针对随着电力市场化改革的不断推进,大用户直购过程对电力系统灵活性的影响问题,文中提出了考虑风电不确定性与大用户直购电的电力系统分布鲁棒优化调度模型。为降低风电不确定性对电力系统影响,考虑风电预测误差的时序性与区间性,提出一种具有区间特性的一阶马尔可夫链模型,构建数据驱动的日前两阶段分布鲁棒优化模型。模型的第一阶段以风电场场站总收益最大为目标函数,制定日前第一阶段鲁棒调度方案。日前第二阶段通过调整区域内的可控机组出力来灵活应对风电出力的不确定性。研究结果验证了分布鲁棒优化算法的有效性,并证明了大用户直购电参与调度能够有效提高系统的经济性和调峰能力。

倒立摆的非线性和欠驱动特性使其成为强化学习(Reinforcement Learning, RL)算法的基准测试案例。在将仿真学习的RL策略部署到实物平台时,控制信号存在突变和震荡,导致策略部署失败,并且具有高功耗、过度的系统磨损和硬件损害问题。针对该问题,文中提出了一种用于RL策略平滑探索的正则化项。为解决实物部署阶段的策略突变问题,设计突变正则化项来约束策略在探索阶段的突变。设计了震荡正则化项来解决策略的小范围震荡问题,并对相似状态的值函数进行约束。将平滑探索正则化项应用于近端策略优化(Proximal Policy Optimization, PPO)算法进行倒立摆虚实迁移实验。实验结果表明,平滑探索的PPO算法在仿真中的训练速度提升了40%,成功实现了虚实迁移,具有较强的平滑性和鲁棒性。

文中提出了基于区块链的PKI(Public Key Infrastructure)和IBC(Identity-Based Cryptography)组合身份认证方案,利用区块链去中心化和防篡改特点解决了传统基于PKI技术中存在的单点故障问题以及多CA(Certificate Authority)互信难问题,从而简化了CA的证书管理以及系统开销。实验结果表明,所提方案中PKI技术既解决了安全域间的信任关系,也解决了IBC无法在大环境使用的问题。IBC技术替代传统数字证书,有效减少了通信开销,提升了认证速度。在有效提高身份认证效率的同时解决了传统身份认证与区块链的单点故障问题,具有更好的安全性。

针对胶囊网络特征提取器可解释性低的问题,文中提出了一种融合DenseCap(Dense Capsule)和Agglomerator的新特征提取器。将密集连接的低级高级特征与Agglomerator的局部整体特征相结合,使相邻两层特征对应局部和整体,提高了可解释性。DenseCap和Agglomerator的并联连接方式使模型结构更紧凑,能够减少可训练参数。将绝对位置编码与Agglomerator密集连接,在计算相对注意力时保留绝对值编码和相对位置编码的优点,保持平移等变性。实验结果表明,相较于胶囊网络以及原始Agglomerator,Agg-CapsNet(Agglomerator Capsule Network)在CIFAR10、MNIST、Fashion-MNIST和SmallNorb方面精度更好。在位置编码的平移实验中,通过可视化证明Agg-CapsNet具有平移等变性。

综合能源系统作为能源领域的新兴研究方向,在推动可再生能源利用和应对环境挑战中具有重要作用。需求响应作为其核心组成部分,旨在提升可再生能源的使用效率和系统可持续性。用户参与程度的不同限制了需求响应的潜力,因此在需求响应计划评估中考虑需用户满意度。文中提出了一种考虑用户满意度和热惯性的综合能源系统两阶段容量优化配置方法来进行长时间尺度规划。在第一阶段,通过最小化年度总成本确定设备容量配置,解决系统内负荷协调和互补问题。在第二阶段进一步精细调整,引入系统热惯性和用户满意度模型来改变室内供暖,调整设备输出和负荷曲线,实现经济和环境目标双重优化。研究结果表明,所提方法优化了综合能源系统调度,在有效缓解环境问题的同时提高了可再生能源的消纳能力。

针对压缩式制冷系统在实际运行过程具有时滞大、高耦合、非线性以及外部干扰等问题,文中提出了一种基于Smith预估器的BP(Back Propagation)神经网络PID(Proportional Integration Differentiation)控制算法。采用Smith预估补偿器预测补偿系统的实际输出,利用其预估补偿机制消除系统的延迟环节,缓解时滞性对系统的影响。利用BP神经网络的自学习能力将压缩式制冷系统解耦为两个独立的回路系统,并整定PID参数以应对系统和外部干扰的变化。MATLAB仿真结果表明,所提控制策略在提高制冷系统的动态性能和抗干扰性能方面具有显著优势,过热度和蒸发温度的调节时间减少了123 s、204 s,超调量下降5.27%、10.22%。且在改变参数情况下具有良好的鲁棒性,降低了控制的超调量,为压缩式制冷系统的稳定运行提供了一种有效的控制方案。

针对人形机器人领域中传统转换模块系统资源占用率高、控制频率慢以及控制电机数量少的问题,文中提出了一种将EtherCAT(Ethernet Control Automation Technology)协议转换为CAN(Controller Area Network)总线协议的设计方案。采用EtherCAT工业实时以太网作为现场网络,构建ARM(Advanced RISC Machines)处理器结合AX58100芯片作为EtherCAT从站硬件平台。针对模块中实时周期的控制任务,设计了基于SOEM(Simple Open EtherCAT Master)的主站。分析和研究了不同主站平台对转换模块的通信延时影响,主站向AX58100发出数据报文,经AX58100传输至STM32F405,通过内部逻辑判断并进行转换输出,从而实现设备控制。实验结果验证了EtherCAT转CAN模块的可行性和有效性,传输速率可以达到3 328 000 bit·s^-1,实时抖动时间达到微秒级,系统资源占用率减小到9.6%左右,连接设备数量与单协议无异,满足现有项目的实际需求。

针对光在水中传播时被吸收,水下图像存在颜色失真、对比度低和细节模糊等问题,文中设计了一个基于并联Transformer和残差卷积的U-Net网络进行水下图像增强。在新U-Net结构中,在编码和解码部分分别置入混合卷积Transformer块(Hybrid Convolution Transformer Block, HCTB)。综合了Transformer的捕获全局信息能力和卷积块捕获局部信息能力,并且在跳跃连接部分搭建了若干平行注意模块(Parallel Attention Module, PAM)来提取更重要的像素和通道信息。采用现有UIEB(Underwater Image Enhancement Benchmark dataset)配对数据集对网络进行训练。为验证所提算法的有效性,选取不同偏色程度的水下图像进行实验与测试。实验结果表明,所提模型较其他先进模型的峰值信噪比PSNR(Peak Single-to-Ratio)值提升了4.3%,获得了较好的主观和客观评价结果,有效提升了水下图像的增强水平。

为解决在低纹理场景下视觉SLAM(Simultaneous Localization And Mapping)系统面临的挑战,文中提出了一种基于点、线、面特征的RGB-D SLAM算法来提高定位精度。所提算法以ORB-SLAM2(Oriented FAST and Rotated BRIEF-Simultaneous Localization and Mapping 2)算法框架为基础,通过引入曼哈顿世界假设将相机位姿解耦为旋转和平移矩阵,有效避免了误差累积问题。在特征提取方面,利用ORB特征点和LSD(Line Segment Detector)算法提取线特征,利用层次聚类算法提取平面特征,充分利用了空间结构的几何信息。实验结果表明,相较于ORB-SLAM2算法,所提算法在TUM和ICL-NUIM数据集的多个低纹理场景中表现更好。通过对比绝对轨迹误差的均方根误差可知,所提算法在低纹理环境中明显提高了定位精度,在特征点较少的场景下具有显著优势。

为了提高微波无线电能传输系统中整流电路的转换效率,文中提出了一种基于新颖谐波控制结构的紧凑型高效整流电路。所提整流电路简化和改进了常规滤波器,将基波和三次谐波反射回整流电路,并且阻断二次谐波进入负载,实现滤波功能。同时能够减小肖特基二极管两端电压和电流波形的交叠,进一步降低损耗。引入感性二极管补偿支节来补偿二极管在基频处的容性阻抗,对三次谐波呈现开路特性以实现能量回收。对所提整流电路进行了仿真实验,结果证明该电路具有优越性。

针对光伏出力受天气波动影响较大,天气输入特征分布分散导致预测精度不高的问题,文中提出一种考虑相似天气波动分型的短期光伏发电功率预测模型。通过相关性分析筛选出强相关性气象因子作为输入数据,利用主成分分析法将多维天气特征数据聚合成一维综合气象数据,利用综合气象数据的波动特征来代表大部分天气数据的波动特征。为了使聚类后的波动特征更集中,采用综合气象数据的5个统计指标作为K-means聚类算法的聚类特征,对天气数据进行分型。使用基于双通道卷积神经网络(Convolutional Neural Networks, CNN)的双向门控循环网络(Bidirectional Gated Recurrent Unit, BiGRU)-Attention预测模型对3种天气类型下的光伏发电数据分别进行预测。通过对天气数据分型使具有相似波动的天气特征更集中。相较于传统算法,所提预测方法的精度更高,验证了所提方法和模型的有效性。

针对双足机器人的稳定行走问题,文中采用伸缩腿侧向对分式结构设计来减少电机数量和本体质量。引入基于角动量预测落脚点的LIP(Linear Inverted Pendulum)控制模型来提高机器人稳定性和动态响应能力,并通过考虑质心转动惯量来提高建模准确性。与传统质心线速度控制模型相比,所提模型在稳定性和动态响应能力上表现更好。仿真结果表明,考虑转动惯量的角动量预测落脚点模型使机器人能够稳定应对触地扰动。不仅提升了双足机器人的稳定性和动态响应能力,而且无需增加电机数量和本体质量。所提模型不仅为双足机器人步态优化提供了新思路,也为伸缩腿双足机器人的步态控制提供了新途径。

在综合孔径微波辐射计(Synthetic Aperture Interferometer Radiometer, SAIR)中,利用测量可见度数据重构观测图像是一个不适定逆问题。针对目前图像重构方法存在较大残余误差和振荡伪影问题,文中提出了一种基于改进Transformer的SAIR重构方法。通过预处理模块从可见度函数提取浅层特征,再经深层特征提取模块提取可见度函数的深层特征,由SAIR图像重构模块得到结果。与传统Transformer结构相比,所提改进Transformer方法采用U-Net结构,充分利用可见度函数的多尺度信息进行图像重构,同时从通道维度对特征应用自注意力机制,减少了信息丢失。实验结果表明,所提方法在重构质量和噪声抑制方面优于传统正则化方法和深度学习方法,为SAIR图像重构提供了一种有效的解决方案。