为延长电池储能系统的整体寿命,需保持储能系统中各单元的荷电状态(state of charge,SOC)均衡。为此,提出一种基于二阶一致性算法的改进下垂控制策略,通过指数函数嵌套变化系数,实现不同容量储能单元快速SOC均衡。在SOC均衡的基础上设...为延长电池储能系统的整体寿命,需保持储能系统中各单元的荷电状态(state of charge,SOC)均衡。为此,提出一种基于二阶一致性算法的改进下垂控制策略,通过指数函数嵌套变化系数,实现不同容量储能单元快速SOC均衡。在SOC均衡的基础上设计二次控制策略,在一定通信时延下实现频率、电压恢复和有功、无功功率合理分配。最后,以4台储能单元组成的电池储能系统为算例进行仿真,验证了所提控制策略的有效性,SOC能够快速收敛达到均衡状态,频率、电压能够恢复到额定值,有功、无功功率能够按照相应下垂系数比例进行分配。展开更多
针对传统稳态电能质量分级预警中多以数值大小与设定阈值对比、较少考虑指标长期变化趋势的局限性,提出一种基于趋势跨度指数的稳态电能质量趋势识别与预警方法。首先采用STL(seasonal and trend decomposition using locally weighted ...针对传统稳态电能质量分级预警中多以数值大小与设定阈值对比、较少考虑指标长期变化趋势的局限性,提出一种基于趋势跨度指数的稳态电能质量趋势识别与预警方法。首先采用STL(seasonal and trend decomposition using locally weighted regression)分解算法对稳态电能质量指标时间序列进行回归分解,提取趋势分量;其次采用Mann-Kendall检验法识别电能质量指标趋势分量的趋势类型;然后提出趋势跨度指数以量化电能质量指标趋势变化程度,并根据趋势跨度指数的分布特征划分预警等级;最后采用理想解排序法对监测点电能质量恶化风险进行综合评价。将该方法应用于某市稳态电能质量实际监测数据,对监测点各项电能质量指标以及整体电能质量水平进行趋势预警。展开更多
为使苹果采摘机器人在复杂果树背景下能快速准确地检测出苹果,提出一种轻量化YOLO(You only look once)卷积神经网络(Light-YOLOv3)模型与苹果检测方法。首先,对传统YOLOv3深度卷积神经网络架构进行改进,设计一种同构残差块串联的特征...为使苹果采摘机器人在复杂果树背景下能快速准确地检测出苹果,提出一种轻量化YOLO(You only look once)卷积神经网络(Light-YOLOv3)模型与苹果检测方法。首先,对传统YOLOv3深度卷积神经网络架构进行改进,设计一种同构残差块串联的特征提取网络结构,简化目标检测的特征图尺度,采用深度可分离卷积替换普通卷积,提出一种融合均方误差损失和交叉熵损失的多目标损失函数;其次,开发爬虫程序,从互联网上获取训练数据并进行标注,采用数据增强技术对训练数据进行扩充,并对数据进行归一化,针对Light-YOLOv3网络训练,提出一种基于随机梯度下降(Stochastic gradient descent,SGD)和自适应矩估计(Adaptive moment estimation,Adam)的多阶段学习优化技术;最后,分别在计算机工作站和嵌入式开发板上进行了复杂果树背景下的苹果检测实验。结果表明,基于轻量化YOLOv3网络的苹果检测方法在检测速度和准确率方面均有显著的提高,在工作站和嵌入式开发板上的检测速度分别为116.96、7.59 f/s,F1值为94.57%,平均精度均值(Mean average precision,mAP)为94.69%。展开更多
文摘为延长电池储能系统的整体寿命,需保持储能系统中各单元的荷电状态(state of charge,SOC)均衡。为此,提出一种基于二阶一致性算法的改进下垂控制策略,通过指数函数嵌套变化系数,实现不同容量储能单元快速SOC均衡。在SOC均衡的基础上设计二次控制策略,在一定通信时延下实现频率、电压恢复和有功、无功功率合理分配。最后,以4台储能单元组成的电池储能系统为算例进行仿真,验证了所提控制策略的有效性,SOC能够快速收敛达到均衡状态,频率、电压能够恢复到额定值,有功、无功功率能够按照相应下垂系数比例进行分配。
文摘针对传统稳态电能质量分级预警中多以数值大小与设定阈值对比、较少考虑指标长期变化趋势的局限性,提出一种基于趋势跨度指数的稳态电能质量趋势识别与预警方法。首先采用STL(seasonal and trend decomposition using locally weighted regression)分解算法对稳态电能质量指标时间序列进行回归分解,提取趋势分量;其次采用Mann-Kendall检验法识别电能质量指标趋势分量的趋势类型;然后提出趋势跨度指数以量化电能质量指标趋势变化程度,并根据趋势跨度指数的分布特征划分预警等级;最后采用理想解排序法对监测点电能质量恶化风险进行综合评价。将该方法应用于某市稳态电能质量实际监测数据,对监测点各项电能质量指标以及整体电能质量水平进行趋势预警。
文摘为使苹果采摘机器人在复杂果树背景下能快速准确地检测出苹果,提出一种轻量化YOLO(You only look once)卷积神经网络(Light-YOLOv3)模型与苹果检测方法。首先,对传统YOLOv3深度卷积神经网络架构进行改进,设计一种同构残差块串联的特征提取网络结构,简化目标检测的特征图尺度,采用深度可分离卷积替换普通卷积,提出一种融合均方误差损失和交叉熵损失的多目标损失函数;其次,开发爬虫程序,从互联网上获取训练数据并进行标注,采用数据增强技术对训练数据进行扩充,并对数据进行归一化,针对Light-YOLOv3网络训练,提出一种基于随机梯度下降(Stochastic gradient descent,SGD)和自适应矩估计(Adaptive moment estimation,Adam)的多阶段学习优化技术;最后,分别在计算机工作站和嵌入式开发板上进行了复杂果树背景下的苹果检测实验。结果表明,基于轻量化YOLOv3网络的苹果检测方法在检测速度和准确率方面均有显著的提高,在工作站和嵌入式开发板上的检测速度分别为116.96、7.59 f/s,F1值为94.57%,平均精度均值(Mean average precision,mAP)为94.69%。
