基于高校基层“党支部建设示范点”开展组织力的引领作用研究——以上海电力大学电子与信息工程学院为例

习近平总书记在十九大报告中提出,加强基层组织建设,要以提升组织力为重点,突出政治功能,把企业、农村、机关、学校、科研院所、街道社区、社会组织等基层党组织建设成为宣传党的主张、贯彻党的决定、领导基层治理、团结动员群众、推动改革发展的坚强战斗堡垒注1。作为高校基层党支部,承担着培养人才的重任。本文着重对高校“党支部建设示范点”的培育与建设和高校基层党组织“组织力”提升的途径探索两个方向进行论述,探讨“党支部建设示范点”的组织力的引领作用研究。

电力设备多源信息融合的健康状态监测技术分析与研究

电力设备的监测手段多样,但电力设备健康信息感知源单一,造成电力设备健康评估准确率不高,实用性有待加强。此外,现有在线监测系统不能融合电力设备健康状态、能源计量、用户数据传输及分析,无法实现区域电网内多电力设备动力系统的实时监控、能耗综合统计分析,从而达不到电力设备-用户的最佳用能平衡以及电力设备低碳运行。为此,提出一种基于D-S证据理论的多源信息融合方法,将变压器传感器所收集到的信息生成概率分布函数,弱化电力设备局放产生冲突的评估结果,提高其评估精度;构建一套集电力设备健康状态、能耗综合统计分析和高耗能负载设备特性于一体的电力设备能源管理系统。实用结果表明:多源信息融合方法有利于提升电力运维的精度和快速性;电力设备能源管理系统的应用,实现了电力设备-用户的最佳用能平衡,在电力设备低碳运行与节能降碳方面取得了良好的效果。

电力用户信息的多区块链管理及跨链查询方法研究

区块链技术在保证电力用户信息安全隐私上具有良好表现及前景,但其去中心化特点带来节点存储压力过大的问题,导致节点服务器运行速度过慢,交易处理性能低下。为减轻节点的存储任务,提出多链管理及跨链查询的方法。利用多通道技术对账本进行多路隔离,实现了巨量数据节点的多链管理。针对多链间的“数据孤岛”问题,增加中间人节点并结合键值查询方法实现了跨链查询,从而成功构建了具备多链管理及跨链查询的电力用户信息区块链管理系统。系统测试表明:在保证用户信息安全隐私的前提下,有效缓解了节点存储压力过大的问题,系统稳定高效且能够跨链查询。该方法实现了电力用户信息安全存储、系统高效运行、数据全局共享,为推动国家电网数字化建设提供参考。

Kafka节点认证的电力用户信息联盟链管理技术研究

为了保障电力用户信息的安全和隐私,提出一种基于联盟区块链技术的电力用户信息管理系统,利用联盟链去中心化、不可篡改等特点保证信息安全。同时,为了提高系统运行效率,采用Kafka作为共识机制,并且使用改进2FA双因子认证技术来保证登入节点的合法性,进一步增强对电力用户信息的保护。系统通过链码和前端的设计,可以实现对用户信息的查询和修改。从不可篡改性、隐私性和抗攻击性三方面论证了系统的安全性,通过测试证明了系统的可用性和高效性。

基于LayoutXLM的核电工程图纸标题栏信息自动提取方法研究

对核电工程图纸进行数字化管理,需要从大量既有图纸的标题栏中提取有用信息。针对核电工程图纸标题栏结构多变的特点,提出了基于LayoutXLM的标题栏文本信息自动提取方法。首先,利用光学字符识别技术获取标题栏图像的文本坐标和文本内容,将标题栏文本、文本布局信息和标题栏图像信息作为多模态预训练模型LayoutXLM的输入,提取出标题栏文本的语义实体特征。然后,将实体特征作为BiGRU-CRF网络和双仿射注意力机制的输入,分别构建语义实体识别模型和关系抽取模型。最后,使用自建标题栏数据集对语义实体识别模型和关系抽取模型进行验证。实验结果表明,语义实体识别的F1分数达到90%以上,关系抽取的F1分数达到78%,验证了该方法的有效性,为标题栏信息的自动提取提供了新的思路。

基于秩分解和强语义信息融合的电力巡检算法

针对现行电力巡检方法对于高似然目标区分能力较差、检测速度较慢等问题,提出TR-YOLOv5模型。在网络第0层引入卷积注意力机制模块(CBAM),加强网络对细粒度特征的提取能力,并在网络最深层借助Transformer注意力进行编码,加强语义信息的传递能力。对于模型残差结构中的3×3卷积进行秩分解,压缩模型的冗余参数量。在特征融合阶段提出GPAN结构,以GSPP控制各尺度的变换,提高特征融合对各尺度信息的融合。在主干网络与同尺度特征融合结构的连接中加强了语义信息的融合,提高模型的检测能力。在模型训练过程中,以边框回归损失函数(SIOU)和CrossEntropy Loss作为IOU和分类损失回归函数提高模型的定位、分类能力。将训练完成的模型采用PyQt进行封装,提高了人机交互体验。实验结果表明,TR-YOLOv5模型检测平均精度值(mAP)达到97.1%,模型浮点运算量减少到3.6 GFLOPs。消融实验与对比试验证明了TR-YOLOv5模型能有效解决电力巡检过程中的前述问题。

融合注意力与多尺度特征的电力绝缘子缺陷检测方法

针对无人机巡检时绝缘子缺陷因目标小、种类多、尺度差异大造成的漏检、误检问题,提出了一种融合注意力与多尺度特征的YOLOX-s算法。首先,在主干网络中融合坐标注意力机制,使网络能够更加准确地对绝缘子及其缺陷进行定位;其次,为解决绝缘子缺陷小目标特征丢失的问题,在主干网络尾端的空间金字塔池化模块引入多尺度深度可分离卷积,构建多尺度上下文敏感模块以充分提取多尺度信息;最后,在特征融合网络中用Shuffle unit替换原网络中的CBS堆叠结构,实现了模型压缩。实验表明,改进模型的FPS为26.4帧/s,mAP值达到了93.6%,相较于YOLOX-s提升了4.7%,在不增大模型参数量和计算复杂度的前提下,对多类型多尺度的绝缘子缺陷检测达到了更好的效果。该方法对提升电力巡检业务运维效率具有现实指导意义。

基于gSOAP技术电力机房动环监控系统的设计

基于i.MX6ULL嵌入式平台和gSOAP技术,设计了电力机房动环监控系统。通过采用分布式架构,实现了服务端与客户端的通信。该系统实时监控机房运行状态,如温度、湿度、电压、电流等环境参数,支持远程设备控制和管理;同时,提供实时数据展示和历史数据查询功能,方便用户监控和分析机房运行状态。测试结果表明,该系统具有实时性、可扩展性和可靠性等优点,有效提高了机房管理效率和安全性。

基于ICEEMDAN-DCN-Transformer的短期电力负荷预测

针对传统负荷预测方法易受复杂环境因素影响的问题,提出了基于ICEEMDAN-DCN-Transformer的短期电力负荷组合预测模型,该模型将电力负荷数据通过ICEEMDAN方法分解为若干个IMF和一个Res函数,考虑复杂环境因素的影响,将分解后各分量与环境特征并行输入到DCN-Transformer中进行预测,并将各组预测数据线性相加得到完整的预测结果。以泉州市电力负荷历史数据为基础进行实验,建立4种单一预测模型和3种组合预测模型作为对比模型,对该地10 d、240 h的电力负荷序列加以预测。结果表明,相较于传统算法,所提算法可以显著提高负荷预测的精度并有效降低误差评价指标值,为电力系统的安全运行和规划制定提供理论依据。

基于逐像素自适应对抗网络的电力巡检图像增强方法

针对电力智能巡检中图像细节丢失、边缘模糊,导致目标检测、识别错误的问题,提出一种基于逐像素自适应对抗网络(per-pixel self-paced adversarial network,PSPA)的超分辨率方法。该方法以生成对抗网络为基础,加入多重注意力机制,并通过逐像素比对的方式还原细节纹理。实验结果表明,该方法生成的超分图像不仅在人眼主观体验上优于现有算法,而且在电力设备巡检数据集测试中峰值信噪比和结构相似性指标对比其他最优结果分别提高了6.2和0.0993。对还原后的超分辨率图像使用Yolov3网络在无人机输电线路绝缘子数据集和电力施工安全帽佩戴数据集上进行目标检测,不仅能够降低漏检率,而且能够将检测置信度提高到接近原始高清图像的结果。

基于信息熵理论对变压器光纤传感器声探测信号的特征提取及识别研究

光纤传感器以其灵敏度高、不受电磁干扰等特点得到了广泛的研究应用,但在对变压器故障声信号的采集过程中也存在噪声成分含量较高、信号特征提取不易或无法提取的缺点。为此,提出利用信息熵理论对变压器故障声信号进行特征提取分析,并基于支持向量数据描述(support vector data description, SVDD)对求取的特征量进行识别研究。在实验室搭建了变压器故障声信号实验与探测平台,采集3种典型放电模型的声信号,基于信息熵理论,选取模糊熵、能量熵、奇异谱熵和功率谱熵等对滤波后的声信号进行特征提取,形成识别特征向量。最后,利用SVDD算法对求取的特征量进行识别研究。实验结果显示,基于信息熵理论提取的故障声信号特征量识别正确率均达到90%以上,优于传统时频域特征提取和基于小波变换的特征提取方法,证明了所提出方法的可行性。

融合高频信息增强和注意力机制的视线估计方法

准确的视线注视方向估计是人机交互和虚拟现实等应用场景中的关键技术。基于外观的视线估计是目前的主流方法,然而,因为眼睛外观、光线条件和头部姿态的多样性,所以无约束环境下的视线估计仍然是一个具有挑战性的任务。提出了一种高频信息视线估计网络(HFA-Net)。首先,在神经网络中加入高频信息提取模块和卷积注意力模块(CBAM),帮助网络减少冗余信息的影响;其次,将视线分为两个角度分别进行回归,并使用独立损失函数进行优化;最后,在公开数据集MPIIGaze上进行训练和测试。实验结果表明,该方法在MPIIGaze上取得了4.17°的最佳角度估计误差,超越目前主流算法。

电力设备多光谱图像融合及多参量影响的故障渐变规律演化预测研究

不具备维修条件的情况下为保障重点区域供电的可靠性,允许故障设备在系统失稳前运行一段时间,演化预测当前故障渐变规律成为了安全预警亟待解决的核心问题。然而,现有演化预测方法所需的评估参量不仅获取困难,还会因参量之间融合不当,而使得预估时间偏差较大。为此,通过改进的全状态集成法模型,进行了电力设备多光谱图像融合及多参量影响的故障渐变规律演化预测研究。通过红外检测图像与红外标准图库匹配以及红外–可见光的图像融合的方式从非结构化的图像数据中提取设备关键构件温度参量。结合运行参数采用聚类算法进行故障诊断,在此基础上综合短期电负荷和环境因素构建了负荷/环境–温升模型,并通过关联热老化、负载率、光照等状态约束条件预估设备故障后续走势。以综合状态为评估依据的电压互感器PT故障演化实验表明:该方法可有效识别设备并对热缺陷进行定位和分类评估,预测设备的运行状态随负荷、环境变化的趋势,为电力设备不停电检修智能化决策提供理论基础。

面向电力开关柜的轻量型GB-YOLOv5m状态检测方法

电力开关柜状态灯及仪表具有布局高密、异位同像的特点,从而对边端图像处理技术中的目标形貌、色度对比等基础特征检测能力以及轻量识别能力提出更高要求,为此该文提出一种Ghost-BiFPN-YOLOv5m(GBYOLOv5m)方法。采用加权双向特征金字塔(BiFPN)结构,赋予特征层不同权重以传递更多有效特征信息;增加一个检测层尺度,提升网络对于小目标的检测精度,解决状态灯高密布局引起的小目标识别难问题;利用GhostBottleneck结构替换原主干网络的Bottleneck复杂结构,实现模型的轻量化,为在边端部署模型提供有利条件;通过图像增强技术对有限样本进行状态灯和仪表传递特征的扩充,并通过迁移学习实现算法高速收敛。经10 kV开关柜实测,结果表明该算法对柜体状态灯及仪表共16类目标识别准确率高,均值平均精度(mAP)达97.3%,fps为37.533帧;相较于YOLOv5m算法,在模型大小缩小了37.04%的基础上,mAP提升了10.2%,说明所提方法对灯体与表体的检测能力大幅提升,且轻量识别效率提升明显,对于开关柜电力状态的实时核验与数字孪生信息交互,具有一定的现实意义。

基于改进DeepLabv3+模型的电力线语义分割方法

在无人机智能电力巡检中,电力线分割是实现无人机自动避障、保障低空飞行安全的关键技术。针对现有基于深度学习的电力线分割算法存在的预测速度慢、分割精度低的问题,提出了一种改进DeepLabv3+算法的电力线分割模型——PBB-DeepLabv3+。用轻量级PP-LCNet替换原始DeepLabv3+主干网络Xception,有效减少参数量并提升预测速度。在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块中增加空洞卷积分支和级联卷积,获取具有更大感受野的多尺度特征从而减少漏分割现象,进一步将空洞卷积分支改为瓶颈结构以减少参数量。在解码器融合3层浅层特征以恢复降采样过程中丢失的细节特征。引入瓶颈注意力模块(Bottleneck Attention Module, BAM)减少对电力线误分割现象。实验结果表明,改进算法预测速度相对于原DeepLabv3+模型提升54.39%,平均像素精度(Mean Pixel Accuracy, MPA)和平均交并比(Mean Intersection over Union, MIoU)分别提升1.18%和3.50%,参数量仅为原模型的6.38%。兼顾了分割速度和精度,能够对电力线进行有效分割。

稠密电力场景中的双目复空间立体定位与识别方法

为解决数字孪生三维运检中小尺度、复杂多目标电力设备的精准定位、语义关联及类型识别问题,构建了二维平面视觉三基色和深度维(three primary colors and depth dimension,RGB-D)的复数空间融合模型。通过提取稠密电力场景下二维图像三基色、纹理和双目立体三维图像深度等多要素的像素灰度值特征,在RGB-D复空间中对小尺度、遮挡及倾斜设备的3个特征要素进行了表征。采用要素线性叠加融合的方式实现目标体空间结构表达,并利用复空间要素归一均衡化增强了目标体的深度特征,从而达到小尺寸、复杂多目标体的空间定位量化目的。在此基础上,基于优化非极大值抑制(optimized non-maximum suppression,NMS)算法对目标定位映射结果进行了优化筛选,经过鲁棒分析得知,该方法具有较强的抗遮挡鲁棒性。以隔离开关、断路器等设备为对象的实验结果表明:该方法相对于传统目标检测方法不仅在目标的定位与识别准确率方面得到显著提高,且在应对稠密电力场景中设备复杂遮挡解决方面具备较大优势,可有力促进电力数字孪生化的理论和技术发展。

基于聚类经验模态分解的CNN-LSTM超短期电力负荷预测

为了减少复杂环境因素对电力负荷超短期预测效果的影响,提高算法的预测精度和运算效率,该文提出一种基于聚类经验模态分解(clusterempiricalmodedecomposition,CEMD)的卷积神经网络和长短期记忆网络(convolutional neural network and long short term memory network,CNNLSTM)混合预测算法。该算法首先通过经验模态分解法将负荷数据分解为平稳性好、规律性强的若干本征模态函数(intrinsic mode functions,IMF)和残差(residual,Res)。其次为了简化后续模型的计算体量,运用k均值聚类方法对分解所得的各分量进行分组集成,同时分析不同聚类数对应的预测效果,选取最优聚类标签构造神经网络输入数据。之后将各组数据分别输入到CNN-LSTM混合神经网络中,利用CNN挖掘数据间的特征形成特征向量,并将其输入到LSTM中进行预测。最后将所有预测结果进行线性相加得到完整预测负荷。通过在真实负荷上进行验证并与现有模型进行比较,所提方法具有更高的预测精度。

基于改进LSSVM的短期电力负荷预测

针对电力负荷随机性、波动性以及非线性因素所导致预测精度不高等问题,提出了一种基于变分模态分解(VMD)与麻雀搜索算法(SSA)优化的最小二乘支持向量机(LSSVM)短期负荷预测模型。该方法首先借助VMD将原始负荷时间序列分解成不同频率的本征模态函数(IMF)和残差分量(Res),然后对各分量建立不同的LSSVM预测模型并利用SSA进行参数优化,最后将各分量预测值组合得到最终的预测结果。以比利时蒙斯大学和中国河南省某地区两组真实数据为例进行预测分析,将预测结果与LSSVM、VMD-LSSVM、SSA-LSSVM模型预测值对比,得出所提出方法的两组数据MAPE值分别为1.501 6%、4.765%,远低于其他模型。结果表明该组合预测模型在预测精度上具有一定的优越性。

基于预测控制的多种新能源互补电力系统动态调度模型

为了解决多种新能源互补运行时的消纳困难,以及降低新能源夜间波动造成电压频繁越限的问题,提出了一种基于预测控制的多种新能源互补电力系统动态调度模型。首先分析了光伏发电和风力发电的时间性,以及用户生活和生产用电短期内环比波动较小的特征,利用改进自适应阈值隶属度的小波滤波方法对光伏、风力发电历史数据进行去噪,以实现数据真实性还原;然后将去噪后的数据输入到改进的差分整合移动平均自回归模型中,对未来一段时间的发电量和用电量进行预测;将预测发电量、用电量作为分解原函数和扩增函数,改进同步型交替方向乘子法(synchronous alternating direction method of multipliers,SADMM);最后,通过将各时段预测的新能源发电量作为下一次迭代计算值的固定值,对SADMM进行迭代值修正,达到动态经济调度的目的。实验结果表明,该模型有效降低了91%的电压越限告警,并且经济性较传统方法提高了5%。

基于多维正态云模型的电力变压器状态评估

针对变压器状态评估中对于定量信息评定的模糊性和随机性问题,采用多维正态云模型进行变压器状态评估,其中采用的核空间多维云算法可以有效避免各个指标之间的权重难以权衡的问题。通过对变压器运行数据进行正态云拓展;利用正态云发生器不断产生云滴;根据各个指标给定的区间范围拓展为评级标尺云,以数据云所产生的云滴作为输入,采用多维云算法计算出该变压器的运行状态。以某台变压器运行信息作为分析对象,通过算例分析验证了该方法的有效性,且证明了方法具有简洁、高效和可靠等特点。