检索结果-南通市图书馆

基于特征判定系数的电力变压器振动信号故障诊断

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

电力工程技术 2024年第3期43卷 217-225页

作者：谢丽蓉严侣吐松江·卡日张馨月新疆大学电气工程学院新疆乌鲁木齐830047

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,文中提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposit... 详细信息

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,文中提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和特征熵权法(entropy weight method,EWM)进行故障诊断的方法。通过相关系数与峭度加权(correlation coefficient and weighted kurtosis,CCWK)原则筛选CEEMDAN分量并重构信号,在实现剔除冗余分量的同时,提升变压器振动信号特征的表征能力;利用EWM构建特征判定系数实现单一数据诊断变压器故障类型;通过主成分分析法减小混合域特征尺度,采用鸡群优化算法优化支持向量机(support vector machine,SVM)模型进行故障诊断。对某变电站110 kV三相油浸式变压器进行分析,结果表明与概率神经网络和SVM等变压器故障诊断方法相比,文中方法能在提前定性故障类型的同时,进一步提高变压器故障诊断的准确率与效率。

关键词：故障诊断变压器振动信号自适应噪声完备集合经验模态分解(CEEMDAN) 信噪比熵权法(EWM) 支持向量机(SVM) 鸡群优化算法

在线全文

学校读者我要写书评

暂无评论

基于聚光集热和脉动风压的定日镜群模拟研究

可再生能源 2024年第4期42卷 464-470页

作者：廖钦沛马小晶程泽宁吐松江·卡日刘寒新疆大学电气工程学院新疆乌鲁木齐830049 动力工程多相流国家重点实验室陕西西安710000 新疆天池能源有限责任公司准东能源研究院新疆昌吉831100 中国科学院苏州生物医学工程技术研究所江苏苏州215163

太阳辐射量和风荷载会直接影响光热电站的持续发电量。文章根据新疆哈密地区中电淖毛湖光热电站的实际环境情况,建立定日镜群的三维数值模型,对不同季节太阳辐射和迎风仰角下镜群的受热情况及流场特性开展数值模拟,分析获得风在不同入... 详细信息

太阳辐射量和风荷载会直接影响光热电站的持续发电量。文章根据新疆哈密地区中电淖毛湖光热电站的实际环境情况,建立定日镜群的三维数值模型,对不同季节太阳辐射和迎风仰角下镜群的受热情况及流场特性开展数值模拟,分析获得风在不同入射角下镜面耀斑分布情况和脉动风压系数。结果表明:模拟所得镜群阻力系数和升力系数与相关研究结果较为吻合,验证了所建模型的有效性;不同季节下耀斑的分布规律较为相似,主要取决于太阳方向角的变化;随着风入射角的增大,镜群的尾流区域呈先减小后增大趋势;由于定日镜镜群中的尾流可有效抑制风压,结合镜群的排布方式保证内部的稳定性,其中,正五边形定日镜的中心处保持较低的脉动风压,极大提高了镜面受力均衡性。

关键词：定日镜脉动风压系数太阳辐射数值模拟

同方期刊数据库博看期刊

基于变权—靶心贴近度的换流变压器状态评估方法

在线全文

学校读者我要写书评

暂无评论

高压电器 2024年第6期60卷 114-120,128页

作者：李博吐松江·卡日张紫薇马小晶刘智超朱炜新疆大学电气工程学院乌鲁木齐830049 清华四川能源互联网研究院成都610213

针对换流变压器状态评估中的数据匮乏以及各评价指标间的相互中和等问题,提出一种将变权理论和靶心贴近度相结合的换流变压器状态评估模型。首先,考虑到实际案例中指标的动态发展,采用变权模型根据指标量的劣化程度进行变权处理;其次,... 详细信息

针对换流变压器状态评估中的数据匮乏以及各评价指标间的相互中和等问题,提出一种将变权理论和靶心贴近度相结合的换流变压器状态评估模型。首先,考虑到实际案例中指标的动态发展,采用变权模型根据指标量的劣化程度进行变权处理;其次,为了达到降低数据需求并能准确评估换流变压器状态的目的,采用靶心贴近度模型确定换流变压器对各个状态等级的贴近度;最后,采用隶属度函数将靶心贴近度转化为隶属度并计算换流变压器最终状态情况。实际案例表明:文中提出的状态评估模型不仅能够有效地评估换流变压器的健康状态而且同样适用于电力变压器,在保证评估准确率的前提下,数据需求小,评估过程简单直接,具有实用价值与参考意义。

关键词：换流变压器状态评估变权理论三角模糊层次分析法靶心贴近度

基于双分支特征融合的电力设备缺陷文本挖掘方法

在线全文

学校读者我要写书评

暂无评论

高压电器 2024年第6期60卷 188-196页

作者：张中文吐松江·卡日张紫薇崔传世邵罗新疆大学电气工程学院乌鲁木齐830049 清华四川能源互联网研究院成都610299

针对电力设备缺陷文本信息的知识挖掘与分析任务中存在缺陷文本特征信息提取不足、缺陷文本分类精度不够的问题,提出一种基于BERT(bidirectional encoder representations from transformers)的双分支特征融合的电力设备缺陷文本分类模... 详细信息

针对电力设备缺陷文本信息的知识挖掘与分析任务中存在缺陷文本特征信息提取不足、缺陷文本分类精度不够的问题,提出一种基于BERT(bidirectional encoder representations from transformers)的双分支特征融合的电力设备缺陷文本分类模型。首先,对缺陷文本数据进行预处理,删除异常缺陷文本,并归纳了电力设备缺陷文本特点;然后,采用BERT模型作为文本编码器,将文本转化为向量后分别输入至BiLSTMAttention(attention-based bidirectional long short-term memory)模块和多分支CNN(multi-scale convolutional neural network,MCNN)模块,提取缺陷文本语义信息特征和局部关键信息特征;最后,将所提取出的语义特征和多维关键特征向量进行融合,并通过Softmax层实现对缺陷文本分类。与基准模型BERT-BiLSTMAttention相比,其准确率、召回率及F1值分别提高了2.76%、3.58%和4.39%,表明所建模型在缺陷文本分类任务中性能的优越性。

关键词：预训练模型多维特征提取语义信息特征缺陷文本分类

基于时空长短时记忆神经网络的地基云图预测算法

在线全文

学校读者我要写书评

暂无评论

计算机工程 2024年第3期50卷 298-305页

作者：吴现吐松江·卡日王海龙马小晶李振恩邵罗新疆大学电气工程学院新疆乌鲁木齐830049 北京智盟信通科技有限公司北京100053

针对传统云运动轨迹预测方法存在的预测精度差、空间结构细节信息丢失等问题,提出一种基于时空长短时记忆(ST-LSTM)神经网络的地基云图预测模型。首先使用卷积编码网络提取输入视频流的高维图像特征;然后在特征提取模型中对图像潜在信... 详细信息

针对传统云运动轨迹预测方法存在的预测精度差、空间结构细节信息丢失等问题,提出一种基于时空长短时记忆(ST-LSTM)神经网络的地基云图预测模型。首先使用卷积编码网络提取输入视频流的高维图像特征;然后在特征提取模型中对图像潜在信息进行多分支获取,一部分使用ST-LSTM神经网络提取不同帧之间的时空特征,另一部分将图像序列进行分解,并通过基于门控机制的记忆融合网络来获取分解后图像中的结构细节信息;最后将得到的分支特征进行组合后经过解码网络输出最终的预测视频流。在地基云图、Moving MNIST和Human 3.6M数据集上的实验结果表明,在图像预测准确率、结构细节信息保留效果以及人眼主观感受上,该预测模型均优于对比模型。与基准模型TaylorNet相比,所提模型在Moving MNIST数据集上均方误差指标和平均绝对误差指标分别降低15.7%和11.8%,在地基云图数据集上,其结构相似性指标与峰值信噪比指标分别提升1%和3.2%,且生成的视频流数据更为清晰,能够更准确地描述云层未来的运动状况,从而更可靠地预测光伏电站未来的输出功率。

关键词：深度学习视频预测地基云图麦克劳林展开时空长短时记忆神经网络

Short-TermWind Power Prediction Based on Combinatorial Neural Networks

在线全文

学校读者我要写书评

暂无评论

Intelligent Automation & Soft Computing 2023年第8期37卷 1437-1452页

作者： tusongjiang kari Sun Guoliang Lei Kesong Ma Xiaojing Wu Xian School of Electrical Engineering Xinjiang UniversityUrumqi830017China Anhui Nari Jiyuan Electric Power System Tech Co.LTD Hefei230088China

Wind power volatility not only limits the large-scale grid connection but also poses many challenges to safe grid *** wind power prediction can mitigate the adverse effects of wind power volatility on wind power grid *** the characteristics of wind power antecedent data and precedent data jointly to determine the prediction accuracy of the prediction model,the short-term prediction of wind power based on a combined neural network is ***,the Bi-directional Long Short Term Memory(BiLSTM)network prediction model is constructed,and the bi-directional nature of the BiLSTM network is used to deeply mine the wind power data information and find the correlation information within the ***,to avoid the limitation of a single prediction model when the wind power changes abruptly,the Wavelet Transform-Improved Adaptive Genetic Algorithm-Back Propagation(WT-IAGA-BP)neural network based on the combination of the WT-IAGA-BP neural network and BiLSTM network is constructed for the short-term prediction of wind ***,comparing with LSTM,BiLSTM,WT-LSTM,WT-BiLSTM,WT-IAGA-BP,and WT-IAGA-BP&LSTM prediction models,it is verified that the wind power short-term prediction model based on the combination of WT-IAGA-BP neural network and BiLSTM network has higher prediction accuracy.

关键词： Wind power prediction wavelet transform back propagation neural network bi-directional long short term memory

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于深度学习的厂站一次接线图拓扑关系检测

计算机仿真 2024年第1期41卷 541-547页

作者：刘萍吐松江·卡日阮佳阳徐丽新疆大学电气工程学院新疆乌鲁木齐830046 北京智盟信通科技有限公司北京100053 呼和浩特市供电公司内蒙古呼和浩特010050

目前调度控制系统中厂站一次接线图的绘制采用人工绘制、录入的方式,由于图形样式复杂,设备类型众多,极易出现元件缺失、关联错误、连接线虚接等问题。针对这些问题,提出了一种基于深度学习和改进概率霍夫变换相结合的厂站一次接线图的... 详细信息

目前调度控制系统中厂站一次接线图的绘制采用人工绘制、录入的方式,由于图形样式复杂,设备类型众多,极易出现元件缺失、关联错误、连接线虚接等问题。针对这些问题,提出了一种基于深度学习和改进概率霍夫变换相结合的厂站一次接线图的识别算法。首先,利用基于改进Faster-RCNN对电气元件、文本框进行识别,并获取其位置信息。然后,利用改进概率霍夫变换检测母线与连接线。最后,根据检测到的元件、母线和连接线,设定距离阈值、构建图结构,确定各元素的关联关系。实验证明,本文所提方法的母线检测准确率高达100%;对于厂站一次接线图拓扑关系检测,其准确率、召回率、综合F1值分别达89.8%、88.6%、89.2%,与Faster-RCNN、YOLOv5等方法对比,准确率提升显著,能够满足厂站一次接线图自动识别的要求。

关键词：厂站一次接线图深度学习目标检测概率霍夫变换

基于SO-PAA-GAF和AdaBoost集成学习的高压断路器故障诊断

在线全文

学校读者我要写书评

暂无评论

电力系统保护与控制 2024年第3期52卷 152-160页

作者：司江宽吐松江·卡日范想高文胜朱炜新疆大学电气工程学院新疆乌鲁木齐830047 国网新疆电力公司哈密供电公司新疆哈密839000 清华大学电机工程与应用电子技术系电力系统及发电设备控制和仿真国家重点实验室北京100084

针对在小样本和复杂工况下高压断路器故障诊断识别精度不高的问题,提出一种基于振动信号处理和Ada Boost集成学习的高压断路器故障诊断方法。首先,搭建高压断路器实验平台并采集8种工况下的分闸振动信号。其次,对振动信号进行绝对值处理... 详细信息

针对在小样本和复杂工况下高压断路器故障诊断识别精度不高的问题,提出一种基于振动信号处理和Ada Boost集成学习的高压断路器故障诊断方法。首先,搭建高压断路器实验平台并采集8种工况下的分闸振动信号。其次,对振动信号进行绝对值处理后,使用分段聚合近似(piecewise aggregate approximation,PAA)进行分段平均,将输出的新序列采用格拉姆角场(Gramian angular field,GAF)转换成图片,并使用Relief F方法对提取的高维图片特征进行重要度排序。最后,将保留的重要特征输入到Ada Boost集成学习模型进行故障诊断,并用蛇优化算法确定最优PAA分段步长和输入分类器特征数量,以进一步提高故障诊断精度。通过分析多种信号处理方式及分类模型可知,图片信号和Ada Boost集成学习模型能够有效处理振动信号并准确判断故障类型,为准确、可靠地诊断高压断路器故障提供了新途径。

关键词：高压断路器振动信号处理分段聚合近似格拉姆角场故障诊断

Fault Diagnosis of Power Transformer Based on Improved ACGAN Under Imbalanced Data

在线全文

学校读者我要写书评

暂无评论

Computers, Materials & Continua 2023年第5期75卷 4573-4592页

作者： tusongjiang.kari Lin Du Aisikaer.Rouzi Xiaojing Ma Zhichao Liu Bo Li School of Electrical Engineering Xinjiang UniversityUrumqi830047China School of Mathematics Xinjiang UniversityUrumqi830047China

The imbalance of dissolved gas analysis(DGA)data will lead to over-fitting,weak generalization and poor recognition performance for fault diagnosis models based on deep *** handle this problem,a novel transformer fault diagnosis method based on improved auxiliary classifier generative adversarial network(ACGAN)under imbalanced data is proposed in this paper,which meets both the requirements of balancing DGA data and supplying accurate diagnosis *** generator combines one-dimensional convolutional neural networks(1D-CNN)and long short-term memories(LSTM),which can deeply extract the features from DGA samples and be greatly beneficial to ACGAN’s data balancing and fault *** discriminator adopts multilayer perceptron networks(MLP),which prevents the discriminator from losing important features of DGA data when the network is too complex and the number of layers is too *** experimental results suggest that the presented approach can effectively improve the adverse effects of DGA data imbalance on the deep learning models,enhance fault diagnosis performance and supply desirable diagnosis accuracy up to 99.46%.Furthermore,the comparison results indicate the fault diagnosis performance of the proposed approach is superior to that of other conventional ***,the method presented in this study has excellent and reliable fault diagnosis performance for various unbalanced *** addition,the proposed approach can also solve the problems of insufficient and imbalanced fault data in other practical application fields.

关键词： Power transformer dissolved gas analysis imbalanced data auxiliary classifier generative adversarial network