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。

Short-Term Precipitation Forecasting Rolling Update Correction Technology Based on Optimal Fusion Correction

In order to improve the availability of regional model precipitation forecast, this project intends to use the measured heavy rainfall data of dense automatic stations to carry out historical precipitation in the high resolution: the Severe Weather Automatic Nowcast System (SWAN) quantitative precipitation forecast and the High-Resolution Rapid Refresh (HRRR) regional numerical model precipitation forecast in short-term nowcasting aging. Based on the error analysis, the grid fusion technology is used to establish the measured rainfall, HRRR regional model precipitation forecast, and optical flow radar quantitative precipitation forecast (QPF) three-source fusion correction scheme, comprehensively integrate the revised forecasting effect, adjust the fusion correction parameters, establish an optimal correction plan, generate a frozen rolling update revised product based on measured dense data and short-term forecast, and put it into business operation, and perform real-time effect rolling test evaluation on the forecast product.

多层次特征融合与超图卷积的生成对抗壁画修复

针对现有壁画深度学习修复方法,存在上下文信息关注不足及结果欠佳的问题,提出了一种多层次特征融合与超图卷积的生成对抗修复模型。首先,利用金字塔特征分层对壁画进行多尺度层次特征提取,并采用混合空洞卷积单元扩大多层特征提取感受野,以克服单尺度卷积操作对于壁画特征提取能力不足的问题。然后,提出多分支短链融合层及门控机制融合多分支特征方法,将相邻分支间的特征信息进行融合,使融合后的壁画特征图中既有同分支的特征,又有相邻分支的特征,以提高特征信息的利用率;并引入门控机制对特征进行选择融合,以减少细节信息的丢失。接着,将融合特征通过卷积长短期记忆网络(ConvLSTM)特征注意力方法,增强对壁画上下文信息的关注。最后,设计超图卷积壁画长程特征增强模块,通过在编码器和解码器的跳跃连接之间建立超图卷积层,利用超图卷积捕获编码器的空间特征信息,并将其迁移到解码器中,有助于解码器更好地生成壁画图像,以加强特征的长程依赖关系,并与SN-PatchGAN判别器对抗博弈从而完成修复。通过敦煌壁画数字化修复实验,结果表明:所提方法客观评价优于对比算法,对于破损壁画修复结果更加清晰自然。

基于长短路融合及数据平衡的SAR船舶检测算法

针对SAR图像检测船舶任务中的目标小、近岸样本目标检测困难等问题,文章提出一种名为长短路特征融合网络(Long and Short path Feature Fusion Network,LSFF-Net)的船舶检测网络。该网络通过长短路特征融合模块有效协调了大目标与小目标检测,避免小目标特征信息的丢失。网络中应用结构重参数化结构提高了模块学习能力。为了满足多尺度目标检测,加入特征金字塔网络,融合多尺度特征。为了应对近岸样本目标检测,设计数据重分配算法,提高了对近岸样本目标的检测精度。实验结果表明:在公开数据集检测时,算法的平均精度(Average Precision,AP)达到97.50%,优于主流目标检测算法。该方法为提高SAR图像中小目标和近岸样本目标检测精度提供了新的实现方案。

基于字词向量融合的民航智慧监管短文本分类

为解决民航监管事项所产生的检查记录仅依靠人工进行分类分析导致效率低的问题,提出一种基于数据增强与字词向量融合的双通道特征提取的短文本分类模型,探讨民航监管事项的分类,包括与人、设备设施环境、制度程序和机构职责等相关问题。为解决类别不平衡问题,采用数据增强算法在原始文本上进行变换,生成新的样本,使各个类别的样本数量更加均衡。将字向量和词向量按字融合拼接,得到具有词特征信息的字向量。将字词融合的向量分别送入到文本卷积神经网络(TextCNN)和双向长短期记忆(BiLSTM)模型中进行不同维度的特征提取,从局部的角度和全局的角度分别提取特征,并在民航监管事项检查记录数据集上进行试验。结果表明:该模型准确率为0.9837,F 1值为0.9836。与一些字嵌入模型和词嵌入模型相对比,准确率提升0.4%。和一些常用的单通道模型相比,准确率提升3%,验证了双通道模型提取的特征具有全面性和有效性。

基于多维气象信息时空融合和MPA-VMD的短期电力负荷组合预测模型

为提高电力负荷预测精度,需考虑区域内不同地区多维气象信息对电力负荷影响的差异性。在空间维度上,提出多维气象信息时空融合的方法,利用Copula理论将多座气象站的风速、降雨量、温度、日照强度等气象信息与电力负荷进行非线性耦合分析并实现时空融合。在时间维度上,采用海洋捕食者算法(MPA)实现变分模态分解(VMD)核心参数的自动寻优,并采用加权排列熵构造MPA-VMD适应度函数,实现负荷序列的自适应分解。通过将时间维度各分量与空间维度各气象信息进行融合构造长短期记忆(LSTM)网络模型与海洋捕食者算法-最小二乘支持向量机(MPA-LSSVM)模型的输入集,得到各分量预测结果,根据评价指标选择各分量对应的预测模型,重构得到整体预测结果。算例分析结果表明,所提预测模型优于传统预测模型,有效提高了电力负荷预测精度。

基于DAN与FastText的藏文短文本分类研究

随着藏文信息不断融入社会生活,越来越多的藏文短文本数据存在网络平台上。针对传统分类方法在藏文短文本上分类性能低的问题,文中提出了一种基于DAN-FastText的藏文短文本分类模型。该模型使用FastText网络在较大规模的藏文语料上进行无监督训练获得预训练的藏文音节向量集,使用预训练的音节向量集将藏文短文本信息转化为音节向量,把音节向量送入DAN(Deep Averaging Networks)网络并在输出阶段融合经过FastText网络训练的句向量特征,最后通过全连接层和softmax层完成分类。在公开的TNCC(Tibetan News Classification Corpus)新闻标题数据集上所提模型的Macro-F1是64.53%,比目前最好评测结果TiBERT模型的Macro-F1得分高出2.81%,比GCN模型的Macro-F1得分高出6.14%,融合模型具有较好的藏文短文本分类效果。

基于短文本扩展和特征融合的市民热线文本分类

针对市民热线多为短文本和特征稀疏的特点。提出了一种短文本扩展法和基于双通道特征融合的文本分类(BERT-BiGRU-TextCNN,BGTC)模型,实现了对市民热线文本的自动识别与归类。首先使用TF-IWF模型以及LDA主题模型构建核心词库;然后利用Word2Vec计算词语相似度,完成对短文本内容和词向量特征的扩展;最终通过融合BERT-TextCNN和BERT-BiGRU-Attention两个通道特征信息的BGTC模型实现了对扩展后文本的分类。经过多组对比实验,结果表明该方法在市民热线文本分类任务中具有更好的性能,准确率和F1值分别达到了85.6%和85.8%。

基于场景图感知的跨模态图像描述模型

针对图像描述方法中对图像文本信息的遗忘及利用不充分问题,提出了基于场景图感知的跨模态交互网络(SGC-Net)。首先,使用场景图作为图像的视觉特征并使用图卷积网络(GCN)进行特征融合,从而使图像的视觉特征和文本特征位于同一特征空间;其次,保存模型生成的文本序列,并添加对应的位置信息作为图像的文本特征,以解决单层长短期记忆(LSTM)网络导致的文本特征丢失的问题;最后,使用自注意力机制提取出重要的图像信息和文本信息后并对它们进行融合,以解决对图像信息过分依赖以及对文本信息利用不足的问题。在Flickr30K和MSCOCO(MicroSoft Common Objects in COntext)数据集上进行实验的结果表明,与Sub-GC相比,SGC-Net在BLEU1(BiLingual Evaluation Understudy with 1-gram)、BLEU4(BiLingual Evaluation Understudy with 4-grams)、METEOR(Metric for Evaluation of Translation with Explicit ORdering)、ROUGE(Recall-Oriented Understudy for Gisting Evaluation)和SPICE(Semantic Propositional Image Caption Evaluation)指标上分别提升了1.1、0.9、0.3、0.7、0.4和0.3、0.1、0.3、0.5、0.6。可见,SGC-Net所使用的方法能够有效提升模型的图像描述性能及生成描述的流畅度。

基于可见光-近红外高光谱信息与数据融合的木质化鸡胸肉的判别模型构建

木质化鸡胸肉(wooden breast,WB)制约肉鸡行业发展,传统触诊检测方法耗时且效率低,为提升高光谱成像(hyperspectral imaging,HSI)技术检测鸡胸肉木质化程度的效果,本论文以白羽鸡鸡胸肉为研究对象,将其划分4个木质化等级,采集其在400~1000和1000~2000 nm内的HSI信息,通过不同光谱预处理算法和特征波段筛选方法,建立基于全波段、特征波段和HSI数据融合的偏最小二乘判别分析(Partial least squares-discriminant analysis,PLS-DA)模型和支持向量机(Support vector machine,SVM)模型。结果显示,SVM模型比PLSDA模型更适于判别鸡胸肉木质化程度,基于1000~2000 nm内全波段和特征波段的最佳模型预测集总体正确率均高于400~1000 nm内的模型,基于两波段HSI数据融合的木质化判别模型优于基于单一波段(包括全波段和特征波段)的模型,最佳模型预测集总体正确率为96.7%,能较好地区分出4个木质化等级,且对4个等级的判别准确率均可达90%以上。研究结果为HSI实现木质化鸡胸肉的准确无损检测提供技术支持。

斜外侧腰椎椎间融合术治疗轻中度腰椎管狭窄症的近期疗效

目的:探讨斜外侧腰椎椎间融合术(oblique lateral interboy fusion,OLIF)治疗轻中度腰椎管狭窄症的近期疗效。方法:回顾性分析我院2018年5月~2020年5月应用OLIF治疗的35例轻中度腰椎管狭窄症患者,其中男25例,女10例,年龄50~74(60.3±10.7)岁,随访12~28(18.3±3.7)个月,记录手术时间、术中出血量及并发症的情况;比较术前和术后1周、术后3个月、6个月、12个月时的腰痛和下肢痛疼痛视觉模拟评分(visual analogue scale,VAS)、Oswestry功能障碍指数(Oswestry disability index,ODI);同期行腰椎X线、CT及MRI检查,测量手术节段椎间隙高度、椎间孔大小(左、右)、硬膜囊面积和矢状径、椎间隙前凸角、腰椎前凸角等影像指标,统计分析比较术前与术后各时间点以及术后各时间点之间的差异,记录并发症及各随访时间点的椎间融合情况。结果:所有患者手术顺利,手术时间30~100min(70.5±20.3min),术中出血量20~120mL(60.3±20.2mL)。术后1周、3个月、6个月、12个月腰痛VAS评分、下肢痛VAS评分及ODI较术前明显改善,差异均有统计学意义(P<0.05),术后各时间点两两比较无统计学意义(P>0.05);术后1周、术后3个月、6个月、12个月椎间隙高度、椎间隙前凸角及腰椎前凸角、椎间孔大小(左、右)、硬膜囊面积和矢状径较术前明显增大,差异均有统计学意义(P<0.05),术后各时间点两两比较无统计学差异(P>0.05)。术后1年时CT评估融合率为94.2%(33/35例)。术中未出现神经、血管损伤等严重并发症,术后出现屈髋乏力及大腿前方麻木3例,经保守治疗对症处理1个月后缓解;终板切割融合器下沉2例,均二期翻修行后路肌间隙入路内固定术。结论:OLIF治疗轻中度腰椎管狭窄症的近期疗效满意。

基于多源数据融合的分布式光伏聚合超短期预测方法

分布式光伏聚合发电的超短期预测是支撑其功率快速调节的前提保障,由于规模化接入的分布式光伏容量小、分布广,其发电时序特性差异性大、非平稳性强,导致其超短期预测精度难以保证。为此,文章提出基于多源数据融合的分布式光伏聚合超短期预测方法。该方法基于变分模态分解法,充分挖掘分布式光伏聚合发电非平稳性特性,并采用核主成分分析法对引发光伏发电非平稳性的影响因素即温度、湿度、光照、云量等多源数据进行量化解析,同时结合改进的长短期记忆神经网络,创建了多源数据融合方法,实现了分布式光伏聚合发电超短期预测。仿真结果表明,该方法有效提升了模型的预测精度。与传统方法相比,提出的预测方法对随机性波动严重的光伏超短期预测具有显著优势。

基于深度高斯过程的永磁牵引电机匝间短路分级评估方法

定子绕组匝间短路是影响永磁牵引电机安全稳定运行的主要故障之一,受运行工况、供电与电机本体不平衡的影响,现有方法难以实现永磁牵引电机匝间短路在线精准评估,这成为永磁电机推广应用迫切需要解决的关键技术难题。因此,文章提出一种基于多特征融合的深度高斯过程永磁牵引电机匝间短路分级评估方法:首先通过建立永磁牵引电机匝间短路故障模型,提取电流不平衡、电流三次谐波与dq电流的二次谐波特征;然后采用一种双随机变分推断深度高斯过程(Doubly Stochastic Deep Gaussian Processes,DSDGP)方法对提取特征进行融合训练建模,实现永磁牵引电机匝间短路劣化状态在线分级评估;最后通过永磁电机匝间短路试验与现场案例进行算法验证。结果表明,文章所提方法在多特征融合条件下的评估准确率达到95%以上,相较于支持向量机(support vector machine,SVM)和反向传播神经网络(back-propagation neural,BPN)等分类方法,具有准确率高,适用于变工况、小样本的工程实际应用环境等优点,解决了永磁牵引电机匝间短路早期故障检测及故障严重程度评估的行业难题。

时空融合的堆石坝变形预测模型及在安全监测中的应用

变形预测是堆石坝安全监测与健康诊断的重要手段,现有研究多根据堆石坝监测数据建立单测点预测模型,未充分考虑测点之间相关性进行整体建模,且现有模型难以对漂移数据进行长期精准预测。本文考虑堆石坝变形序列的时序依赖性和测点之间的协同相关性,提出了基于图卷积和循环神经网络、引入概率预测与全过程训练的时空融合变形预测模型。该模型首先采用图卷积网络对多测点特征进行自适应汇聚,然后利用循环神经网络中细胞状态与隐层记忆沿时间轴的传递性,实现对时空信息的挖掘与融合,最后通过线性层得到概率预测参数,提高了模型对监测数据噪声的鲁棒性。采用全过程训练方式,提高模型对影响因子与累积变形量内在关系的学习能力,实现对漂移数据的长期精准预测。最后以水布垭面板堆石坝为例,进行了模型对比实验与消融实验,介绍了该模型在堆石坝安全监测和健康诊断中的三种具体应用。结果表明,本文模型有效融合了时空信息,在预测精度方面显著高于现有模型,解决了现有模型对大坝整体变形规律学习能力差、漂移数据预测精度低的问题,可用于堆石坝变形长期预测、测点异常检测与缺损数据补全。

基于多源信息融合和WOA-CNN-LSTM的外脚手架隐患分类预警研究

面对施工现场外脚手架隐患信息的多样性,传统的基于传感器监测的单一信号预警研究存在容错力不佳、含有信息有限等问题。针对施工现场外脚手架“图像+监测”数据,提出一种基于数据层和特征层信息融合的脚手架隐患分类预警方法。首先,利用Revit三维建模软件建立外脚手架实体模型,对不同初始隐患下的外脚手架进行有限元分析,划分隐患预警等级;其次,利用无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)及卷积长短时记忆网络(Convolutional Neural Network-Long Short Term Memory Network,CNN-LSTM)实现脚手架同类信息数据层融合及异类信息特征层融合;最后,通过实时收集西安市某在建项目落地式双排扣件式钢管脚手架隐患信息,对其进行分类预警,并使用鲸鱼优化算法(Whale Optimization Algorithm,WOA)对CNN-LSTM网络进行参数优化,发现隐藏节点个数为30、学习率为0.0072、正则化系数为1×10^(-4)时分类效果最佳,优化后预警精度达到了91.4526%。通过可视化WOA-CNN-LSTM、CNN-LSTM、CNN-SVM(Support Vector Machine,支持向量机)及CNN-GRU(Gate Recurrent Unit,门控循环单元)分类预警结果,证实了优化后的CNN-LSTM网络在脚手架分类预警方面的优越性。

基于特征层融合的EEG-NIRS识别方法研究

针对目前卷积神经网络对时序序列识别率较低、单模态数据信息量不充足等问题,提出了一种基于特征层融合的卷积神经网络(CNN)和双向长短期记忆(BiLSTM)网络组合的方法。首先在毒品成瘾患者的脑电图和近红外光谱数据上,利用全新的CNN和BiLSTM组合网络分别对双模态数据进行特征提取,将最后一层BiLSTM的输出作为特征并进行特征串联,然后对串联特征进行分类识别。特征融合实验结果表明,文章提出的CNNBiLSTM模型的分类效果最高准确率达到97.3%,并且双模融合方法进一步提高了分类准确率。

多传感器融合和MHA-LSTM的电机轴承剩余寿命预测

轴承作为电机的核心部件,主要起到支撑引导轴、减小设备摩擦、连接不同设备等作用,其剩余寿命预测对系统健康管理起着十分重要的作用。针对单一传感器信号通常难以全面描述系统的潜在退化机制,论文提出一种基于多头注意力机制和长短时记忆神经网络的电机轴承剩余寿命预测模型。首先,基于马氏距离确定轴承性能退化起始点,将滚动轴承全寿命周期分为正常阶段与退化阶段;其次,使用自编码器自动提取振动信号特征,并将其与电机电流、轴承温度融合,构成多源信息特征矩阵;然后基于多头注意力机制和长短时记忆网络模型动态选择相关度较高的特征,提高寿命预测的准确性。最后,采用实验数据进行验证,结果表明所提出的模型具有更高的准确性。

基于判据融合的异步电动机定子绕组匝间短路诊断

为解决定子绕组匝间短路故障诊断中常见异常运行工况干扰的问题,提出一种基于判据融合的异步电动机定子绕组匝间短路故障诊断方案。首先,考虑到故障特征之间的关联性,提出一种以电流特征为主、电压特征为辅的融合判据;然后,通过融合判据对定子绕组匝间短路故障及故障相进行诊断;最后,通过仿真实验证明了该方案的有效性。

基于多特征神经网络的日前光伏功率预测

工业互联网技术在能源领域飞速发展,准确的光伏发电功率短期预测有利于智能电网的调度管理,可以提高电力系统的运行效率以及经济性和稳定性。为了进一步提高预测方法的准确性,提高电网的运行质量,提出了一种结合深度学习和特征工程的短期光伏功率预测方法,该方法被称为衍生和基础神经网络特征融合(DBDeepFF)。该方法旨在提高多种传统预测模型的准确性,以澳大利亚公开的光伏发电功率历史数据为例进行了验证。结果表明,提出的架构能够使原始数据和衍生的特征在不同的模型上进行训练。该方法与普通预测方法相比,可以实现快速收敛,同时预测结果的平均绝对百分比误差(MAPE)降低4%左右,为区域内光伏电站的稳定运行提供了可行的数据指导。

集成学习和动态融合算法在福建省短时强降水预报中的应用

为了提高短时强降水预报准确性,在2019—2020年4—9月福建省逐时降水实况观测资料与中国气象局广东快速更新同化数值预报系统(CMA-GD)模式预报产品的基础上,应用LightGBM集成学习算法框架,建立以30 mm·h^(-1)为阈值的逐时降水预报模型。通过特征处理、自助聚合及超参数搜索等技术对模型进行优化,结合AUC、AUPR与传统分类指标,设计了包括业务模拟测试在内的多项试验,通过对比各建模方案验证了模型对于较长时效的短时强降水预报的适用性。结果表明:模式预报本身的命中率和空报率均较高,各建模方案具有不同程度的改善作用。自助聚合可以增强模型预测稳定性,轻微不平衡子训练集能降低模型预测空报率而取得更高的综合评分,在验证集中最佳TS评分可达17.5%;对分类信息增益贡献最大的特征变量为K指数,其次为500 hPa露点温度和时间参数特征;试验指标从优到劣依次为:随机交叉验证、小时划分的随机交叉验证、业务模拟测试,可见模型有效性主要来自相同或相邻时刻的样本信息;设计基于逻辑回归的异质模型动态融合方案以改善静态同质模型表现,各项指标均有小幅提升,在命中率接近50%时削减空报样本超过52万个。