边缘计算网络中区块链赋能的异步联邦学习算法

由于数据量激增而引起的信息爆炸使得传统集中式云计算不堪重负,边缘计算网络(ECN)被提出以减轻云服务器的负担。此外,在ECN中启用联邦学习(FL),可以实现数据本地化处理,从而有效解决协同学习中边缘节点(ENs)的数据安全问题。然而在传统FL架构中,中央服务器容易受到单点攻击,导致系统性能下降,甚至任务失败。本文在ECN场景下,提出基于区块链技术的异步FL算法(AFLChain),该算法基于ENs算力动态分配训练任务,以提高学习效率。此外,基于ENs算力、模型训练进度以及历史信誉值,引入熵权信誉机制评估ENs积极性并对其分级,淘汰低质EN以进一步提高AFLChain的性能。最后,提出基于次梯度的最优资源分配(SORA)算法,通过联合优化传输功率和计算资源分配以最小化整体网络延迟。仿真结果展示了AFLChain的模型训练效率以及SORA算法的收敛情况,证明了所提算法的有效性。

基于柔直控制的南方电网异步联网频率同步运行控制器设计与应用

电网分区异步运行将成为未来南方电网发展趋势,针对分区异步电网间频率失去了同步性和一致性问题,开展分区异步电网频率同步运行控制策略研究,提出了分区异步电网频率同步运行控制器结构,优化确定运行关键控制参数并通过仿真验证其有效性。鲁西柔直工程作为试点实施分区异步电网频率同步运行,现场实施效果表明该控制能够有效保证分区异步运行电网间实际运行中频率的一致性和同步性,且与电网AGC策略具有良好的适配性,实施中未出现两侧电网功率振荡和频率振荡发散情况,有效改善分区电网频率稳定性和提升分区电网间功率的灵活性支援性能,同时也实现全网调频资源的实时、自动共享,推动构建全网统一的调频辅助服务市场。

基于本地差分隐私的异步横向联邦安全梯度聚合方案

联邦学习作为一种新兴的分布式机器学习框架,通过在用户私有数据不出域的情况下进行联合建模训练,有效地解决了传统机器学习中的数据孤岛和隐私泄露问题。然而,联邦学习存在着训练滞后的客户端拖累全局训练速度的问题,异步联邦学习允许用户在本地完成模型更新后立即上传到服务端并参与到聚合任务中,而无需等待其他用户训练完成。然而,异步联邦学习也存在着无法识别恶意用户上传的错误模型,以及泄露用户隐私的问题。针对这些问题,该文设计一种面向隐私保护的异步联邦的安全梯度聚合方案(SAFL)。用户采用本地差分隐私策略,对本地训练的模型添加扰动并上传到服务端,服务端通过投毒检测算法剔除恶意用户,以实现安全聚合(SA)。最后,理论分析和实验表明在异步联邦学习的场景下,提出的方案能够有效识别出恶意用户,保护用户的本地模型隐私,减少隐私泄露风险,并相对于其他方案在模型的准确率上有较大的提升。

基于空间目标异步观测的惯导误差快速确定

针对惯性/天文组合导航系统中大的初始状态误差影响惯导误差收敛速度的问题,在星相机观测具有先验位置信息的有限空间目标的辅助下,提出一种基于目标-恒星角距异步测量的惯导误差在线快速确定方法。首先,在星相机光轴旋转角度和视场角大小受限的情况下,设计了通过异步照相观测方式获取有效空间目标参考信息的方案;其次,在利用惯导误差状态传播模型实现异步测量信息同步处理的基础上,构建基于空间目标与恒星之间角距的非线性最小二乘优化模型,避免了星相机的光轴扰动和安装误差对测量精度的影响;最后,基于高斯牛顿法设计了两轮迭代优化估计惯导位置误差和速度误差的方法。蒙特卡洛仿真结果表明,所提方法利用对空间目标和恒星的有限观测信息,可以有效估计惯导位置误差和速度误差,在初始位置误差约十千米量级的情况下,可以估计补偿约97.73%的位置误差以及66.25%的速度误差,优化求解误差参数的计算耗时为0.0160 s。

基于异步整形机制的智能变电站通信队列调度策略

时间敏感网络(TSN)因能为智能变电站关键通信业务提供确定性低延时传输服务而得到广泛关注。针对现有变电站工业以太网交换机通信队列调度策略难以从理论上保证关键通信业务的实时性和可靠性的问题,该文提出了基于TSN异步整形机制(ATS)的智能变电站通信队列调度策略。首先,基于智能变电站业务流服务质量需求及传输特点,提出了智能变电站业务流的优先级划分及整形队列分配方案;其次,建立了以业务流端到端时延最小化为目标的整形器参数最优化模型,并通过内点优化算法求解;最后,整形器采用基于令牌桶的流量整形方法对划分后的业务流进行整形,整形后的流量基于严格优先级算法调度传输。基于OMNet++进行了仿真实验,实验结果表明,该文所提方法能够保障关键通信业务的确定性低时延传输。

双因子更新的车联网双层异步联邦学习研究

针对车联网(IoV)中节点资源异构、拓扑结构动态变化等特点,该文建立了一个双因子更新的双层异步联邦学习(TTAFL)框架。考虑到模型版本差和车辆参与联邦学习(FL)次数对局部模型更新的影响,提出基于陈旧因子和贡献因子的模型更新方案。同时,为了避免训练过程中,车辆移动带来路侧单元切换的问题,给出考虑驻留时间的节点选择方案。最后,为了减少精度损失与系统能耗,利用强化学习方法优化联邦学习的本地迭代次数与路侧单元局部模型更新次数。仿真结果表明,所提算法有效提高了联邦学习的训练效率和训练精度,降低了系统能耗。

非晶合金-硅钢混合铁心三相鼠笼式异步电机的能效分析

首先测试了非晶合金与硅钢铁心的磁化和损耗性能,将测取参数应用于YKK3552-4型笼型200 kW三相异步电动机的二维电磁有限元仿真,分析了电机在两种不同铁心材料组合下的能效特性:一是定子采用非晶合金铁心,转子采用硅钢铁心;二是定子和转子均采用硅钢铁心。结果表明异步电动机满载时组合铁心电机铁耗最小,但磁饱和问题突出,额定电压下组合铁心电机的空载电流可达额定电流的1.1倍,绕组铜耗最大。随后对运行电压降低时的混合铁心电机损耗情况进行仿真,当降压4%时电机能效特性达到最优。最后在3 kW样机上进行了能效测试,验证了降压运行的效果。为易饱和非晶材料在交流电机中应用奠定了理论基础,通过降低运行电压实现非晶定子铁心电机低耗、高效是一条可行技术路径。

时间不等人:产业发展的政府-市场异步困境——以山县农村电商发展为关键个案

不少研究从政府、市场,或二者交互的角度解释了产业升级遇阻的主要原因,却几乎无人讨论政府与市场的相对时间关系的重要影响。通过考察山县农村电商产业发展的典型案例,本文试图回答,为什么作为山县特色产业的A果在山县政府大力扶持和数字经济大潮的双重红利下却没有高质量地实现农产品交易电商化?本研究提出“政府-市场异步困境”的概念,用以概括基层政府的慢决策与市场的快发展之间的不同步对地方产业发展所形成的结构制约。在项目制的背景下,政府与市场、政府部门间、市场主体间的多重脱节与失调是县域农产品电商化失败的重要原因。这一发现有助于我们进一步认识政府与市场间关系的复杂性,为如何更好地推动县域传统产业转型、发展新质生产力提供新的视角。

供电电压闪变对异步电动机转子故障在线检测的影响及应对

供电电压闪变可能对异步电动机转子故障在线检测产生不利影响,导致基于定子电流信号分析(motor current signature analysis,MCSA)的转子故障在线检测方法失效。通过理论分析,揭示供电电压闪变恶化转子故障在线检测性能的机制。提出免于供电电压闪变影响的异步电动机转子故障在线检测方法,首先,根据转子故障主特征频率分量预判转子健康或故障;继而,根据转子故障独有的辅助特征频率分量进一步确认转子健康或故障。仿真与实验结果证明了该方法的有效性。

交⁃直⁃交异步系统准同步控制下直流动态功频响应特性分析

经直流输电互联的异步系统通过对直流输电实施附加控制,可实现异步系统的准同步运行,达到实时共享异步系统调频资源的目的。但在准同步控制的工程实践中,不合理的控制结构或参数配置将导致系统出现非预期的功率波动。首先,根据直流准同步附加控制,构建准同步系统的动态功频响应分析模型;然后,基于该模型分析了直流控制参数对功率振荡的影响;进而,分析准同步控制导致的功率波动与传统功角振荡的异同;最后,以准同步实验过程中出现的功率波动为例进行分析验证,提出抑制直流功率波动的建议,并对准同步控制进行了讨论。

考虑异步通信的配电-气网分布式有功-无功协同优化

配电-气网(EGDN)中新能源大量并网和燃气运输过程中管网压力变化均可能导致配电网的电压波动增大。文中提出一种考虑异步通信的EGDN有功-无功协同优化方法。首先,研究EGDN中各元件的有功-无功特性;其次,根据EGDN能量运输过程中无功需求特性,建立EGDN无功供需模型;然后,考虑EGDN无功平衡和网络运行约束,以最小化电网电压波动、网损和EGDN购电/气成本为目标,建立EGDN无功电压优化控制模型;最后,为保障EGDN中各能源主体信息的安全性与私密性,考虑配电网与配气网信息采集传输情况存在差异,可能存在通信延迟和信息丢包情况,采用异步交替方向乘子法对模型进行求解。通过对改进的IEEE 33节点系统和7节点配气网构成的EGDN系统进行仿真,结果表明,所提方法可有效缓解EGDN电压波动问题,减小网损并降低系统总运行成本。

变频供电对异步电机电磁噪声的影响

针对某三相异步电机变频供电时,电机噪声明显增大且出现刺耳高频声的情况,利用数值仿真软件建立了电机磁场、振动和噪声模型,计算和分析了变频供电对电机定子电流、径向电磁力、电机振动和噪声的影响。研究发现,变频器供电时,电机定子电流在基波之外增加了基波的谐波分量和载波与谐波相互作用的频率分量,载波引起的电流分量增加了电磁力波的高阶分量,在研究频率范围内(个别频率除外),相比于正弦供电,电机振动速度增大至1.08~131.4倍,声压级增大了2.6~42.6dB。

基于异步脑机接口系统的远程低时延控制研究

针对脑机接口目前应用在控制领域存在着自主性较低、实时性较差等问题,展开了基于异步脑机接口系统的远程低时延控制的研究。异步脑机接口系统采用滤波器组典型相关分析算法实现特征识别,并通过检测连续滑动窗口阈值实现状态识别;在此基础上,搭建两级C/S架构解耦原始系统,通过分析传统控制流程存在的时间和性能损耗,设计了基于半同步半异步线程池的新型控制系统架构。通过自研移动采样机器人进行了实验验证,实验结果表明,该系统具备可远程、低时延、高稳定性和高识别率的特点。

我国档案馆与相关领域参与数字人文异步现象探源

近年来,数字人文成为图情档领域的研究热点。然而,我国档案馆与同为档案领域的我国档案学界、同为档案实践部门的国外档案馆以及同为数字人文基础设施建设机构的我国图书馆在数字人文参与方面存在着冷热不均的异步现象。我国档案学界对数字人文表现出极高的研究兴趣,国外档案馆在数字人文领域的实践进展迅速,我国图书馆在参与数字人文过程中积极作为。反观我国档案馆,无论是在理论还是实践层面,均表现出热情不高和明显滞后的现象。这种不同步现象背后的逻辑值得探究,我国档案馆与档案学界在目标与认知层面的偏差、国内外档案馆在文化与制度方面的冲突,以及我国档案馆与图书馆在体制与职能方面的差异是导致这种现象出现的主要原因。

含高比例新能源的异步互联送端系统直流FLC的阶跃死区控制策略及优化

针对含高比例新能源的异步送端系统直流频率限制控制器(FLC)死区控制及参数优化问题,提出了一种直流FLC阶跃死区控制策略。基于考虑含高比例新能源的多机系统频率响应模型,分析了直流FLC死区参数以及高比例新能源装机容量对送端系统频率响应的影响。加入阶跃决策系统,构建改进型直流FLC阶跃死区控制策略。搭建兼顾直流FLC动作特性以及对送端系统频率偏差抑制效果的改进型直流FLC阶跃死区控制策略参数优化模型。使用群智能算法求解出改进型直流FLC阶跃死区控制器最优参数。仿真结果表明优化后的直流FLC死区控制方法可以显著改善送端系统的频率稳定支撑能力。

基于谐响应的大型异步电机电磁振动分析

大型异步电机的电磁振动是电机振动的主要构成部分,对电机振动等级的评估需要进行准确的电磁振动分析,本文以一台10 kV兆瓦级大型异步电机为对象进行电磁振动分析。首先对完整的电机模型进行模态分析,求解固有频率及对应振型,并实验测量了电机实际运行时的固有频率;然后将电磁场二维有限元计算得到的径向电磁力作为载荷,对该电机进行谐响应分析,最后与实验测得的振动速率对比。结果表明,基于电机整机模型的模态分析和谐响应分析可以较为准确地分析大型异步电机电磁振动,能够为电机的优化设计或电磁振动抑制提供理论依据。

基于三相异步电动机维修操作技术的研究

三相异步电动机应用广泛,其维修核心嵌线技术特殊又不易掌握。理论电动机绕组展开图与实际操作习惯不是很吻合,为方便学员高质量依图施工掌握嵌线技术,改进电动机绕组展开图起始槽为第一槽、改进绕组头尾处在有效边所在槽位、改进绕组电流方向为一实际瞬间方向;改进电动机完整维修技术为五个技术模块。实践证明改进的方法效果好效率高,维修后的电动机性能稳定,初学者在改进方法下能高效快速掌握电动机维修技术。

一种基于优化引导的无线联邦学习异步训练机制

针对在数据异构和资源异构的无线网络中联邦学习训练效率低及训练能耗高的问题,面向图像识别任务,提出了基于优化引导的异步联邦学习算法AFedGuide。利用较高样本多样性的客户端模型的引导作用,提高单轮聚合有效性。采用基于训练状态的模型增量异步更新机制,提高模型更新实时性以及信息整合能力。设计基于模型差异性的训练决策,修正优化方向。仿真结果显示,相较于对比算法,AFedGuide的训练时长平均减少67.78%,系统能耗平均节省65.49%,客户端的准确率方差平均减少25.5%,说明在客户端数据异构和资源异构的无线网络下,AFedGuide可以在较短的训练时间内以较小的训练能耗完成训练目标,并维持较高的训练公平性和模型适用性。

基于d-q变换及WOA-LSTM的异步电机定子匝间短路故障诊断方法

为了实现对异步电机定子绕组匝间短路故障的可靠在线诊断,提出一种基于d-q变换及鲸鱼优化算法(WOA)优化的长短期记忆网络(LSTM)的故障诊断方法。通过理论推导可知,d-q变换可有效提取定子电流中的特征频谱数据。采用鲸鱼优化算法对长短期记忆网络中的3个关键参数进行优化,建立WOA-LSTM故障分类模型。为了验证基于d-q变换和WOA-LSTM故障诊断方法的有效性,分别以小波变换、快速傅里叶变换及d-q变换提取电流频谱数据作为输入数据集,以一台YE2-100L1-4型异步电机为实验对象进行实验验证。研究结果表明:相比于小波变换及快速傅里叶变换,采用d-q变换能更准确的提取出定子电流中的故障特征,更精确地反映电机故障状态,有助于提高故障分类准确率;相比于传统的LSTM算法,经WOA优化后的LSTM算法分类准确率可达98.3%,能可靠地实现不同程度匝间短路故障的诊断。

基于机器学习的异步电机故障诊断方法

针对以往异步电机故障诊断中特征提取能力不足导致诊断效果较差的问题,提出了一种基于机器学习的异步电机故障诊断方法,该方法使用了注意力机制(AM)的多尺度卷积神经网络(MSCNN)-双向长短时记忆网络(BiLSTM)的异步电机故障诊断模型,通过加入通道注意力机制改进学习机制,使用3种不同尺度提取数据特征,使用BiLSTM对周期故障振动信号进行时序特征的提取,添加自注意力机制关注重点故障特征,引入残差模块减少噪声和冗余数据的影响,最后,通过Softmax分类输出诊断结果。结果表明,该模型能够有效提取数据集中的故障特征,与其他4种常见模型进行对比,体现其稳定性和高诊断性能,针对异步电机故障诊断的准确率达到98.5%。