Rogowski线圈电流互感器相差分析与补偿设计

为了解决基于Rogowski线圈的电子式电流互感器（ECT）的相位误差影响测量精度的问题,对电子式电流互感器相位误差的产生原因进行了研究,提出了新的全通型恒时延滤波器移相电路的补偿设计方案,实验结果验证了相位补偿方案的有效性。     

基于振动信号的变压器铁心与绕组故障区分方法

针对变压器铁心、绕组由于机械结构相连,铁心故障与绕组故障区分困难的问题,提出采用基于振动信号的变压器铁心与绕组故障的区分方法,通过对比分析铁磁材料磁致伸缩和绝缘垫块弹性形变的非线性特性差异,结合实验分别获取变压器铁心、绕组振动信号,在频域研究了变压器铁心、绕组振动信号的非线性特性,通过分析不同条件下振动信号高次谐波能量占比,提出采用振动信号基频与高次谐波幅值的变化规律来区分铁心故障和绕组故障.研究表明,变压器运行中振动信号基频分量由铁心和绕组振动共同决定,高次谐波分量主要来源于铁心振动.当变压器绕组故障时,仅振动信号基频幅值发生突增;铁心故障时基频和高次谐波分量幅值均发生突增,可以有效区分铁心和绕组故障.     

128kV双电压式电力变压器的开发设计

采用量化设计方式,应用有限元仿真分析技术确定了串、并联绕组结构布置及开关绝缘水平,开发设计了三相128kV双电压电力变压器。     

天然酯绝缘油与变压器常用橡胶材料的相容性研究

通过天然酯绝缘油与变压器常用的丁腈橡胶、丙烯酸酯、氟橡胶及氟硅橡胶等材质橡胶的相容性试验,分析了在试验中引起橡胶材料性能变化的原因。     

直流稳压电源轻松做

电源是电路的核心,是电子电路制作过程中必不可少的设备。一个好的直流稳压电源能让电路制作事半功倍,效果显著。一般直流稳压电源由变压器、整流、滤波、稳压等几个部分组成。本文介绍了一种简单实用的直流稳压电源的制作。     

基于混合pi-sigma神经网络的故障诊断

由于电力变压器故障的模糊性和多样性,目前利用IEC三比值法在变压器故障诊断中存在准确率不高之难题.针对电力变压器的特点,综合考虑各因素的影响,将模糊逻辑和神经网络的长处融合在一起,构建了基于混合Pi-sigma神经网络及其算法的变压器故障诊断模型,其中在学习速率的选择、隶属度函数参数的更新等多处进行了改进,进一步减小了预测误差.用训练过的混合pi-sigrna神经网络模型对变压器故障进行验证和诊断的仿真结果表明,算法具有较快的收敛速度和较高的计算精度.证实了算法应用于电力变压器故障诊断的有效性.     

变电站网格监控研究

提出一种基于网格计算的变电站监控基础平台,该平台很好地利用了网格计算的分布式信息处理能力来处理广域变电站的监控问题.基于网格计算开发平台Globus来实现.实验室测试结果表明,该实验平台能够较好地完成系统数据的监控任务,为基于网格计算的变电站分布式监控的真正实施,提供了一种有效的模式.     

融合 Transformer 与残差通道注意力的恶劣场景水 位智能检测方法

精准感知水位信息变化是实现精细水务管控和洪涝灾害的关键环节之一,而低照度、雾霾、雨雪、冰冻、波浪、镜头抖动等恶劣场景给水位检测带来极大挑战。针对现有方法中难以实现水位精准检测难题,构建一种融合Transformer与残差通道注意力机制的Unet模型(TRCAM-Unet),进而提出基于TRCAM-Unet的恶劣场景水位智能检测方法。关键技术包括通过全尺度连接结构实现多层次特征融合,通过Transformer模块强化区域特征的关联性,通过残差通道注意力模块强化有用信息的表达并削弱无用信息的干扰。相关试验和实践表明,TRCAM-Unet取得了98.84%MIOU评分与99.42%的MPA评分,在约150 m距离外水位检测最大误差不超过0.08 m,水位偏差均值(MLD)仅有1.609×10^-2 m,优于Deeplab、PSPNet等主流语义分割算法。研究结果对解决恶劣场景下水位精准检测难题及洪涝灾害预警具有重要应用价值。     

基于字符注意力的自然场景文本识别

自然场景文本识别中采用固定大小的卷积核提取视觉特征,后仅进行字符分类的方法,其全局建模能力弱且忽视了文本语义建模的重要性,因此,本文提出一种基于字符注意力的自然场景文本识别方法。首先构建不同于卷积网络的多级efficient Swin Transformer提取特征,其可使不同窗口的特征进行信息交互;其次设计了字符注意力模块(character attention module, CAM),使网络专注于字符区域的特征,以提取识别度更高的视觉特征;并设计语义推理模块(semantic reasoning module, SRM),根据字符的上下文信息对文本序列进行建模,获得语义特征来纠正不易区分或模糊的字符;最后融合视觉和语义特征,分类得到字符识别结果。实验结果表明,在规则文本数据集IC13上识别准确率达到了95.2%,在不规则的弯曲文本数据集CUTE上达到了85.8%,通过消融及对比实验证明了本文提出的方法可行。     

基于CTCNet对球结膜进行糖尿病视网膜病变分类

糖尿病视网膜病变(diabetic retinopathy, DR)是一种糖尿病性微血管病变,会在球结膜微血管上有所体现,球结膜血管图像的获取比眼底图像更加便捷,但微血管的特征变化微小且难以量化。为了能够对患者进行早期辅助诊断,本文依据球结膜微血管形态与DR的关联,首先对球结膜图像进行预处理,使用限制对比度自适应直方图均衡(contrast limited adaptive histogram equalization, CLAHE)算法进行图像增强,随机处理使数据增强,然后结合卷积神经网络(convolutional neural network, CNN)和Transformer各自的网络优势构建CTCNet,对处理后的球结膜血管图像进行DR分类,分类准确率达到了97.44%,敏感度97.69%,特异性97.11%,精确度97.69%,通过实验对比CNN和Transformer, CTCNet网络性能优于其他模型,能够有效识别DR。