智能電網(wǎng)最新文章

AirGAN：空調(diào)機(jī)理模型增強(qiáng)生成對(duì)抗模型

為引導(dǎo)資源龐大、調(diào)控靈活的空調(diào)負(fù)荷參與需求響應(yīng)實(shí)現(xiàn)“源荷互動(dòng)”，保障電網(wǎng)的安全經(jīng)濟(jì)運(yùn)行，各大研究單位開展了樓宇空調(diào)需求響應(yīng)實(shí)時(shí)控制仿真與實(shí)踐研究。然而，如何準(zhǔn)確地估算空調(diào)的負(fù)荷，并對(duì)空調(diào)負(fù)荷進(jìn)行預(yù)測(cè)是目前面臨的重要挑戰(zhàn)。當(dāng)前主流方法包括模型驅(qū)動(dòng)型、數(shù)據(jù)驅(qū)動(dòng)型兩種方法體系。其中模型驅(qū)動(dòng)型依賴對(duì)空調(diào)負(fù)荷的建模，難以實(shí)現(xiàn)對(duì)空調(diào)負(fù)荷復(fù)雜變化的模擬。數(shù)據(jù)驅(qū)動(dòng)則是依賴大量數(shù)據(jù)進(jìn)行模型訓(xùn)練，但難以覆蓋空調(diào)負(fù)荷的各類特點(diǎn)。為此，擬從模型驅(qū)動(dòng)及數(shù)據(jù)驅(qū)動(dòng)相結(jié)合的角度進(jìn)行空調(diào)負(fù)荷的智能擬合，以提升空調(diào)負(fù)荷生成預(yù)測(cè)的準(zhǔn)確性和適應(yīng)性。提出了一種基于機(jī)制模型與生成對(duì)抗網(wǎng)絡(luò)（GAN）相結(jié)合的負(fù)荷生成方法和模型AirGAN。該方法通過(guò)GAN生成器生成的虛擬數(shù)據(jù)，持續(xù)調(diào)整物理模型的超參數(shù)，以使其更好地符合實(shí)際空調(diào)負(fù)荷特性。同時(shí)，采用GAN判別器對(duì)機(jī)制模型預(yù)測(cè)的負(fù)荷進(jìn)行判別，以此訓(xùn)練機(jī)制模型，從而提升其預(yù)測(cè)精度。

發(fā)表于：6/18/2025

基于多尺度伸縮卷積與注意力機(jī)制的光伏組件缺陷分割算法

無(wú)人機(jī)在光伏系統(tǒng)的巡檢過(guò)程中需要對(duì)光伏組件的缺陷進(jìn)行準(zhǔn)確和快速識(shí)別，為此提出了一種基于多尺度伸縮卷積與注意力機(jī)制的光伏組件缺陷分割網(wǎng)絡(luò)。首先在傳統(tǒng)的U-Net網(wǎng)絡(luò)每個(gè)Stage加入多尺度伸縮卷積模塊，從而對(duì)光伏組件缺陷進(jìn)行分割，PA達(dá)到了98.61%，與傳統(tǒng)U-Net、FCN網(wǎng)絡(luò)進(jìn)行對(duì)比分析，準(zhǔn)確率分別提高了0.32%和1.17%，算法消耗時(shí)間0.054 s，相較于對(duì)比的分割算法提高了0.006 s~0.013 s；然后將分割后的缺陷掩碼mask和原圖進(jìn)行與操作，最后通過(guò)輕量級(jí)網(wǎng)絡(luò)MobileNetV3對(duì)光伏組件缺陷（熱斑、裂縫、鳥糞）進(jìn)行檢測(cè)并分類，精確率達(dá)到了98.82%，與SqueezeNet、ShuffleNet V2和GhostNet網(wǎng)絡(luò)進(jìn)行對(duì)比，分別提高了0.43%、1.08%和0.8%，平均檢測(cè)時(shí)間0.026 s，相較于對(duì)比的檢測(cè)算法提高了0.002 s~0.036 s。實(shí)驗(yàn)結(jié)果表明基于多尺度伸縮卷積與注意力機(jī)制的光伏組件缺陷分割網(wǎng)絡(luò)具有較高的準(zhǔn)確率和識(shí)別速率。

發(fā)表于：4/22/2025