与现有海上风电场相比,由于海洋和气候条件的不同,深远海海上风电场对电力系统运行可靠性的影响更为复杂。为了分析大型深远海海上风电机组的运行可靠性,提出考虑中尺度涡和热带气旋影响的可靠性评估模型,用于评价海洋关键因素与系统可...与现有海上风电场相比,由于海洋和气候条件的不同,深远海海上风电场对电力系统运行可靠性的影响更为复杂。为了分析大型深远海海上风电机组的运行可靠性,提出考虑中尺度涡和热带气旋影响的可靠性评估模型,用于评价海洋关键因素与系统可靠性之间的内在机制。利用改进的罗伊·比林顿测试系统(Roy Billinton test system,RBTS)分析了东海中尺度涡、热带气旋及相应的海气耦合作用对系统可靠性的影响。模拟结果表明,中尺度涡和热带气旋对风电并网系统可靠性性能影响显著,且呈季节性趋势。此外,在仿真算例中应用了储能系统,以提高可靠性水平,减少负面影响。展开更多
多特征模态融合时存在噪声的叠加,而为减小模态间的差异采用的级联方式的结构也未充分利用模态间的特征信息,因此设计一种跨模态双流交替交互网络(DAINet)方法。首先,构建双流交替增强(DAE)模块,以交互双分支形式融合模态特征,并通过学...多特征模态融合时存在噪声的叠加,而为减小模态间的差异采用的级联方式的结构也未充分利用模态间的特征信息,因此设计一种跨模态双流交替交互网络(DAINet)方法。首先,构建双流交替增强(DAE)模块,以交互双分支形式融合模态特征,并通过学习模态数据的映射关系,以红外-可见光-红外(IR-VIS-IR)和可见光-红外-可见光(VIS-IR-VIS)的双向反馈调节实现模态间噪声的交叉抑制;然后,构建跨模态特征交互(CMFI)模块,并引入残差结构将红外-可见光模态内以及模态间的低层特征和高层特征进行有效融合,从而减小模态间的差异并充分利用模态间的特征信息;最后,在自建红外-可见光多模态台风数据集及RGB-NIR多模态公开场景数据集上进行实验,以验证DAE模块和CMFI模块的有效性。实验结果表明,与简单级联融合方法相比,所提的基于DAINet的特征融合方法在自建台风数据集上的红外模态和可见光模态上的总体分类精度分别提高了6.61和3.93个百分点,G-mean值分别提高了6.24和2.48个百分点,表明所提方法在类别不均衡分类任务上的通用性;所提方法在RGB-NIR数据集上的2种测试模态下的总体分类精度分别提高了13.47和13.90个百分点。同时,所提方法在2个数据集上分别与IFCNN(general Image Fusion framework based on Convolutional Neural Network)和DenseFuse方法进行对比的实验结果表明,所提方法在自建台风数据集上的2种测试模态下的总体分类精度分别提高了9.82、6.02和17.38、1.68个百分点。展开更多
文摘与现有海上风电场相比,由于海洋和气候条件的不同,深远海海上风电场对电力系统运行可靠性的影响更为复杂。为了分析大型深远海海上风电机组的运行可靠性,提出考虑中尺度涡和热带气旋影响的可靠性评估模型,用于评价海洋关键因素与系统可靠性之间的内在机制。利用改进的罗伊·比林顿测试系统(Roy Billinton test system,RBTS)分析了东海中尺度涡、热带气旋及相应的海气耦合作用对系统可靠性的影响。模拟结果表明,中尺度涡和热带气旋对风电并网系统可靠性性能影响显著,且呈季节性趋势。此外,在仿真算例中应用了储能系统,以提高可靠性水平,减少负面影响。
文摘多特征模态融合时存在噪声的叠加,而为减小模态间的差异采用的级联方式的结构也未充分利用模态间的特征信息,因此设计一种跨模态双流交替交互网络(DAINet)方法。首先,构建双流交替增强(DAE)模块,以交互双分支形式融合模态特征,并通过学习模态数据的映射关系,以红外-可见光-红外(IR-VIS-IR)和可见光-红外-可见光(VIS-IR-VIS)的双向反馈调节实现模态间噪声的交叉抑制;然后,构建跨模态特征交互(CMFI)模块,并引入残差结构将红外-可见光模态内以及模态间的低层特征和高层特征进行有效融合,从而减小模态间的差异并充分利用模态间的特征信息;最后,在自建红外-可见光多模态台风数据集及RGB-NIR多模态公开场景数据集上进行实验,以验证DAE模块和CMFI模块的有效性。实验结果表明,与简单级联融合方法相比,所提的基于DAINet的特征融合方法在自建台风数据集上的红外模态和可见光模态上的总体分类精度分别提高了6.61和3.93个百分点,G-mean值分别提高了6.24和2.48个百分点,表明所提方法在类别不均衡分类任务上的通用性;所提方法在RGB-NIR数据集上的2种测试模态下的总体分类精度分别提高了13.47和13.90个百分点。同时,所提方法在2个数据集上分别与IFCNN(general Image Fusion framework based on Convolutional Neural Network)和DenseFuse方法进行对比的实验结果表明,所提方法在自建台风数据集上的2种测试模态下的总体分类精度分别提高了9.82、6.02和17.38、1.68个百分点。
