基于深度度量网络的建筑物精细化提取

由于建筑物在形状、屋顶材质、层高、背景等方面存在多样性,传统基于深度卷积神经网络的建筑物提取算法对一些具有差异性的建筑无法正确提取。针对这一问题,提出基于深度度量网络的建筑物精细化提取方法(building extraction based on deep metric network,BEDMN)。该方法使用相似性正则化计算像素样本在深度特征空间的相似性,使得同类样本特征相近、异类样本特征相远,增加深度特征的辨别性。为验证该方法的精度,选取两个区域进行实验,在城市实验区和农村实验区的建筑物提取查全率/查准率分别为88.01%/89.30%、95.13%/94.15%。结果表明,该方法可以有效提升深度网络的辨别能力,提高建筑物的提取精度。

基于相似度同调的双馈风电场聚合研究

文章提出了一种基于相似度同调的双馈风电场聚合方法。首先利用Prony算法提取各风电场中双馈风机故障下功率响应曲线的动态特征,基于相似理论确定双馈风机间振荡模式中相似部分,应用相似振荡模式中的频率、阻尼、幅值等信息定义了双馈风机同调判别的相似度量化指标并确定同调机群。然后,根据双馈风机的外特性,提出功率聚合算法,即以双馈风机输出有功功率为权重求取等值机的暂态内电势并确定等值母线及等值机参数。该方法从同调机群识别、同调母线聚合、同调机群参数聚合等方面,系统地解决了不同双馈风电场的同调聚合问题。参数聚合方法不仅解决了聚类分群的复杂性和局限性,而且有效保留原系统中电气与结构特征。最后以实际云南电网中某地区风电场为例进行仿真验证。