大型电力网络节点阻抗方程的形成及其修正的统一算法

本文提出的采用修正节点电流源的方法形成和修正大型电力网络的节点阻抗方程,对伴有拓扑结构与参数变化的网络,通过向网络接入一组反映网络变化的等值链支Z_(eq)修正节点电流源,具有统一的计算公式。这种算法较惯用方法显著地降低了运算量,特别是极其灵活方便地处理了互感支路参数与拓扑结构多种变化所带来的麻烦。本文导出了反映网络拓扑结构与阻抗参数变化的修正因子,既可用它修正节点阻抗矩阵或其中任何元素,也可用它修正节点电流源,这给按计算目的选择计算方法带来了极大的方便。     

伴有拓扑结构与参数变化的大型电力系统故障的计算方法

本文提出的具有统一而又直观的大型电力系统故障计算方法,较之惯用方法不但能灵活有效地一次性处理大型网络各种形式的拓补结构与参数化以及故障边界条件,而且便于根据系统情况更合理地选择计算方法。本算法的重要特点之一是以很自然的方式处理了互感效应,便于程序设计。文中给出了本算法的程序计算技巧,论证了采用修正节点电流源处理网络变化进行大型电力系统故障计算的有效性。     

变结构电力系统短路故障分块计算的新方法

提出了用分块法仿真计算变结构大型电力系统短路故障的新模型和新算法，该法完全避免了对原网络节点阻抗（或导纳）矩阵的修正计算和各型故障计算中的重复计算。     

基于简单无参注意力卷积神经网络的涡旋光束模态识别

由于大气湍流的影响,涡旋光在大气中传播时会产生相位畸变,造成接收端模态检测困难,导致通信系统的可靠性降低。为提高涡旋光束模态检测准确率,提出了利用简单无参注意力卷积神经网络(S-ConvNeXt)检测拉盖尔-高斯光束模态的算法。结果发现：该网络可有效聚焦于关键亮斑特征。当光束分别经过较弱湍流、中等湍流、较强湍流和强湍流传输2 km后,本征态检测准确率分别为100%、98.8%、96.4%和89.7%,叠加态检测准确率分别为100%、99.8%、98.8%和96.5%。在强湍流下,S-ConvNeXt网络本征态检测准确率比ResNet50、ShuffleNetV2、ConvNeXt网络分别提高5.7%、3%、1.2%,叠加态检测准确率分别提高5.7%、4%、0.9%。S-ConvNeXt网络能够有效提高模态检测准确率,尤其在强湍流条件下表现更好。