-
在柔性配电网背景下,用户侧负荷蕴藏的灵活调节能力有望助力配电网韧性提升,但其灾后复杂多样的响应行为也对供电恢复提出更高的要求.为此,提出计及灾后负荷响应行为多样性的柔性配电网顺序恢复策略.对典型负荷的灾后响应行为进行分类建模,量化其时序特征与配电网恢复决策序列的耦合关系;以智能软开关为网侧柔性来源,对其灾后运行可能出现的功率双向输出问题进行精准约束,保障灾后配电网的运行安全性与决策可执行性;构建考虑负荷灾后行为多样性与智能软开关灵活控制的双层顺序恢复模型,并将孤岛微电网的规模均匀度指标纳入优化目标,避免因供电路径较长降低整体恢复效率的问题.以改进的IEEE标准算例及上海某区实际配电系统为算例进行仿真验证,结果表明所提策略能够有效刻画和控制负荷及智能软开关的灾后响应行为,在保证孤岛微电网安全运行的同时,加速灾后恢复过程.
柔性配电网负荷恢复智能软开关顺序恢复柔性负荷
-
电网线路巡检是电力系统运维的核心环节,无人机技术和目标检测智能算法的融合显著提升了巡检效率和安全性,在我国电力系统中得到广泛应用.然而,高分辨率无人机图像中的电网小尺度部件(如小金具)缺陷检测面临目标尺度微小、空间分布稀疏等问题,直接在全图应用检测模型会导致召回率不足和推理效率低下,难以适应实际巡检需求.针对这一问题,提出了一种基于多模态大模型语义引导的小尺度电网部件缺陷检测方法.该方法首先构建目标潜在区域检测网络,在监督训练同时通过特征对齐迁移多模态大模型知识以提升性能;随后利用置信度地图平滑优化区域定位;最后在高分辨率裁剪图像中使用轻量化模型实现缺陷的精细识别,避免目标过度缩放的问题.为验证效果,构建了专用的小金具缺陷检测数据集并进行实验.实验结果证明,所提算法在精确率和召回率上平均提升了约10%,明显优于直接在全图应用检测模型的方法.该方法具备良好的综合性能,能够有效应对高分辨率图像中小尺度部件的缺陷检测挑战.
电网缺陷检测小金具多模态大模型目标潜在区域置信度地图
-
针对工业现场对低功耗、离线化及实时安全防护的需求,设计并实现了一种基于 STM32 微控制器的边缘智能安全检测系统.该系统引入 TensorFlow Lite 轻量化深度学习模型,在边缘侧完成目标识别与判定.当检测到人员接近旋转机械、冲压设备及传送带等危险区域时,系统无需联网即可实时触发蜂鸣器与报警灯,并同步记录安全告警事件,实现智能感知与即时响应.实验结果表明,该系统在典型工业环境下的检测精度达91.6%,平均响应时间为178 ms,满足了工业安全场景对实时性、稳定性及低功耗的综合要求,具有显著的工程应用价值与推广前景.
微控制器TensorFlow Lite边缘智能工业安全目标检测
-
为提升智能制造背景下机械臂的轨迹跟踪精度,针对其动力学模型不确定性与负载变化问题,提出了一种基于径向基函数神经网络的参数自整定比例-积分-微分(proportional-integral-derivative,PID)控制方法.该方法利用径向基函数(radial basis function,RBF)神经网络在线逼近机械臂的实际动力学,并据此动态更新 PID 控制器的增益参数,以补偿由负载变化引起的模型参数摄动.通过在 ViperX 300 六自由度机械臂模型上施加有效载荷进行仿真实验,验证了所提方法的可行性与有效性.仿真结果表明,与传统固定增益 PID 控制器相比,基于 RBF 神经网络的参数自整定方法在负载变化后,能更精确地跟踪参考轨迹,在 X、Y、Z 三个方向的跟踪误差分别从-12.00 mm、-21.00 mm、-15.00 mm 减小至-9.00 mm、-8.00 mm、-5.30 mm,显著提升了系统的跟踪精度与抗干扰能力.
机械臂轨迹跟踪RBF神经网络PID控制参数自整定参数摄动
-
微电网负荷优化分配对于提高分布式新能源消纳水平和系统运行经济性具有重要意义,但受可再生能源出力波动、负荷随机性及源荷储耦合特性的影响,相关优化问题具有较强的复杂性与不确定性.大语言模型(LLM)在语义理解、知识提取和推理生成等方面展现出较强能力,为微电网负荷优化分配研究提供了新的方法支撑.针对 LLM在微电网负荷优化分配中的应用研究,首先介绍 LLM 的基本架构、训练范式及微电网负荷分配研究基础;然后结合微电网能量管理系统的典型功能划分,从电源调度、负荷预测、储能管理和需求响应 4 个方面,梳理 LLM 的应用方式、研究进展及适用特点;在此基础上,分析 LLM 在微电网场景中面临的可解释性、多模态融合、实时性与隐私安全等关键问题,并总结相应改进思路;最后对能源专用大模型构建、物理机理与数据驱动融合、标准化评测以及拓展应用等研究方向进行展望.
微电网负荷优化分配人工智能大语言模型能源管理系统优化调度
-
针对实体关系抽取参数微调方法难以有效适配电网工程文本中关系模式的特定挑战,导致特征理解偏差、微调准确率低的问题,提出了编码层优化的链式实体关系抽取参数微调方法.采用分层微调策略,针对多层感知机和多头自注意力模块的归一化层参数开展优化,增强模型处理电网文本复杂特征分布的能力.构建多尺度融合适配器模块,运用上下采样结构融合不同抽象层级的文本特征,保留并凸显电网文本关键信息.引入领域自适应微调技术,借助文本特征融合模块优化参数更新流程.实验结果表明,#1文本微调参数更新时间最短,为2 ms,对于#6微调参数更新时间最长,为10 ms,能够有效提升参数微调的准确性,为电力知识图谱构建及智能分析提供了可靠支撑.
电网工程文本链式实体关系抽取参数微调编码层优化
-
新能源系统的源荷不确定性增长非常快,逆变电源的特性和拓扑结构变化频繁,导致传统继电保护面临定值失配和灵敏度失效的严峻挑战.本文将多维数据驱动与深度置信网络相结合,提出一种基于深度置信网络的智能保护优化方案.借助自适应连续小波变换和稀疏自编码器的辅助作用,实现了在强噪声环境中对高频瞬态突变的精确降维处理.本文构建鲁棒判决网络以驱动拓扑自适应定位,设计了考虑通信延迟的门控循环单元自回归补偿机制,旨在为微秒级故障隔离及复杂不确定环境下的智能保护系统规模化部署提供技术支撑.
新能源发电系统继电保护不确定性数据驱动
-
针对传统盲杖仅能探测接触式障碍物、现有电子盲杖存在透明障碍物识别失效、夜间探测盲区及方向引导模糊等问题,设计一种融合多传感器与触觉阵列的智能避障导盲杖.智能导盲杖系统以 STM32与瑞芯微RV1126 AI芯片为双核心,前端集成光学摄像头与TF-Luna ToF激光雷达,运行轻量化YOLOv5模型并结合卡尔曼滤波,实现"类型+距离+方位"的三维障碍物信息融合;手柄内部署四方位振动马达阵列提供触觉导航反馈;集成六轴IMU并提出基于SMV与姿态角联合判定的多条件跌倒检测算法,通过4G Cat.1模块实现紧急定位报警.仿真结果表明,基于SisFall数据集验证,跌倒检测灵敏度为94.2%、特异性为94.8%、准确率为94.6%;ToF测距数据经卡尔曼滤波后,均方误差降低79.2%.本设计融合视觉识别与激光测距的互补优势,通过触觉阵列提供方位化直觉引导,并集成跌倒监测与物联网求救功能,可有效提升视障人士的出行安全性与独立性.
智能盲杖多模态感知触觉反馈阵列ToF激光雷达卡尔曼滤波跌倒检测物联网视障辅助边缘计算人机交互
-
针对学业压力生理信号识别领域存在的单模态特征表征能力有限、跨个体泛化性能薄弱、微弱压力样本拟合难度大、样本类别分布失衡等共性问题,面向青年学生校园学业压力监测场景,依托WESAD公开青年生理数据集,构建一套多模态融合、特征自适应筛选、难样本优化的轻量化学业压力识别模型.首先,针对不同信噪比样本设计差异化自适应滑动窗口策略,结合基线校正消除个体生理基线差异干扰;其次,融合HRV心率变异性特征、多信号静态统计特征与时序分段差分特征,弥补传统静态特征对渐进式隐性学业压力的表征短板;同时,搭建轻量化EmotionNet网络,引入双头自注意力机制实现压力敏感特征自适应加权筛选,并通过训练集动态类别加权与FocalLoss损失函数优化样本不均衡及难样本识别难题.全程采用严格的留一被试交叉验证(LOSO)完成15轮完整迭代实验,规避数据泄露风险,保障模型跨个体泛化性能评估的真实性与严谨性.实验结果表明,相较于单模态HRV、单模态EDA及多模态基础识别模型,所提优化模型的综合识别性能最优,准确率达0.873、F1 分数达0.715、AUC值达0.943、Kappa系数达0.643.该模型可有效适配S2、S4、S16等信号噪声高、压力响应微弱的极端难样本,显著提升模型跨个体识别的均衡性与鲁棒性;同时其轻量化与实时性优势较为突出,可很好地适配可穿戴边缘设备部署需求,为校园青年学业压力常态化智能监测与心理健康预警提供有力的技术支撑.
可穿戴设备生理信号多模态融合青年压力识别注意力机制FocalLoss
-
针对传统PLC实训环节缺少人机交互界面、实训内容缺乏工业物联网应用等问题,设计一种融合物联网技术的PLC实训平台.结合工业电力拖动控制场景的实际需求,利用PLC、变频器和轴编码器实现异步电机变频调速闭环控制,涵盖逻辑控制、数字测速及USS串行通信等基础训练模块;借助WinCC组态软件开发上位机监控界面,用于提高实训平台的人机交互能力;开发基于微信小程序的移动监控端,通过MQTT协议实现微信小程序、物联网云平台和PLC之间的通信,最终实现对实训平台的远程监控.实训效果表明,该平台可以有效提升学生的实训积极性、加深学生对工业物联网应用技术的理解深度,为智能制造背景下的复合型人才培养提供实践载体.
物联网PLC人机交互MQTT协议微信小程序实训平台
