线性分组码的GRAND算法研究

随着5G通信技术的发展与应用,高可靠低时延通信场景下的短包信道编译码技术受到了广泛关注。GRAND是一种通用的最大似然译码算法,与传统译码算法不同,GRAND算法通过噪声猜测和码本查询来确定发送码字,具有高效的硬件实现结构。介绍了GRAND及其改进算法的基本原理,通过仿真分析了不同GRAND算法的误码率性能;针对5G NR的LDPC短码以及PAC短码给出了GRAND算法的设计方案,为未来移动通信的短码设计提供参考。

多间隔信息融合的母线保护电流互感器断线再开放策略

对于电流互感器(CT)断线后发生金属性故障的情景,现有母线保护采取的闭锁差动保护动作方式将会引发多个变电站停电。此外,当母线区内发生高阻接地故障时,现有母线保护判据可能会将其误判为CT断线故障,不利于电力系统的安全稳定运行。针对这一问题,提出了一种母线保护CT断线再开放策略,该策略基于断线间隔与非断线间隔的零序电流变化量对负荷波动和故障进行区分,并基于非断线间隔的差流有效值和间隔失灵保护信息对区内外故障进行判别。实时数字仿真系统仿真结果验证了所提CT断线识别判据和再开放策略的正确性。

基于CBAM-LSTM的风电集群功率短期预测方法

风电功率的精准预测对我国实现“碳达峰”、“碳中和”的目标具有重要意义。传统的风电功率预测方法往往忽视了时间序列数据中的长期依赖关系和空间相关性,导致预测结果不准确。为了解决这个问题,文中提出了了卷积块注意力机制(Convolutional Block Attention Module, CBAM)和长短时记忆网络(Long Short-Term Memory, LSTM)相结合的模型。首先,使用CBAM对风电功率时间序列数据特征和数值天气预报中蕴含的空间特性进行提取,该模块能够自适应地学习时间和空间上的重要特征;然后,将提取的特征输入到LSTM层结构中进行功率预测。为了验证所提方法的有效性,使用中国吉林省某风电场的数据集进行验证,实验结果表明,与其他功率预测方法相比,文中所提方法平均绝对误差(Mean Absolute Error, MAE)平均降低2.67%;决定系数(R-Square, R2)平均提高23%;均方根误差(Root Mean Square Error, RMSE)平均降低2.69%。

基于CBAM-CNN的电力系统暂态电压稳定评估

为进一步提高电力系统暂态电压稳定评估模型的特征提取能力和模型在系统拓扑结构发生变化时的适应性,提出一种将改进的卷积神经网络与迁移学习相结合的方法。首先,在卷积神经网络的卷积层后插入卷积块注意力模块,对输入的数据从通道和空间两个独立的维度依次提取特征,提高卷积神经网络对系统暂态电压状态的识别能力。然后,将该模块与微调技术相结合,提高模型在系统拓扑结构改变时的在线更新速度。最后,算例分析验证了所提模型的有效性。

左转专用短车道信号交叉口通行能力分析

针对信号交叉口左转专用短车道排队阻塞导致的时空资源浪费、通行能力降低等问题,本文分析排队阻塞车流形成与消散过程,从车流到达分布理论和概率论2个角度建立了排队阻塞概率模型。考虑到不同流向的放行顺序,结合交通流波动理论,建立了3种不同相位方案下排队阻塞时进口道通行能力模型。通过VISSIM对模型进行检验,并对模型影响因素进行敏感性分析,观察不同影响因素下通行能力变化趋势。结果表明,模型能更加准确地计算不同信号控制条件下左转专用短车道通行能力;左转专用短车道下,短车道容量、信号周期、绿信比、车流比例、车流平均到达率对通行能力起主要影响。

基于伪监督注意力短期记忆与多尺度去伪影网络的图像分块压缩感知

基于深度展开网络的分块压缩感知(BCS)方法,在迭代去块伪影时通常会同时去除部分信号和保留部分块伪影,不利于信号恢复。为了改善重建性能,在学习去噪的迭代阈值(LDIT)算法基础上,该文提出基于伪监督注意力短期记忆与多尺度去伪影网络(MSD-Net)的图像BCS迭代方法(PSASM-MD)。首先,在每步迭代中,利用残差网络并行地对每个图像子块单独去噪后再拼接。然后,对拼接后的图像采用含有伪监督注意力模块(PSAM)的MSD-Net进行特征提取,以更好地去除块伪影以提高重建性能。其中,PSAM被用于从含有块伪影的残差中抽取部分有用信号,并传递到下一步迭代实现短期记忆,以尽量避免去除有用信号。实验结果表明,该文方法相比现有先进的同类BCS方法在主观视觉感知和客观评价指标上均取得了更优的结果。

基于IRS-NOMA辅助的短包通信系统性能分析

为了揭示短包数据在智能反射面(intelligent reflecting surface,IRS)和非正交多址接入(non-orthgonal multiple access,NOMA)技术辅助的通信系统中的传输性能,对短包通信系统性能进行深入研究.针对IRS具有理想相移和存在1 bit相位误差两种情况,借助短包通信相关理论和一阶黎曼积分法,获得近用户和远用户处平均误块率(block error rate,BLER)的解析结果;基于BLER的表达式,进一步分析系统吞吐量性能;利用蒙特卡洛仿真实验验证理论分析的正确性.结果表明:增加反射单元数目或增大信噪比都可显著改善短包传输的可靠性;相位误差对BLER和吞吐量的影响不容忽视.

基于MMC闭锁与负直流电压无闭锁的综合直流故障限流策略

基于模块化多电平换流器(MMC)的柔性直流电网存在抗直流故障扰动能力弱的问题。为此,在无闭锁和闭锁限流的基础上,提出了一种适用于柔性直流电网的无闭锁与闭锁的综合直流故障限流策略。故障发生后,各换流站首先根据直流侧出口电流进行基于负直流电压控制的无闭锁限流,若某换流站由于无闭锁降压限流失效而发生过流,则主动将该换流站闭锁。故障消失或隔离后,无闭锁换流站第一时间恢复正常工作模式,而无须等待重启过程较长的闭锁换流站,以尽量减小系统功率损失。基于MATLAB/Simulink的仿真结果表明,所提综合直流故障限流策略可快速阻断故障电流,并兼顾限流过程的安全性和快速性,最大限度保证系统功率传输,提高了直流电网的抗故障扰动能力。

一种基于全卷积神经网络的空中目标战术意图识别模型

针对现有空中目标识别方法敏捷性和可靠度不够高的问题,研究设计了一种深度学习模型MLSTM-FCN,结合了全卷积神经网络、循环神经网络和压缩与激励模块的优点。全卷积网络能够提取空战数据中的复杂局部特征,长短记忆神经网络可以捕捉空战意图数据的时序特征。通过消融实验和对比实验结果表明,MLSTM-FCN模型在意图识别准确率、反应速度和抗干扰能力方面明显优于现有的空中目标意图识别模型,取得了sota的结果,为指挥员在进行空中作战决策时提供更有效的依据。

智能仓储交通信号与多AGV路径规划协同控制方法

针对智能仓储多AGV(automated guided vehicle)路径规划实时性差,障碍物识别能力弱,多AGV碰撞、死锁和拥堵等问题,提出了一种智能仓储交通信号控制与多AGV路径规划协同控制方法,将交通信号与多AGV路径规划视为一个整体,设计一种交通信号与多AGV路径规划协同控制框架,并提出LS-A3C(long short-asynchronous advantage actor-critic)算法和Bi-LSTM-CBAM(bi-long short-term memory-convolutional block attention module)算法作为框架的核心算法。LS-A3C算法使用长短时编码器和注意力机制分别对交通信号的长期信息和短期信息进行编码,以学习元特征表示,并使用A3C框架计算元Q值和控制策略,实现交通信号时间自适应AGV流量,解决多AGV碰撞、死锁和拥堵等问题。Bi-LSTM-CBAM算法通过计算本时刻和前置时刻状态特征,对输出结果进行拼接处理,可以有效解决神经网络梯度消失和爆炸的问题,提高AGV路径规划实时性;引入注意力机制模块CBAM,根据输入信息重要程度分配权重,加强AGV对障碍物识别能力。在Sumo和Gazebo联合仿真平台进行仿真实验,实验结果表明,该协同控制方法使AGV碰撞、死锁及拥堵情况明显降低,障碍物识别能力显著提高,路径规划实时性大幅增强,达到提升AGV作业效率的目的。

基于CBAM&ConvLSTM的短时交通拥塞预测

短时交通拥塞预测是智能交通的重点问题,其难点在于时空序列的数据处理和特征提取。卷积长短期记忆网络(Convolutional Long Short-Term Memory, ConvLSTM)适合处理兼具时间和空间相关性的交通数据。而卷积注意力机制(Convolutional Block Attention Module, CBAM)在空间和时间维度引入注意力机制,使模型对于数据的变化更加敏感。文中结合ConvLSTM和CBAM,设计了一种新模型,对短时交通拥塞进行预测。实验基于百度地图实时数据,并与其他主流模型进行了比较。结果表明,该模型在交通数据的适应性方面优于其他模型,为解决交通拥塞的预测问题提供了一种新的思路和方法。

基于VMD-CNN-BiLSTM-CBAM的配变短期负荷预测方法

随着智能电网的发展,配变重过载预警的准确性对于维持电网稳定运行至关重要。本文提出了一种新的基于VMD-CNN-BiLSTM-CBAM模型的配变短期负荷预测方法,旨在提高预警准确性。该方法首先运用K均值聚类算法筛选出相似日,并利用变分模态分解(variational mode decomposition,VMD)对相似日的负荷数据进行分解,得到一系列内在模态函数(intrinsic mode function,IMF)分量。随后,各IMF分量通过结合卷积神经网络(convolutional neural network,CNN)、双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)和卷积块注意力机制(convolutional block attention module,CBAM)的混合模型进行特征学习和预测。最终,使用样本熵理论将预测得到的各IMF分量重构合成,获得配变的预测日负荷曲线。实验结果表明,本文提出的方法在预测精度上有明显提升,为配变重过载预警提供了有效的技术支撑。

基于GAT-BILSTM-Res的水质预测模型

针对水质数据在时间维度的依赖关系以及水质监测站点在空间维度的依赖关系,基于海河流域天津段实际监测的历史水质数据,设计了有效提取时空特征的方法,提出一种融合图注意力网络(GAT)、双向长短期记忆网络(Bi-LSTM)以及残差块(ResBlock)的时空水质预测模型(GAT-BILSTM-Res).该模型首先通过GAT捕获水质监测站点之间的拓扑关系,建立空间相关性模型;同时通过Bi-LSTM捕捉水质监测数据的动态变化,并对时间相关性进行建模;然后将时空特征融合,输入残差块;最后使用全连接层对预测结果进行输出.实验结果表明,相较于基线模型,该模型能够实现6.6%~25.2%的性能提升.

基于多级特征提取的BiLSTM短期光伏出力预测

传统光伏预测模型易受气象数据波动的影响,且对气象特征不敏感。由此,提出基于多级特征提取的BiLSTM短期光伏出力预测方法,用于预测不同天气类型下的光伏出力。首先,选取与光伏出力相关性较高的气象因素作为输入特征;使用模糊C均值(FCM)聚类方法,对样本进行灵活划分,通过计算Xie-Beni指标以确定最佳聚类数,将历史数据集聚类为晴天、少云天、晴转多云、阴雨天和恶劣天气;其次,构建CNN-CBAM-TCN多级特征提取器(MFE):利用卷积神经网络(CNN)进行初步的特征提取,结合卷积注意力块(CBAM)抑制非重要特征,之后,利用时间卷积网络(TCN)进一步捕捉日内光伏出力的时序特征;最后,借助双向长短期记忆网络(BiLSTM)进行光伏出力预测。在实例分析中,验证了使用Xie-Beni指标确定最佳聚类数的有效性,证明了该模型较其他预测模型在复杂天气类型下具有更高预测精度。

基于MVC5B混合模型的中国股指预测研究

为了提高中国股指的预测表现,提出一个融合了变分模态分解(VMD)、卷积注意力模块(CBAM)和双向长短期记忆网络(BiLSTM)的混合模型MVC5B(multi-channel-VMD-CBAM5-BiLSTM)。不同于混合模型常用的分解-集成构造方法,MVC5B基于提出的多通道输入方法构造而成。多通道输入方法基于自身一次性预测的特点可以有效规避分解-集成方法多次预测带来的累计误差和巨大计算成本,从而提升MVC5B的预测表现。CBAM的引入不但提升了股指的预测表现,而且还丰富了股指预测问题中关于CBAM的研究。基于多个具有代表性的中国股指数据集的实证结果显示MVC5B的预测表现和模拟收益显著优于流行的预测模型。实证结果还进一步证实了多通道输入方法相比于分解-集成方法的优越性以及CBAM在股指预测问题中的有效性。

强化数据预处理的BLSTNet-CBAM短期电力负荷预测

针对负荷数据复杂性、非平稳性以及负荷预测误差较大等问题,提出一种综合特征构建和模型优化的短期电力负荷预测新方法.首先采用最大信息系数(MIC)分析特征变量的相关性,选取与电力负荷序列相关的特征变量,同时,考虑变分模态分解(VMD)方法容易受主观因素的影响,采用霜冰优化算法(RIME)优化VMD,完成原始电力负荷序列的分解.然后改进长短期时间序列网络(LSTNet)作为预测模型,将其递归层LSTM更新为BiLSTM,并引入卷积块注意力机制(CBAM)进行预测.通过对比实验和消融实验的结果表明:经RIME-VMD优化后,LSTM、GRU、LSTNet模型预测的均方根误差(RMSE)均降低20%以上,显著提高模型预测精度,且能够适应于不同预测模型.所提出的BLSTNet-CBAM模型与LSTM、GRU、LSTNet相比,RMSE分别降低了35.54%、6.78%、1.46%,提高了短期电力负荷预测的准确性.

综掘工作面风幕阻尘效果影响因素研究

目前综掘工作面粉尘污染的研究多集中于单一因素对综掘工作面风幕阻尘效果的影响,而未充分考虑各因素间的交互作用,使得压风分流技术的工程应用效果欠佳。为明确附壁风筒径向出风距离、径向出风比及轴向出风距离对风幕阻尘效果的影响,以潘三矿810西翼机巷综掘工作面为研究对象,运用Fluent软件对径向出风距离为10~25 m、径向出风比为0.6~0.9及轴向出风距离为6~12 m条件下的风流分布和粉尘扩散情况进行数值模拟。结果表明:(1)随着径向出风距离增大,径向涡流风幕在巷道内的转变更充分,综掘机司机前端的风流分布越均匀,更有利于形成风速方向均指向工作面的轴向阻尘风幕。当径向出风距离为10 m时,距工作面7 m断面内涡流特性明显,风速方向紊乱;当径向出风距离为25 m时,距工作面7 m断面内,风流分布趋于均匀,风速方向均指向工作面,形成了能够覆盖全断面的轴向阻尘风幕。(2)随着径向出风比增大,整流风筒轴向风流风量减小,轴向风流风速和射流强度降低,轴向风流对综掘工作面前端气流的扰动减弱;径向出风比越大,越有利于形成风流方向指向工作面且能覆盖全断面的轴向阻尘流场,即轴向阻尘风幕。(3)径向涡流风幕的阻尘能力随径向出风比的增大先增强后减弱,轴向阻尘风幕的阻尘能力随径向出风比的增大而不断增强。(4)在采取压风分流风幕阻尘技术后,当压风总量为300 m^(3)/min,吸风量为400 m^(3)/min,附壁风筒径向出风距离为20 m,径向出风比为0.9,整流风筒轴向出风距离为8~10 m时,能很好地将粉尘聚集在吸尘口附近,达到高效控尘除尘的目的。在810西翼机巷综掘工作面进行现场测试,测点风速和粉尘质量浓度实测值与模拟值基本一致,高浓度粉尘被有效阻控于工作面前端,隔尘效果较为明显,验证了数值模拟的有效性。

基于降噪-残差神经网络的发动机部分失火故障诊断

针对发动机单缸部分失火故障,提出基于小波阈值降噪和残差神经网络的“降噪-残差神经网络”故障诊断方法。通过降噪与深度学习算法相结合,将小波阈值降噪后的振动信号输入到残差神经网络进行故障诊断;使用短残差块进一步防止网络的退化,并利用大卷积核增大长数据输入的卷积视野,提高信号故障特征的提取能力。测试结果证明该方法不仅实现了未参与训练的运转工况97%以上的故障诊断准确率,而且对于加入高斯噪声后的含噪声信号也能实现较高的诊断准确率。通过与其他故障诊断网络进行对比证明了该方法的优越性。

基于导水裂隙扩展-重金属离子迁移的短壁块段式充填保水采煤机理研究

短壁块段式充填采煤技术可有效解决煤炭资源浪费、水资源流失和矸石堆积等问题,然而,采空区矸石充填材料受到矿井水的长期作用后,其内部重金属离子可能会发生浸出,对矿区水资源造成一定潜在污染影响。为此,结合短壁块段式充填采煤技术,系统地对采动造成的水资源流失和水资源污染综合防治展开研究。首先,针对矿区水资源流失防治,基于“煤柱、充填体-阻隔层-隔水层”的层位组合关系,研究短壁块段式充填采煤覆岩导水裂隙发育特征,揭示短壁块段式充填采煤诱发的覆岩结构演变下水资源保护的控制机理。其次,针对矿区水资源污染防治,建立采空区矸石充填材料重金属离子迁移模型,揭示矸石充填材料对水资源的污染机理,分析矸石充填材料重金属离子迁移规律。并由此总结矿区水资源流失-污染综合防治技术,提出基于水资源流失-污染防治的充实率设计方法。结果表明:在水资源流失防治方面,矸石材料作为充填体充入采空区后,作为永久承载体与块段间保护煤柱共同承担上覆岩层的载荷,有效阻止了低位岩层组的垮落,限制覆岩导水裂隙贯穿隔水层,确保高位岩层组的完整性;在水资源污染防治方面,矸石充填材料重金属离子在渗流、浓度、应力的耦合作用下,以矿井水为载体,在重力势能和水头压力的驱动下沿着煤柱侧向以及底板下方进行迁移运动,且重金属离子迁移距离随底板岩层渗透率、重金属离子浸出浓度/污染源强、底板裂隙深度和水位高度的增大而增大,随矸石粒径和围岩应力的增大而减小。基于此,总结了矿区水资源流失-污染综合防治技术,包括开采参数调控技术、充填参数调控技术、污染源头调控技术、传播途径调控技术以及水体原位调控技术,并提出基于水资源流失-污染防治的充实率设计方法,实现矿区水资源流失-污染综合防治。研究成果对综合防治煤炭开采造成的矿区水资源破坏问题提供一定的科学理论依据和工程指导。

有无短筋热阻断拉结件单元板剪切性能试验研究

为探究有、无短筋对玻璃纤维套筒热阻断拉结件单元板剪切性能的影响,对有无短筋单元板进行剪切试验,对比分析其破坏形态、荷载-位移曲线及DIC应变.结果表明,有短筋单元板在破坏时拉结件拐点处的混凝土局部拉脱后仍有承载力,无短筋单元板拐点处混凝土拉碎,拉结件拐点处承载力完全丧失,有短筋单元板极限抗剪承载力为155.78 kN,无短筋单元板极限抗剪承载力89.5 kN,得出布置短筋可显著提高热阻断拉结件单元板抗剪承载力及刚度.本研究成果可为热阻断拉结件轻质夹芯墙板设计提供参考依据.