基于组合赋权法和模糊综合评价的电力设备状态数据质量评估

随着电力网络的扩大以及工业信息化的迅速发展,在电力领域中采集和待处理的数据量呈现爆发式增长,数据的丢失、冗余、异常、冲突等问题也日益突出,影响数据的质量。数据质量评估作为保证数据质量的关键一环,发挥着重要作用。针对电力设备的状态数据提出一种数据质量评估方法,选择完整性、准确性、唯一性、一致性、及时性5个评估指标构建数据质量评估体系,设置了定量计算的评估规则;组合运用模糊层次分析法和熵权法来确定各评估维度的权重,以提高数据质量评估的科学性;再运用模糊综合评价法,依据隶属函数来确定数据质量的所属等级。最后运用上述方法,对某地的油色谱数据质量进行评估,该方法计算得到数据质量的评分为77.15,处于“中等”等级。评估结果与实际应用场景相符,表明该文提出的方法适用于电力设备状态数据质量评估。

状态参量关联规则挖掘及深度学习融合的变压器故障诊断算法

变压器的正常运转是电力系统可靠供电的基础,它的早期故障检测一直是研究的热点方向。随着大数据和人工智能的兴起,变压器的多种日常运行监测数据得以更有效的利用。早期故障检测方法容易误判,对故障部位及故障程度的识别也比较模糊。因此,为了获得更高的故障预测及诊断精度,文中提出了一种关联规则输入的变压器深度学习故障辨识方法。首先应用Apriori算法挖掘特征量集中的高频项,计算其与故障类型的置信度,找到强置信度规则。然后将置信度与油中溶解气体浓度一起作为输入应用到深度神经网络DNN(deep neural networks)模型中,通过正向传播、反向梯度更新进行训练,以确定变压器的故障类型。最终实例证明基于关联规则的故障检测模型具有更高的精度和更快的响应速度,相较于未输入关联规则的模型准确度至少提升了5%。

数智化时代下企业智能财务发展研究

随着经济以及信息化技术的不断发展,世界开始进入数智化时代。大数据、人工智能等各种高新技术陆续涌现,对各行各业的发展产生了重大影响,使人们的生产和生活方式发生了巨大的变化,促使企业财务逐步进行智能化、数字化转型。文章基于数智化时代的视角,诠释了智能财务的内涵和特点,详细分析了智能财务的发展现状及其发展存在的问题,提出了一系列合理化的发展策略与方法,以促进企业财务智能化健康发展,提高企业的财务管理质量和整体发展水平。

变压器不平衡样本故障诊断的过采样和代价敏感算法

基于神经网络的变压器故障诊断方法是评估变压器状态的重要方法,然而该方法在处理各状态类别间样本数量不平衡的数据集时,各类型状态识别效果差距较大,识别结果更多偏向多数类样本。文中基于过采样方法和代价敏感算法,针对最大不平衡度为266∶19的油色谱数据集,构建了一种用于变压器故障诊断的BPNN模型。首先,基于SMOTE算法对样本数据集进行有选择的扩充,该算法结合了近邻分析和线性插值的思想,减少了样本扩充所导致的模型训练的过拟合现象。然后,构建五层神经网络,并引入Focal Loss函数取代交叉熵函数作为本模型的代价损失函数,从而更关注于少数类样本的识别和区分。实验结果表明,文中模型相比于原始BPNN模型在总体准确率上提升了6.48%,各少数类样本类别的F1分数分别提高了25.7%、11.4%、3%、26.1%、1.8%、15.3%和33.3%,并且算法收敛更快。在和传统机器学习方法的对比中,文中模型比基于KNN算法和随机森林算法模型的整体准确率分别提高了16.53%和7.98%。

林业生态环境损害赔偿实践问题的探索和研究

随着社会经济的发展,人们对林业生态环境的重视程度日益增加,林业生态损害赔偿问题也引起了学界和实务界的更多关注。然而,目前我国林业生态环境损害赔偿实践中仍存在处理相关问题的法律体系不健全、损害价值评估不准确、环境侵害责任难认定等问题。对此展开探索和研究,针对性地提出召开听证会、建立损害赔偿协作机制、咨询专家学者、通过走访办案部门了解实际问题等方法,力求解决林业生态环境损害赔偿办案中遇见的重点和难点问题,为生态环境损害赔偿实践提供理论和技术支持。

基于超高频电磁波的变电站局部放电空间定位

局部放电的测量和诊断已成为评估高压电力设备运行状态的重要方法之一。但目前的局部放电监测主要以单个设备监测为主,测试仪器程序多,成本高,维护工程大。可利用4个天线组成天线阵列接收超高频(UHF)电磁波,并定义三维坐标系对变电站范围内的放电源进行全站的局放定位。重点研究了基于能量积累法计算信号起始时刻和基于信号时延序列实现放电源准确定位算法的原理,并给出了求解基于时差的以局放源位置为未知数的非线性方程组的Newton算法和网络搜索法。实验室测试和现场测试验证了基于射频天线阵列实现变电站范围内局部放电定位的有效性,提出的定位算法可以自适应求解基于时差序列的非线性方程组,既保证了求解的速度,又能解决方程的收敛问题,满足变电站全站局部放电定位准确度的要求。

基于高阶累积量的局部放电超高频信号时延估计算法

时延估计是基于时间差的变电站局部放电空间定位算法的基础,也是决定定位准确度的关键。为此,以Tugnait的高阶统计量理论为基础,提出了基于4阶累积量的局部放电超高频(UHF)信号时延估计算法,并给出了具体的时延计算方法。该算法以高阶累积量代替信号本身来进行相关分析,估算得出信号时延,具有对相关特性未知的Gaussian噪声不敏感的优点。仿真实验利用双指数振荡衰减函数,并加入Gaussian噪声和定频干扰,模拟变电站现场局部放电超高频信号,利用该时延估计算法可以准确得到信号时延。最终利用该算法计算变电站实测多路超高频信号的时延,并将该时延序列应用于基于天线阵列的变电站局部放电定位,估算出局部放电源的空间位置,且定位误差<0.3m,验证了该算法的有效性和实用性。

变电站局部放电特高频信号时延的双谱估计算法

时延估计是基于时间差法的变电站局部放电空间定位算法的基础,也是决定定位精度的关键。阐述了双谱时延估计的理论基础,给出了参数化双谱时延估计算法的数值实现步骤。利用双指数振荡衰减函数模拟局部放电特高频信号,并加入高斯噪声及定频信号干扰,计算两路模拟信号之间的时延,验证了该算法的准确性。最后针对基于天线阵列的变电站局放定位系统,现场实测4路特高频电磁波信号,基于所提出的时延估计算法计算不同位置的天线接收到特高频信号的时延,并将该时延序列估算出局部放电源的空间位置,从而验证了该算法的有效性和实用性。

基于信号模型参数辨识的变电站局部放电电磁波信号重构

抑制现场噪声干扰、有效提取信号特征是局部放电(PD)信号检测和分析的关键,为此,利用自回归–滑动平均(ARMA)模型对局部放电辐射的特高频(UHF)电磁波信号建模,给出了利用高阶累积量估计模型阶数和参数的理论依据和算法。以混有Gauss白噪声及定频干扰的双指数振荡衰减函数模拟局部放电辐射的UHF信号,利用ARMA模型参数重构信号的Fourier变换幅值,利用双谱估计重构其Fourier变换的相位,最终重构时域信号,以验证该算法重构信号的有效性。利用该方法重构变电站实测的局部放电辐射的UHF信号,验证了该算法在变电站现场干扰情况下,可从现场采集到的含有噪声的信号中重构出只相差常数因子和线性相移的有用信号。且算法辨识得到了信号的ARMA模型参数及重构得到的UHF信号频谱及时域信号,可以给局部放电类型识别等进一步处理提供参数。

基于电磁波信号传播衰减模型的变电站局部放电定位方法

分析了局部放电辐射电磁波的空间传播衰减特性,及电磁波接收天线的灵敏度系数,并以此为理论基础,提出了一种新的基于天线阵列和电磁波衰减模型的局部放电定位方法,实现变电站全站的局部放电源定位。该方法在变电站空间建立三维坐标系,推导出天线接收到电磁波信号的峰值与局放源及天线位置之间的关系,从而构建关于局部放电位置的计算模型。该方法只需要检测信号峰值,而不需要计算信号的时延序列,可以大大简化数据采集和处理系统要求。论文分别对电磁波仿真软件得到局部放电信号,及实验室模拟局部放电测试得到的电磁波信号进行分析处理,利用该方法计算局部放电源位置,验证了方法的准确性和可行性。

基于电磁波阵列信号处理和波达方向分析的变电站局部放电定位

局部放电(partial discharge,PD)检测是绝缘检测与诊断最有效的方法之一。基于L型天线阵列信号处理,及旋转不变技术(estimating signal parameter via rotational invariance techniques,ESPRIT)求取信号波达方向(direction of arrival,DOA)的思想,提出了一种变电站局部放电定位方法,可以实现局部放电源的平面定位。该算法不需要计算信号的时延序列,故可以降低对采集系统采样率的要求,且其通过求解2个波达方向上的直线交点,即求解二元一次方程组,得到局部放电源的平面坐标,避免了求解非线性方程组。给出了算法的理论基础和实现步骤,并分别对电磁波仿真软件得到局部放电信号,及变电站现场实测的局部放电辐射电磁波信号进行分析处理。结果表明,利用该算法得到局部放电源位置的平面定位误差<30cm,满足变电站全站局部放电源的定位精度要求,验证了算法的准确性和可行性。

变电站多局部放电源分离的选择双谱算法

抑制现场噪声干扰、有效提取信号特征是局部放电信号检测和分析的关键。给出了利用Fisher可分离度选择具有最强类可分离度的双谱作为信号的特征参数,并利用特征参数训练径向基神经网络来判断信号的类型的算法。通过混有高斯白噪声的电磁波仿真软件得到的模拟不同局部放电源辐射的电磁波信号,利用该算法进行信号分离,验证了该算法的有效性。最后在变电站现场未知局部放电源的情况下,对采集到的局部放电辐射电磁波信号利用该算法进行处理得到信号类型数,并训练用于信号分离的径向基神经网络。基于现场实测信号分离结果,并结合基于时延序列的局部放电源定位结果验证了该算法在变电站现场干扰情况下分离多局部放电源的有效性。

基于改进EEMD和Cohen类的局部放电信号联合时频分析

局部放电信号特征提取及模式识别是电力设备状态评估和故障诊断的关键,基于局部放电波形的时频分析能够全面获取波形特征,但目前常用的时频分析方法存在交叉项干扰问题,会产生"虚假信号"。为解决该问题,提出将集合经验模态分解(EEMD)和Cohen类分布结合的方法应用于局部放电信号的时频分析,并运用回归型支持向量机(SVR)抑制EEMD端点效应。利用指数衰减振荡函数加入Gaussian白噪声和窄带干扰来模拟电力设备高频电流局放信号。结果表明,该方法能够准确辨识出特征脉冲信号,且在保证信号项时频聚集性的同时,有效削弱信号内部交叉干扰项。利用该方法对变电站现场实测局放信号进行时频分析,所得结果验证了其在现场干扰环境下的有效性和实用性。

插层改性水滑石对尼龙6阻燃及力学性能的影响

以尼龙6(PA6)为基体,分别用镁铝-碳酸根水滑石(CO3-LDHs)和磷酸二氢根插层改性后的镁铝水滑石(H2PO4-LDHs)作为阻燃剂,制备了PA6/CO3-LDHs和PA6/H2PO4-LDHs无卤阻燃复合材料。通过红外光谱(FTIR)、X射线衍射(XRD)对CO3-LDHs及H2PO4--LDHs进行了结构表征,结果表明:H2PO4-成功插层进入到层间取代了CO23-。通过静态力学测试、极限氧指数(LOI)和垂直燃烧等级(UL-94)的测试,研究了水滑石对材料力学性能以及阻燃性能的影响。结果表明:H2PO4-LDHs更有利于加强PA6阻燃性能和热稳定性,并能在一定程度上提高材料的力学性能。提出了LDH的存在对PA6复合材料燃烧过程的影响机理:水滑石的层状结构能够保护分子链;层间水和结构水的释放能够稀释可燃气体并且降低材料温度;磷酸二氢根属于无机磷化物,受热分解时能够促进聚合物脱水成炭。

企业雇主品牌吸引力及其形成机理研究

在人力资源国际化的背景下,越来越多的企业意识到打造自身的雇主品牌对吸引和保有优秀的人才,获得持久竞争优势的重要性。通过尝试性地提出了雇主品牌吸引力的概念,即企业的雇主品牌吸引、激励和保留员工的能力和程度,结合内部营销理论和个人组织适配理论,探讨了雇主品牌吸引力的形成机理,并提出管理建议。

基于智能电能表微内核动态优先级任务调度方法

为了提升新一代智能电能表中微内核实时嵌入式操作系统中任务调度算法性能,文中提出一种微内核动态优先级任务调度方法。在该方法中,将智能电能表中的任务划分周期性任务和事件触发任务,引入最高优先级调度和最早截止时间调度机制,对事件触发任务分配动态优先级。同时,针对低优先级任务可能存在得不到调度的情况,采用任务补偿调度策略,确保各任务能够及时得到执行。通过案例分析验证了文中方法的有效性,进而为新一代智能电能表实时任务处理应用奠定基础。

HO-1基因多态性与冠心病病人支架置入术后非罪犯血管病变关系

目的研究血红素氧合酶-1（HO-1）基因启动子GT重复序列多态性与冠心病病人冠状动脉支架置入术后非罪犯血管病变的关系。方法随访实施支架置入术的282例冠心病病人6个月后非罪犯血管的病变情况,分为进展组和非进展组。采集受检者外周静脉血,提取DNA,通过聚合酶链反应（PCR）扩增HO-1基因启动子GT重复序列,经聚丙烯酰胺电泳后银染确定基因分型。比较HO-1基因启动子区不同的基因型与支架置入术后非罪犯血管病变的关系。结果与非进展组相比,进展组病人S等位基因的携带率明显降低（χ2=10.326,P〈0.05）。多因素Logistic回归分析显示,病人非罪犯血管的进展与HO-1基因多态性、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇等因素有关,病人携带S等位基因为非罪犯血管进展的保护性因素（OR=0.483,95%CI=0.263~0.885,P〈0.05）。结论 HO-1基因启动子区GT重复序列的多态性与冠心病病人支架置入术后非罪犯血管病变相关,携带S等位基因可降低非罪犯血管进展的发生率。

基于HPLC技术的智能电网数据采集系统设计

为了解决智能电网数据采集系统中经常出现的调度失衡、采集装置负荷波动等问题,设计了一种智能电网数据采集系统。该系统基于矢量正交频分复用(VOFDM)的高速电力线载波(HPLC)通信技术,在接收端配备了两个非线性预处理器,具有较好的峰均功率比特性。该系统能够提高非线性预处理器的效率,以解决传输易受到电磁干扰的问题。此外,该系统还应用了自行设计的新型智能电网采集装置,可对电网负荷波动数据进行交、直流检测。试验结果表明,在相同的条件下,峰均功率比阈值最高降低了4.6 dB,通信性能增益显著,大大提高了智能电网数据采集能力。

考虑不平衡案例样本的电力变压器故障诊断方法

针对电力变压器各故障类别间案例数量不平衡导致的神经网络等传统机器学习诊断方法准确率较低,及各故障类型之间识别效果差距大的问题,基于层次分类和集成学习的思想,构造了一种多级层次变压器故障诊断模型。该方法根据每级类别样本的不平衡程度分级建立相应的分类器,逐级深入进行诊断。第1级分类器选取神经网络,提取正常、放电故障和过热故障3种广义特征标签,并与原始参量输入进行特征融合,以引导DL/T722—2014中采用的9种更细致的状态类型分类;第2级分类器采用EasyEnsemble集成学习方法,通过欠采样生成多个数据平衡的训练子集,充分平衡了多数类和少数类故障信息,再通过并行训练子分类器合成最终分类器,避免了欠采样丢失数据信息的问题。实验结果表明:与传统诊断方法相比,所提出的方法提升了少数类故障的泛化特性,使总体准确率提升了7%,具有更准确和更平衡的电力变压器故障诊断效果。

基于复合分析算法的智能电表数据应用

随着智能电表使用的普及化,其带来的海量数据得到了广泛关注。对这些数据的分析可获得众多有价值的信息。用户用电量预测是泛在电力物联网建设的核心内容。利用智能电表海量数据实现用户用电量的精准预测,是智能电表数据的重要应用方向之一。提出了基于模糊聚类、子群发现和长短期记忆(LSTM)神经网络相结合的复合算法,利用海量智能电表数据实现了用户用电量精准预测。首先,通过模糊聚类将区域内用户按用电量进行合理分类。然后,采用Apriori子群发现算法深度挖掘各子类中影响用电量的关联性因素,将各子类的相似日关联性因素和历史用电量作为LSTM的训练数据完成神经网络的训练。最后,实现了目标日的用电量精准预测。算例分析表明,该算法有效、可行。与其他预测方法相比,该算法剔除了非关联因素的影响,预测精度明显提高,实现了智能电表海量数据的高效利用。