一种特高压3/2接线纵差保护抗电流互感器饱和措施

特高压长线路3/2接线侧母线附近区外故障时2个分电流互感器都有可能饱和,使引入2个电流互感器和电流的相量差动保护遇到了较大困难.提出了一种实用抗电流互感器饱和措施,采用低电压启动判据筛选出可能引起电流互感器饱和的3/2接线侧母线附近的区内和区外故障,然后根据短数据窗电流不饱和的特点,采用适当的定值区分3/2接线侧母线附近区内故障差流和区外故障分布电容电流,从而通过闭锁防止区外故障因饱和误动.该方法已在实验样机中得到应用,并成功地通过保护动模试验.     

逆变站交流出线保护近区故障方向判别方法

逆变站作为交直流混合电网的核心枢纽,其故障特性相较于传统同步机更加复杂。逆变站交流出线发生故障时,受逆变站故障特性影响,传统基于工频量的保护无法正确动作。通过分析逆变站交流出线两端系统故障特性差异,基于R-L模型时域微分方程算法,提出了一种新型方向元件。当逆变站交流出线发生短路故障时,直流系统侧提供的故障电流和受端交流系统提供的故障电流特性差异极大,通过计算测量电压降落和计算电压降落变化趋势的相关系数,所提方向元件可正确判断故障方向。分析表明,所提出的方向元件适用于逆变站交流出线线路保护,且在逆变站仅有一条出线的情况下仍能正确动作。仿真结果表明,该方向元件具有良好的保护性能,不受雷击、故障类型、逆变站换相失败等因素的影响。     

零序导纳法馈线接地保护的研究

提出了采用测量线路零序导纳进行接地保护的新原理,讨论了直线式导纳继电器的接地保护判据。该原理克服了传统的小电流接地系统故障选线方法安装不便,可靠性不高等不足。只需测量本线路的零序电压、零序电流基波分量,适合在馈线保护中实现和就地终端单元（FTU）上安装,可行性高。经EMTP仿真分析表明：该方法具有较高的保护精度,能满足高阻接地保护的要求。     

一种自适应的网格计算资源组织与发现机制

资源发现是网格计算中一个重要的研究问题.计算资源作为支撑网格应用的基础资源,其组织与发现机制尤为重要,但现有的技术和方法在效率、可伸缩性、自适应的动态演化以及对查询方式的支持方面仍有较大的局限性.基于网格应用对计算资源需求特征的深入分析,通过引入计算资源的主属性概念,按照平衡二叉排序树对计算资源进行分类组织,提出基于资源分类树(resource category tree,简称RCT)的资源组织与发现机制.首先,讨论了基于RCT对计算资源的组织机制,包括RCT的基本概念和原理、支持资源动态加入和退出以及资源状态动态变化的自组织机制、负载感知的自适应演化机制和基于备份节点的容错机制;然后,在基于RCT的资源组织结构下,设计了支持4种查询方式的搜索算法,并对算法的复杂度进行了分析;最后,通过多组仿真实验对RCT的性能进行了评估.     

基于神经网络专家系统的钻井事故诊断

结合石油钻井工程的实际情况,依据钻井过程的监测参数,设计了利用神经网络进行知识获取、专家系统进行事故诊断的钻井工程事故智能诊断系统。通过神经网络对钻井复杂问题实例的不断学习训练,获得用于智能诊断的知识,完成对事故发生可能性的初步诊断。经过专家系统的进一步启发式反向推理验证事故是否存在,给出最后确诊,以此监控钻井参数,指导钻井参数调整的实施。应用实例结果表明,该智能诊断系统应用于钻井事故诊断是有效的,对减少钻井事故的发生与发展具有重大的实际应用价值。     

一类工业运行过程多模型自适应控制方法

针对一类动态未知的工业运行过程,提出一种基于神经网络补偿和多模型切换的自适应控制方法.为充分考虑底层跟踪误差对整个运行过程优化和控制的影响,将底层极点配置控制系统和上层运行层动态模型相结合,作为运行过程动态模型.针对参数未知的运行过程动态模型,设计由线性鲁棒自适应控制器、基于神经网络补偿的非线性自适应控制器以及切换机制组成的多模型自适应控制算法.采用带死区的递推最小二乘算法在线辨识控制器参数,克服了投影算法收敛速度慢、对参数初值灵敏的局限.理论分析和仿真实验结果表明了所提方法的有效性.     

动静力混合润滑轴承三维温度场的研究

联立求解广义雷诺方程、三维能量方程、三维固体热传导方程及载荷平衡方程、油腔流量守恒方程和油腔能量守恒方程并考虑粘度随温度及压力、密度随粘度及压力的变化,在油膜与轴瓦界面使用热流连续性边界条件,得到动静力混合润滑轴承的三维温度场。结果表明动静力混合润滑轴承的温度分布比较均匀,在外载荷相同时,供油压力高时的最高温度略低于供油压力低时的情况。     

钕铁硼磁材二次废料制备高纯硫酸亚铁

钕铁硼磁材废料经回收稀土后产生大量的二次废料,针对该废料含铁量高的特点,对废料中的铁元素提取进行了相关研究,铁元素以硫酸亚铁产品形式回收。酸浸提铁阶段考察了酸浓度、浸提温度、反应时间、液固比(酸体积/废渣质量)、浸取次数等因素对铁离子浸出效果的影响,通过单因素实验得到较优的酸浸工艺参数：硫酸浓度6 mol/L、浸提温度80℃、反应时间120 min、液固比4∶1(mL/g)和浸取次数2次,在此条件下铁的浸出率约为97.8%。还原阶段考察了温度、反应时间及废铁屑过量系数等因素对Fe³⁺转化为Fe²⁺效果的影响,得到较优的还原工艺参数：还原温度为80℃、反应时间为120 min和废铁屑过量系数为1.2,在此优化条件下,Fe³⁺转化为Fe²⁺的转化率约为97.69%。最终采用浓缩、冷却结晶、重结晶的方法制得硫酸亚铁产品,产品纯度99.92%。     

基于不完全信息的深度网络表示学习方法

网络表示学习的目标是将网络中的节点嵌入到低维的向量空间,为下游任务提供有效特征表示.在现实场景中,大规模网络通常具有不完整的链路,而现有的大多数网络表示学习模型都是在网络是完整的假设下设计的,因此其性能很容易受到链路缺失的影响.针对该问题,文中提出了一种基于不完全信息的深度网络表示学习方法DNRL(Deep Network Representa-tion Learning).首先采用转移概率矩阵将结构信息和属性信息进行动态融合,弥补了结构信息不完整带来的过大损失,然后采用一种具有强大特征提取能力的深度生成模型(变分自编码器)来学习节点的低维表示,并捕获网络数据中潜在的高非线性特征.在3个真实属性网络上的实验结果表明,与当前常用的网络表示学习模型相比,所提模型在不同程度链路缺失的节点分类任务中都明显地改善了分类效果,在可视化任务中更清晰地反映了节点的团簇关系.