排序方式: 共有63条查询结果,搜索用时 234 毫秒
1.
为满足不同配电通信业务的服务质量要求,BS需要在时变网络条件下实时优化无线资源。提出一种基于级联深度网络的接入网无线资源边缘代理调度方法,将时频资源和发射功率分配给延迟耐受度不同的业务。核心网采用网元功能与专用硬件设备解耦的软切片方法,在保证负荷在规定时长内可靠切除的同时,提高了核心网服务器对不同业务的时空间复用能力。仿真结果表明,多业务并列运行时RTU与协控子站间的接入时延与TD-LTE专网相比降低40.76%,相邻第一第二信道间的功率泄露比均高于45 dB,满足毫秒级负荷切除业务分路整组动作时延和通信可靠性的要求。 相似文献
2.
电力变压器铁芯温度场分布的数值模拟及分析 总被引:1,自引:0,他引:1
应用ANSYS有限元软件的顺序耦合法,分析了变压器的电磁场分布,并将电磁场分析结果作为热生成率载荷,得到干式电力变压器铁芯的内部温度场分布.该方法可有效减少变压器的设计成本,也可以对已运行的设备进行电磁场和热场分布的分析. 相似文献
3.
红外测温在电气设备温度测量的应用日趋广泛,但是测温精度易受外界干扰.研究了影响红外测温的3个主要因素,即设备发射率、大气衰减、环境因素,并提出了解决方法.通过实验采用修正算法得出了准确的温度数据,同时利用两种比较法来对修正后的温度进行判断. 相似文献
4.
针对移动网络在高铁通讯时存在接收信号不稳定问题,开展了多普勒效应及多径时延对正弦波叠加(Sum-of-Sinusoid,SOS)模型、XIAO模型(Jakes仿真器)和LIU Qian模型的影响研究.分析了3种模型的信噪比、相关性以及处理信号衰减的程度,结果表明,在多普勒效应及多径时延的环境下,SOS模型的算法复杂度最低,LIU Qian模型反之,而传递函数相关性最佳,XIAO模型对接入信号的衰落程度最小;在保证传输效率、信道容量足够的前提下,LIU Qian模型中接收信号的失真程度较小,更适宜作为高速移动环境下无线信道的研究模型. 相似文献
5.
以单一特征为标签的用电设备识别,因特征携带的信息量不足,在区分性质相似的负荷时易产生误判,为此,提出一种将电流序列编码为图像的二维可视化方法,通过计算机视觉技术对负荷进行分类识别。利用Fryze功率理论提取电流的非有功分量,通过格拉姆角场(GAF)将一维电流序列转换成二维图像,借助数据扩充的方式进行升维,并赋予矩阵颜色特征来提升负荷标签的辨识度;基于迁移学习的思想,利用预训练模型Inception_v3提取并学习GAF图像特征,并以该特征为标签对负荷类型进行分类识别。在2个公开数据集上的实验验证了所提方法在高频采集场景下的准确性和有效性。 相似文献
6.
针对电子线路板上多电子元件及芯片组的不同布局所产生的热场分布问题,分析了分布元件的热产生、热传导、对流和辐射过程,采用有限元理论分析方法和ANSYS软件,对线路板上多芯片组件的热场分布进行仿真.结果表明:电子元件的不同布局将导致线路板热点的温度存在差别,在有限空间内合理布置元件可明显降低设备的热失效率. 相似文献
7.
8.
总结了智能电网的特点、发展阶段及目标,介绍了智能电网的5个关键技术和4大构成系统,分析了物联网和智能电网的异同,阐述了物联网在智能电网中的应用,指出电能质量物联网技术必将融入智能电网的发展,并对智能电网的发展起到推动作用. 相似文献
9.
在非侵入式负荷识别任务中,仅使用单一负荷特征对设备进行辨识时,存在特征重叠现象,无法满足对设备进行细粒度分类的需求。为此,该文提出一种基于颜色编码的非侵入式负荷细粒度识别方法。首先,采用Fryze功率理论将高频采样电流分解为有功、无功电流,并对高频采样电压与无功电流进行标准化处理以构建二维U-I轨迹图像。然后,利用颜色编码技术对轨迹图像进行处理,在R、G、B三通道中分别融合有功电流、轨迹变化信息及瞬时功率,得到彩色U-I轨迹图像。最后,构建卷积神经网络,对彩色U-I轨迹图像进行特征提取,实现对设备的分类。在此基础上,文中提出了一种自主学习方法,实现对负荷识别模型自主更新。使用PLAID和WHITED数据集对本算法的识别效果及自主学习方法进行测试。结果表明,文中方法使得U-I轨迹所携带的信息量增加,增强了负荷特征的独特性,从而实现对设备的细粒度识别;自主学习方法能够学习新型电器并更新模型,提升了负荷识别模型场景适应能力。 相似文献
10.
光伏发电精准预测是光伏新能源合理调度的依据,然而新建光伏电站发电样本数据不足是降低预测精度的重要因素。利用数据增强算法对光伏发电样本进行扩充,是解决小样本光伏发电预测问题的重要方法,因此,提出一种基于WGAN(Wasserstein generative adversarial network)算法的数据增强方法和基于LSTM算法的小样本光伏发电预测方法。利用源域数据集训练WGAN算法并引入深度迁移学习算法对其训练参数进行迁移优化,完成小样本数据集高效扩充。通过Pearson系数对气象参数和发电量的相关性进行分析,对多气象参数权重进行赋值,利用实际发电值修正LSTM预测模型。公开数据集实验结果表明,该方法对小样本光伏发电预测准确性提升了33.4%,对新建的太阳能电站发电预测具有实际指导意义。 相似文献