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

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242

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233

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303

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355

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330

【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290

【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341

【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375