油田电网短路故障分支定位法

鉴于油田电网树型分布的特殊性,提出了一种新的短路故障诊断方法.运用加信法原理,将音频测试信号叠加到电力线上,当发生短路故障时,利用始端、末端端口比值法进行分支定位.实例计算分析表明:对于同一树型电网中的同一分支设置不同类型的短路故障,且故障电阻的大小不同时,|ΔV2fΔV1f|的值大小近似相等,约为1.49290.这种端口比值分支定位法适用于树型结构电网单相、两相或三相短路故障的分支定位.

基于小波变换和分支定位的T接输电线路故障测距方法研究

为了解决传统方法在多端输电线路故障定位不精确,定位方法复杂等问题,本文提出了一种基于分支定位的T接输电线路故障定位的方法,通过提取故障行波,经过小波变换得到故障行波的时间和频率信息,找到原始的故障行波第一个反射波,进行故障分支定位计算,确定故障距离。与传统的故障阻抗法相比,该方法配合同步数据接收装置,使得计算方法更加简单且定位精度更高。最终使用了PSCAD/EMTDC进行了大量仿真实验,结果显示输电线路单相接地故障定位误差能够维持在0.21%,远高于传统方法,验证了本方法的有效性。

基于频域分析的配电网分支故障定位

在已经提出的配电网接地故障定位的加信传递函数法的基础上 ,根据所得传递函数频域波形特性与配电线路结构的关系 ,提出了配电网接地故障定位的分支故障信息法。该方法利用数字信号处理手段提取线路接地故障分支的故障信息来作为进行接地故障定位的判据 ,从而较准确地判定故障位置。以实际线路演化来的线路模型为例进行了仿真计算和测距方法介绍 ,结合实际理论分析证实了本方法的有效性。完善了已经提出的配电网接地故障定位的传递函数法的分支定位问题。

基于VMD-TEO的多分支小电流接地系统行波故障定位

针对小电流接地故障行波波头难以检测、行波波速不确定和多分支线路难以精确定位等问题,提出一种新的行波定位方法。首先,对故障电流进行相模变换得到线模信号,并对线模信号进行变分模态分解(variational mode decomposition, VMD),利用Teager能量算子(Teager energy operator, TEO)提取本征模态函数(intrinsic mode function, IMF)分量的故障特征实现故障测距;然后,根据故障距离构建故障分支判断矩阵,将多分支线路故障定位简化为单分支线路故障定位,进而转换为双端故障测距;最后,利用双端行波测距方法实现精确故障定位。使用暂态仿真软件ATP建立小电流接地系统模型并进行故障测距仿真,仿真结果表明此方法在多分支小电流接地系统中可以实现准确故障定位。该方法利用有限的行波检测装置实现多分支复杂电网的精确故障定位。

膨胀管定位分支井技术在渤海埕北油田的应用

膨胀管定位分支井技术研究是国家 86 3项目渤海大油田勘探开发关键技术———可控 (闭环 )三维轨迹钻井技术研究的子课题。应用膨胀管定位工具原理 ,完成了定位工具的研制 ,并在大量地面实验的基础上 ,将膨胀管定位技术成功地应用于渤海埕北油田老井侧钻分支井中。实践证明 :所研制的膨胀管定位分支井工具具有 3大技术特点 :①膨胀管定位 ,定位工具在老井中 ,对套管产生的应力集中小 ,有利于保护套管 ;②定位工具在密封后可承受压、扭等荷载 ,完全满足井下作业的需要 ;③定位工具设计合理 ,操作简便。通过在埕北油田A2 2h井的实践 ,钻成一口水平分支调整井 ,在老油田挖潜方面取得 3项突破 :第一 ,使用侧钻分支井挖掘剩余油获得突破 ;第二 ,在分支井油井中使用膨胀管定位工具获得突破 ;第三 ,使用修井机在海上平台钻分支调整井实现突破。膨胀管定位分支井技术及其工具在埕北油田A2 2h井的成功应用 ,使原来产油 11m3/d的老井通过分支井达到产油 112m3/d ,取得显著的经济效益。这项技术将在海上油田增储挖潜和提高采收率方面发挥很大的作用。

广域多层信息下的10kV架空配电网馈线故障定位

我国中小城市的配电网多采用10k V架空馈线,且配电自动化水平较低。现阶段针对10k V架空主干线路进行了绝缘化改造,降低了主干线路的故障率,但是分支线路的故障率却仍然很高。文章重点研究快速准确的配电网分支故障定位,提出利用故障指示器和分布式智能终端两者采集到的故障信息进行故障定位的方法。基于广域多层信息下的10k V架空配电网故障定位方法,实现了故障信息互补、装置相互配合以及分支的信息化改造,降低了对故障指示器测量精度和过流定值设置等方面的要求,清晰地表明线路运行状态,解决了基于故障指示器的简易配电网自动化模式向高级配电网自动化模式转化过程中的装置配合问题。经仿真和工程实例验证,表明该方法可行、有效。

运动信息引导的目标检测算法

在室外监控视频的场景下,由于场景的复杂性及目标的多样性,监控视频中的目标存在难以检测的情况,如目标被遮挡、目标尺寸变化等,目标检测任务仍然存在挑战。基于此,提出了一种利用运动信息引导基于卷积神经网络的目标检测算法来提高目标检测的准确率。对运动目标检测算法进行一定的改进,使得到的运动前景图中能够保持静止目标前景的存在;利用运动前景图中的前景可以指示目标空间位置的特点,在特征层面将网络提取的特征图与获取的以运动前景图为主的运动信息相融合,提高特征图可能存在目标区域的响应值;在目标检测算法的检测器中,引入一个定位分支,利用视频帧的运动前景图,学习候选目标的定位置信度,并与目标的分类置信度加权求和,作为目标最终的置信度,再通过非极大值抑制方法得到检测结果。实验证明,在固定摄像机下采集的数据集中,所提算法能够提升目标检测的准确率。

极化自注意力调控的情景式视频实例多尺度分割

视频实例分割(Video Instance Segmentation)是开发智能机器人视觉系统的一项关键技术,部署视频实例分割算法的智能机器人能够精确地实现目标追踪、避障等高复杂度任务.机器人在特定情景下自主移动时的成像效果会受到自身速度、拍摄角度、距离远近及目标移动速度的影响,导致捕获的运动目标普遍存在拓扑形变和尺度缩放等随机性问题.对于在相同视频序列中跨静态帧的同一目标实例而言,模型所学习的可辨识特征往往具有多样性和不确定性.现有模型更多强调帧间掩膜传播或特征跟踪等时序交互方法,而忽略了对拓扑实例的深层语义解析和尺度目标的轮廓分辨,因此缺乏对高层细粒度特征的有效关注和低层空间信息的准确定位.本文提出一种极化自注意力调控的多尺度视频实例分割PSAM-Net(Polarized Self-Attention Manipulation Network)模型.首先,在残差网络中嵌入单级式和级联式的极化自注意力机制,以建立任意空间位置的非线性关联信息,及其正交方向的通道特征依赖关系,克服高层特征图中细粒度特征分布弥散问题,增强模型的区域特征聚焦能力,完成对拓扑实例的深层语义解析;其次,由特征金字塔自上而下的特征流动方式,所导致的低层特征空间位置和实例边缘信息匮乏问题,对聚合了多粒度信息的空间定位分支模型进行构建,以适应不同尺度下前景目标定位检测和轮廓分割需求.最后,从Youtube-VIS中划分出多个适用于动物场景下的数据集.交叉验证结果表明,相较于YolactEdge基准模型,PSAM-Net在平均检测和平均分割精度上分别提升6.08%和8.87%,达到44.06%和44.41%,测试速度高达80FPS,表现出较好的鲁棒性与稳定性.本文方法实现了视频序列输入下的实时高精度分割,为智能移动机器人的自主环境感知提供了有效理论依据和一定参考价值.