风力发电机叶片结冰检测算法研究

位于寒冷湿润气候区的风力涡轮机普遍存在的叶片结冰问题,但结冰过程时间关联性强、结冰过程缓慢,导致难以直接精确建模,数据驱动间接检测方法显示出了强大潜力。然而,结冰检测的时间窗口长度、时序特征的提取能力和数据信息冗余等问题,限制了数据驱动模型的性能。为解决这些问题,提出了一种基于斯皮尔曼相关系数的降维算法,对数据特征进行降维,减少数据输入冗余并保证时序特征信息的完整。将降维后的数据划分为15min,30min和60min的时间窗口,研究叶片结冰检测的最佳时间长度;最后将特征数据类型分为三类:温度、电流、其他,分别输入Attention-LSTM网络,利用注意力机制施加不同权重,增强模型对影响叶片结冰特征的提取能力。实验结果表明,与其他数据驱动模型对比,所构建的模型具有更优的性能。

基于标签几何化与特征融合的sEMG手势分割分类

表面肌电信号(Surface Electromyogram,sEMG)目前广泛应用于人机接口,近年来的研究主要集中于手势分类,缺少信号流分割的处理。使用NinaPro DB1数据集,提出一种基于深度学习的分割算法,首先利用滑动窗以时间顺序提取数据,并将手势状态进行几何形式标签化,通过带有注意力机制的长短期记忆网络(long short-term memory,LSTM)进行训练后,最终通过希尔伯特包络线求解法得到结果标签。结果显示,所提方法达到93.11%的准确率,高于目前常用的阈值分割法。在此基础上还进行了使用时域、频域特征进行手势分类的探索,利用LSTM使用9个时域特征、7个频域特征进行分类,结果显示,时域特征的分类效果更好,达到78.97%,而融合频域特征可以进一步提升分类效果,达到81.26%,此结果在近年来的相关研究中有一定的优势。

基于MLP-BiLSTM-TCN组合的超短期风电功率预测

风电功率受气象等因素影响具有很强的随机性和波动性,传统单一神经网络模型预测精度较低,难以满足需求。基于此,提出了多层感知机(multi-layer perceptron,MLP)-双向长短期记忆(bidirectional long short-term memory,BiLSTM)-时间卷积网络(temporal convolutional network,TCN)组合的超短期风电功率预测模型。首先使用皮尔逊相关系数处理数据,将相关性高的特征和每个预测点前6个真实值作为输入,然后生成3种基础神经网络模型MLP、BiLSTM、TCN,并根据隐藏单元设置不同参数,每个模型选取4个参数结果即组成12种基础模型。最后采用线性规划(linear programming,LP)法求出不同权值,以达到结果的最优化。以新疆某风电场为例对所提组合模型进行验证,绝对平均绝对误差(mean absolute error,MAE)为2.975 MW,均方根误差(root mean square error,RMSE)为5.474 MW,相较于其他模型,所提组合模型具有更高的预测精度。该研究能在风电功率预测中进行实时调度,解决电网调频问题,对组合模型预测研究有促进作用。

基于LSTM的ZigBee网络中通信信号识别算法

针对ZigBee网络与WiFi网络共享频段,易受到WiFi信号干扰的问题,提出了一种基于长短期记忆神经网络的ZigBee网络中通信信号识别算法,对ZigBee网络中的ZigBee信号与WiFi信号进行识别。通过Matlab中的Simulink仿真搭建了ZigBee信号、WiFi信号发生器模型,来获取同相和正交(IQ)数据,在同一信道下进行干扰,并在分别设置-50dB-0dB不同的信噪比进行干扰,以此构建ZigBee、WiFi信号数据集,对数据采用不同数据维度,并对数据进行长度的截取处理;随后利用文中构建的长短期记忆神经网络(LSTM)识别ZigBee网络中通信信号,并与卷积神经网络(CNN)对比。实验结果表明:在低信噪比环境下,长短期记忆神经网络(LSTM)相比卷积神经网络(CNN)获得更高的识别准确率,LSTM网络的信号识别准确率可以达到90.5%,且LSTM模型始终能够获得较高的准确率和较为快速的收敛速度。

基于足底压力传感器与深度学习的生物身份识别

近年来研究表明,足底压力可以反映人体的特征,在生物识别上具有广阔的前景。本研究探讨了足底压力进行身份识别的可行性和方法论。本文使用带有8个压力传感器的鞋垫收集了14名志愿者14000多个压力数据作为数据集,利用无监督学习探讨了分类的科学性,并讨论了地面状况对于压力数据的影响。采用卷积神经网络(CNN)作为分类器,对分类性能进行了评价,研究了步态分割和多步态周期对提高精度的影响。实验结果表明,使用分割后的数据分类准确率为98.8%,而没有分割的为93.6%,当使用3个和5个步态周期进行分类时,准确率提升到99.4%和99.8%。结果表明,用CNN对分割后的数据并选择多个步态周期进行分类在利用足底压力进行身份识别方面具有良好实用价值。

基于Informer的长序列时间序列电力负荷预测

针对长时间序列电力负荷的预测精度低的问题,应用了基于Informer长时间序列模型的电力负荷预测方法.该方法通过Informer模型中的自注意力蒸馏机制,使得每层的解码器都将输入序列的长度缩短一半,从而极大地节约了Encoder内存开销,并在编码器结构中使用生成式结构,使得预测解码时间极大的缩短;以澳大利亚的电力负荷数据作为测试用例,并与长短时记忆神经网络(long-short term memory,LSTM)和卷积神经网络(convolutional neural network,CNN)模型方法进行对比,结果表明,Informer模型的预测精度更高,Pearson相关系数可以达到91.30%,有效提高了负荷预测精度.

基于足底压力的不规范深蹲姿势识别

深蹲被称为力量训练之王,但不正确的姿势会对人体产生不可逆转的伤害。提出了一种利用足底压力来检测常见不正确的蹲姿的方法。使用带8个压力传感器的鞋垫收集了1组正确蹲姿和4组常见错误蹲姿的数据,提出了对这些连续蹲姿数据进行分割的算法,并对压力云图进行了分析。然后设计了3组深度神经网络作为分类器,分别是引入注意力机制的长短期记忆网络(att-LSTM)、长短期记忆网络(LSTM)和卷积神经网络(CNN)。实验结果表明,3组模型的测试准确率分别为90.2%、83.0%和79.8%。结果表明,采用引入注意力机制的LSTM作为分类算法是一种有效的蹲姿检测方法。

基于双层XGBoost的风力发电机瞬时发电量预测

为解决风力发电预测不准确的问题,进一步提高风力发电场发电量的预测精度,提出了一种双层XGBoost的风电场发电量预测模型.该模型第一层为数据分析层,利用XGBoost的特征重要性排序分析SCADA数据,通过特征重要性分析排序选择特征变量作为输入;第二层为预测层,利用XGBoost回归算法建立风力发电量预测模型.为表现模型优越性,设置对比实验,将降维后的数据输入随机森林和决策树.结果表明,对比随机森林和决策树,XGBoost模型均方根误差和平均绝对误差较小,准确率可达到96.1%,具有更高的拟合度,可以有效解决非线性变量难以选择的问题,减少输入特征维度,加快预测速度.

基于Vision Transformer的光伏组件红外图像故障检测

太阳能光伏板受制造、运输、安装以及环境因素的影响,易发生故障和损坏,造成能量损失。通过对电池板进行红外图像检测,可以估计电力生产的损失,降低运行和维护的成本。基于此,设计了一种基于Vision Transformer的光伏异常红外图像检测的方法,通过对异常红外图像的检测,达到对不同的故障类型进行分类的目的。Vision Transformer首先将输入进来的图片,每隔一定的区域大小划分图片块,然后将划分后的图片块组合成序列,并将组合后的结果传入Transformer特有的Multi-head Self-attention进行特征提取,最后利用Cls Token进行分类。实验结果表明基于本文方法的红外图像检测准确率可达到95.787%,高于Xception模型11.9%、高于VGG16模型17.74%。

基于GAF-CNN的配电网局部放电检测

针对传统配电网局部放电诊断中提取的特征面临自适应能力不足、难以匹配特定故障等问题,提出了一种基于格拉姆角场(Gramian Angular Field,GAF)和卷积神经网络(Convolutional Neural Networks,CNN)的绝缘架空导线局部放电诊断方法。该方法将局部放电数据使用格拉姆角场构造二维图像,并将其图片输入构建的卷积神经网络来对正常信号和局部放电信号进行分类。实验表明,使用GAF-CNN模型对局部放电的识别精度可以达到99.77%。

协作稀疏字典学习实现单幅图像超分辨率重建

字典的选择影响基于稀疏编码的图像超分辨率重建模型的重建质量。提出了一种基于协作稀疏表达的字典学习算法。在训练阶段,通过K-Means聚类算法将样本图像块划分为不同的聚类;构建基于同时稀疏约束条件的协作稀疏字典学习模型对每个聚类训练高、低分辨率字典;应用基于L_2范数的稀疏编码模型将图像超分辨率重建过程中输入图像块由低分辨率到高分辨率的映射转变为简单的线性映射,并针对不同聚类求得相应的线性映射矩阵。在重建阶段,输入图像块通过搜索与自身结构最相似的聚类来选择相应映射矩阵获得重建后的高分辨率图像。结果表明,本文算法通过改进字典学习过程实现了更好的图像超分辨率重建质量。

湖北五峰杨家埫 “民族团结+”模式扮靓民族特色村寨

杨家埫村位于湖北省五峰土家族自治县仁和坪镇中部,351国道东西横贯,距集镇中心0.5公里,国土面积18.6平方公里,全村辖4个村民小组,559户1562人。近年来,杨家埫村始终坚持以民族文化为主调、山水风光为基调、土家民居为特色,深入探索“民族团结+”工作模式,把民族特色村寨保护工作与乡村振兴等重点工作有机结合,促进各民族之间真诚相待、真心认同、真情关怀,共建共享美丽乡村。

利用惯性传感器与多模态网络解析跑步参数

实时检测跑步时的速度与步幅在避免运动者受伤、提升运动效率上有着重要意义。提出了一种利用惯性测量单元(inertial measurement unit,IMU)来检测这两个指标的方法。首先,招募了10名志愿者,并将3个IMU模块安置在足部、小腿、大腿处,采集了5 137个步态周期的数据;然后,利用主成分分析法分析数据,结合皮尔逊相关系数探讨了速度步幅与传感器位置、物理参数之间的关系;提出了一种多模态架构的长短期记忆特征提取网络(multi-modal-attention-long short-term memory,M-Att-LSTM),利用两个引入注意力机制的长短期记忆网络(att-long short-term memory,AttLSTM)对加速度和角度变化分别做特征提取,最后进行回归拟合。实验结果表明,M-Att-LSTM在速度上误差为0.058m/s,标准偏差为0.013 m/s,而在步幅上误差为0.023 m,标准偏差为0.022 m,两项指标都优于单纯的Att-LSTM。