排序方式: 共有36条查询结果,搜索用时 15 毫秒
11.
专用变压器作为工业园区电力系统的重要组成部分,对园区内电网的稳定性与安全性有着十分重要的影响。针对专变实时电气运行参数的波动性与异质性,提出了一种基于极限区间的专变数据标准化方法。考虑了专变电气运行参数的动态集结方式与评价特征裕度,为后续专变健康量化评价方法提供完整且公平的评价信息。为了将专变电气运行参数对专变自身健康的影响进行清晰量化,将专家经验评价与神经网络相结合提出了一种基于极限区间与改进PCA-SOM的电气运行参数对专变健康影响的量化评价方法。在自组织映射神经网络的基础上,通过引入主成分分析法中的主成分贡献度对目标函数进行修正,并且结合各神经元的专家经验评分得到专用变压器的健康状态实时量化评分。最后采用"浙电云"大数据平台上采集的专变数据进行实验。结果表明该方法相比其他方法有着更好的评价效果,更能准确反映专变的实时电气运行参数的变化对专变健康状况的影响。 相似文献
12.
13.
综合能源系统中风电、光伏等可再生能源出力具有波动性和间歇性,精准的短期负荷预测有利于平抑可再生能源对系统运行的影响。系统中的多元负荷时间序列为典型的非平稳性信号,难以进行精准地预测。为了从数据层面提高综合能源系统短期负荷预测模型的精度,提出基于自适应局部迭代滤波(ALIF)的历史负荷数据分解方法,将历史负荷序列分解为具有不同频段模态函数的多个分量;针对预测模型训练中长时间序列处理困难及系统中多元负荷间耦合信息挖掘利用的问题,建立基于长短期记忆(LSTM)网络多任务学习的综合能源系统短期负荷预测模型。实验结果显示,与LSTM、ALIF-LSTM单任务学习、随机森林、LGBM方法相比,所提方法能够应对负荷波动剧烈的工况,预测精度较高,满足综合能源系统安全稳定运行控制的要求。 相似文献
14.
15.
为对电梯的回馈电能质量和回馈节能效率进行评估,开发电梯回馈电能质量及回馈节能效率集成检测系统。采用ADE7880作为电能计量和电能质量计算芯片,LPC2368作为下位机控制器,实现控制和通信功能。采用VC++和数据库技术编写上位机控制软件,实现测量控制、数据存储、数据分析、生成检测报告等功能。系统出具的检测报告可以明确地显示回馈电能是否满足入网条件,计算累积回馈节能效率,并指出能量回馈型节能电梯的安全性和经济性建议。实验表明:系统结构简单、性能稳定,有良好的测量精度。 相似文献
16.
17.
为了解决在线分布式微网系统的电能质量实时检测和组网复杂的问题,对电能质量检测系统的硬件和软件结构进行了详细地分析,设计了一种三通道分布式电能质量检测装置。该装置可以监测微网系统各个节点的三相电压、三相电流、电网频率、功率因数、有功功率、无功功率,谐波和三相不平衡度等基本电能质量参数,并且可以通过串口将数据上传至上位机以进行数据的存储。最后,将该装置测试的结果与FLUKE5000测试结果进行了比较。测试结果表明,该系统能够满足电能质量参数检测系统的要求,从而验证了该装置的有效性与实用性。 相似文献
18.
基于JPEG图像的无线胶囊内窥镜的设计 总被引:3,自引:1,他引:2
为了检测胃肠(GI)道疾病,设计并研制了一种新型的基于JPEG格式的数字式无线胶囊内窥镜(WCE)系统。胶囊内窥镜的直径为12mm,长28mm,非常易于吞服。胶囊内窥镜在人体肠道的蠕动作用下顺着消化道向下运动,同时获得分辨率为320×240的内窥镜图像,图像被压缩为JPEG格式后直接采用数字信号无线传出体外,无需进行D/A转换。数据被体外的接收盒接收存储,然后由图像分析软件进行再现、分析、诊断等处理。在用猪小肠模拟人体肠道的离体实验中,该胶囊内窥镜系统清晰地再现了猪小肠内部的图像。与基于Bayer格式模拟信号的胶囊内窥镜相比,数字信号抗干扰能力强,图像更加清晰,将有助于提高临床胃肠道疾病的诊断率。 相似文献
19.
基于无源光网络技术的智能变电站网络构建研究 总被引:1,自引:0,他引:1
针对智能变电站采用传统"三层两网"网络架构时存在的结构复杂、设备成本高,受间隔层设备隔离和过程层网络覆盖范围有限因素的制约,数据在间隔之间以及过程层直达站控层的传递不够灵活的问题,对变电站数据类型、网络构架以及组网设备等方面进行了研究,提出了一种采用无源光传感网络技术构建的"两层一网"的智能变电站架构。利用无源光纤网络(passive optical network,PON)组建了全站智能化网络,并采用分组交换、并行网络、逻辑GOOSE/SV/MMS子网等面向连接技术替代了现有面向对象的以太网构建技术,完成了全站网络的整合。变电站中任意两个设备通过统一网络可以直接实现通信,实现间隔层设备与过程层设备的整合。研究结果表明,"两层一网"的架构具有结构简单、组网设备少、抗干扰能力强、稳定性好的特点。 相似文献
20.
针对目前负荷识别中存在的人工挖掘特征困难的问题,同时为了进一步提升识别精度,提出了一种基于深度转换学习(DTL)与双通道深度残差神经网络(DC-ResNet)的非侵入式多标签负荷识别方法。首先运用改进的DTL从原始的负荷数据中自动提取有效的负荷特征,可以达到降维的效果。然后将负荷数据按时间滑窗生成特征图作为DC-ResNet的输入,利用卷积核自动提取时间尺度上的有效特征。DC-ResNet的一条通道用于提取大类特征预测负荷的开关状态,另一条通道用于提取小类特征预测负荷的运行模式,综合两条通道的输出可以得到最后的多标签分类结果。实验结果表明,经DTL提取后的负荷数据更易被识别,DC-ResNet在总体和单一设备的识别上都具有更好的效果,而且模型所需的训练时间较短。 相似文献