基于大模型和区块链的电力知识问答系统设计与实现

如今电力已成为我们日常生活中不可缺少的一部分。然而,人们对电力知识的了解还有待提高,电力知识推广的供给形式有待创新。在AI大模型赋能各行各业高速发展的大背景下,电力领域的大模型存在例如数量不足和用户隐私数据保护力度不够等诸多问题。本研究以智谱AI和清华大学KEG实验室联合发布的对话预训练模型ChatGLM3为基础,设计开发了一个具备回答电力专业知识能力的智慧问答系统。在客户端和服务端数据传输与存储的过程中,我们采用了区块链加解密算法对数据进行处理和包装,以提高数据安全性。首先,收集高质量数据集,结合ChatGPT等基于Transformer的大模型,增强ChatGLM3的泛化能力。其次,通过Lora微调和全参微调等方法优化模型,优化后模型准确率提升31.78%,模型幻觉率降低了33.5%。最后,我们在系统终端数据存储过程中采用加解密算法对用户数据进行加密,以确保用户数据的安全性。

基于改进人工免疫算法的电力系统网络攻击破坏程度量化研究与应用

目前电力系统网络攻击的研究大多以单一攻击目标为背景,定性分析网络攻击的影响,难以直观了解网络攻击造成的破坏程度。为解决这一问题,提出了基于改进人工免疫算法的电力系统网络攻击破坏程度量化方法。首先,以复杂网络为基础建立电力系统非均匀耦合网络并分析了其社团结构特性,在此基础上给出了攻击传播概率的表征方法;然后,通过定义电力系统渗透攻击图,实现攻击策略集的构建;最后,以攻击策略作为模型约束,设计了连通效能和故障效果为目标的量化模型并改进人工免疫算法实现模型求解,预估网络攻击的破坏程度。通过算例仿真验证了量化方法的有效性。

基于级联卷积神经网络的绝缘子缺陷识别

针对航拍图像绝缘子缺陷检测速度慢且易出现误判的问题,提出一种基于级联卷积神经网络的绝缘子缺陷识别方法。该方法将缺陷识别问题转换成了二级目标检测问题。为便于快速获取输入图像的深层特征,使用了深度可分离卷积和减少卷积层的方式对YOLOV3目标检测算法进行了轻量级的优化。另外,通过倒残差结构和RFB(receptive field block)模块设计,提高了网络检测性能。实验结果表明,所提出的算法在缺陷识别的速度和准确度方面都有明显的提升。

基于DGB_RRT算法的无人机自主航迹规划

无人机在输电线路走廊空间环境下在线自主进行空间探索,针对传统RRT算法因采样盲目性导致的效率低下的问题,提出了一种基于动态步长-高斯采样-双向快速扩展随机树算法——DGB_RRT算法。首先,采用高斯采样实现启发式采样目标,减少因搜索范围随机性强生成采样点的数量,然后引入贪婪扩展算法和动态矢量步长优化策略确定该采样点的生成方向和增长步长来确定新节点,提高了随机树的扩展速度。其次,使用路径剪枝的策略来剔除冗余采样点,缩短了路径规划的长度,进一步提高了路径搜索的效率,结合Dubins曲线,在满足无人机曲率约束条件下使得航迹平滑处理,实现在障碍区域无人机矫正位姿实现避障飞行。最后,经多次重复对比实验,证实了提出算法不仅规划航迹运行时长缩短了近一半,而且路径长度也缩短了近40%,该方法在速度和效率方面都有明显提升。