输电线路分布式综合故障定位方法及其仿真分析

输电线路故障测距技术是保证供电可靠性的关键技术之一。在分析故障行波带宽的基础上,提出了直接在输电线路上获取故障电流行波的方法。讨论了检测点在不同安装位置时检测到的故障行波与其反射、折射波的对应关系,提出了分布式故障测距系统安装子系统的数目和安装位置的要求。在此基础上建立了分布式测距系统测距方程,并提出了故障区间、故障类型及伪故障点的判别方法。PSCAD仿真表明,此分布式综合故障定位方法可消除波速的不确定性带来的误差,整体定位误差小,有望在输电线路上得到广泛的应用。

分布式输电线路故障定位装置的研制

传统故障定位装置多是安装在变电站内,高频故障行波经过CT后会发生衰减,频带变窄,影响波头的检测。该文提出一种新型的分布式输电线路故障定位装置设计方法,在一条线路上沿线设置若干检测点,利用Rogowski线圈直接检测输电线路中的高频故障行波,根据输电线路接地故障行波中线模和零模分量在线路中传播速度不同,利用到达各检测点的零模和线模波头时间差计算故障的位置,提高故障测距的精度。

基于符号执行的注入类安全漏洞的分析技术

采用符号值作为输入,模拟程序执行,提取执行路径上相应的约束条件,即安全约束、攻击约束以及防御约束,并构成可满足矩阵(SAT)以及不可满足矩阵(UNSAT)两个注入类漏洞安全分析与检测模型,矩阵模型的求解结果可映射为注入类安全漏洞的安全状态。对Web应用注入类漏洞的检测实验表明,与目前安全分析主流工具相比,该分析技术具有降低误报率、漏报率、能自动生成攻击向量等优点。

一种基于混合神经网络的命名实体识别与共指消解联合模型

命名实体识别与共指消解均依赖于对实体相邻文本信息的学习,本文提出一种基于混合神经网络的命名实体识别与共指消解联合模型,共用双向长短时记忆模型LSTM编码层对输入序列中每个词前后方向上下文信息进行编码,并通过训练学习得到上下文信息传递到前馈神经网络FFNN模型以提高共指消解精度,通过将领域文档及篇章语义向量加入FFNN,改进共指消解算法并优化共指消解模型.基于领域文本数据集进行联合模型训练,实验结果表明该联合模型可以有效地提高共指消解精度.

G2S:基于语义块的知识图谱问答语义解析

问题意图理解是知识图谱问答的主要任务之一,语义解析是当前理解问题意图的主流方法.其主要挑战是如何充分利用知识图谱上下文理解问句中的隐含实体或关系,以及时间、排序和聚合等复杂约束条件等意图.为了应对这些挑战,本文提出了一种基于语义块的知识图谱问答语义解析框架——Graph-to-Segment,框架中的语义解析模型结合了基于规则的准确度和基于深度学习的覆盖度,实现了问题到语义块序列的解析和语义查询图的构造.框架将问题意图使用基于语义块的语义查询图表示,将问题的语义解析建模为语义块序列生成任务,采用编码器-解码器神经网络模型实现问题到语义块序列的解析,然后通过语义块组装形成语义查询图.同时,结合知识图谱中的上下文信息,模型使用图神经网络学习问题的表示,改进隐含实体或关系的语义解析效果.在两个知识图谱问答数据集上的实验表明,模型性能达到了良好的效果.