会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

周游副教授：基于气泡产生起始温度的变压器短期过载预警方法

变压器过载运行容易导致油纸绝缘系统产生气泡进而造成故障，但目前只以140 ℃作为热点温度限值，未能考虑实际运行状态对气泡起始温度的影响，难以充分发挥设备的最大利用效益。针对上述问题，综合国内外油纸绝缘气泡产生起始温度的试验提出了适用于实际工况下的变压器气泡产生起始预警温度计算方法。根据变压器的运行年限、油中水分含量和海拔等运行参数估算出变压器内部油纸绝缘系统产生气泡的起始温度。以该温度的90%作为预警温度，表征变压器能够承受的最大荷载能力。利用贝叶斯网络建立了短期负荷预测模型，结合绕组热点温度计算方法实现了变压器热点温度的短期预测。提出了一种变压器短期过载预警方法，并证实了该方法能够充分考虑变压器的运行实况，对未来的过载情况提前发出告警，指导相关运维部门开展变压器的过载停运和负荷转移工作，减少变压器停运和绝缘故障的发生。

  • 2024-10-11
  • 阅读45

张莲教授：基于混合特征选择和INGO-DHKELM的变压器故障诊断方法

针对变压器故障特征选择困难和诊断模型准确率较低的问题，提出一种混合式故障特征选择方法，并利用改进北方苍鹰优化算法（improved northern goshawk optimization algorithm，INGO）优化深度混合核极限学习机（deep hybrid kernel limit learning machine，DHKELM）实现变压器故障诊断。首先，基于相关比值法构建24维变压器故障特征集，从线性相关和非线性相关的角度出发，采用Pearson相关系数和互信息法，筛除相关性较低的特征。其次，引入Logistic混沌映射、随机反向学习和自适应t分布变异改进NGO算法，提升其寻优性能。然后，利用INGO算法对保留特征进行二次筛选，获得最优输入特征。最后，将极限学习机自动编码器引入混合核极限学习机中，建立DHKELM诊断模型，利用INGO对DHKELM模型初始参数进行优化，完成INGO-DHKELM变压器故障诊断模型的构建。实验表明，与常规特征选择方法相比，利用混合式故障特征选择方法所选择的输入特征进行故障诊断能够有效提升诊断准确率；相较于其他优化型诊断模型，INGO-DHKELM具有更高的准确率和更好的稳定性。

  • 2024-10-11
  • 阅读48

【IEEETII】基于VMD和LSTM的电网安全负荷预测混合模型

电力负荷预测作为电网静态安全的基础，直接影响电网运行的安全性、电网规划的合理性和供需平衡的经济性。然而，各种因素导致短期电力消耗发生剧烈变化，使数据更加复杂，因此更难预测。针对这一问题，本文提出了一种基于变分模分解和长短期记忆的新的混合模型，该模型消除了季节因素并进行了误差校正。对新加坡和美国的四个真实负载数据集进行了全面的案例研究，以证明所提出的混合模型的有效性和实用性。实验结果表明，所提出的模型的预测精度明显高于对比模型。关键词：误差修正、电网安全季节性因素消除、短期负荷预测（STLF）。

  • 2024-10-09
  • 阅读41

【IJER】大数据环境下基于小批量卷积神经网络的核能生产安全故障诊断系统

在核能生产中，随着大数据和工业4.0时代的不断创新和挑战，保证无故障运行安全将变得更加复杂和智能化。本文提出了一种新的具有小批量处理的优化卷积神经网络（SCNN），并将其组装在核故障诊断系统中。使用包含全部316个模拟器传感器特征的11种正常和故障条件来评估所提出的诊断系统的性能。与正常操作和在相同条件下添加退出操作相比，使用SCNN进行批量归一化的应用显著优化了模型验证的准确性和100个迭代下的损失。此外，通过比较传统的二元和多重分类方法，突出了出色的诊断准确性。该诊断系统实现了更精确的诊断准确性，将为操作人员提供有益的指导，帮助他们做出准确快速的决策，确保核能生产安全。关键词：卷积层可视化、卷积神经网络、深度学习、故障诊断、核能生产、小批量处理.

  • 2024-10-08
  • 阅读47

【ASC】基于自适应残差CNN的小型模块化电抗器故障检测与诊断系统

随着工业4.0技术的发展，降低维护成本并结合深度学习（DL）技术确保新型核系统的安全是一种流行趋势。本文提出了一种基于设计的自适应残差卷积神经网络（ARCNNs）的小型模块化反应堆（SMR）智能故障检测与诊断系统（lFDD）。不同噪声水平下的特征被学习为残差，并通过设计的网络传递。此外，自适应残差处理（ARP）模块中组装的软阈值（ST）方法提高了学习效率。采用贝叶斯优化（B0）方法提高设计网络的学习衰减率（LDR），以获得更好的诊断性能。从已建立的中国铅基核反应堆（CLEAR）平台上收集了11种不同操作场景下三种不同噪声水平的1760个实验数据点，以验证所提出的LFDD的有效性。与以往工作中采用的传统RCNN和CNN的比较突显了所提出的诊断方法的优越性。使用B0方法进一步提高了lfDD的性能。作为SlMR智能研究的首次尝试，该方法将为无人值守条件下的核操作员提供远程决策支持。此外，该通用方法也可应用于其他无噪声环境下的诊断系统。关键词：故障检测与诊断、深度学习、残差CNN、贝叶斯优化、小型模块化反应堆。

  • 2024-10-08
  • 阅读62

【Energy】用于安全关键能源系统可靠健康监测的不确定性感知深度学习

近年来，深度学习技术的重大进步促进了能源系统智能健康监测方法的发展。然而，在处理核能系统等安全关键能源系统时，具有点估计的传统深度学习模型无法解释预测中的固有不确定性，这一局限性对为关键操作提供可靠和值得信赖的决策支持提出了挑战。为了克服这一挑战，本研究提出了一种新的智能监测方法，该方法集成了不确定性感知的深度神经网络。首先，提出了一个基于时空状态矩阵的信号预处理方法，以提高特征提取能力，从而有效地整合各种多源数据。其次，开发了一种概率分布，为所有网络参数生成预测不确定性，从而能够评估模型输出的置信度，不仅适用于已知的操作场景，也适用于未知的操作场景。最后，使用已建立的先进核能研究平台和公共核事故模拟平台进行实验，确保所提出方法在实际环境中的有效性和适用性。总体而言，拟议的方法显著提高了监测输出的可靠性和可信度，同时降低了与安全关键能源系统决策过程相关的风险。关键词：安全关键能源系统、不确定性感知深度学习、智能健康监测、值得信赖的决策。

  • 2024-10-08
  • 阅读69

【AEI】先验知识增强无监督形状学习用于工业过程中未知的正常工作条件发现

未知异常工况的发现是精细化工业生产的关键，集群工业时间序列是发现未知工况类型的有效方法。然而，从工业时间序列中发现未知的异常工作状态对现有的时间序列聚类方法来说是一个挑战。本研究提出了一种新的先验知识增强无监督形状集学习方法，通过可解释的子序列发现异常和有意义的工作状态。提出了一种先验特征提取模块，将先验知识转化为数据模型的可识别形式。先验知识包含异常工作状态信息，知识增强聚类模块可以通过将先验特征与数据特征相结合来学习表示异常工作状态的信息形状集。此外，先验知识和数据的偏好在学习阶段会自我调整。对实际铝电解过程、模拟田纳西伊斯曼过程和连续搅拌槽加热器过程的数值试验结果验证了所提出方法的优越性能。所提出的方法为先验知识和数据模型的融合提供了新的视角。它还为解决工业过程中异常未知工况发现问题提供了一种新方法。关键词：先验知识，铝电解，时间序列，Shapelet，聚类

  • 2024-10-08
  • 阅读57

【RSER】工业过程的能源消耗和碳排放预测：现状、挑战和前景

工业过程消耗大量能源并排放大量二氧化碳。借助准确的能源消耗和碳排放预测，工业企业将更容易实现清洁生产，优化能源结构，通过更深入地控制生产情况来降低生产成本和碳排放。由于机器学习建模方法的过度饱和，预测模型在提高准确性和提取数据特征方面面临困难。引入深度学习方法来解决这些问题，然而，数据传输中关键参数和异常的不准确测量加剧了工业大数据的不确定性。这使得基于机器学习的预测模型表现出很强的不确定性和较差的泛化能力。因此，提高当前工业能耗和碳排放预测模型在不同工业情景下的准确性非常困难。本文总结了近年来工业过程能耗和碳减排预测的研究。结合当前工业过程的实际问题，本文总结了三种预测模型：（i）基于深度学习和模型不确定性相结合的多步预测模型，（i）结合机制和数据驱动方法的预测模型，以及（ii）基于智能算法的预测模型。这些模型将成为未来建立通用工业过程能耗和碳排放预测模型的新途径。关键词：系统集成与分析、碳排放、节能减排、深度学习、人工智能

  • 2024-10-09
  • 阅读44