10kV配电线路单相树线故障选相研究

针对配电网三相电压不平衡发生树-线故障难以准确判别故障相而引发山火的问题,提出了一种基于电压信号突变值和变化趋势相结合的选相方法。在传统三相电压平衡配电网单相接地故障选相理论基础上,搭建了10 kV单相树-线故障试验平台。首先,在中性点不接地、消弧线圈接地欠补偿和过补偿3种情况下进行了多种树木、不同残余电流单相树-线故障试验研究。然后,根据树-线故障时零序电压和各相电压幅值变化特征,定义了故障时刻及故障相识别码,建立了某一相电压有效值的幅值增加最大则其滞后相为故障相的判据。通过故障时刻前后0.1 s内的各相电压平均有效值改变大小对比及相应判据,将生成对应的识别码进行匹配,实现精确快速判别故障相。最后,通过试验验证该方法能够有效解决单相树-线故障相识别问题且不受电压不平衡影响,具有较好的工程应用价值。

基于贝叶斯网络的拉线塔安全性评估方法

针对拉线塔安全性的影响因素众多,安全评估受主观性影响较大的问题,提出一种基于贝叶斯网络的输电拉线塔安全性评估方法。该方法根据故障树进行构建贝叶斯网络模型,利用拉线塔实际检测数据获取根节点故障状态及其概率,克服了根节点故障概率难以获取的问题。基于贝叶斯网络因果推理,实现拉线塔故障概率计算、致灾因子识别以及故障诊断,实现对拉线塔安全性的分析。通过实例分析表明:基于贝叶斯网络的拉线塔安全性评估方法克服了传统综合评价法主观性强的问题,评估结果与运行情况的一致性较强,可作为拉线塔安全评估的决策工具。

带宽异构网络下的精确修复再生码数据修复方案

再生码技术以高容错性、低冗余开销等优点在数据存储领域得到了广泛应用,但基于再生码的冗余技术在修复失效数据时需从其他帮助节点下载多个编码块。考虑到节点间链路带宽的异构性,在实际网络中链路可用带宽容量变化很大,网络流量最小化并不一定意味着数据修复时间最小化,并且现有针对带宽异构网络下的再生码数据修复方案难以支持精确地修复再生码。由于精确修复再生码具有特定的数学结构,其并行修复难以实现,因此提出一个在带宽异构网络下实现精确修复再生码的数据修复方案ERC-TREE,此方案通过构建一棵最优树来有效利用帮助节点之间的可用带宽,从而实现失效节点数据的精确修复。仿真实验结果表明,在带宽异构网络下采用树型结构修复对精确修复再生码具有可行性。在带宽差异很大的情况下,ERC-TREE的数据修复时间相比星型结构的修复时间减少78%。

故障树和模糊贝叶斯网络在管廊运维风险评估中的应用研究

地下综合管廊是城市的生命线,一旦出现问题就会对人们生命财产安全造成巨大损害。为了系统地分析管廊运维风险,建立了基于模糊贝叶斯网络的风险评估框架。首先,通过分析管廊运维风险源与风险形成的原因以确定风险事件和风险类别;其次,建立管廊运维风险故障树来梳理风险因素之间的逻辑关系,将故障树映射为贝叶斯网络;最后,结合专家模糊评价,构建地下综合管廊运维风险评估模型。案例分析结果显示:中间事件“火灾、爆炸”与“危害气体浓度过高”的发生概率较高。敏感性分析结果显示:“运维人员操作和维护不当”是导致管廊运维风险发生的根本事件,因此需要制定严格管理措施及规范,加强对运维人员的素质培训,以降低管廊运维过程中各种风险的发生概率。

集合空间关键字内聚组查询方法

给定一个道路网络和社交网络,集合空间关键字查询的目的是找到一组兴趣点,该组兴趣点的文本信息包含所有查询关键字,与查询的位置较近且彼此之间的距离较小。内聚组查询的目的是找到在地理位置和社交关系上紧密联系的一组用户;而集合空间关键字内聚组查询的目的是找到满足查询要求的一对最佳匹配的兴趣点集合和用户集合。针对这一问题,提出一种新的集合空间关键字内聚组查询处理模式。首先通过快速贪心查询过程获得候选兴趣点集合,然后使用core-tree结构存储(k,c)-core核心分解的结果,从而提高内聚组查询效率,并且保证查询结果能够同时满足用户之间的社会关系约束和兴趣点之间的空间位置约束。通过在真实数据集上开展实验,结果表明提出的方法比枚举方法的查询效率快1~2个数量级,并且具有较高查询准确性。

基于故障树和贝叶斯网络的管廊运维风险评估

城市地下综合管廊在运维过程中事故时有发生,为了量化管廊运维风险并分析关键风险因素,提出一种基于故障树和模糊贝叶斯网络的城市地下综合管廊运维风险评估方法。在综合考虑管廊风险因素的基础上构建故障树模型,将其映射为贝叶斯网络。基于ALARP准则划分风险因素状态等级,根据模糊数和模糊子集计算底事件的发生概率,利用最大似然估计法求解中间事件的条件概率,构建管廊运维风险贝叶斯网络模型,精准评估城市地下综合管廊运维风险。结果表明:所评估的管廊运维过程风险等级为High的概率为28%,接近30%的风险阈值,因此需要及时对管廊风险进行管控。该方法能够科学、合理地评价风险水平并确定关键因素,可为管廊运维安全保障和管理提供参考。

基于定子电流和电磁转矩双信号融合的齿轮故障智能诊断

在电机驱动的齿轮传动系统中,电机本体具有传感器的特性,因此可以通过电机的定子电流、电磁转矩信号来进行齿轮故障分析,由于受转速和负载转矩的影响,使得故障诊断结果的准确率较低。针对此问题,提出一种基于双信号融合与反向传播神经网络相结合的齿轮故障诊断方法。对电机齿轮传动系统一体化建模,进行电机齿轮传动系统联合仿真。对齿轮的不同故障进行模拟,得到电机侧定子电流和电磁转矩的故障信号,采用双树复小波变换来分析齿轮故障频段信号,提取故障特征量,建立了丰富的齿轮故障样本库。搭建反向传播神经网络并提出改进的自适应学习率算法,实现了对齿轮断齿、磨损故障的精确分类。为了验证所提方法的有效性,搭建齿轮故障试验平台,对相应齿轮故障进行诊断。结果表明,所提方法能够在不同转速和负载转矩条件下准确辨识齿轮的故障类型,相较于只采用定子电流和电磁转矩中一种信号对齿轮进行故障诊断,该方法准确率更高。

基于改进型树型奇偶机的密钥交换研究

提出了一种基于改进型树型奇偶机的密钥交换方法。利用伪随机数产生器为通信双方产生共同的输入向量,降低网络同步所需的数据量;使用基于滑动窗口的学习规则来动态改变学习率,降低同步次数;并且进一步提出基于背包算法和深度优先搜索遍历算法的高效输入序列生成方法,增大正向学习概率加快同步速度。仿真实验结果表明,改进模型的通信数据量下降了60%以上,同步时间显著下降。

基于双句法交互图注意力网络的方面级情感分析

为减少利用未处理的短语树引入的关于方面词错误的句法信息,提出一种双句法交互图注意力网络模型。在现有短语树的基础上通过特定的句法拆分获得面向方面的短语子树,在此基础上,在短语树与依赖树之间利用各自的句法特点建立句法信息的交互通道,有效结合短语树与依赖树两棵句法树产生的句法信息。在3个公共数据集上的充分实验结果表明,双句法交互图注意力网络模型均优于当前的主流方法,验证了模型的有效性。

基于客户消费习惯的贝叶斯网络的分类算法

面对大量用户的通信消费数据,如何对其进行挖掘从而获得有价值的信息,对客户进行分类,并制定不同的服务策略,是当前通信企业面临的一个普遍问题。本文介绍了几种常用的文本分类算法,通过分析用户的消费行为数据,选取了朴素贝叶斯分类预测算法、贝叶斯网络分类预测算法和决策树分类预测算法对用户进行分类,实验结果表明贝叶斯网络分类预测算法对于用户通信消费数据具有较好的分类效果。

基于机器学习耦合模型预测FDM零件的表面粗糙度

熔融沉积工艺(FDM)制造的零件表面粗糙度高,不仅影响了零件外观,还降低了性能。采用响应面实验设计,研究了层高(A)、填充密度(B)、喷嘴温度(C)、床层温度(D)和打印速度(E)对聚乳酸(PLA)零件表面粗糙度的影响。同时,将遗传算法(GA)与决策树(DT)、人工神经元网络(ANN)两种机器学习模型相结合,预测了零件的表面粗糙度。结果表明,A、B、C和E是显著影响零件表面粗糙度的主效应,A×B、A×C、A×E、B×C、B×E、C×E是影响显著的交互效应。GA+DT耦合模型预测PLA零件表面粗糙度的准确性更高,预测值与实验值的相关系数(R2)、均方误差(MSE)和平均绝对误差(MAE)分别为0.952、0.132和0.234,优于GA+ANN的0.823、1.561和1.759。GA+DT模型的预测值与实验值的Pearson相关系数为0.984,而GA+ANN模型仅为0.903,这表明GA+DT模型在预测PLA零件表面粗糙度时准确度更高。

基于SECS/GEM协议的芯片烘箱设备智能故障诊断算法设计

针对芯片烘箱设备故障排查困难,提出了一种改进型贝叶斯网络故障诊断算法。利用SECS/GEM通信协议从设备端获取故障报警数据,建立芯片烘箱设备故障树。将故障树映射为贝叶斯网络,通过对贝叶斯网络反向推理计算得到可用于指导维修工作的诊断决策树。将历史故障样本数据代入算法模型中进行验证分析,验证结果表明,按照诊断决策树进行故障诊断能够将诊断误差率控制在5%左右,满足企业用户要求,具有较高的应用价值。

基于神经监督决策树算法的多感知GIS局部放电识别

为充分表现并利用GIS缺陷的物理联系引导故障诊断,提高GIS局部放电故障诊断方法的可靠性与可解释性,该文提出神经监督决策树算法(neural supervision decision tree,NSDT)实现GIS局部放电高准确率下的可解释故障诊断。将卷积神经网络最终线性层替换为层次结构,构建诱导层。使用树监督损失函数优化节点代表向量,并通过调整softmax函数抑制层次损失。构建监督层,通过原始神经网络输出向量对诱导层输出进行监督修正,在保留可解释性的基础上,提高识别准确率。通过110 kV声光电多感知GIS平台收集导杆尖端、外壳尖端、高压端沿面3种典型单源缺陷局放数据,并组成3种双源缺陷,测试NSDT方法性能表现。试验结果表明,NSDT多级神经决策结构能够准确地识别GIS局部放电类型,相较于卷积神经网络(convolutional neural network,CNN)等传统深度神经网络识别方法,识别可靠性更高,决策信息更加丰富,可解释性更强。

一种无线传感器网络节能负载平衡树型数据聚合方案

为了延长无线传感器网络的生命周期,并从节点能耗负载均衡的角度进行数据传输,提出了一种高效的基于负载均衡树的数据聚合方案(LB-TBDAS)。该方案将传感区域划分为网格中的多个单元,选出剩余能量最大的传感器节点作为每个单元中的头部单元;利用最小生成树算法建立树状路径。在数据传输过程中,头部单元负责采集每个单元内的传感数据,采集到的数据沿树状路径传输到基站。仿真结果表明,提出的LB-TBDAS方案的总能耗明显低于GB-PEDAP和PED-AP。与GB-PEDAP和PEDAP相比,LB-TBDAS方案延长了一倍以上无线传感器网络的生命周期,可以避免传感器节点在多跳数据传输过程中产生过多的能量消耗。

基于差分隐私的路网环境skyline查询

路网中的skyline查询在智慧交通、兴趣点发现和位置服务等领域具有重要的应用价值,但存在查询效率较低、未考虑查询结果的隐私性等问题。有鉴于此,文中提出了一种基于差分隐私的路网环境下skyline查询方法。首先,针对路网环境下的初始数据集数据量大和数据复杂的特点,对数据集进行预处理,利用基于距离属性划分的skyline层和路网Voronoi图的性质提出了3个剪枝规则,基于剪枝规则给出了路网环境下的数据集剪枝算法,从而有效地过滤掉大量冗余数据;其次,针对过滤后的数据集,利用网格索引的存储方式来节省存储空间,并设计了基于网格索引的skyline扩展树,基于扩展树和相应的剪枝规则提出了查询全局候选skyline点集的算法;最后,针对查询结果集,利用差分隐私预算分配模型来分配隐私预算,并基于信息散度进行结果集发布,有效提高了数据信息的隐私性。实验结果表明:所提出的查询方法的准确率在99%以上;其在数据集规模较大情况下的查询效率相较于传统skyline查询方法提升10%以上;在总差分隐私预算为0.01、0.10、0.50和1.00时,所提出的隐私预算分配方法的相对误差均低于等差分配和等比分配方法。

ADAFT:SDN大规模流表的适应性深度聚合存储架构

为解决软件定义网络(SDN)数据平面中的三态内容可寻址存储器(TCAM)资源紧张问题,提出了一种基于内容表项树的SDN流表深度聚合方法,进而构建一种SDN大规模流表的适应性深度聚合存储架构ADAFT。该架构放宽了聚合表项之间的汉明距离要求,构建内容表项树聚合动作集不同的流表项,显著提高了流表聚合程度。设计了一种TCAM装载率感知的内容表项树动态限高机制,以降低流表查找开销。同时,提出了一种TCAM装载率感知的表项聚合适应性选择策略,以均衡流表聚合程度和查找开销。实验结果表明,ADAFT架构的流表压缩率明显高于现有方法,最高可达65.74%。

基于TREE-LSTM算法的船舶汽轮机组变负荷故障诊断

针对船舶汽轮机组变负荷过程故障诊断中的耦合参数时序特征难以捕捉以及正常参数变动的干扰等问题,引入TREE-LSTM神经网络模型以实现复杂非线性系统动态数据分类。首先建立某船舶汽轮机组仿真模型,分析并进行故障仿真;随后进行数据预处理与特征工程;最后训练TREE-LSTM模型进行故障诊断,并与SVM、LSTM等模型进行比较。TREE-LSTM模型对于船舶汽轮机组变负荷过程的故障诊断正确率为98.7%,正确率最高。由于引入时间序列与复杂神经网络拓扑结构,TREE-LSTM在处理非线性系统动态数据分类问题时效果更好。

基于GA-BP神经网络的新疆南疆核桃树生长模型研究

文章提出了一种利用遗传算法优化BP神经网络的核桃树生长模型来预测核桃树的树高、胸径的方法,通过优化BP神经网络的权值和阈值建立GA-BP模型,与多元线性回归模型的预测结果进行比较。结果表明:采用遗传算法优化后的模型具有更高的预测精度,对核桃树生长预测具有指导意义。

基于生成对抗网络的树种识别方法

【目的】利用卷积神经网络模型进行图像自动识别时,为防止模型过拟合通常需要大量训练样本。本研究为提高树种识别准确率,在原有叶片图像基础上进行图像样本扩充来保证训练质量,提出一种融合生成对抗网络与卷积神经网络的树种识别方法。【方法】在Pytorch框架下,采集10种常见树种(山杨、梣叶槭、榆、刺槐、紫丁香、杜仲、火炬树、山荆子、水曲柳、红端木)叶片图像作为研究对象。首先,采用均值滤波去噪和尺寸归一化对图像进行预处理。其次,以生成对抗网络生成的图像扩充数据集,其中,以深度卷积生成对抗网络(DCGAN)模型为基础并对其进行改进,建立残差条件深度卷积生成对抗网络(RC-DCGAN)模型,将随机噪声和类别标签作为生成器的输入,以控制样本生成过程;在生成器中嵌入残差结构,使生成模型学习更多特征信息,以提高生成图像质量。然后,将原始图像和扩充图像作为卷积神经网络(CNN)的训练集,一方面,使用RC-DCGAN模型和旋转、镜像、改变对比度等传统图像扩充方法,扩充图像11400幅;另一方面,将原始图像与生成图像、原始图像与传统扩充图像,分别输入至CNN中进行训练,并在原始图像的每个类别中随机挑选50幅对模型进行测试,以验证生成对抗网络对提升识别准确率的可行性。最后,确定适合试验要求的CNN分类模型,并与AlexNet模型、VGG-16模型、VGG-19模型、ResNet18模型的识别效果进行对比,以检验本研究方法的可行性。【结果】RC-DCGAN模型比DCGAN模型生成的图像质量更高,贴合真实图像;利用生成对抗网络扩充图像的方法与ResNet30树种识别模型,训练准确率为99.03%,平均验证识别准确率为97.20%;而在相同树种识别模型下,传统图像扩充方法的识别率为95.50%;在相同数据集下,AlexNet模型、VGG-16模型、VGG-19模型、ResNet18模型所获得的识别率分别为86.52%、87.57%、91.43%、93.25%,均低于本研究模型的识别率。【结论】联合生成对抗网络和卷积神经网络的方法对本研究10种树种叶片图像的识别准确率最高,且克服了使用传统图像处理扩充方法使模型泛化能力下降的问题,说明利用生成对抗网络对图像扩充的方法具有可行性和有效性,可为相关研究工作提供借鉴。

无线传感器网络强化学习增强路由研究

探讨了在无线网络树型路由中寻找最优父节点的经典问题,分析了影响树型路由决策规则的多个指标,如接收信号强度的加权平均值、缓冲区占用率和功耗比。提出了一种基于强化学习增强树路由协议和强化学习算法在无线传感器网络中应用的系统模型,并详细说明了所提出的基于树的路由协议的基本操作,为循环检测父节点更新了算法;为了在复杂的场景中做出自适应决策,定义了一个状态空间、动作集和激励函数。通过试错找到激励最高的最佳父节点;并通过模拟比较研究,验证了父节点选择方案在性能指标(即端到端延迟、可靠性和能量消耗)之间进行合理权衡。