融合大模型与图神经网络的电力设备缺陷诊断

电力系统中不同装置设备的缺陷评级和分析处理常受运维人员主观性影响,导致同一缺陷文本描述出现不同的严重程度评级。专业知识的差异也导致诊断分析差异和诊断效率不同。为提升缺陷诊断的准确性和效率,提出一种基于图神经网络的缺陷文本评级分类方法和大模型智能诊断分析助手。构建专业词典,使用自然语言处理算法规范化文本描述。通过统计方法,优化缺陷文本的语义表示。集成图注意力神经网络和RoBERTa模型对缺陷文本进行精确评级分类。基于大语言模型Qwen1.5-14B-Chat进行低秩适配(LoRA)微调训练得到电力设备诊断大模型Qwen-ElecDiag,结合检索增强生成技术开发设备缺陷诊断助手。此外,整理提供微调电力设备诊断大模型的指令数据集。对比实验结果表明,提出的基于图神经网络的缺陷评级分类方法在准确性上较最优基准模型BERT提升近8个百分点;诊断助手的电力知识以及缺陷诊断能力得到提升。通过提高缺陷评级的准确率并提供全面专业化诊断建议,不仅提高电力设备运维的智能化水平,也为其他垂直领域的智能运维提供新的解决方案。

多站融合的微能源系统站 网协同布局

为了促进资源的共享,提高能源利用率,建立了双层站网优化布局模型,对多站融合的微能源系统的融合站数量、位置、设备容量配置,以及管线分布进行了协同规划。上层模型采用最小生成树和谱聚类求解,解决了融合站数量、位置和管线分布问题;下层模型采用提出的改进的粒子群优化算法,解决了设备容量配置问题。通过对规划区域进行算例仿真,得出了系统站网协同布局的优化结果,验证了所提模型和算法的可行性与合理性。

结合区块链的园区综合能源系统可信协调优化方法

分布式能源的日益普及与随之而来更复杂的能源系统结构,极大地增加了传统集中式求解能源协同优化问题的难度与成本。分布式优化方法与复杂的能源结构有良好的适配性,但缺少天然可信的协调中心,存在主体隐私保护困难、主体间交互数据真伪难辨等问题,因此提出了结合区块链的园区综合能源系统可信协调优化方法。首先,引入协调者角色组成协调委员会,并利用无偏随机排序算法选取协调者。之后,通过分解协调算法将协调优化问题解耦为上下两层的求解最优值问题,并利用区块链共识算法保障多协调者间可信。然后,设计了双区块链园区综合能源系统数据存储模型,保证数据安全和交易链效率。最后,仿真实验表明结合区块链的园区综合能源系统可信协调优化方法可公平选取协调者,有效实现园区综合能源协同优化、降低节点作恶影响、保护数据隐私,具有较好的鲁棒性和容错性。

混合动作空间下的多设备边缘计算卸载方法

为降低多设备多边缘服务器场景中设备层级的总成本,并解决现有深度强化学习(deep reinforcement learning,DRL)只支持单一动作空间的算法局限性,提出基于混合决策的多智能体深度确定性策略梯度方法(hybrid-based multi-agent deep determination policy gradient,H-MADDPG)。首先考虑物联网设备/服务器计算能力随负载的动态变化、时变的无线传输信道增益、能量收集的未知性、任务量不确定性多种复杂的环境条件,建立MEC系统模型;其次以一段连续时隙内综合时延、能耗的总成本最小作为优化目标建立问题模型;最后将问题以马尔科夫决策过程(Markov decision procession,MDP)的形式交付给H-MADDPG,在价值网络的辅助下训练并行的两个策略网络,为设备输出离散的服务器选择及连续的任务卸载率。实验结果表明,H-MADDPG方法具有良好的收敛性和稳定性,从计算任务是否密集、延迟是否敏感等不同角度进行观察,H-MADDPG系统整体回报优于Local、OffLoad和DDPG,在计算密集型的任务需求下也能保持更大的系统吞吐量。

基于轻量化改进ERNIE-RCNN的中文新闻标题分类

针对大型预训练语言模型在处理新闻标题时,面临参数规模庞大、无法高效利用上下文语意特征以及循环卷积神经网络对初始输入元素重要性忽视的问题,提出了一种融合混合专家模型(mixture-of-expert,MoE)的ERNIE与注意力机制的循环卷积神经网络(recurrent convolutional neural networks,RCNN)的新闻标题分类方法。首先,借助MoE改进ERNIE技术进行文本编码,随后利用注意力RCNN在保留文本词序和特征的基础上进行分类。为提高分类能力,通过计算输入的融合上下文权重对RCNN进行改进。在计算MoE中各个专家权重的过程中,选择Gumbel_Softmax作为新型的门控函数以改进传统的Softmax函数,从而更好地控制平滑程度。根据实验结果,发现相较于传统的分类方法,本文研究提出的分类方法展现出显著优势,极大地减少了参数数量。在此基础上,F 1相较于传统模型提升了0.51%。经过消融实验的验证,该分类方法在分类任务上的可行性得到了证实。

基于RFCARep-YOLOv8n的光伏电池缺陷检测算法

针对光伏电池缺陷图像存在目标遮掩、复杂背景以及人眼难以分辨的小目标缺陷等问题,提出一种基于感受野坐标注意力和重参数的YOLOv8n光伏电池缺陷检测算法,简记为RFCARep-YOLOv8n。提出一种基于感受野坐标注意力的重参数模块代替瓶颈模块进行特征提取,扩大对全局信息的关注度提高语义表达能力,抑制遮掩物和复杂背景的干扰;在快速空间金字塔池化后添加可分离大核聚集模块,通过提高长距离特征依赖增强全局特征信息融合;在特征融合部分使用多尺度序列特征融合颈部网络,结合多尺度辅助检测头,减少细节特征丢失,提高小目标缺陷检测能力。实验结果表明,该模型在PASCAL VOC数据集中较基准模型mAP@0.5和mAP@0.5:0.95分别提升2.3和2.1个百分点,同时在光伏缺陷数据集中mAP@0.5达到87.6%,较基准模型提升3.5个百分点,参数量为3.23×10^(6),保持了基准模型的轻量参数同时提高检测性能。

面向多智能体与双层卸载的车联网卸载算法

在车联网(IoV)边缘计算环境中,针对如何高效地进行任务卸载和资源分配来缓解移动车辆存储和计算能力有限的问题,提出多智能体与双层卸载的IoV卸载算法。首先,提出移动边缘计算(MEC)服务器与车辆以及空闲车辆(MEC-V-NTVC)互联的3层网络模型,建立了任务模型、判断模型和计算模型;其次,将任务车辆的计算卸载以及资源分配抽象成部分可观测马尔可夫决策过程(POMDP),并提出双层卸载机制以达到最小化系统总成本的目的。基于空闲车辆云以及单调值函数分解QMIX,提出一种基于双层卸载机制的深度强化学习卸载算法DLSQMIX。该算法协调任务车辆、空闲车辆以及环境信息,在考虑车辆任务时间约束的情况下,充分利用MEC服务器以及空闲车辆的计算能力,求得系统最优卸载决策。从边缘服务器、空闲车辆的计算能力、任务车辆、空闲车辆的数量以及平均任务量等方面对系统开销和时延进行对比。仿真实验结果表明,DLSQMIX算法能够有效求解任务卸载问题,与遗传算法(GA)、粒子群优化(PSO)算法以及QMIX算法相比,所提算法的系统开销减小2.52%~3.91%,时延降低3.50%~6.59%。

基于多通道交叉注意力融合的三维目标检测算法

针对现有单阶段三维目标检测算法对点云下采样特征利用方式单一、特征对长程上下文信息的聚合程度无法满足算法性能提升需求的问题,本文提出了基于多通道交叉注意力融合的单阶段三维目标检测算法。首先,设计通道交叉注意力模块用于融合下采样特征,可基于交叉注意力机制在通道层面上增强多尺度特征对不同感受野下长程空间信息的表达能力;然后,提出级联特征激励模块,结合原始下采样特征对通道交叉注意力加权特征进行级联激励,提升算法对关键空间特征的学习能力。在公共自动驾驶数据集KITTI上进行了大量实验并与主流算法对比,本文算法作为单阶段目标检测算法,在车辆类别3个难度级别上的检测准确率分别为91.34%、79.85%和75.98%,较基线算法分别提升了4.83%、3.26%和3.32%。实验结果证明了本文算法及所提模块在三维目标检测任务上的有效性和先进性。

配电网中任务卸载决策与边缘资源分配优化方法

移动边缘计算可以减轻配电网核心网络中海量数据的传输及处理压力,相对于云计算,边缘节点有限的计算能力使边缘资源的高效利用成为挑战。基于此,提出一种配电网中任务卸载决策与边缘资源分配优化方法。在包含多边缘节点多用户设备的配电网场景中,考虑任务随机、资源有限、计算能力不均衡及时延要求高等因素,构建云-边-端三层任务卸载及边缘资源分配优化模型;将优化过程分为计算卸载和资源拍卖两个阶段,在计算卸载阶段设计基于DRL的在线决策算法,在资源拍卖阶段设计基于补偿策略的多轮迭代拍卖算法;提出基于改进DQN算法的任务卸载与资源分配优化方法。仿真结果表明,在动态变化的配电网场景中,所提算法可有效提高系统计算能效和边缘节点效益。

基于关键视图的文本驱动3D场景编辑方法

基于去噪扩散模型的零样本图像编辑方法取得了瞩目的成就,将之应用于3D场景编辑可实现零样本的文本驱动3D场景编辑。然而,其3D编辑效果容易受扩散模型的3D连续性与过度编辑等问题影响,产生错误的编辑结果。针对这些问题,提出了一种新的文本驱动3D编辑方法,该方法从数据端着手,提出了基于关键视图的数据迭代方法与基于像素点的异常数据掩码模块。关键视图数据可以引导一个3D区域的编辑以减少3D不一致数据的影响,而数据掩码模块则可以过滤掉2D输入数据中的异常点。使用该方法,可以实现生动的照片级文本驱动3D场景编辑效果。实验证明,相较于一些目前先进的文本驱动3D场景编辑方法,可以大大减少3D场景中错误的编辑,实现更加生动的、更具真实感的3D编辑效果。此外,使用该方法生成的编辑结果更具多样性、编辑效率也更高。

基于注意力特征融合时空图网络的超短期风电功率预测

为提高风电功率的预测精度,综合考虑时间和空间多维度因素的影响,提出了一种基于注意力机制和多阶段特征融合的时空图神经网络(Spatio-temporal graph neural network with attention mechanism and multistage feature fusion,AMF-STGNN)的超短期风电功率预测方法。首先基于Pearson相关系数法对数据特征进行降维,确定影响风电功率的关键因素。然后构建AMF-STGNN预测模型。该模型主要由时空关联网络构建模块和多维度时空特征抽取模块组成。通过时空关联网络构建模块构建时空图,以揭示风电气象因素的空间连接关系。通过多维度时空特征抽取模块应用时间卷积和图卷积挖掘数据的时空特征,并利用注意力机制学习重要特征。此外,该方法还引入残差结构和多阶段特征融合结构提高模型的表达能力。最后以宁夏3个风电场真实数据为例,验证了所提方法在提升风电功率预测精度方面的有效性。

全局信息感知与局部特征融合的高效三维目标检测

针对基于点云的三维目标检测中存在的特征提取能力不足和检测头分类与回归不一致问题,提出基于SECOND网络的ResCST架构。该模型在三维稀疏卷积层中引入残差连接,结合SwinTransformer捕捉长距离依赖关系的能力和卷积神经网络获取局部特征的优势,提出CNNSwinTransformer混合模型,有效提升特征表达能力;提出RCIoU方法,并将其应用于回归和分类分支,实现了分类与回归任务的联合优化。实验结果表明,在自动驾驶数据集KITTI汽车类别检测中,该模型在简单、中等和困难难度级别下的三维检测精度分别达到了91.21%、82.97%和80.28%。所提方法对困难目标检测效果提升明显,可达到每秒25帧的推理速度。所提出的ResCST架构在精度与速率之间取得了较好的平衡。

基于实例迁移学习的小样本光伏功率短期预测

针对新建光伏电站历史数据匮乏导致功率预测精度不足的问题,提出一种基于实例迁移学习的小样本光伏发电功率短期预测方法。首先,以一组丰富的长期运行光伏数据为源域,利用多核最大均值差异估计源域与目标域光伏数据的匹配相似性,筛选出高相似的迁移源域;然后,建立加权对抗双向长短期记忆网络,通过对抗学习赋予源域光伏样本权重以调整其数据分布,将调整后的源域数据充实目标域数据集,采用双向长短期记忆网络挖掘公共知识域中光伏发电功率序列与气象数据的双向时序关联特性,实现小样本条件下光伏功率的精准预测。结果表明:相较于传统深度学习和模型迁移方法,所提方法能有效提高历史数据有限条件下光伏功率的预测精度。

基于二次分解的不同太阳辐射下光伏功率预测

考虑不同太阳辐射对光伏功率的影响,提出一种基于二次分解和改进粒子群算法的光伏功率预测模型。通过Spearman和Kendall对影响光伏功率的各气象因素进行相关性分析,发现总倾斜辐射、总水平辐射、漫射倾斜辐射、漫射水平辐射与光伏功率的相关系数较大。然后利用CLARANS将样本数据按太阳辐射强度分为强辐射、中辐射和弱辐射,针对3类数据采用自适应噪声完备集合经验模态分解(CEEMDAN)对关键气象因素和功率进行二次分解,充分挖掘时序信息并降低数据的不稳定性。提出一种改进粒子群算法(GWCPSO)用于优化卷积神经网络和双向长短期记忆网络的超参数,提高调参效率,最后构建预测模型进行光伏功率预测。分析3种太阳辐射类型下不同分解方法与网络模型的预测误差,结果表明,所的预测模型可有效提高不同太阳辐射下光伏功率的预测精度。

结合Swin Transformer的多尺度遥感图像变化检测研究

由于地物信息的复杂性及变化检测数据的多元性,遥感图像特征提取的充分性和有效性难以得到保证,导致变化检测方法获取的检测结果可靠性较低。虽然卷积神经网络(CNN)凭借有效提取语义特征的优势,被广泛应用于遥感领域的变化检测之中,但卷积操作固有的局部性导致感受野受限,无法捕获时空上的全局信息以至于特征空间对中远距离依赖关系的建模受限。为捕获远距离的语义依赖,提取深层全局语义特征,设计了一种基于Swin Transformer的多尺度特征融合网络SwinChangeNet。首先,SwinChangeNet采用孪生的多级Swin Transformer特征编码器进行远距离上下文建模;其次,编码器中引入特征差异提取模块,计算不同尺度下变化前后的多级特征差异,再通过自适应融合层将多尺度特征图进行融合;最后,引入残差连接和通道注意力机制对融合后的特征信息进行解码,从而生成完整准确的变化图。在CDD和CD_Data_GZ 2个公开数据集上分别与7种经典和前沿变化检测方法进行比较,CDD数据集中本文模型的性能最优,相比于性能第二的模型,F1分数提高了1.11%,精确率提高了2.38%。CD_Data_GZ数据集中本文模型的性能最优,相比于性能第二的模型,F1分数、精确率和召回率分别提高了4.78%,4.32%,4.09%,提升幅度较大。对比实验结果证明了该模型具有更好的检测效果。在消融实验中也证实了模型中各个改进模块的稳定性和有效性。本文模型针对遥感图像变化检测任务,引入了Swin Transformer结构,使网络可以对遥感图像的局部特征和全局特征进行更有效地编码,让检测结果更加准确,同时保证网络在地物要素种类繁多的数据集上容易收敛。

信息年龄约束下的无人机数据采集能耗优化路径规划算法

信息年龄(AoI)是评价无线传感器网络(WSN)数据时效性的重要指标,无人机辅助WSN数据采集过程中采用优化飞行轨迹、提升速度等运动策略保障卸载至基站的数据满足各节点AoI限制。然而,不合理的运动策略易导致无人机因飞行距离过长、速度过快产生非必要能耗,造成数据采集任务失败。针对该问题,该文首先提出信息年龄约束的无人机数据采集能耗优化路径规划问题并进行数学建模;其次,设计一种协同混合近端策略优化(CH-PPO)强化学习算法,同时规划无人机对传感器节点或基站的访问次序、悬停位置和飞行速度,在满足各传感器节点信息年龄约束的同时,最大限度地减少无人机能量消耗。再次,设计一种融合离散和连续策略的损失函数,增强CH-PPO算法动作的合理性,提升其训练效果。仿真实验结果显示,CH-PPO算法在无人机能量消耗以及影响该指标因素的比较中均优于对比的3种强化学习算法,并具有良好的收敛性、稳定性和鲁棒性。

基于改进YOLOv7的麦穗检测算法

针对麦穗数据集中存在的检测目标密集、遮挡、各地区形态不一致现象引起的漏检、模型泛化能力弱等问题,提出一种基于改进YOLOv7的麦穗检测算法.首先,在YOLOv7网络的骨干特征提取网络引入混合注意力机制加强对位置特征的提取,缓解检测目标密集导致的漏检问题;其次,在骨干特征提取网络引入能结合不同尺寸的可切换空洞卷积(switchable atrous convolution, SAC),通过增大感受野实现提取不同尺度的特征信息,可有效改善因遮挡现象引起的漏检问题;最后,在特征融合部分引入增量学习模块(example vector correction, EVC),提高模型的鲁棒性和泛化能力.实验结果表明,改进后的麦穗识别算法在全球小麦麦穗数据集的平均目标检测精度与原YOLOv7相比提高了2.11个百分点.

数字孪生变电站框架设计与关键技术研究

数字孪生(DT)技术的发展给电力系统的智能化管理带来诸多便利,然而作为推动能源电力行业数字化、智能化的关键技术,相关研究与应用还处于初期起步阶段,亟需开展系统性研究,以突破适应能源电力行业特殊性的数字孪生关键技术。为此,本文以变电站作为应用场景,首先对变电站运维管理现状进行了分析,指出现阶段存在变电站巡检模式缺陷、模型精度不够、感知参量单一、缺乏对数据的深度挖掘等问题。以此设计了一套涵盖空间信息与设备建模、变电主设备机理建模、智能反馈控制、设备感知网络、基于数据驱动的数字孪生体模型的仿真,以及3维可视化渲染与应用的数字孪生变电站模型框架。然后讨论了变电站数字孪生技术面临的问题与挑战:专业智能研制方面,变电站数字孪生系统对传感器的感知精度、智慧功能集成度、抗干扰能力、功耗以及供能方式等提出更高要求;海量数据存储与计算方面,海量多源异构感知数据如何高效存储与利用,以及如何优化算力资源分配,满足系统实时计算需求;模型研究方面,现有数据驱动模型精度不足,模型不可解释且缺乏论证,影响整个系统的可靠运行;数据方面,如何解决“数据安全”与“数据孤岛”问题;3维虚拟实体构建与动态更新方面,如何低成本快速构建可用的高精度3维变电站模型,以及研究设计3维模型的动态更新算法,以保证孪生系统实时空一致性。进而探讨了解决问题的关键技术:通过感知理论研究与提升制作工艺、结合分布式云存储与云边协同计算、数据驱动与机理知识融合建模、可信联邦学习等先进技术,以及实景3维重建与点云动态可视化等相关技术,在满足隐私保护和数据安全前提下,建立“形”与“态”相融合的变电站数字孪生系统,实现变电站运行状态全感知、全生命周期数据智能管理与高效利用,变电站全业务场景智慧运行。结合数字孪生模型设计与关键技术问题的探讨,给出了一套面向工程应用的数字孪生变电站系统设计方案,重点阐述了包括变电站设备实时监测、设备故障诊断与故障预测、运维决策优化与智能反馈控制等典型的应用场景。

面向配电网分布式终端的安全接入认证方案设计

针对配电网现有认证技术中配电主站和公钥基础设施(publickeyinfrastructure,PKI)系统证书管理负担过重的问题,结合区块链和国密SM9算法,设计一种面向配电网终端的分布式认证方案。首先使用SM9解决密码体制中的公钥管理问题,由密钥生成中心(keygeneratorcenter,KGC)为终端生成身份标识符和密钥,加密并验证终端的注册和接入请求信息;然后,针对中心化认证方式存在的第三方信任、单点故障等问题,以实用拜占庭容错算法为基础提出分布式终端共识算法(distributedterminal-practicalByzantinefault tolerance,DT-PBFT),对新入终端进行去中心化认证;为了解决上链数据的隐私泄漏,使用基于SM9的多KGC群签名算法保证节点匿名并生成区块永久存储;最后,对所提方案进行实验分析,所提方案从共识效率、通信时延和抗攻击性等性能方面得到明显提升,实现终端身份认证的同时保护了节点的隐私,满足配电网对安全性和高效性等多种需求。

基于YOLOX-S的车窗状态识别算法

通过对YOLOX-S模型引入可变形卷积神经网络和焦点损失函数(Focal loss),解决原YOLOX-S模型车窗识别准确率较低的问题.首先,通过在YO LOX-S模型的主干特征提取网络中引入可变形卷积神经网络,对卷积核中的各采样点引入偏移量,以便在原始图像中提取到更具有表征的信息,从而提高车窗识别的精准度;其次,使用Focal loss替代原模型中的二元交叉熵损失函数,Focal loss能缓解正负样本不平衡对训练的影响,其在训练过程中更关注难样本,从而提高了模型对车窗目标的识别性能;最后,为验证改进算法的性能,实验收集并标注15627张图片进行训练和验证.实验结果表明,改进后的车窗识别算法的平均目标精度提高了3.88%.