降噪

国网山东公司根据配网一线局放检测需求，通过智能公司整合局放成像技术和无人机平台，创新使用AI降噪技术解决无人机及环境噪声干扰难题，开发机载局放成像检测装置，切实解决现场局放检测“找不准、找得慢”难题，变革配网局放检测模式，降低一线作业人员劳动强度，提升配网设备运维管理水平。

在覆冰条件的气象因素下，输电导线随时间累积形成的覆冰厚度、形状和分布变化，影响着电网系统的安全运行。按预测模型从覆冰生长到导线除冰各阶段存在的关联分析，讨论了各模型的优势差异以及相互存在组合的可能性。覆冰全周期存在着由微观到宏观的变化，影响着导线覆冰的生长进程。预测模型可按全周期组合，首先，对初始数据的降噪可解决数据发散，用主成分分析法的降维可提高预测精度。其次，模型中的支持向量机、混合的群智能优化算法、遗传算法组合等工具乃至交叉方式，都着力于覆冰过程的辨识与建模。再次，将热力融冰技术的负荷交流或涡流自热环应用在除冰阶段，使覆冰监测形成了动态闭环系统。最后，结合分析对输电线路覆冰预测的研究方向做了展望。

SCA200人工智能视频一体化芯片是一颗专门为超高清4K智能视觉应用场景设计的工业级人工智能视频处理器，集通用视频处理与人工智能处理于一体，片上集成神经网络加速器，可支持多类神经网络的计算加速，独特的RCU单元支持可重构计算，有效补充NPU灵活性不足的问题。内置H.265/H.264高性能编解码器，高性能ISP，支持HDR、多级降噪、EIS及多种图像增强和矫正功能。

针对数据驱动的风机故障诊断面临的数据量少、信号噪声干扰等问题，提出了一种基于宽卷积深度神经网络的故障诊断方法。该方法采用了重采样、小波阈值去噪等信号预处理方式，既增加了信息密度，又保证了信息的完整性，结合主成分分析法(principal component analysis，PCA)替代人工经验进行数据通道的选取。利用卷积神经网络的强大特征提取能力，通过较少的数据训练即可对风机机组在时域上的故障信号进行有效的特征提取，从而可以对风机进行精确的故障诊断。基于某真实风机机组数据的实验结果，验证了该方法的有效性。

针对目前配电网用户负荷数据高维度时序数据特征提取难、交叉数据聚类处理难、负荷数据精准标签化难等问题，文章提出面向用户负荷数据的基于降噪自编码器和改进粗糙模糊K均值的特征提取与标签定义模型(feature extraction and label definition model based on DAE and improve RFKM，FLMbD-iR)。FLMbD-iR通过降噪自编码器对原始用户负荷数据进行深度特征提取后，利用基于类簇规模不均衡度量的粗糙模糊K均值进行聚类，处理聚类中簇间交叉数据存在误差的缺陷，最后构建描述指标对典型日负荷曲线进行标签定义。实验采用美国电力负荷数据进行仿真模拟，实验结果显示本方法在用户负荷数据聚类处理上效果显著。

针对数据驱动的风机故障诊断面临的数据量少、信号噪声干扰等问题，提出了一种基于宽卷积深度神经网络的故障诊断方法。该方法采用了重采样、小波阈值去噪等信号预处理方式，既增加了信息密度，又保证了信息的完整性，结合主成分分析法(principal component analysis，PCA)替代人工经验进行数据通道的选取。利用卷积神经网络的强大特征提取能力，通过较少的数据训练即可对风机机组在时域上的故障信号进行有效的特征提取，从而可以对风机进行精确的故障诊断。基于某真实风机机组数据的实验结果，验证了该方法的有效性。

噪声污染防治与人民群众生活息息相关，是生态文明建设的重要内容。近年来，国家相继出台了新版《中华人民共和国噪声污染防治法》《“十四五”噪声污染防治行动计划》等法律和政策，对改善声环境质量要求逐步提高。

作为我国重要的战略性新兴产业之一的新材料，对电网的发展起着重要的基础支撑及先导作用，随着双碳目标的确立，电网安全、绿色、低碳发展对关键材料提出了更高要求。面向国家和公司重大战略需求，围绕高性能电工绝缘材料、新能源并网装备用低损高效磁性材料、节能输电导体材料、电网装备用降噪防火材料等关键基础材料，开展技术研发、标准研制与产业推广，做好能源转型中的输变电材料领域标准顶层设计与关键核心材料开发应用，全力支撑电网的高质量发展。

振动测量对发现气体绝缘开关设备(gas insulated switchgear，GIS)潜在性缺陷具有重要意义，但GIS本体振动信号易受基础振动、测量噪声以及环境噪声的影响，使得现场GIS振动带电检测和机械缺陷诊断的效果较差。针对此问题，提出一种基于奇异值分解(singular value decomposition,SVD)-改进自适应啁啾模态分解(improve adaptive chirp mode decomposition,IACMD)的现场振动信号降噪算法。该方法首先利用SVD对原始振动信号进行预处理，滤除低频基础振动和测量噪声，其次利用鱼鹰优化算法(osprey optimization algorithm,OOA)对处理后的信号进行自适应模态分解，得到分解后的固有模态(intrinsic mode functions，IMF)分量，再利用互相关系数筛选有效分量重构振动信号。模拟信号与现场信号测试结果表明：与OOA-自适应啁啾模态分解(adaptive chirp mode decomposition，ACMD)和SVD-变分模态分解(variational mode decomposition,VMD)相比，所提出的SVD-IACMD算法可以去除基础振动、测量噪声和环境噪声，保留GIS本体振动的基频和谐波分量，为GIS现场抗干扰振动检测和机械缺陷诊断提供技术支持。

随着中国特高压交直流换流站的大规模投运，有载分接开关(on-load tap changer, OLTC)已成为特高压换流站中发生故障较多的设备之一。针对强背景噪声环境下特高压换流站OLTC故障特征难以提取的问题，提出一种基于自适应粒子群算法优化奇异谱分解和奇异值分解的方法。首先，利用自适应粒子群优化(adaptive particle swarm optimization, APSO)算法对奇异谱分解算法中的模态参数进行优化，选取最优分解模态数。其次，基于最大峭度准则选取最佳奇异谱分量。然后，确定最佳重构阶数，通过奇异值分解重构信号，从而达到信号降噪的目的。将所提方法应用于仿真信号和实验信号，结果表明所提方法的信噪比达到23.302，均方根误差仅为0.004，并且波形相似参数高达0.998，优于其他降噪方法。所提方法能够更有效地实现对特高压换流站OLTC振动信号的降噪，为辅助运维人员诊断OLTC状态提供参考。