基于PSO-RBF的短期电力负荷预测模型

精确的短期负荷预测对电网经济运行至关重要。为了提高电力系统负荷的预测精度,提出一种基于相似日和PSO优化RBF神经网络的短期负荷预测方法。该方法以RBF神经网络为短期电力负荷预测的基础算法,结合灰色关联分析法、K-means算法,通过DBI指数筛选出相似日集合,进一步结合PSO对RBF神经网络的参数进行优化。结果表明,所提方法预测精度优于单一RBF神经网络方法,在K-means算法选取的相似日基础之上,PSO-RBF预测模型的MAPE仅为0.77%,能精准预测待预测日负荷值,使其具有更广泛的应用价值。     

基于命名识别算法的IT设备故障快速识别方法研究

考虑到当前IT设备故障快速识别方法信息处理分类能力较差,导致设备故障识别率与准确率较低的问题,将命名识别算法应用到故障识别中,设计基于命名识别算法的IT设备故障快速识别方法。使用扩张卷积网络,完成设备运行信息采集与预处理。选用N-Gram改进算法获取设备故障特征,根据故障特征使用命名识别算法构建设备信息匹配模型。选用粗糙集理论完成故障识别。构建对比实验环节,经实验结果证实,新型方法可有效提升设备故障识别率与准确率,得到可靠性较高的故障识别结果。     

基于颜色均衡分类网络的细胞识别算法

为解决血细胞涂片染色多样性造成卷积神经网络在细胞形态识别时准确率较低的问题,提出了一种新的细胞形态分类算法。通过最优传输算法预训练颜色均衡网络与图像分类网络,保存网络权重,将二者网络结构级联,使用冻结层方法搭载网络参数并进行精细调节。实验结果表明,传统迁移方法的平均识别准确率为92.05%,而该文提出的颜色均衡分类网络U-RNET的平均识别准确率达到95.5%且图像处理速度更快。     

基于粒子群算法的科技创新数据检索系统设计

当前使用的深度学习驱动、基于哈希算法的数据检索方式,容易受到原始数据集冗余信息和噪声影响,存在检索查准率和查全率不高的问题,因此提出了基于粒子群算法的科技创新数据检索系统设计。使用检索引擎构建索引库群,设计检索数据存储模块、关联导航模块、数据分词流程。利用粒子群算法求解分词最短路径,根据数据分词处理结果,获取查询关键词对应的查询分词向量,完成数据检索,以此作为分词结果,避免系统检索受到原始数据集冗余信息和噪声影响。由实验结果可知,该系统查准率最高为96%,查全率最高为97%,具有高效检索效果。     

基于特征累积的语义分割网络设计

语义分割是一种像素到像素的图像分类任务。而现有方法在处理此类问题时,往往忽略了不同图像之间类别分布的相似性。因此,该文提出了一种基于特征累积的语义分割网络,能够在训练的过程中,使用动量累积的方式,根据每张图像上不同的类别特征,拟合整个数据集的特征分布。除此之外,为了适应通用数据集中复杂的自然环境,该网络尝试对同一类别的特征聚类进行更深层次的划分,并且取得了较好的效果。与同样使用特征通道信息的OCRNet相比,使用ResNet作为骨干网络的情况下,该模型在Pascal Context数据集上平均交并比（mIoU）和平均准确度（mAcc）分别可以提升0.34%和0.64%;实验证明了这一优势在不同数据集、不同骨干网络中同样存在。     

NSST域电气设备红外图像增强处理算法设计

针对现有电力设备红外故障检测系统采集的图片较模糊、部分设备体积较大无法精准定位故障点等问题,设计了一种基于Jaya算法改进Otsu阈值分割和多尺度的NSST域电气设备红外图像增强算法。通过非下采样剪切波变换将原始红外图像转化成高频域和低频域两部分进行增强,将增强后的各分量逆变换后合成最终完整的增强图像。实验结果表明,该文算法能够提高红外图像对比度,过滤电力设备红外图像噪声,对电力设备热故障的检测与故障定位做出贡献。     

基于改进卷积神经网络算法的违规作业行为检测

为了提升电力生产环境下违规作业行为的检测效率,文中对卷积神经网络的相关理论进行了研究,将二维平面下的卷积、池化运算扩展到了三维空间(C3D),使得网络在特征提取时可以有效获取视频帧信息。借鉴Inception网络的思路,使用更小颗粒的卷积结构替代C3D网络中的大颗粒卷积运算,有效提升了网络的感知能力和非线性拟合能力。此外,还对传统的随机梯度下降(SGD)训练方式进行了改进,引入了一种基于分数阶动量的梯度下降法,该方法使用训练动量进行自适应训练调节,有效解决了SGD训练误差不稳定、容易陷入局部最优等缺点。以某供电公司安监部门采集的视频数据集为样本进行的性能测试结果表明,其识别精度可达92.25%,相较于普通C3D网络,识别精度提升了4.89%,训练时间下降了61.41%。     

基于生成模型的联邦学习隐私保护算法

在联邦学习中,交换模型参数或梯度信息通常被视作是安全的。但近期研究表明,模型参数或者梯度信息也会导致训练数据的泄露。基于保护客户端数据安全的目的,提出了一种基于生成模型的联邦学习算法。为了验证该算法的有效性,在DermaMNIST数据集上进行了仿真实验,采用梯度泄露攻击对算法进行验证。实验结果表明,提出的基于生成模型的联邦学习算法与联邦学习经典算法在准确率上仅仅相差0.02%,并且通过MSE、PSNR、SSIM等评价指标可以判断出该算法可以有效地保护数据隐私。     

基于PIO算法的海量用电数据协同交互系统设计

针对当前使用的边缘计算方法、OpenFlow协议受到海量用电数据随机不确定性因素的影响,导致数据协同交互结果与实际情况不一致的问题,设计了基于PIO算法的海量用电数据协同交互系统。利用可信平台控制计算平台服务器,形成完整的业务系统。通过配置大屏幕显示器,即时显示所需数据。设计智能协同蜜网结构,避免出现网络传输时延问题。根据海量用电数据协同交互过程中的全局最优输出流程,确定最佳输出群体,并得到满足终止条件的交互数据。设计协同交互流程,将数据转换为实体,实现海量电力数据的交换。由实验结果可知,该系统数据吞吐量与实际吞吐量一致,时延也在允许变化范围值附近波动,说明数据协同交互结果与实际情况一致。     

功能梯度球形水凝胶的化学力学耦合分析

作为一种新型智能材料,水凝胶具有特殊的化学力学耦合性能.采用功能梯度形式可使得水凝胶具有更好的适应性和可调控性.本研究中假设交联密度沿径向按幂函数规律变化,并基于水凝胶的大变形多场耦合一般理论,采用Flory-Huggins自由能函数,建立了功能梯度球形水凝胶在球对称情形的控制方程,并开展了功能梯度球形水凝胶在给定内压和化学势情行的非均匀大变形溶胀行为的理论研究.计算结果表明,不同梯度指数的球形水凝胶的内压、内孔半径曲线和内压、内表面径向伸长率曲线均呈现出一段稳定区间和另一段不稳定区间,说明内压超出某临界值会发生失稳并导致水凝胶的最终破坏.内压的临界值随梯度指数的增大而增大.研究表明,功能梯度球形水凝胶的材料参数(梯度指数、亲疏水特性、交联密度和溶剂分子的体积)和环境化学势对水凝胶溶胀行为具有重要的影响.在给定内表面压力的情况下,功能梯度球形水凝胶内表面的径向位移随梯度指数的改变接近为线性变化,而随其他参数的影响都呈现出明显的非线性.本研究有助于实现水凝胶智能结构和器件在复杂条件下的精准调控.}