In recent years, ice and snow disasters have occurred frequently, and transmission line icing can pose a great threat to the operation of the power system. In order to solve this problem, the power industry should introduce an intelligent monitoring system to recognize the risk of ice-covered disasters in advance and take timely countermeasures to reduce the impact of extreme weather on the safe operation of the power system. In this paper, we first use Python to sort out and summarize multidimensional meteorological data from multiple locations in the Northeast China, and propose a method called Grey Relational Pearson Combination Analysis (GPCA). Through this method, we determine the correlation between multidimensional meteorological data and icing degree, and select the optimal combination of icing factors as the feature vector for a support vector machine. In addition, we also compare the differences in classification effects of four types of kernel functions, such as linear kernel, polynomial kernel and Gaussian kernel. Finally, considering data balance, we use Gaussian kernel to establish GPCA-SVM model and conduct experimental analysis. There was a 1.04% increase in accuracy, a 1.36% increase in recall, and 0.31% increase in F1 value when comparing gray correlation accuracy and a 21.66% increase in precision when comparing Pearson accuracy at light icing. Comparison of gray correlation accuracy at heavy icing improved by 1.04%, precision by 17.44%, and F1 value by 10.29%; comparison of Pearson accuracy improved by 0.31%, precision by 9.93%, and F1 value by 1.67%. These research results lay the foundation for the intelligent monitoring system of power grid, and provide guarantee for the operation and maintenance of power system.

ABSTRACT Speech production is a complex process that traverses several representations, from the meaning of spoken words (semantic), through the movement of articulatory muscles (articulatory) and, finally, to the produced audio waveform (acoustic). In our study, we aimed to identify how these different representations of speech are spatially and temporally distributed throughout the depth of the brain. By considering multiple representations from the same exact data, we can limit potential con-founders to better understand the different aspects of speech production and acquire crucial complementary information for speech brain-computer interfaces (BCIs). Intracranial speech production data was collected of 15 participants, recorded from 1647 electrode contacts, while they overtly spoke 100 unique words. The electrodes were distributed across the entire brain, including sulci and subcortical areas. We found a bilateral spatial distribution for all three representations, although there was a stronger tuning in the left hemisphere with a more widespread and temporally dynamic distribution than in the right hemisphere. The articulatory and acoustic representations share a similar spatial distribution surrounding the Sylvian fissure, while the semantic representation appears to be widely distributed across the brain in a mostly distinct network. These results highlight the distributed nature of the speech production process and the potential of non-motor representations for speech BCIs.

Intelligent lighting control systems are essential for regulating office illumination. Both illuminance levels and uniformity are important factors influencing the comfort of the office lighting environment. Thus, designing automatic control systems to regulate lighting is essential. This study addresses the issue of natural glare by proposing a method that uses a genetic algorithm (GA) to optimize a backpropagation (BP) neural network model. The model predicts the angle of window slats, with the Sun altitude and azimuth angles as inputs, and the slat angle as the output. For artificial lighting control, a linear function is proposed to manage the relationship between work plane illuminance, natural light intensity, occupancy rates, adjacent luminaire illuminance, and the dimming factor (K). The optimal K value for each luminaire is determined using the least squares method in MATLAB. The intelligent lighting system transmits dimming factors via a ZigBee tree network structure to achieve target illuminance levels. The system’s effectiveness is validated through simulations in DIAlux software, demonstrating that the workplace illuminance in occupied areas reaches 500 lx, while, in unoccupied areas, it reaches 300 lx, with an illuminance uniformity greater than 0.7. This addresses the issue of low illuminance uniformity during daytime. Additionally, the lighting power densities (LPDs) of 1.53 W/m2 and 3.8 W/m2 are well below the specified threshold of 6 W/m2, indicating significant energy savings while maintaining compliance with office lighting standards.