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

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305

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322

田猛副教授：配电信息物理系统协同维修问题研究

武汉理工大学田猛副教授做了题为“Coordinated Repair Crew Dispatch Problem for Cyber-physical Distribution System”的报告，征得田猛副教授同意，特与您分享！

  • 2024-10-11
  • 阅读247

王增平教授：极端天气对电力系统的影响及应对措施思考

华北电力大学副校长王增平教授作了题为“极端天气对电力系统的影响及应对措施思考”的报告。征得王教授同意，特与您分享。

  • 2024-10-11
  • 阅读207

黄莹教授：大规模新能源柔性直流送端系统构建关键技术

浙江大学黄莹教授作了题为“大规模新能源柔性直流送端系统构建关键技术”的报告，征得黄莹教授同意，特与您分享。

  • 2024-10-11
  • 阅读215

【专家 PPT】浙江大学 文福拴：“源网荷储一体化项目”的背景、现状与展望

浙江大学电气工程学院/海南研究院文福拴教授作了题为“源网荷储一体化项目”的背景、现状与展望的报告。征得文教授同意，特与您分享。

  • 2024-10-11
  • 阅读423
  • 下载22

杨建高工：基于WT-CNN-BiLSTM模型的日前光伏功率预测

光伏功率的准确预测对于电网的安全稳定和经济运行具有重大意义。为此，提出了一种日前光伏功率预测方法，利用小波变换（wavelet transform，WT）将数值天气预报数据（numerical weather prediction，NWP）和光伏功率数据分解为具有时间信息的频率数据，消除数据信息中随机性和波动性对预测精度的影响，利用卷积神经网络（convolutional neural network，CNN）模型深度挖掘输入数据的季节性特征和空间关联特性，利用双向长短期记忆网络（bi-directional long-short term memory，BiLSTM）模型获取输入数据序列的时间相关性，构建基于WT-CNN-BiLSTM的日前光伏功率预测模型。以某一光伏电站为计算对象，在不同季节和气候条件下对比分析WT-CNN-BiLSTM模型、CNN-BiLSTM模型、LSTM（long-short term memory）模型、GRU（gated recurrent unit）模型以及PSO-BP（particle swarm optimization-back propagation）模型的预测结果，计算结果表明WT-CNN-BiLSTM模型的预测精度高于其他模型的预测精度。

  • 2024-10-09
  • 阅读890

【EAAI】基于目标相关变换器网络的面向任务的深度学习框架在工业质量预测中的应用

执行各种生产任务对工业过程的安全运行和高效生产至关重要。其中，关键质量变量的检测任务直接影响工业过程的运行优化和决策，但受到恶劣环境和检测仪器的严重限制。因此，关键质量变量的实时预测任务成为工业过程优化控制的基础。为了解决这个问题，本文提出了一种基于目标相关变换器（TR-Former）网络的面向任务的深度学习框架，用于工业质量预测任务。具体而言，开发了一种新的目标相关自我注意（'TR-sA）机制，通过在任务相关目标变量和其他变量之间添加注意分数来指导特征学习。结果表明，在这种情况下，学习到的特征将与目标变量相关，并可用于质量预测任务。此外，还可以捕获工业过程数据的长期动态，这可以进一步提高模型的预测性能。最后，在两个工业过程上进行了广泛的实验，以验证所提出的方法在质量预测任务方面的优越性。实验结果表明，与传统变压器和其他最先进的方法相比，所提出的TR- Former方法在平均绝对误差指标方面提高了3%至13%。关键词：深度学习、目标相关变换器、质量预测、工业过程

  • 2024-10-09
  • 阅读311