摘要：为解决深度学习类配电网故障辨识方法在量测不足和标记率低时准确率不高的问题,提出了基于图半监督与多任务学习的故障区段与类型统一辨识方法。首先,设计了故障区段与类型统一辨识的图神经网络架构,在图嵌入层中融入网络拓扑和线路参数信息,以充分挖掘不同位置、类型的故障特征。其次,采用多任务注意力网络构建了故障区段定位和类型辨识两个任务,以提取故障的多重信息,实现不同任务间知识转移。再次,将图嵌入特征与无标签样本的编码压缩特征进行融合,得到新的多任务共享特征,以充分利用未标记数据,增强模型泛化能力。最后,通过算例测试表明,所提方法的故障辨识精度优于传统神经网络,且在实时量测少、标签率低及不同量测噪声条件下具有更好的鲁棒性。

摘要：以河南焦作白玉山药为原材料,在单因素试验的基础上,采用响应面法中的Box-Behnken试验设计,对影响山药储藏蛋白提取率的3个影响因素即抽提p H值、液料比和抽提时间进行优化。结果表明:各因素对山药储藏蛋白提取率有显著影响,因素影响主次顺序为:抽提p H值>液料比>抽提时间,提取山药储藏蛋白的最佳工艺条件为抽提p H 8.5、液料比3∶1(m L/g)、抽提时间20 min,在此条件下山药储藏蛋白提取率的最大理论值为57.88%,实际蛋白提取率为57.74%。所得山药储藏蛋白提取回归模型显著,拟合性好,可用于预测山药储藏蛋白提取率。