孤岛微电网的虚拟同步发电机分布式协同二次调频控制

基于孤岛微电网中虚拟同步发电机一次控制存在的频率偏差问题,提出一种基于预定时系统的分布式二次频率控制策略。该策略通过预定时系统对一致性进行改进并适配虚拟同步发电机本体算法,使各逆变器仅依靠相邻单元的通信,即可实现系统有功缺额按容量分配与频率的无差控制。同时,预定时系统通过提前设定一致性的收敛时间,进一步提高频率的恢复速度,并且无需考虑初始容量与协议参数的影响,有利于分布式电源的即插即用,提高运行效率。最后通过仿真验证了所提控制策略的可行性和有效性。

单相级联H桥逆变电源及其矢量控制

级联H桥逆变电源具有输入均压、输出谐波含量低等优点,在大功率范围内得到了广泛应用。首先对单相级联H桥载波移幅调制输出电压进行谐波产生的机理分析,采用一种改进的三角载波与调制波进行载波移幅调制,减小载波谐波以及边带谐波含量。针对传统控制方法对非线性负载输出电压具有较高的THD和较大的稳态误差,通过FFT变换虚拟出无功电压,设计了矢量控制器并对其进行简化,省略了电压环q轴控制器的设计,获得了更快的收敛速度、更高的稳定性和更小的振荡。仿真和试验结果验证了所提调制算法和控制策略具有更强的抗扰动性能,可以适应不同类型的负载变化和直流电压侧的电压波动,实现了逆变电源的快速动态响应和无稳态误差控制。

基于采煤机和刮板输送机能耗模型的速度协同优化控制

综采工作面“智能化+装备”协同控制是实现煤矿综采智能化关键技术之一,采煤机和刮板输送机作为综采工作面的两大核心装备,其协同运行状态决定了整个综采过程的智能化程度、效率和能耗。基于前期研究建立的采煤机能耗模型,结合双向割煤工艺特点,通过对刮板输送机在不同工艺阶段的煤量线密度、实时煤量及运行阻力的分析,建立了刮板输送机的能耗模型。为验证该模型的合理性,以山西某煤矿9105综采工作面双机系统作为研究对象,通过MATLAB仿真得到的双机基准速度及其同比率增加或减少时的系统能耗变化趋势与实际经验相符。为明确牵引速度、滚筒转速及刮板链速度变化对采煤机和刮板输送机能耗的影响,通过对45组不同速度协同组合下采煤机和刮板输送机的能耗变化情况进行仿真分析,得出双机能耗最速下降路径的速度协同组合方向。其次,在满足采煤量、速度要求、生产时间等约束条件下,以采煤机和刮板输送机协同运行时的总能耗最小为目标,建立了双机速度协同优化模型,提出基于双机能耗模型的速度协同优化控制方法。为突出协同优化控制方法的优势,以同一综采工作面为研究对象,通过仿真得到优化协同速度及相应的能耗,与基准速度下的能耗相比,在一个生产循环中,采煤机可节能4.47%,刮板输送机可节能11.71%,双机系统总节能可达10.9%,因此,所提出的协同优化控制方法能有效降低采煤机和刮板输送机双机系统的能耗。

基于伪全局Swin Transformer的遥感图像识别算法

如何在多目标并列的情况下,确定符合人类思维习惯的核心目标是遥感图像识别的关键之一.因此,在全局视野下,为各目标分配符合人类视觉习惯的注意力,是甄选核心目标的有效途径之一.文中结合Transformer提取全局特征的思想和Swin Transformer对图像栅格化处理可降低计算量的优点,提出基于伪全局Swin Transformer的遥感图像识别算法.构建伪全局Swin Transformer模块,将遥感图像栅格化后的各局部信息聚合为一个特征值,替代以像素为基础的全局信息,以较小计算量为代价,获取全局特征,有效提升模型对所有目标的感知能力.同时,通过以可变形卷积为基础的感受野自适应缩放模块,使感受野向核心目标偏移,提高网络对核心目标信息的关注,从而实现对遥感图像的精确识别.在RSSCN7、AID和OPTIMAL-31遥感图像数据集上的实验表明,文中算法取得较高的识别精度和参数识别效率.

基于注意力的R-GCN-GRU的在线学生绩效预测

针对传统的绩效预测方法没有区别性地对待各属性特征对学生成绩的重要程度、学生在线学习的低完成率的问题,提出了一种融入注意力机制的关系图卷积神经网络和门控循环单元(AR-GCN-GRU)的学生绩效预测方法。其融入的注意力机制用于捕获学生之间的关系属性特征,同时提取学生重要属性特征并进行可视化,且该方法综合了关系图卷积神经网络(R-GCN)和门控循环单元(GRU)的优点,既能捕捉节点之间的内部关联、又能很好地抽取最具代表性的学生行为属性特征信息。在公开数据集上对模型进行了对比验证和消融实验,模型F值和精确率分别达到了99.00%和99.73%,实验结果表明所提方法较其他算法有明显提升,验证了注意力机制的有效性。

基于特征融合SSD的微电连接器缺陷检测

提出基于多尺度特征融合单次多框检测器(SSD)算法,对微精密玻璃封装电连接器的缺陷进行检测.针对SSD算法在背景复杂、噪声干扰多、目标特征微弱环境下,特征提取能力弱、检测精度低的问题,在主干网络加入深度残差结构,丰富细节信息;针对在卷积网络中关键信息逐步丢失问题,提出了自顶向下的多尺度特征融合方法将含有上下文信息的高语义层与含有位置信息的低层特征进行融合,使得融合后的特征层包含丰富的边界信息和背景信息;在此基础上,构建了一种轻量级的通道注意力模块,增强SSD算法对特征层重要特征的提取并弱化无关特征,从而提高SSD网络的特征提取能力.实验结果表明:改进算法相对于原始的SSD算法,精度由86.42%提高到了91.28%.