基于并行融合深度残差收缩网络的有源配电网故障诊断

针对含分布式电源的配电网故障呈现方式多样化以及故障诊断易受分布式电源类型、输出功率等非线性因素影响等问题,提出一种基于并行融合深度残差收缩网络(P-FDRSN)的故障诊断模型。首先,构建具有故障识别支路和故障定位支路的并行网络结构——P-FDRSN,在残差模块中引入收缩机制,减少网络中噪声或冗余信息的影响,提高网络对噪声的鲁棒性;其次,将故障录波信号波形幅值变化转换为灰度图和时频图,送入深度残差收缩网络进行深度特征提取并在汇聚层中将获取的特征进行融合,以增强故障录波信号的特征学习能力。仿真结果表明:在不同分布式电源类型和不同输出功率下,模型故障定位与识别精度均能保持在98.75%和97.25%以上,即使在噪声干扰的情况下,诊断准确率仍可保持在96.75%以上,模型具有较高的精度和较好的自适应性。

基于RSN-GRU融合网络的锂电池荷电状态估计

为了提高锂电池荷电状态(SOC)估计的精度,提出一种基于残差收缩网络(RSN)与门控循环单元(GRU)并行融合的锂电池SOC估计方法.RSN提取锂电池参数输入序列的局部特征并通过一个小型子网络去除多余的噪声,GRU提取锂电池多参数输入序列的时序信息,最终将RSN和GRU进行并行融合得到锂电池的SOC估计值.多种动态工况及不同温度下的实验结果表明:RSN-GRU并行融合网络能显著提高锂电池SOC估计精度,在25℃环境温度下估计结果的平均绝对误差为0.34%,均方根误差为0.51%,比单独的GRU和RSN估计精度分别提升了50%和61.7%.另外,将RSN-GRU与其他多种常用网络进行了对比,结果表明该网络SOC估计精度更高,具有明显的优越性.

基于改进YOLO v5的烟包切层断面异物检测方法

当前主流目标检测网络应用于烟包切层断面异物检测时存在召回率低、小目标异物大量漏检误检的问题,针对这一问题,本研究提出一种烟包切层断面异物检测网络YOLO v5-MFF。提出了多特征提取网络、多阶段并行融合机制,增强了网络对小目标异物的特征提取能力;引入ACON类激活函数,使网络根据数据动态选择激活与否及激活函数的表达形式,增强了网络的特征表达能力。实验表明,本研究提出的YOLO v5-MFF对烟包切层断面异物检测的召回率达到了94.2%,比YOLO v5地提升了了4.6%,明显提升了小目标异物的检测能力。