以某750 kV变电站2号静止无功发生器(static var generator,SVG)为背景,针对其在并网投运过程中发生光纤断路故障为研究对象,提出避免该类故障的处理措施。首先对故障过程进行解读,在分析取能电源拓扑结构的同时,将模块取能电源进行解...以某750 kV变电站2号静止无功发生器(static var generator,SVG)为背景,针对其在并网投运过程中发生光纤断路故障为研究对象,提出避免该类故障的处理措施。首先对故障过程进行解读,在分析取能电源拓扑结构的同时,将模块取能电源进行解体试验,得到其故障原因为单模块的取能电源中输入电容的引脚受损处于虚接状态,进而造成50 V转400 V电路板处于低压输入工作状态,最后匝间短路烧坏,致使光纤断路以至于2号SVG并网失败。再结合该装置从投运以来故障频发的器件类型,确认这类故障具有共性原因,均为取能电源里的精细元件经过长途运输颠簸、振动等原因发生断裂或接触不良等问题,进而造成跳闸等故障。最后提出对精细元件点胶加固、采取抗震性能高的包装箱等处理措施来预防此类故障的发生。展开更多
针对卫星领域命名实体语料匮乏、现有算法识别性能较低的问题,提出一种考虑模糊边界的卫星领域实体标注方法,构建包含8类常见卫星领域实体的语料库,与该领域现有语料库相比粒度更细、覆盖更广,并以此为基础提出迁移学习和多网络融合的...针对卫星领域命名实体语料匮乏、现有算法识别性能较低的问题,提出一种考虑模糊边界的卫星领域实体标注方法,构建包含8类常见卫星领域实体的语料库,与该领域现有语料库相比粒度更细、覆盖更广,并以此为基础提出迁移学习和多网络融合的卫星领域实体识别算法。该算法采用预训练双向编码器对语料语义平滑迁移获得子词级别特征,采用双向长短期记忆(bi-directional long-short term memory,BiLSTM)神经网络捕捉上下文信息确定边界,以条件随机场作为解码器实现标签预测。实验结果表明:相比于BiLSTM等传统模型具有更优的识别性能,算法在8种实体上的F1值均在92%以上,微平均F1值达到96.10%。展开更多
文摘针对卫星领域命名实体语料匮乏、现有算法识别性能较低的问题,提出一种考虑模糊边界的卫星领域实体标注方法,构建包含8类常见卫星领域实体的语料库,与该领域现有语料库相比粒度更细、覆盖更广,并以此为基础提出迁移学习和多网络融合的卫星领域实体识别算法。该算法采用预训练双向编码器对语料语义平滑迁移获得子词级别特征,采用双向长短期记忆(bi-directional long-short term memory,BiLSTM)神经网络捕捉上下文信息确定边界,以条件随机场作为解码器实现标签预测。实验结果表明:相比于BiLSTM等传统模型具有更优的识别性能,算法在8种实体上的F1值均在92%以上,微平均F1值达到96.10%。