-
公开(公告)号：CN115718804A
公开(公告)日：2023-02-28
申请号：CN202211459149.7
申请日：2022-11-17
IPC分类号： G06F16/36 , G06N3/08 , G06F40/295 , G06N3/0464
摘要： 本申请涉及一种高压直流线路的故障类型识别方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取高压直流线路中多个历史故障案例各自对应的知识图谱实体，将知识图谱实体分别转换为初始嵌入向量；按照每一历史故障案例各自对应的多个知识图谱实体类型，分别对每一历史故障案例各自的初始嵌入向量进行划分，得到每一历史故障案例各自对应的多个子初始嵌入向量；基于多头注意力机制，对每一历史故障案例的多个子初始嵌入向量进行加权融合，得到每一历史故障案例各自的目标嵌入向量；基于目标嵌入向量，通过图卷积神经网络模型训练得到高压直流线路的故障类型识别模型。采用本方法能够提高高压直流输电线路故障类型识别效果。
-
公开(公告)号：CN115577259A
公开(公告)日：2023-01-06
申请号：CN202211115997.6
申请日：2022-09-14
IPC分类号： G06F18/214 , G06F18/2431 , G06N3/006
摘要： 本申请涉及一种高压直流输电系统故障选极方法、装置和计算机设备，所述方法包括：获取样本数据集；所述样本数据集包括高压直流输电系统的历史电力数据和所述历史电力数据的故障标签；通过所述样本数据集，构建初始随机森林分类模型；通过平衡优化算法，优化所述初始随机森林分类模型的模型参数，得到优化后的随机森林分类模型；通过所述优化后的随机森林分类模型，对所述高压直流输电系统的实际电力数据进行预测处理，得到所述实际电力数据对应的预测故障类型。采用本方法能够提高高压直流输电系统故障选极的精度。
-
公开(公告)号：CN117313533A
公开(公告)日：2023-12-29
申请号：CN202311265387.9
申请日：2023-09-27
IPC分类号： G06F30/27 , G06F119/02
摘要： 本申请涉及一种换流阀组件状态预测方法、装置、设备、介质和产品。方法包括：获取换流阀组件的电容影响数据、电阻影响数据和电参数波形数据；获取目标状态预测模型，其中，目标状态预测模型通过对训练样本的样本权重迭代更新，并根据样本权重以组合多个初始模型得到，训练样本包括历史特征数据、历史电路数据和历史波形数据；将电容影响数据、电阻影响数据和电参数波形数据输入目标状态预测模型，得到目标预测结果，预测结果至少包括目标电容值、目标电压值或目标故障状态中的至少一种。采用本方法可以将多个独立训练的初始模型的预测结果进行结合，提高模型的稳定性、准确度和对多样性数据的适应能力，还可以提高预测效率、降低成本。
-
公开(公告)号：CN117221159A
公开(公告)日：2023-12-12
申请号：CN202311426815.1
申请日：2023-10-31
摘要： 本申请涉及一种换流站时间同步监测方法、装置、计算机设备、存储介质和计算机程序产品，可用于电力技术领域。该方法包括：通过多种对时偏差监测方式，对换流站内的被监测设备进行对时偏差监测，得到被监测设备的对时偏差值；被监测设备的对时偏差值用于表示被监测设备与换流站内的主时钟设备之间的时间差异值；利用预设对时偏差阈值条件，对被监测设备的对时偏差值进行识别，得到被监测设备的第一时间同步监测结果；根据被监测设备的自检信息，确定出被监测设备的第二时间同步监测结果；根据第一时间同步监测结果和第二时间同步监测结果，确定出被监测设备的时间同步监测结果。采用本方法能够提高时间同步监测的效率。
-
公开(公告)号：CN117195025A
公开(公告)日：2023-12-08
申请号：CN202311161026.X
申请日：2023-09-08
IPC分类号： G06F18/23213 , G06F18/214 , G06F18/15 , G06N3/0464 , G01R31/08 , G01R31/00
摘要： 本发明提供了一种基于K‑均值算法的高压直流输电系统故障诊断方法及系统,根据HVDC系统故障录波得到的故障数据，按通道对故障数据进行零均值规范处理，组成原始数据集,对所述原始数据集中故障样本数据进行贴标签处理,建立KM故障诊断模型，设置模型初始类聚中心个数，采用所述训练集和测试集完成摸模型的验证合格后，获得最优KM故障诊断模型。采用所述最优KM故障诊断模型对实时HVDC系统故障进行诊断，并生成可视化诊断结果。本发明采用基于K‑均值算法的高压直流输电系统故障诊断方法可以提高故障诊断的效率和准确性，帮助工程师快速解决问题，减少故障带来的影响。
-
公开(公告)号：CN116821772A
公开(公告)日：2023-09-29
申请号：CN202310877333.1
申请日：2023-07-17
IPC分类号： G06F18/24 , G06F18/213 , G06N3/0464 , G06N3/048 , G06N3/084
摘要： 本发明提供了一种基于IHBA‑TCN的HVDC系统故障诊断方法及系统，通过搭建TCN对HVDC系统故障数据集故障特征进行初步提取，并改进激活函数对TCN进行优化，并引入了改进蜜獾算法对时间卷积神经网络进行参数智能寻优，来提升时间卷积神经网络对高压直流输电系统的故障辨识准确率，最后将HVDC系统故障样本集划分为训练集和测试集，并对IHBA‑TCN进行训练，直至达到预设故障识别精度，获得最终基于IHBA‑TCN的HVDC系统故障诊断模型用于对高压直流输电系统进行故障诊断。由于HVDC系统故障样本为时间序列数据，因此具有时间序列数据处理能力的时间卷积神经网络在训练过程中训练准确率更高、过程更稳定且训练时间更短，可以大幅提高HVDC系统故障诊断的诊断精度和速度。
-
公开(公告)号：CN116776250A
公开(公告)日：2023-09-19
申请号：CN202310912410.2
申请日：2023-07-24
IPC分类号： G06F18/2415 , G01R31/00 , G06F18/2431 , G06F18/15 , G06F18/213 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/047 , G06N3/048 , G06N3/09 , G06N3/094
摘要： 本发明提供一种基于GAN和CNN模型的电力系统故障诊断方法及系统，通过对高压直流系统实时监测数据的采集、预处理、生成对抗网络训练、卷积神经网络训练和系统故障诊断等步骤实现故障检测和诊断。通过将原始数据输入到1D‑GAN中进行模型训练，可以生成虚拟的故障数据以扩充训练数据集；通过将扩充的原始数据集划分为训练集和测试集，用训练集作为1D‑CNN的输入，进行模型训练，在训练完成后用测试集对模型的性能和准确性进行测试，建立最终的电力系统故障诊断模型。与传统的故障诊断方法相比，该方法具有更高的准确率和更快的响应速度。并且随着数据量的增加和模型的不断优化，1D‑CNN模型的分类准确率和诊断精度也将逐步提高。
-
公开(公告)号：CN210690879U
公开(公告)日：2020-06-05
申请号：CN201921995594.9
申请日：2019-11-19
IPC分类号： G02B6/38
摘要： 本实用新型涉及高压输变电技术领域，公开了一种低衰耗多接口光纤转接器，包括壳体，所述壳体一侧壁为敞口结构，所述壳体的一端壁开有多个第一卡口，所述壳体的另一端壁开有多个第二卡口，所述第一卡口和第二卡口上可以卡接转接头，所述壳体设有用于可拆卸连接第一卡口和第二卡口上转接头的连接光纤。本实用新型可以实现多种不同类型光纤的转接，使用和管理均较为方便。
-
公开(公告)号：CN210130778U
公开(公告)日：2020-03-10
申请号：CN201821978340.1
申请日：2018-11-28
摘要： 本实用新型公开了一种变电站二次屏柜线槽专用吸尘器头，包括依次连接的吸尘器接头、气流缓冲槽、延伸杆体和可插拔式吸头，将其中的吸尘器接头插接到吸尘器上，延伸杆体的横截面为矩形，矩形的宽度与线缆之间的间距相适应，可插拔式吸头呈弯管状，可插拔式吸头的末端设置有吸口，调整可插拔式吸头的插接方向，吸口的朝向得以改变，将可插拔式吸头通过线缆之间的缝隙伸入至线槽上方，可深度清洁线槽上方靠里的积尘，由于吸尘器的气压作用不会导致积尘掉落至下方的装置内部，并避免了拉扯周围线缆。此外，将吸头设计成可插拔式，现场使用时根据线缆两侧的密集程度自行调节方向，提高了吸头的适应性。
-
公开(公告)号：CN209340509U
公开(公告)日：2019-09-03
申请号：CN201821960954.7
申请日：2018-11-27
摘要： 本实用新型公开了一种新型纯水介质机械密封，包括静环、动环、静环固定件、动环固定件、推环、弹簧、弹簧座、静环辅助密封圈和动环辅助密封圈；静环辅助密封圈通过静环固定件固定在静环上；动环辅助密封圈通过动环固定件固定在动环上；动环辅助密封圈与推环相连，弹簧一端与推环相连，其另一端与弹簧座相连；静环固定件与动环固定件之间通过环间密封层连接；静环为采用镍掺杂碳化硅材料制成的静环；动环为采用碳化钨材料制成的动环；端盖与泵壳之间设置有端盖密封。本装置结构简单，使用方便，密封性能好，避免被腐蚀而出现泄露；推环与弹簧的设置，使得静环固定件与动环固定件之间粘接固定，且有利于增大动环辅助密封圈的密封效果。
-
-
-
-
-
-
-
-
-
搜索结果
12 条记录 (耗时 0.102 秒)
