基于多元协同的大学生劳动教育实践研究

我国人民历来有热爱劳动的传统美德。劳动教育是中国特色社会主义教育制度谱系的重要内容,是以改革创新为核心的时代精神的有机组成。大学生劳动教育是树立劳动观念、培养劳动态度、淬炼劳动能力、锻造劳动品德的重要途径。针对劳动教育观念松懈、日常劳动与专业劳动混淆、学校劳动与企业实践脱节、劳动形式浮于表面等问题,构建以专业劳动为核心、以校企协同为引领、以校内实践平台为抓手、以创新创业为突破点的多元协同劳动教育实践模式。

间歇通信下具有双层拓扑结构的多智能体系统一致性研究

本文研究了在间歇通信机制下具有两层网络拓扑结构的多智能体系统一致性问题.首先,提出了一种在间歇通信机制下的一致性控制协议,通过建立网络结构模型和误差系统模型,将一致性问题等效转化为线性时滞系统的渐近稳定性问题.其次,利用Lyapunov-Krasovskii泛函分析方法,导出了多智能体网络在间歇通信机制下达到一致性的充分条件,结论以一组LMI形式给出.最后,通过仿真算例验证了该方法的有效性.

基于MATD3算法的多智能体避碰控制

使用多智能体双延迟深度确定性策略梯度(Multi-agent Twin Delayed Deep Deterministic Policy Gradient,MATD3)算法研究了多无人机的避障和到达目标点问题,首先,利用MATD3算法的优越性提高训练效率。其次,基于人工势场法的思想设计了稠密碰撞奖励函数,使得智能体在没有找到最优解决方案时也能得到积极的反馈,加快学习速度。最后,在仿真实验阶段,通过设计的三组对比实验和泛化实验验证了算法的有效性。

基于数据驱动的配电网无功优化

传统无功电压控制由于分布式电源、储能以及柔性负荷的接入面临计算速度和精度上的挑战。该文提出了一种基于数据驱动的配电网无功电压优化方法,通过跟踪实际系统的运行参数,实现无功电压的主动控制。在极限学习机中引入自动编码器构建深度学习机制,利用自动编码器建立极限学习机输入-输出的直接耦合关系,实现无监督学习和有监督学习有机结合,缩短训练模型的迭代过程;利用蒙特卡洛法基于分布式电源、负荷预测信息构建配电网运行场景,利用深度极限学习机挖掘运行场景优化运行与无功调压设备状态间的内在联系,建立电网运行场景与系统无功调压策略的映射关系。该文提出的基于数据驱动的无功优化方法不依赖实际系统潮流计算,能够实现配电网运行状态的跟踪和无功调节设备的优化调度,为配电网无功电压的主动控制打下基础。

基于TPA‑MBLSTM模型的超短期风电功率预测

风速变化的间歇性和波动性给风功率的精准预测带来极大挑战,充分挖掘风电功率与风速等关键因素的内在规律是提高风电功率预测精度的有效途径。提出一种结合时间模式注意力(time pattern attention,TPA)机制的多层堆叠双向长短期记忆网络的超短期风电功率预测方法。首先,利用基于密度的含噪声空间聚类方法(den⁃sity based spatial clustering with noise,DBSCAN)和线性回归算法进行风功率数据集的异常值检测,利用k最邻近(k⁃nearest neighbor,KNN)插值法重构异常点数据;其次,综合考虑风电功率与各气象特征的内在关联性,在MBLSTM网络中引入TPA机制合理分配时间步长权重,捕捉风电功率时间序列潜在逻辑规律;最后,利用实验仿真数据进行分析验证本文方法的有效性,该方法能够充分挖掘风功率与风速影响因素的关系,从而提高其预测精度。

基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断

行星齿轮箱是风电机组传动系统中的重要部件,其运行工况复杂,背景噪声大,导致齿轮早期故障信号微弱且极易受背景噪声的影响。针对风电机组齿轮箱早期故障特征难以有效提取,齿轮故障难以识别的问题,提出一种风机齿轮箱故障诊断方法。首先,通过变分模态分解算法(variational mode decomposition,VMD)分解风机齿轮箱原始振动信号,获得振动信号故障的最优模态分量;接着,利用最大相关峭度解卷积算法(maximum correlated kurtosis decnvolution,MCKD)通过解卷积重构最优模态分量,削弱背景噪声增强故障冲击成分,获得故障特征;同时利用麻雀搜索算法(sparrow search algorithm,SSA)优化惩罚因子α、模态分解个数K、滤波器阶数L和反褶积周期T等参数,提升振动信号故障特征提取的准确度;最后,构建基于深度残差网络(deep residual network,ResNet)的齿轮箱故障诊断模型,建立齿轮箱故障特征与类别的非线性映射关系,实现风机齿轮箱故障分类识别。实验结果表明,所提风机齿轮箱故障诊断方法的准确率达到97.48%,相较其他方法在信号特征提取和故障诊断效率方面有明显提高。

基于改进YOLOv8n-Pose的轨道作业人员跨轨安全动作识别

针对轨道作业人员跨轨安全动作监督方法存在效率低、漏检率高等问题,引入改进的人体姿态估计算法YOLOv8n-Pose对跨轨安全动作进行识别和监督。对YOLOv8n-Pose算法改进方法为在网络中添加注意力机制并轻量化网络结构,并改进网络的bbox损失函数和关键点损失函数,以提高网络的识别精度和速度。使用高斯滤波和ColorJitter算法对自制数据集增强。在训练前使用遗传算法对训练超参数进行自适应调整,在训练时使用迁移学习和知识蒸馏方法,提高网络训练速度、识别精度和泛化能力。将训练好的模型对轨道现场作业人员图像进行检测,可成功识别出作业人员姿态并根据关键点位置信息识别安全动作,人体关键点识别精确度为94.3%,推理速度为238.1 fps,验证模型改进研究取得了有益效果,提高了模型识别精度、识别速度和鲁棒性。

基于改进概率神经网络的储能电池荷电状态估计

锂离子电池荷电状态(SOC)估计技术是储能电站电池管理系统重要组成部分。为了实现对SOC的准确估算,提出一种改进概率神经网络(MPNN)用于储能电池荷电状态估计。相较于传统神经网络,结合概率函数和补偿机制的MPNN,不仅可避免陷入局部最优,而且具有更优秀的拟合能力,可进一步提高SOC估计精度。仿真实验表明,所提MPNN方法的SOC估计值平均绝对误差和均方误差均低于1%,获得了满意的性能。

基于机会约束的售电公司共享储能经济运行优化

针对自有共享储能的售电公司的经济运行优化问题,从产消者共享售电公司所投资共享储能的角度,研究了一种售电公司的新型商业模式。考虑源侧与荷侧的不确定性因素,建立了售电公司共享储能服务运营策略的主从博弈模型,其上层负责求解售电公司最优共享储能服务定价和购售电策略问题,下层负责求解产消者最优运行策略问题,并基于机会约束模型描述源、荷不确定性。根据下层的KKT条件将下层模型转化为上层模型的约束条件,并利用大M法对非线性约束进行线性化。基于3个典型场景算例验证所提新型交互模式的可行性,分析售电公司共享储能服务定价方法和不确定性因素对收益的影响。

计及群体压力和群体极化的PDHFSs-TODIM多属性群体决策算法

在概率对偶犹豫模糊环境下的多属性决策中,针对决策过程一般未考虑决策专家在讨论中所受的群体压力和群体极化的问题,提出了一种计及群体压力和群体极化的概率对偶犹豫模糊集-拓扑判别目标间方法(probabilistic discriminative heterogeneous fuzzy sets-topological discriminative inter-objective method,PDHFSsTODIM)的多属性群体决策算法。首先,定义了考虑群体压力的决策信息修正公式,有效削弱群体压力对专家决策信息的影响;然后,搭建了一种考虑群体极化现象的决策模型,该模型充分考虑了专家的主观性,为专家讨论和修正决策提供了机会,通过分配动态决策权重提高决策的置信度,并通过群体极化阈值约束群体的极化效应;进一步,将计算得到的决策数据输入改进的TODIM算法,得到最终决策结果。将算法运用于储能电池综合性能评估分析,通过与其他先进决策算法做对比,验证了所提算法的可靠性与准确性。

基于改进GMM算法的非侵入式负荷监测方法研究

非侵入式负荷监测是实现电力负荷精细化管理的重要技术手段,负荷分解及特征提取是非侵入式负荷监测的关键环节。针对常规算法负荷特征提取弱或者过度拟合造成泛化能力低的问题,提出了基于拟合和聚类思想的负荷分解及特征提取算法,即改进的高斯混合模型(GMM)。首先通过引入AIC和BIC信息准则,分析不同混合成分个数下的GMM模型的拟合程度,选取最优的混合成分个数;其次研究和分析电力负荷功率信号的特征曲线,结合混合成分个数,改进初始值的选取;最后进行优化后的功率信号聚类分解,输出能充分体现时域功率曲线特征的特征矩阵。基于智能洗衣机洗涤模式下的实测功率信号,验证了改进GMM算法的可行性,并对模型改进前后的特征矩阵进行差异性分析,验证了采用改进高斯混合模型进行负荷分解得到的特征矩阵具有更好的信息表征能力及更好的训练识别特性。结果表明提出改进算法具有较强的自适应性以及较高的准确性。

基于小波变换与神经网络的非侵入式家电负荷监测研究

智能家电智能化程度越来越高,同一电器对应的工作模式也越来越多。目前家电的非侵入式负荷监测仅仅采用传统家电单一负荷曲线进行研究,极大局限了非侵入式负荷监测技术的应用推广。为此,以智能洗衣机不同工作模式为例,研究了同一家电不同模式下的用电负荷特征,采集了智能家电中洗衣机不同工作模式下的用电负荷数据,通过小波变换的方法对负荷曲线进行平滑与特征信息提取,并基于统计学思想对表征特征信息的特征向量进行了评价,建立神经网络模型对不同工作模式的负荷曲线进行了识别,通过MATLAB平台仿真,证明了基于小波分析特征提取及神经网络特征识别的方法在非侵入式智能家电负荷监测中的可行性,识别准确率较高,具有良好的应用推广价值。

基于图像矫正与重构的光伏出力损失预测

随着“双碳”目标的提出,光伏发电在电网中的渗透率不断提高,而光伏发电可能受到多种环境因素影响。其中,光伏面板污染造成的局部遮挡是造成功率损失、影响光伏发电效率的重要因素。针对传统污染检测依赖于大型数据集的构建,且损失预测存在着预测精度低、数据形式单一等问题,提出基于图像矫正与重构的光伏出力损失预测方法,利用图像矫正与重构检测光伏面板污染,并对功率损失进行估计。该方法首先通过图像矫正与图像重构检测污染,并将图像数据转换为文中数据;其次,从矫正与重构后的图像数据中挖掘特征;最后,构建包含时序信息的多模态特征数据进行损失预测。测试结果表明,文中所提方法较传统方法性能得到提升。

偏置电压和温度对22 nm FDSOI器件单粒子瞬态的影响研究

针对22 nm FDSOI工艺在辐射环境下的单粒子瞬态问题,基于Sentaurus TCAD仿真工具对22 nm FDSOI NMOS进行建模,仿真研究了22 nm FDSOI NMOS的单粒子瞬态敏感区域,以及不同偏置电压和工作温度对单粒子瞬态的影响机理。仿真结果表明,22 nm FDSOI NMOS的敏感区域为体区和靠近体区的LDD区域;随着偏置电压的升高,漏端总收集电荷逐渐增大,漏端瞬态脉冲电流的脉冲宽度逐渐减小;相较于偏置电压对单粒子瞬态的影响,工作温度对22 nm FDSOI NMOS单粒子瞬态的影响并不明显。

TCSNGAN:基于Transformer和谱归一化CNN的图像生成模型

生成对抗网络(generative adversarial network,GAN)已成为图像生成问题中常用的模型之一,但是GAN的判别器在训练过程中易出现梯度消失而导致训练不稳定,以致无法获得最优化的GAN而影响生成图像的质量。针对该问题,设计满足Lipschitz条件的谱归一化卷积神经网络(CNN with spectral normalization,CSN)作为判别器,并采用具有更强表达能力的Transformer作为生成器,由此提出图像生成模型TCSNGAN。CSN判别器网络结构简单,解决了GAN模型的训练不稳定问题,且能依据数据集的图像分辨率配置可调节的CSN模块数,以使模型达到最佳性能。在公共数据集CIFAR-10和STL-10上的实验结果表明,TCSNGAN模型复杂度低,生成的图像质量优;在火灾图像生成中的实验结果表明,TCSNGAN可有效解决小样本数据集的扩充问题。

高压水泵驱动电机绝缘特性在线监测技术的研究与实现

泵站电机投运前需对其绝缘电阻进行测量以确定其是否满足规程要求。当前绝缘电阻的测量主要采用兆欧表人工手摇检测,检测操作繁琐,费时费力。为了实现电机绕组绝缘特性的快速检测,设计了一种在线监测装置。该装置利用高压模块产生DC 2500 V电压,利用采样模块和档位控制单元实现了被测电阻在1~10000 MΩ时档位的自动切换,利用时间常数法测量出电机对地分布电容值。对比测试表明电机绝缘特性在线监测装置在全量程范围内电阻测量精度可达±5%,同时具备吸收比、极化指数及分布电容等参数的测量功能,满足电机绝缘特性测试要求。

数智技术赋能视域下体育教育革新策略研究

数字经济时代,数智技术为体育教育的变革发展提供了重要动力。本研究运用文献分析法和逻辑分析法,探究数智技术赋能视域下体育教育革新策略研究。研究发现:(1)当前体育教育革新的机遇体现在国家对“人工智能+体育”的政策支持、体育教育革新对人工智能的现实需要、学生体育高阶思维能力的培养需要;(2)数智技术赋能体育教育革新的瓶颈表现在人工智能技术不成熟,智能化基础设施建设不完善、体育教师信息数字素养能力不足、学生对人工智能的过度依赖;(3)提出加强数智技术赋能体育教育的基础设施建设、提升体育教师数字信息素养能力、培养学生自主学习和辨别信息的能力。

基于电容耦合法的高压断路器真空度在线监测技术研究

高压断路器灭弧室的真空度劣化会对断路器电气性能和使用寿命产生影响。提出了一种基于电容耦合法的高压断路器真空度在线监测装置的设计方案。通过耦合电容的方法获取断路器分合闸时的拉弧信号,利用FPGA采集该电压信号,并对其进行傅里叶变换,从而分析信号的频域特性,最终获得拉弧信号的频谱图。实验结果表明,该装置能够实时获取断路器分合闸时拉弧信号的频谱信息,从而判断其灭弧室的真空度优劣。该方案对保障高压断路器的稳定运行和延长其使用寿命具有重要意义。

南水北调中线工程水位的水动力-神经网络耦合预测模型

南水北调中线工程通常以闸前常水位调度运行,而水位在闸门调控影响下多数处于非平稳状态,探索其变化规律对于监测数据和研究方法均有一定限制和要求。监测数据方面,针对大量的高频监测数据选取均值滤波、滑动平均值滤波、递推中位值平均滤波法、滑动小波变换进行数据预处理,提高数据质量、增强数据预测的可行性。研究方法层面,以BP神经网络模型和长短期记忆(long short-term memory,LSTM)网络模型为主体框架,以水动力模型的模拟数据为辅助支撑,对比单神经网络在不同工况下的预测效果,输出水动力-神经网络组合预测结果。结果表明:数据预处理是数据分析和预测的必要环节,高频数据滤波处理再预测可以提高数据预测的精度;均值滤波、递推中位数均值滤波方式对数据预处理的效果最好,指标合理时滤后决定系数(R^(2))精度均超过0.95,且均方根误差(RMSE)和平均绝对误差(MAE)不超过0.02,准确性高;基于滤后数据进行模型构建,通过对比数据驱动模型和数据-机理双重驱动模型的计算结果,R^(2)维持在0.98附近,RMSE、MAE维持在0.01左右,耦合模型具有更好的稳定性和准确性。

基于区块链的配电室设备身份注册及相互认证方案

针对传统的配电室架构缺乏有效的设备和网关的身份注册验证环节,从而导致设备身份的可信性和数据的完整性无法得到保障等问题,该方案提出通过区块链技术和椭圆曲线数字签名算法(ECDSA)完成身份注册。除此之外还提出在进行数据交换前,通过轻量级目录访问协议(LDAP)和挑战-响应认证协议完成相互认证及协商会话密钥。通过实验证明该方案能很好地保证设备和网关身份的可靠性以及数据传输的可信性,且能很好地满足身份注册和相互认证的时间要求。