输电线路雷击跳闸预测模型、方法、系统和存储介质

    公开(公告)号:CN117217546B

    公开(公告)日:2024-01-12

    申请号:CN202311473535.6

    申请日:2023-11-08

    摘要: 本发明涉及输电线路雷击风险预防技术领域,尤其是一种输电线路雷击跳闸预测模型、方法、系统和存储介质。本发明通过时间切片取各时段的落雷数据,且本发明把地形栅格化并对其填充海拔值以及时段落雷数据,显然本发明对特征更为精细化的处理有利于神经网络捕捉到更多的信息,进而提升其准确度。本发明中对雷击跳闸概率的相关特征做了更加细粒化的处理,有利于提升预测的准确度。本发明中,结合神经网络的不确定性参数取值方式,进一步将这种不确定性与平均跳闸概率结合,有助于提升模型准确度,考虑到了实际情况下一些扰动因素导致的不确定性,本发明可以捕捉这种不确定性并加以利用,提高模型的准确度。

    输电线路雷击跳闸预测模型、方法、系统和存储介质

    公开(公告)号:CN117217546A

    公开(公告)日:2023-12-12

    申请号:CN202311473535.6

    申请日:2023-11-08

    摘要: 本发明涉及输电线路雷击风险预防技术领域,尤其是一种输电线路雷击跳闸预测模型、方法、系统和存储介质。本发明通过时间切片取各时段的落雷数据,且本发明把地形栅格化并对其填充海拔值以及时段落雷数据,显然本发明对特征更为精细化的处理有利于神经网络捕捉到更多的信息,进而提升其准确度。本发明中对雷击跳闸概率的相关特征做了更加细粒化的处理,有利于提升预测的准确度。本发明中,结合神经网络的不确定性参数取值方式,进一步将这种不确定性与平均跳闸概率结合,有助于提升模型准确度,考虑到了实际情况下一些扰动因素导致的不确定性,本发明可以捕捉这种不确定性并加以利用,提高模型的准确度。

    基于深度强化学习的线路重合调度策略模型、方法和系统

    公开(公告)号:CN116611194A

    公开(公告)日:2023-08-18

    申请号:CN202310868481.7

    申请日:2023-07-17

    摘要: 本发明涉及雷击防控和配电网保护技术领域,尤其是一种基于深度强化学习的线路重合调度策略模型、方法和系统。本发明主要是通过将具有影响雷击后线路状况的特征耦合关系信息与线路中电器之间的拓扑关系信息耦合输入到Actor‑Critic网络中,对Actor‑Critic网络模型训练直至获取到收敛的最佳重合闸调度策略。本发明考虑线路中不同电器的电阻有所差异将线路中电器节点划分到若干区域,可使得电器电阻对线路雷击跳闸后是否采取正确动作的影响降低,从而提高线路重合调度决策的正确性,减少了调度失败的概率。

    一种应用于锂电池的表面缺陷检测装置

    公开(公告)号:CN114951030B

    公开(公告)日:2023-06-20

    申请号:CN202210637490.0

    申请日:2022-06-08

    IPC分类号: B07C5/34 B07C5/02 B07C5/36

    摘要: 本发明公开了一种应用于锂电池的表面缺陷检测装置,包括运送机构,所述运送机构的顶部固定安装有位于其中部的拨动机构;通过拨动机构能够推动承载机构沿着运送带的轨迹顺时针方向转动,同时拨动机构能够自动对柱形锂电池进行扫描检测,通过驱动机构对自旋转机构施加摩擦力,使自旋转机构能够在摩擦力的作用下运行,通过自旋转机构能够驱动柱形锂电池在检测位上滚动,使拨动机构能够对柱形锂电池上的所有面进行连续的扫描检测,一次性完成对柱形锂电池的检测工作,不需要人工对柱形锂电池进行翻面,检测的更加充分,通过筛选机构能够将不合格的柱形锂电池筛选出,提高了该应用于锂电池的表面缺陷检测装置的实用性。

    个性化边缘卸载调度方法、模型训练方法和系统

    公开(公告)号:CN116166406A

    公开(公告)日:2023-05-26

    申请号:CN202310451329.9

    申请日:2023-04-25

    IPC分类号: G06F9/48 G06N20/20 G06F9/50

    摘要: 本发明涉及微云系统技术领域,尤其是一种个性化边缘卸载调度方法、模型训练方法和系统。本发明在训练卸载调度模型的过程中采用联邦学习方法,还在训练过程中结合微云局部参数聚合和全边缘网络的全局参数聚合,以提高收敛速度,降低任务丢失率。本发明提出的卸载调度模型根据不同的任务类型将任务分配给不同的微云端进行计算,或者任务进行本地计算,以实现任务调度的优化。通过在仿真平台上进行测试,结果显示随着用户数量的增加,本发明训练的卸载调度模型在平均时延、能耗、收敛速度、任务丢失率上均有更加优异的表现,尤其用户终端数量越大,本发明训练的卸载调度相对于其他算法的优异性更加突出。