基于机器学习的四旋翼植保机目标识别研究

为了提高无人植保机的目标识别能力,提升其在复杂环境下自主化作业的适应性,将机器学习算法引入到了植保机目标自主识别系统的设计上,利用神经网络学习算法和图像增强处理技术提高了识别系统的准确性。模拟植保机的作业环境,在作业区域设置了大量的作物目标,通过植保机对目标物的识别对其性能进行了测试,结果表明:植保机可以准确地识别作物目标,满足自主作业时对目标自主识别的设计需求。

复杂网络理论在电力CPS连锁故障研究中的应用综述

历次大停电事故表明,电网中单一元件故障是导致电力信息物理系统(cyber physical system,CPS)连锁故障的主要原因。因此,探寻电力系统信息网与电力网的交互机理,建立电力CPS耦合网络模型、研究电力CPS连锁故障传播及演化过程,对保障电力系统安全和稳定运行具有重要的理论现实意义。文章首先从电力CPS建模、仿真、蓄意攻击及安全分析方法 4个方面梳理了电力CPS研究现状;然后从影响电力CPS连锁故障建模分析的4个方面,重点综述了复杂网络理论在电力CPS连锁故障研究中的应用,并分析了已有研究成果的优点和不足;最后,结合电力系统发展需求,指出了相关研究课题及研究方向。

输电网虚假数据攻击研究综述

虚假数据攻击利用输电网状态估计中基于残差的不良数据检测漏洞,通过向数据采集与监控系统(supervisory control and data acquisition,SCADA)系统中注入虚假数据,达到修改电力系统的量测值和状态变量、控制电力系统的运行状态或者获取经济利益等不法目的。阐述了虚假数据攻击的基本理论和实现机制,并从攻击方法和防御策略、电力系统信息完整性、基于传统虚假数据攻击(false data injection attacks,FDIAs)扩展的攻击方式和攻击向量优化算法4个方面梳理了虚假数据攻击的研究现状和发展情况,分析了现有研究成果的优点和不足。在此基础上,从虚假数据攻击对分布式状态估计的影响、相量测量单元(phasor measurementunit,PMU)/SCADA混合量测下虚假数据攻击和多代理技术在虚假数据攻击防御中的应用3个方面对虚假数据攻击研究进行了展望。

复杂背景下电力线自动提取算法

为从具有复杂背景的无人机航拍图像中准确完整地提取电力线,提出了一种结合改进Ratio算子和改进Hough变换的电力线提取新方法,命名为基于比率算子聚类和霍夫变换编组的方法(ratio-basedclusteringand hough-basedgrouping,RCHG)。首先采用Ratio算子进行电力线边缘检测,在综合考虑电力线连续性和噪声抑制能力的理念下,给出了线特征检测阈值的参考范围。然后,对边缘图像进行四连通聚类分析,消除大部分背景噪声。最后,采用Hough变换提取电力线,进一步设计直线段聚类算法,对提取结果进行直线编组并进行最小二乘拟合处理,以解决电力线断裂和重叠的问题。实验结果表明,相比传统Ratio算子结合Hough变换的方法及Line Segment Detector(LSD)算法,所提方法具有更好的抗噪性能和更高的电力线提取精度,能从具有复杂背景的无人机航拍图像中准确完整地提取出电力线,有较高的工程应用价值。

通信光缆故障对电力网连锁故障的影响

连锁故障研究在应对突发的大面积停电方面具有重要意义,而传统连锁故障研究很少考虑信息网通信光缆对电力网连锁故障的影响。从信息网边的角度出发,在直流潮流模型下,通过建立信息网对电力网连锁故障影响模型,并以IEEE 30节点系统为例,研究了通信光缆遭受随机故障和不同信息网拓扑结构对电力网连锁故障的影响。仿真结果表明,由于信息网的引入,电力系统脆弱点增多,导致大停电的风险增加,随着信息网中通信光缆故障规模的增大,信息网对电力网连锁故障的影响强度由强变弱,直至稳定。同时,信息网网络拓扑结构对电力网连锁故障影响显著,信息网更宽的度分布增加了电力网的脆弱性,在规则网络中,信息节点的度越大,通信光缆故障对电力网连锁故障的影响越小。

基于紫外光谱检测的GIS内多类故障早期预警

气体绝缘开关（GIS）故障预警强调异常识别的实效性和现场适用性,是精确诊断的基础。研究GIS内局部放电（PD）及过热故障的统一预警方法具有重要意义。提出将SO2作为GIS内部两类故障公共的特征分解物,并应用紫外光谱（UV）测量SO2实现多故障早期预警。一阶导数法和Savitzky-Golay滤波被用于快速基线校正和光谱平滑,290~310nm被选为特征区进行SO2检测及定量。UV检测可避免诸如SF6及SOF2、SO2F2等分解物的干扰,便于从复杂的SF6分解物组分中识别微量SO2特征,测量系统结构简单、维护成本低、适于现场检测。通过模拟SF6气体在两类PD缺陷及200~400℃过热条件下的分解实验,证实所提UV预警方法的有效性：两类GIS故障条件下都会稳定的生成SO2。对UV预警后的故障诊断,借助傅里叶变换红外光谱仪及气相色谱仪,确认PD及过热故障下的分解物组分存在差异,并据此简要分析了故障类型辨识方法。PD分解物以SOF2和SO2F2为主,SO2含量远小于SOF2,放电涉及环氧树脂时含碳分解物含量上升。过热材质为不锈钢时,SF6约在300℃发生分解,300~400℃内的过热分解物主要为SO2和SOF2,350℃以上SO2生成速率明显快于PD时。随着GIS内故障持续恶化,SO2含量均呈现稳定上升趋势。在UV预警后,可利用获得的SO2生成特性初步辨识故障类型。

基于改进S变换的超高频局部放电信号特征提取及分类

超高频（ultra-high frequency, UHF）局部放电（partial discharge, PD）检测法是目前应用最广泛的PD检测方法之一,通过提取UHF PD信号的时频特征可实现PD类型的识别。因此提出了一种基于改进S变换的UHF PD信号时频特征提取方法,首先通过引入新的频域窗宽度计算公式对标准S变换进行改进;然后根据得到的S变换模矩阵计算频率-最大幅值图,并提取出6维统计特征量;最后结合支持向量机（support vector machine, SVM）完成PD信号的识别。试验结果表明：该方法兼顾了S变换的时、频域分辨率,使得到的特征量能更加准确地反映PD成分在时频域的分布特性;在未经去噪的情况下,该方法仍可获得高达97.33%的分类正确率,验证了其较强的噪声鲁棒性;与常用的PD信号特征提取法相比,所提方法获得的PD类型识别率更高。研究结果可以为超高频局部放电信号识别提供参考。

自适应无迹卡尔曼平滑算法及其在电力系统中的应用

精确、快速的基波分量跟踪是对电网运行状态进行分析和评估的前提。提出一种基于移动窗口迭代修正策略的自适应无迹卡尔曼平滑算法(moving window based adaptive unscented Kalman smoother,MW_AUKS)。该方法兼顾稳态检测精度和动态检测速度,前者通过在前向无迹滤波过程中并行嵌入一个后向迭代修正的Rauch-Tung-Striebel平滑器实现,后者则先依据窗口内平均新息量在线判断是否有突变发生,再对状态估计协方差做自适应修正运算。利用建立的基波分量非线性状态估计模型对所提算法进行验证,结果表明所提算法可精确跟踪到基频、功率角、有功功率、视在功率等参数,并大幅提高初始收敛速度,同时准确判断和快速跟踪到状态突变。

基于Kalman基频跟踪的介损角测量算法

为减小采用快速傅里叶变换(fast Fourier transform,FFT)进行介损角测量时,由非同步采样引起的频谱泄漏和栅栏效应对测量结果造成的影响,提出了一种基于卡尔曼基频跟踪的改进FFT介损角测量算法。利用扩展卡尔曼滤波器(extended Kalman filter,EKF)对电网信号进行实时基频跟踪,控制下位机实现基频信号的整周期采样,之后采用加窗FFT算法计算信号的实时相位差,得到介损角测量值。采用EKF基频跟踪整周期采样算法,可以从硬件上实现信号的整周期采样,有效减少非同步采样对介损角测量的影响。基频波动、介损角真值变化、谐波变化及白噪声影响等情况下的介损角仿真实验和实际应用验证了该算法的准确性和有效性。该算法为高精度介损角测量提供了一种新的思路。

采摘机器人果实识别与定位研究——基于双目视觉和机器学习

分析了双目视觉系统的工作原理及视觉标定方法,利用YOLO V2卷积神经网络算法实现对目标果实的识别,并对目标果实的空间定位进行了深入研究,设计了一套基于双目视觉和机器学习的采摘机器人果实识别与定位系统。在多次实际定位实验中,橘子的深度定位误差最大值为1.06mm,证实了系统具有一定的准确性和稳定性。

自动除草机目标识别方法研究——基于神经网络聚类算法

在除草机器人的设计时,为了实现机器人的自动作业,需要考虑机器人可以自主地识别杂草和植物,因此必须设计机器人自动目标识别系统。为此,将神经网络聚类算法引入到了机器人机器视觉系统的设计上,通过对杂草目标的识别实现机器人作业对象的自动捕获。以杂草和农作物的环境为测试对象,对自动除草机的性能进行了测试,结果表明:基于神经网络聚类算法的自动除草机可以准确识别目标,满足了自动除草作业的设计需求。

基于EMD的微风振动在线监测系统误差来源分析

微风振动在线监测系统因其能够获得导线振动幅值、频率等信息而被广泛应用于高压电力架空线路。但是研究表明,由于工作环境所限,其测量数据往往受到温度、湿度、电磁场等因素的影响,因此系统数据的可靠性难以保证。为分析微风振动在线监测系统所测数据中的误差来源,文中提出了利用功能模块分解的方法对系统误差进行溯源。首先,建立系统各单元模块相应的误差指纹库,然后利用经验模态分解的方法对现场采集数据进行多层分解,最后对分解的特征分量利用自相关和互相关算法与误差指纹库进行特征匹配辨识,以此实现在线监测的误差溯源。实验结果表明:所提方法能够准确有效定位系统误差来源,对装置的优化设计具有借鉴意义。

基于改进Protrugram和小波变换的超高频局部放电信号去噪方法

为同时抑制超高频（UHF）局部放电（PD）信号中的周期性窄带噪声和随机白噪声,在分析UHF PD信号频谱特性的基础上,发现PD脉冲的频谱具有以某一频率为中心向左右两侧衰减的特征,中心频率处的谱线幅值要明显高于边带部分,且位于谱图上的局部极大值点处。为此,提出了一种基于改进Protrugram和小波变换的UHFPD信号去噪算法。该方法首先在频域上识别PD脉冲的中心频率,然后依据＂峭度值＂这一指标自适应获取中心频率所对应的频宽,实现脉冲的频谱定位。最后采用小波去噪法去除信号中的冗余白噪声,实现多类噪声的有效抑制。仿真和实测结果表明：同经典的小波去噪算法和集合经验模态分解（EEMD）自适应阈值算法相比,所提算法不仅具有更好的噪声抑制能力,且能更好地保留有效信号。论文研究可为超高频信号去噪提供参考。

基于紫外光谱的GIS局部放电快速检测方法研究

SF6气体作为绝缘介质大量应用于气体绝缘组合电器（GIS）中。GIS绝缘缺陷引起的局部放电会导致SF6气体发生分解。分析SF6气体及其主要衍生物是检测GIS设备局部放电的一种重要方法。研究表明,SO2是一种典型且稳定的局部放电衍生物,其变化规律可以用于表征GIS的绝缘状况。此外,紫外光谱检测系统具有价格低廉、不受现场电磁及振动干扰等优点。本文通过紫外光谱定性、定量分析SF6气体稳定的衍生物SO2,达到对GIS局部放电的快速检测。一阶导数和S-G滤波被用于光谱信息的去噪和平滑;以模拟放电实验验证特征选取合理性;主成分回归对SO2浓度做定量分析;用SO2浓度对放电时间做模糊判断。通过选择合适的波段（295~305nm）,紫外光谱能够很好的从SF6气体复杂的衍生物中识别出SO2。首先回顾了SF6气体局部放电下的分解机理,然后通过模拟局部放电实验验证了紫外光谱用于GIS局部放电快速检测的合理性,最终做到了对GIS局部放电的快速检测和放电时间的模糊判断。

科研融入民办院校工科类专业人才培养的探索

当前,多数应用型高校的工科类教学仍停留在课堂讲授和实验辅助的阶段,相关课本和实验内容已逐渐落后于日新月异的科技发展,导致学生学习积极性不高、效果有限。该文以培养应用型工科类人才为导向,结合在课堂教学和毕设指导中的相关经验,探讨了科研在工科类学生的知识面拓展和实践能力提升方面的地位和作用,并给出了如何将科研融入教学的具体建议,以期为高校培养更加"实用型"和"创新型"的人才提供有益的参考。

一种改进的奇异值降噪阶次选取方法用于紫外光谱信号去噪的研究

光谱去噪是光谱检测的重要环节。针对光谱信号易受光谱仪热噪声、现场机械振动以及随机噪声等因素影响,而在线监测系统要求减少人为参数选择对去噪效果的影响,提出利用奇异值分解（SVD）理论对光谱信号去噪。提出一种改进的降噪阶次选取方法：指定奇异值差分谱最大峰值点θ1为所选阶次下界;利用奇异值、奇异值差分谱综合信息选取阶次上界θ2;将区间θ1～θ2定义为模糊区域,通过模糊C均值聚类求取隶属度,赋予模糊区域内奇异值相应的权重系数。用所提方法对不同信噪比下SO2紫外光谱信号去噪,将信噪比、均方根误差、波形相似系数、平滑度指标用于去噪效果的评价。去噪结果表明：所提方法完全基于数据驱动,具有较好的去噪效果,能够真实的恢复原始信号。

基于多参量检测的高压并联电容器在线监测系统

针对已有高压并联电容器在线监测方法仅通过监测电流值、温度值或谐波等参量中的某一种来判断电容器故障与否的局限性,提出一套基于嵌入式设计的多参量联合在线故障监测与诊断系统.该系统利用分布式现场传感设备对高压电容器的电压、电流、温度进行同步采集,并在图形化编程软件LabVIEW环境下完成对上述3种参量以及电流、电压谐波的智能分析.多参量联合监测的设计在提高诊断可信度的同时,降低了运行维护成本.贵港供电局110kV江南变电站试运行结果表明,本系统能够实现对现场并联电容器组运行状态的在线监测和预警功能.

基于自适应一维CNN的网络入侵检测方法

网络数据日益呈现海量化、复杂化和异构特性,基于传统浅层机器学习算法的入侵检测方法已难以满足要求。提出了一种基于自适应一维卷积神经网络(adaptive one-dimensional convolutional neural network,A-1D-CNN)的网络入侵检测方法,通过构建深度卷积网络获得了提取数据深层特征的能力,避免了人为选择特征参量带来的泛化和表征能力的不足。为获得更加合理的模型超参数,利用粒子群优化(particle swarm optimization,PSO)算法自适应地对每个一维卷积层的卷积核数量进行了优化。使用1999年国际知识发现和数据挖掘竞赛(knowledge discovery and data mining cup 99,KDD Cup99)数据集对所提方法进行了验证,结果显示该方法在无需人为调节超参数的情况下不仅能区分正常和攻击流量,还可准确识别具体攻击类型,表明其针对不同任务具有自适应能力。对比试验表明,所提方法在准确率、精确率、召回率等指标上均优于现有常见的入侵检测方法。