全球能源互联网:标准体系研究与关键技术领域

需积分: 10 6 下载量 97 浏览量 更新于2024-07-09 收藏 2.81MB PDF 举报
全球能源互联网标准体系研究关注的是如何在全球范围内构建一个以特高压电网为核心,以清洁能源为主导,且具备智能电网功能的全球能源网络。这一系统工程旨在解决全球面临的资源紧缺、环境污染、气候变化和无电人口等问题,通过实施清洁替代和电能替代,推动能源结构的转型,实现全球能源的高效配置。 报告首先阐述了全球能源互联网的发展背景,指出它是应对现有挑战的长远解决方案,强调了跨国界、跨领域和跨学科的合作需求。全球能源互联网发展合作组织自2016年起,致力于标准体系的研究,以国际最新的研究成果为基础,广泛咨询业界专家,目标是制定出适应未来发展的顶层技术和管理框架。 报告详细梳理了国际标准组织、跨国机构以及各国在特高压输电、智能电网、清洁能源和跨国电网互联等领域的标准工作。在特高压方面,关注了国际标准组织如IEC(国际电工委员会)的工作,以及各国在新型输电技术上的进展。智能电网部分,列出了如CIGRE(国际大电网会议)等机构的标准,列举了欧洲、北美等主要区域和国家的智能电网发展情况。 对于清洁能源,如风能、太阳能等可再生能源,报告列举了ISO(国际标准化组织)、IEC等组织在标准制定上的角色,同时介绍了全球不同地区的清洁能源应用和相关标准。跨国电网互联部分则探讨了如何通过标准化促进各国电网之间的兼容性和互操作性,涉及的国际组织如IRENA(国际可再生能源署)和世界银行等。 报告不仅分析了现有标准,还设计了全球能源互联网标准体系的整体架构,包括四个专业方向(如电力系统、通信与信息、设备与材料、运行与维护),十三个技术领域,以及四十多个标准系列,明确了各项标准的继承、修订和制定计划,并提出按照重要性和紧迫性划分的重点行动领域。 合作组织将以这份报告为指导,与全球各方紧密协作,推动相关标准的制定、修订,支持全球能源互联网的技术研发、装备制造业、工程建设和运营管理的实施。整个报告结构严谨,内容详实,对于理解和推动全球能源互联网的标准化进程具有重要意义。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R