的风力发电机滚动轴承故障预测

风电机组滚动轴承故障会造成风电机组长时间停机,为准确预测风电机组滚动轴承故障,提出一种考虑多时间尺度信息的风力发电机滚动轴承故障预测方法。首先,采用连续变分模式分解(successive variational mode decomposition,SVMD)自适应提取轴承健康数据温度多维特征;其次,将分解的本征模态函数(intrinsic mode functions,IMFs)输入Informer模型提取多尺度时间信息训练,基于树状结构Parzen密度估计的非标准贝叶斯优化算法(tree structure Parzen density estimation,TPE)优化Informer模型超参数;然后,构建基于残差的故障指标,采用核密度估计(kernel density estimation,KDE)确定故障预警阈值;最后,将运行数据输入训练后的Informer模型进行故障预测。选取某风电场的风力发电机轴承温度数据进行故障预测,仿真结果表明,考虑多时间尺度信息的SVMD-TPE-Informer模型在发电机轴承温度预测上具有更高的预测精度和计算效率,所提方法在两个故障案例上分别能够提前15.5 h和10 h预测到故障,且不会出现误报现象,验证所提模型的有效性和稳定性。

基于反射系数谱的配电电缆局部缺陷识别定位

传统配电电缆在局部缺陷识别与精准定位上灵敏度较差,位置范围识别受到限制,为解决现有技术在配电电缆缺陷诊断上存在的不足,提出一种基于反射系数谱的配电电缆局部缺陷识别定位方法。首先依据电缆分布参数模型,获得配电电缆完好状态与存在局部缺陷段的反射系数谱,然后利用广义正交积分法,将反射系数谱的虚部从频域转换到空间域,建立积分诊断图,得到具有直观性的定位图谱,根据积分诊断图实现配电电缆局部缺陷的识别与精准定位,方法适用于同时存在多处电缆缺陷的情况。最后,在实验室50 m长的配电电缆上制作老化与破损两种缺陷,用于验证所提方法的有效性。仿真和实验结果表明,该方法对不同缺陷情况均具有较高的识别精度,定位误差小于0.15 m。

基于AdaBoost.M2-ISSA-ELM算法的电力变压器故障诊断方法

为提高电力变压器故障诊断精度,将集成学习和群体智能优化算法相结合,提出一种电力变压器故障诊断方法。使用极限学习机(ELM)作为基学习算法,构建集成学习框架下的基分类器,并针对ELM模型性能受参数初始化影响较大、易陷入局部最优问题,引入基于正弦优化的改进麻雀搜索算法(ISSA)优化相关参数,提高基分类器的分类性能。使用改进的自适应增强(AdaBoost.M2)算法构建集成学习模型,扩展基分类器的输出,并引入伪损失函数替代传统AdaBoost算法中的加权误差,以增强集成分类器综合表达能力,得到基于AdaBoost.M2-ISSA-ELM算法的电力变压器故障诊断模型,进一步提高模型识别精度。通过909组油中溶解气体分析(DGA)样本对所提方法进行实例分析,结果表明该方法具有较好的诊断精度和分类性能,能够实现电力变压器故障类型的准确识别。

URLLC场景下信道可靠连通度预测

第五代移动通信技术(5th generation,5G)中高可靠低时延通信(ultra reliability and low latency communication,URLLC)应用场景,十分契合航空5G机场场面宽带移动通信系统建设要求。以丢包率为定义的可靠性指标没有反应时变无线信道的时间依赖性和不同URLLC服务所需的持续时间。针对以上存在的问题,运用生存分析的方法,将URLLC关键技术与可靠性理论中失效率相结合,提出了可靠连通度指标,基于接收端信号强度,建立理论分布模型和数据驱动模型,对时变信道在未来1子帧内可靠连通度进行预测,并建立城市宏单元非视距簇时延线信道模型算例对模型进行对比分析,并在不同雨衰条件下,分析信道系统的可靠连通度。结果表明,数据驱动模型可靠性预测的均方误差(mean square error,MSE)可达0.1%,优于理论分布模型,且在恶劣天气情况下,多输入多输出信道可靠性相比于多输入单输出信道具有更高的抗衰落能力。

基于改进CNN-SVM的光伏组件红外图像故障诊断方法

为识别光伏组件故障类型,提高光伏系统发电效率,提出了一种基于改进CNN-SVM模型的光伏组件红外图像故障诊断方法。首先以光伏组件红外图像为输入样本构建改进CNN模型,采用全局平均池化层代替传统CNN模型的全连接层,在进行图像特征提取的同时降低模型参数量;利用数据增强和批归一化技术提高模型泛化能力,降低模型过拟合。其次采用非线性支持向量机SVM代替传统CNN模型中的Softmax分类器,以提高光伏组件红外图像故障识别准确率。最后采用Infrared Solar Modules数据集对所提模型进行了实例验证。结果表明:与传统CNN模型相比,改进CNN-SVM模型故障诊断准确率高,对各故障类型的识别能力强。

基于改进边缘注意力生成对抗网络的电力设备热成像超分辨率重建

针对低分辨率电力设备热成像图像,提出一种基于改进边缘注意力生成对抗网络的超分辨率重建方法。首先,在边缘注意力的基础上,引入通道注意力和位置注意力的双注意力模块(dual attention, DA),捕获特征图不同位置间和不同通道间的依赖关系,并将两组依赖关系进行融合,以加大全局信息的提取程度。然后针对参数修正线性单元激活函数(parametric rectified linear unit, PReLU)对网络中神经元进行无差别激活,导致网络特征表达能力受限问题。采用改进β-ACONC自适应控制激活函数替代PRe LU函数,在辨识有效特征的基础上,对神经元进行选择性激活,以强化有效特征、弱化无效特征,提升网络的自适应激活能力和特征表达能力。最后对所提改进边缘注意力生成对抗网络模型(edge-attention generative adversarial network, EA-GAN)进行实验验证。结果表明,与Bi Cubic双三次插值模型和原EA-GAN模型边缘注意力生成对抗网络模型相比,所提改进模型网络性能最好,重建图像质量最高,客观评价指标峰值信噪比(peaksignal-to-noiseratio, PSNR)均值、结构相似性(structural similarity,SSIM)均值和均方误差损失(mean square error loss, MSE-loss)均值最优,在电力设备红外图像重建领域普适性较高,具有一定的工程应用价值。

基于物联感知数据和张量融合的电力变压器绕组绝缘劣化评估方法

针对目前缺乏依托在线物联感知数据的电力变压器绕组绝缘劣化评估方法的问题,该文考虑电、热、机械劣化因素对电力变压器绕组绝缘的损伤累积效应,提出基于物联感知数据和张量融合的电力变压器绕组绝缘劣化评估方法。首先,研究电、热、机械因素对绕组绝缘的累积损伤机理,依托电压、电流、温度、局部放电物联感知数据构建变压器绕组绝缘的电性能、热性能和机械性能劣化损伤指标;然后,构建三种劣化损伤指标的特征张量,基于张量融合对三种劣化损伤指标进行特征融合,提取劣化损伤指标间的高维劣化特征关联信息;最后,采用基于自组织映射网络(SOM)的最小量化误差方法构建绕组绝缘的综合劣化评估指标,实现对绕组绝缘劣化状态的评估。该文通过多种评价准则评价构建综合劣化指标,算例结果表明,所提方法能准确评估变压器绕组绝缘的真实劣化程度。

基于多尺度窗口和区域注意力残差网络的无线电力终端身份识别方法

针对现有无线通信设备信号识别方法需对信号进行域变换、增加网络输入数据维数的问题,该文提出基于多尺度窗口区域注意力残差网络的无线电力终端身份识别方法。首先,通过所提多尺度窗口模块完成信号前导码在各个周期尺度下的信息交互,使网络能够直接处理并识别原始无线通信信号数据;然后,设计区域注意力模块,以显著特征区域均值为评价指标对通道资源进行重新分配,提高了网络对信号局部特征的学习能力;最后,以池化分类器替代全连接层,采用Adam优化器进行梯度更新完成训练过程。实际采集无线信号数据实验结果表明,设计的各模块可显著提升网络的训练与识别性能,相同型号设备识别准确率提高至97.316%,非法设备的检测率达82.8%,可有效增强电力系统的无线通信安全。

基于射频指纹的无线电力终端身份认证方法

无线电力终端接入电网的通讯安全性一直是制约配电侧感知技术应用的主要障碍,针对这一问题,提出基于射频指纹的无线电力终端身份认证方法。首先,针对现有瞬态检测方法计算复杂及对噪声敏感的问题,利用信号相位均值方差与瞬态包络线斜率,提出了相位方差-包络斜率检测算法,在降低计算成本的同时提升了检测速度;其次,为降低信号特征的维度和训练时间,选择时域高阶统计量作为射频指纹,并选择反向传播(back propagation,BP)神经网络作为分类器进行识别认证。实验结果表明,所提出的瞬态检测方法在显著降低运算时间的同时具备较高的瞬态检测准确率,基于射频指纹的身份识别方法实验平均识别率可达96.5%以上,表明该方法能有效增强电力系统的无线通讯安全。

浙江人工智能对就业结构的影响及应对政策

人工智能是一种新型的通用目的技术,对就业产生替代效应和抑制效应。本文基于人工智能影响就业结构的理论,借助人口普查和国际机器人联合会数据,对浙江制造业机器人台数和就业结构的发展状况进行了评估,发现人工智能对传统行业就业具有替代效应,对新兴行业就业具有创造效应,就业者技能不足是阻碍高质量发展的主因,建议可以通过提升就业者技能为失业者提供更大力度的社会保障和就业服务,以期人工智能对就业结构发挥积极作用的同时,协同提升低技能就业群体的获得感。

无气象信息条件下基于AGCRN的分布式光伏出力超短期预测方法

针对分布式光伏普遍缺少气象量测装置而导致功率预测精度不足的问题,提出了一种基于自适应图卷积循环网络的分布式光伏出力超短期预测方法,可以在无气象数据的条件下,仅基于历史出力数据实现光伏出力精准预测。首先,分析了光伏出力数据兼具时序性和空间相关性,利用门控循环网络提取时序特征,利用自适应图卷积网络挖掘传统图卷积网络无法捕捉的光伏出力潜在空间相关性。然后,融合门控循环单元和自适应图卷积网络,构建自适应图卷积循环网络以提取多光伏站点出力的时空相关性,并利用注意力机制为不同时刻的时空特征分配权重。最后,通过全连接层输出最终的预测结果。采用某地区屋顶光伏实际出力数据在不同预测时间尺度下比较所提方法与其他方法的预测性能,结果表明,在没有气象数据的情况下,当预测尺度为15、30、60 min时,相比于传统门控循环网络,所提方法的平均绝对误差分别减少了16.9%、19.8%和30.5%。

基于时空注意力机制的台区多用户短期负荷预测

针对在低压台区海量高波动用户负荷预测场景下,传统探索单个用户时间特征的负荷预测方法存在无法学习用户之间的空间相关性、无法实现多用户共同预测的问题,该文提出一种基于时空注意力机制的Transformer负荷预测模型(STformer),提供精准的台区多用户短期负荷预测。首先,改进传统Transformer模型,嵌入序列分解模块、自相关计算模块和空间注意力模块。其中,序列分解模块可以将波动较大的用户负荷曲线分解为相对平稳的多个子序列,有助于更好地提取负荷曲线的时间依赖性和周期因子;自相关计算是一种改进的注意力机制,可以挖掘多个历史同时期子序列的时间相关性;空间注意力机制可以提取台区多用户之间的动态空间相关性。然后,利用蒙特卡洛随机失活方法(MC dropout)将STformer拓展到台区多用户负荷概率预测。最后,采用真实台区多用户负荷数据集进行验证,与多种负荷预测模型进行对比,证明STformer模型可有效提高短期多用户负荷点预测和概率预测的精确性和鲁棒性。

基于LADRC的燃料电池氢气供应系统压力跟踪控制方法

针对燃料电池电堆阴阳极压力平衡易受扰动影响的问题,提出适用于燃料电池氢气供应系统的二阶线性自抗扰控制方法。首先,基于燃料电池氢气供应系统的运行特性,建立面向控制的三阶氢气供应系统模型;接着,基于面向控制的三阶模型以及自抗扰理论,设计出适用于氢气供应系统的扩张状态观测器和线性状态误差反馈,在此基础上得出燃料电池电堆氢气供应系统压力跟踪的二阶线性自抗扰控制律。仿真结果表明:基于二阶线性自抗扰控制的氢气供应系统压力跟踪控制方法具有较优秀的响应速度、精度和抗扰能力,可实现对系统扰动项的实时估计与补偿以及燃料电池阳极压力对阴极压力的快速稳定跟踪。

基于油中溶解气体分析的DBN-SSAELM变压器故障诊断方法

为了保证油浸式变压器故障诊断精度的同时,提高诊断方法的收敛速度以及泛化能力,提出一种基于DBN-SSAELM的变压器故障诊断方法。首先,利用深度置信网络(deep belief networks, DBN)对油中溶解气体浓度比值数据进行特征提取。其次,利用具有较强学习能力的极限学习机(extreme learning machine, ELM)替换传统DBN分类模型中的Softmax分类器,深入分析特征值与故障类型之间的关联性,提高模型的收敛速度。然后,利用麻雀搜索算法(sparrow search algorithm, SSA)优化ELM模型的输入权值和隐藏层节点偏置,以提高模型诊断结果的准确率和稳定性。最后,选用准确率、查全率、查准率和收敛速度对优化前后的模型进行性能评估。最终实验结果表明:所提出的DBN-SSAELM变压器故障诊断方法,故障诊断准确率高、泛化能力强、稳定性好,平均准确率达到96.50%,适用于变压器故障诊断。

基于融合少数类过采样均衡多分类数据的改进极限学习机的变压器故障诊断方法

针对变压器小概率故障事件导致数据集不均衡时,严重影响故障识别能力的问题,提出一种基于融合少数类过采样(synthetic minority over-sampling technique,SMOTE)算法均衡多分类数据的改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化极限学习机(extreme learning machine,ELM)的变压器故障诊断方法。首先,利用K-means算法对样本空间进行聚类,基于不平衡度选择聚类中心,利用SMOTE算法向聚类簇合成新样本以增强类内特征的聚合性;其次,针对边界区的样本,利用基于不同策略的Borderline-SMOTE算法向聚类簇合成新样本以增大类间特征的差异性;最后,利用基于Tent混沌映射的麻雀搜索算法(sparrow search algorithm,SSA)对极限学习机(extreme learning machine,ELM)模型中的输入权值和隐藏层偏置进行优化,以提高算法的全局搜索能力和模型的诊断精度。基于变压器油色谱数据的故障诊断实验结果表明:所提基于融合SMOTE均衡多分类数据的ISSA-ELM变压器故障诊断方法能够有效改善诊断模型对多数类的偏向问题,进一步提升模型的诊断精度、收敛速度和稳定性,适用于变压器非均衡数据集的多分类故障诊断。