基于半监督学习标签传播-极端随机树算法的光伏阵列故障诊断及定位

对光伏阵列故障进行精确诊断和定位有助于提升光伏发电系统的可靠性。针对现有的诊断方法过度依赖大量有标签样本,难以同时兼顾故障类型诊断、故障定位及低成本等问题,将多传感器法与半监督学习算法相结合,构建了一种融合标签传播算法(label propagation,LP)和极端随机树(extra-trees,ET)的半监督学习算法LP-ET。为克服工程实际故障样本较少且往往缺失故障标签的问题,搭建了光伏阵列故障仿真模型获取样本,引入LP算法,基于少量含故障类型及定位信息的有标签故障样本,实现原始故障样本集全标注;继而引入ET模型,持续构建大量决策树形成极端随机树,采用多数投票机制(Bagging)获得故障类型及定位结果。实验结果表明,所提出的LP-ET模型可以在含有大比例未标注样本数据集情况下实现短路、断路、退化及遮阴故障的较高精度诊断,兼顾单组件及多组件故障,有效解决光伏阵列故障诊断及定位问题。

基于改进YOLOv4颈部优化网络的安全帽佩戴检测方法

针对安全帽佩戴检测时易受复杂背景干扰,解决YOLOv4网络检测速度慢、内存消耗大、计算复杂度高、对硬件性能要求较高等问题,引入改进YOLOv4算法优化安全帽佩戴检测方法。引入MobileNet网络轻量化YOLOv4、跨越模块特征融合,实现高层语义特征和低层语义特征有效融合。针对图像中小目标分辨率低,信息特征少,多尺度并存,导致在连续卷积过程中易丢失特征信息等问题,采用改进特征金字塔FPN和注意力机制等颈部优化策略聚焦目标信息,弱化安全帽检测时背景信息的干扰。仿真结果表明,基于改进的YOLOv4颈部优化网络安全帽佩戴检测算法在CPU平台下的检测速度为34.28 FPS,是基础YOLOv4网络的16倍,检测精度提升了4.21%,检测速度与检测精度达到平衡。

大空间建筑暖通空调设计与节能问题探讨

随着我国进入21世纪,经济发展的步伐大大加快,人民生活水平不断提高。人们对住房的需求已经从最初的住房短缺变成了住房供求趋于平稳,现在人们需要舒适和宽敞的空间,其他设施的需求也是要求达到高标准,这些需求变化与建筑物类型的变化直接相关,因此越来越多的大型建筑物正在建造中。然而,从大型建筑物的名称来看,新型建筑各方面特性非常高,但是耗费量特别大,以至于在冬季进行制冷和供暖时会消耗大量资源,消耗的程度更是惊人的。由于当前的国家政策是建设节约型社会,因此,大空间建筑暖通空调的节能设计是时代发展的必然趋势。

智能建筑暖通空调系统优化策略探讨

当前暖通空调节能设计发展非常广泛,涵盖了诸多领域,空调的设计也非常具有技术性和系统性,设计人员在设计时应根据建设项目的实际情况和综合功能进行综合分析,以提高暖通空调系统的节能水平,不断优化节能技术和方法。本文就智能建筑暖通空调的系统优化问题进行了探讨。