CN112560188B - 高速列车部件间关联关系的判断方法 - Google Patents
高速列车部件间关联关系的判断方法 Download PDFInfo
- Publication number
- CN112560188B CN112560188B CN202011550806.XA CN202011550806A CN112560188B CN 112560188 B CN112560188 B CN 112560188B CN 202011550806 A CN202011550806 A CN 202011550806A CN 112560188 B CN112560188 B CN 112560188B
- Authority
- CN
- China
- Prior art keywords
- speed train
- nodes
- functional
- network model
- train system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供了一种基于二元决策图的高速列车部件间关联关系的判断方法,包括:步骤1,根据高速列车系统的结构及工作原理,以部件为节点,部件间的关联关系为边,构建高速列车系统本构拓扑网络模型;步骤2,基于高速列车系统运行故障数据,计算高速列车系统各部件的故障状态函数λ(t);步骤3,采用深度优先搜索算法,搜索所述高速列车系统本构拓扑网络模型中所述节点间所有功能路径,构建等价网络模型;步骤4,依据节点拓扑属性,对所述等价网络模型进行子网络划分;步骤5,依据高速列车系统各部件的故障状态函数λ(t)与所述子网络划分的结果,计算所述高速列车系统的各部件间的功能可靠性,以判断部件间的关联关系。
Description
技术领域
本发明涉及交通领域,尤其涉及一种基于二元决策图的高速列车部件间关联关系的判断方法。
背景技术
高速列车系统作为一个复杂的大型机电系统,具有设备集成度高、部件敏感度高以及部件之间耦合度高的基本特征。一方面系统内部部件数量多、使用频率高、工作强度大,部件故障在所难免;另一方面,高速列车系统部件间耦合方式多样、关联关系复杂,使得系统中少数甚至单一部件的故障就可能造成系统功能实现能力大幅下降,甚至造成系统整体的瘫痪,导致事故的发生。因此,对高速列车系统部件间的关联关系进行描述与计算,能够为高速列车系统的检测与维护工作提供一定程度的理论指导,从而保障高速列车系统的安全稳定运行。
常用的网络端可靠性研究方法大致可分为容斥原理法、不交积和法以及二元决策图法。但是上述方法均存在计算量过大、计算过程过于繁琐的缺陷。
发明内容
本发明的实施例提供了一种基于二元决策图的高速列车部件间关联关系的判断方法,实现部件间功能可靠性的简化计算。
一种基于二元决策图的高速列车部件间关联关系的判断方法,包括:
步骤1,根据高速列车系统的结构及工作原理,以部件为节点,部件间的关联关系为边,构建高速列车系统本构拓扑网络模型;
步骤2,基于高速列车系统运行故障数据,计算高速列车系统各部件的故障状态函数λ(t);
步骤3,采用深度优先搜索算法,搜索所述高速列车系统本构拓扑网络模型中所述节点间所有功能路径,构建等价网络模型;
步骤4,依据节点拓扑属性,对所述等价网络模型进行子网络划分;
步骤5,依据高速列车系统各部件的故障状态函数λ(t)与所述子网络划分的结果,采用二元决策图算法,计算所述高速列车系统的各部件间的功能可靠性,以判断部件间的关联关系。
所述的步骤1包括:
根据所述高速列车系统的结构及工作原理,将部件间关联关系划分为物理结构关系与协同工作关系两类;以部件vi为节点,部件间包括机械电气/>管路/>连接在内的物理结构关系为边,构建基础层网络模型GF(VF,EF,AF);
分别以部件为节点,部件间包括物质流机械能流/>电能流/>信息流/>在内的协同工作关系为边,构建各功能层网络模型GS(VS,ES,AS),GM(VM,EM,AM),GE(VE,EE,AE),GI(VI,EI,AI);
构建耦合边连接相同部件在各层网络模型中抽象出的节点,构建高速列车系统本构拓扑网络模型G(V,E,A)。
所述步骤2包括:
通过对高速列车系统中部件运行故障数据的统计分析,应用威布尔分布模型对部件故障概率密度曲线进行拟合,计算部件的故障状态函数式中β是形状参数,η是尺度参数,τ是位置参数;t是时刻。
所述步骤3包括:
使用深度优先搜索算法,对所研究节点间所有功能路径进行搜索,对功能路径进行合并,合并原则为当功能路径Ai和Aj满足路径Ai失效是路径Aj失效的充分条件时,将功能路径Ai和Aj合并为Ai,并以合并后的功能路径为基础构建等价网络模型。
所述使用深度优先搜索算法对所研究节点间所有功能路径进行搜索的步骤包括:
Step1:将所研究节点对的其中一个节点作为起始节点,另一个节点为目标节点,把起始点放入栈中;
Step2:访问栈顶的点,选择一个与此点邻接的且尚未遍历的点,进行标记,然后放入栈中;
Step3:如果该点没有未标记的邻接节点,或该点为目标节点,则将该点从栈中弹出;
Step4:重复Step2和Step3直到栈空为止。
所述步骤4包括:
将节点失效时导致所研究节点间的所有功能路径均失效的节点定义为伪端节点,以伪端节点为基础进行子网络划分。
所述步骤5包括:
采用二元决策图法,计算研究节点间各子网络的功能可靠性,其基本运算基于Shannon公式:
基于节点间各子网络的功能可靠性计算研究节点间的功能可靠性:
其中,RD(t)为t时刻两端节点的可靠性之积,RW(t)为t时刻各伪端节点的可靠性之积,RL(t)为t时刻各子网的路径集可靠性之积,为t时刻子网的路径集可靠性,λi(t)为t时刻节点vi的故障率;
其中:
所述采用二元决策图法计算研究节点间各子网络的功能可靠性的步骤包括:
Step1:将等价网络模型中两端节点间的功能可靠性写成各功能路径可靠性的并集的形式;
Step2:选择各功能路径中除端点外出现频数最大的节点作为二元决策图的顶点,应用Shannon公式进行运算;
Step3:重复Step2,若Shannon公式中出现f(xk)=1,将该项标记为直到Shannon公式中所有项均为1或均为0,结束运算。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例中,本文在表征部件间关联关系时,从构建等价网络模型和子网络划分两个角度对二元决策图法进行改进,实现部件间功能可靠性的简化计算,以表征高速列车系统部件间复杂的关联关系,为高速列车系统的检测与维护工作提供一定程度的理论指导,从而保障高速列车系统的安全稳定运行。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所述的一种基于二元决策图的高速列车部件间关联关系的判断方法的流程示意图;
图2为本发明所述的一种基于二元决策图的高速列车部件间关联关系的判断方法的实施例的流程示意图;
图3为本发明所述的高速列车牵引系统本构拓扑网络模型;
图4为本发明所述的电气层网络模型中v3(受电弓)和v1(牵引电机)间的等价网络模型;
图5为本发明所述的本发明所述的v3(受电弓)和v1(牵引电机)间的等价网络模型的子网络划分;
图6为本发明所述的物质流层网络模型节点间功能可靠性;
图7为本发明所述的电气流层网络模型节点间功能可靠性;
图8为本发明所述的信息流层网络模型节点间功能可靠性。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明提供了一种基于二元决策图的高速列车部件间关联关系表征方法,法首先基于高速列车系统结构与工作原理,构建高速列车系统本构拓扑网络模型;基于高速列车系统运行故障数据计算部件故障状态函数;基于深度优先搜索算法搜索网络中节点间功能路径,并构建节点间等价网络模型;对等价网络模型进行子网络划分;依据二元决策图法计算部件间的功能可靠性。本发明有效描述了高速列车系统部件间的拓扑与功能关系,可对不同行驶里程下部件间的协同工作能力进行计算。本发明在表征部件间关联关系时,从构建等价网络模型和子网络划分两个角度对二元决策图法进行改进,实现部件间功能可靠性的简化计算,以表征高速列车系统部件间复杂的关联关系。
如图1所述,一种基于二元决策图的高速列车部件间关联关系表征方法,所述方法包括:
步骤1,分析高速列车系统的结构及工作原理,将部件间关联关系划分为物理结构关系与协同工作关系两类。以部件vi为节点,部件间包括机械电气/>管路/>连接在内的物理结构关系为边,构建基础层网络模型;GF(VF,EF,AF);分别以部件为节点,部件间包括物质流/>机械能流/>电能流/>信息流/>在内的协同工作关系为边,构建各功能层网络模型;GS(VS,ES,AS),GM(VM,EM,AM),GE(VE,EE,AE),GI(VI,EI,AI);构建耦合边/>连接相同部件在各层网络模型中抽象出的节点,构建高速列车系统本构拓扑网络模型G(V,E,A)。
步骤2,通过对高速列车系统中部件运行故障数据的统计分析,应用威布尔分布模型对部件故障概率密度曲线进行拟合,计算部件的故障状态函数式中β是形状参数,η是尺度参数,τ是位置参数。
步骤3,使用深度优先搜索算法对所研究节点间所有功能路径进行搜索,具体搜索算法为:
Step1:将所研究节点对的其中一个节点作为起始节点,另一个节点为目标节点,把起始点放入栈中;
Step2:访问栈顶的点,选择一个与此点邻接的且尚未遍历的点,进行标记,然后放入栈中;
Step3:如果该点没有未标记的邻接节点,或该点为目标节点,则将该点从栈中弹出;
Step4:重复Step2和Step3直到栈空为止。
对功能路径进行合并,合并原则为当功能路径Ai和Aj满足路径Ai失效是路径Aj失效的充分条件时,将功能路径Ai和Aj合并为Ai,并以合并后的功能路径为基础构建等价网络模型。
步骤4,将节点失效时导致所研究节点间的所有功能路径均失效的节点定义为伪端节点。以伪端节点作为子网端点进行子网络划分,将节点间的功能可靠性计算转化为各子网中端节点及伪端节点间的功能可靠性计算。
步骤5,采用二元决策图法计算研究节点间各子网络的功能可靠性,其基本运算基于Shannon公式:
该式的具体含义如下:
假设
f(x1,x2,x3,x4)=x1x2+x3x4 (1)
则
其中
f(1,x2,x3,x4)=x2+x3x4 (3)
f(0,x2,x3,x4)=x3x4 (4)
二元决策图法具体实施步骤为:
Step1:将等价网络模型中两端节点间的功能可靠性写成各功能路径可靠性的并集的形式;
Step2:选择各功能路径中除端点外出现频数最大的节点作为二元决策图的顶点,应用Shannon公式进行运算;
Step3:重复Step2,若Shannon公式中出现f(xk)=1,将该项标记为直到Shannon公式中所有项均为1或均为0,结束运算。
基于节点间各子网络的功能可靠性计算研究节点间的功能可靠性:
其中,RD(t)为t时刻两端节点的可靠性之积,RW(t)为t时刻各伪端节点的可靠性之积,RL(t)为t时刻各子网的路径集可靠性之积,为t时刻子网的路径集可靠性,λi(t)为t时刻节点vi的故障率,由节点vi的故障概率拟合得出。
其中:
本发明的有益效果是:
本文在表征部件间关联关系时,从构建等价网络模型和子网络划分两个角度对二元决策图法进行改进,实现部件间功能可靠性的简化计算,以表征高速列车系统部件间复杂的关联关系,为高速列车系统的检测与维护工作提供一定程度的理论指导,从而保障高速列车系统的安全稳定运行。
以下描述具体实施例。
如图2所示,本实施例的方法实现具体包括以下步骤:
S01:构建高速列车系统本构拓扑网络模型,如图3所示,其中节点对应的部件如表1所示。
表1牵引系统部件
节点 | 部件名称 | 节点 | 部件名称 | 节点 | 部件名称 |
v1 | 牵引电机 | v2 | 温度传感器 | v3 | 受电弓 |
v4 | 避雷器 | v5 | 车顶隔离开关 | v6 | 接地开关 |
v7 | 线电压传感器 | v8 | 电流互感器 | v9 | 主断路器 |
v10 | 车顶高压电缆 | v11 | 牵引变压器 | v12 | 牵引变流器 |
v13 | 逆变器 | v14 | 限压电阻 | v15 | 支撑电容 |
v16 | 四象限整流器 | v17 | 过压阀 | v18 | 油流传感器 |
v19 | 冷却器 | v20 | 油泵 | v21 | 储油柜 |
v22 | 油温传感器 | v23 | 牵引控制单元(TCU) | v24 | 高压控制单元(HVCU) |
S02:计算各部件的状态属性,如表2所示。
表2部件的状态属性
节点vi | 10万公里 | 40万公里 | 80万公里 | 120万公里 |
1 | 0.063 | 0.086 | 0.102 | 0.112 |
2 | 0.115 | 0.132 | 0.145 | 0.154 |
3 | 0.019 | 0.045 | 0.071 | 0.092 |
4 | 0.015 | 0.029 | 0.057 | 0.095 |
5 | 0.048 | 0.075 | 0.100 | 0.120 |
6 | 0.006 | 0.034 | 0.066 | 0.096 |
7 | 0.024 | 0.055 | 0.089 | 0.119 |
8 | 0.106 | 0.129 | 0.139 | 0.146 |
9 | 0.012 | 0.031 | 0.051 | 0.068 |
10 | 0.000 | 0.003 | 0.019 | 0.050 |
… | … | … | … | … |
S03:以电气层网络模型中的v3(牵引电机)和v1(受电弓)为例,构建等价网络模型,如图4所示。
S04:以v3(牵引电机)和v1(受电弓)之间的等价网络模型为例,对网络模型进行子网络划分,如图5所示。
S05:计算不同运营里程下,牵引部件间功能可靠性,如图6至8所示。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种基于二元决策图的高速列车部件间关联关系的判断方法,其特征在于,包括:
步骤1,根据高速列车系统的结构及工作原理,以部件为节点,部件间的关联关系为边,构建高速列车系统本构拓扑网络模型;具体包括:
根据所述高速列车系统的结构及工作原理,将部件间关联关系划分为物理结构关系与协同工作关系两类;以部件vi为节点,部件间包括机械电气/>管路/>连接在内的物理结构关系为边,构建基础层网络模型GF(VF,EF,AF);
分别以部件为节点,部件间包括物质流机械能流/>电能流/>信息流/>在内的协同工作关系为边,构建各功能层网络模型GS(VS,ES,AS),GM(VM,EM,AM),GE(VE,EE,AE),GI(VI,EI,AI);
构建耦合边连接相同部件在各层网络模型中抽象出的节点,构建高速列车系统本构拓扑网络模型G(V,E,A);
步骤2,基于高速列车系统运行故障数据,计算高速列车系统各部件的故障状态函数λ(t);具体包括:
通过对高速列车系统中部件运行故障数据的统计分析,应用威布尔分布模型对部件故障概率密度曲线进行拟合,计算部件的故障状态函数式中β是形状参数,η是尺度参数,τ是位置参数;t是时刻;
步骤3,采用深度优先搜索算法,搜索所述高速列车系统本构拓扑网络模型中所述节点间所有功能路径,构建等价网络模型;具体包括:
使用深度优先搜索算法,对所研究节点间所有功能路径进行搜索,对功能路径进行合并,合并原则为当功能路径Ai和Aj满足路径Ai失效是路径Aj失效的充分条件时,将功能路径Ai和Aj合并为Ai,并以合并后的功能路径为基础构建等价网络模型;
步骤4,依据节点拓扑属性,对所述等价网络模型进行子网络划分;
步骤5,依据高速列车系统各部件的故障状态函数λ(t)与所述子网络划分的结果,采用二元决策图算法,计算所述高速列车系统的各部件间的功能可靠性,以判断部件间的关联关系;具体包括:
采用二元决策图法,计算研究节点间各子网络的功能可靠性,其基本运算基于Shannon公式:
基于节点间各子网络的功能可靠性计算研究节点间的功能可靠性:
其中,RD(t)为t时刻两端节点的可靠性之积,RW(t)为t时刻各伪端节点的可靠性之积,RL(t)为t时刻各子网的路径集可靠性之积,RLi(t)为t时刻子网的路径集可靠性,λi(t)为t时刻节点vi的故障率;
其中:
2.根据权利要求1所述的方法,其特征在于,所述使用深度优先搜索算法对所研究节点间所有功能路径进行搜索的步骤包括:
Step1:将所研究节点对的其中一个节点作为起始节点,另一个节点为目标节点,把起始点放入栈中;
Step2:访问栈顶的点,选择一个与此点邻接的且尚未遍历的点,进行标记,然后放入栈中;
Step3:如果该点没有未标记的邻接节点,或该点为目标节点,则将该点从栈中弹出;
Step4:重复Step2和Step3直到栈空为止。
3.根据权利要求1所述的方法,其特征在于,所述步骤4包括:
将节点失效时导致所研究节点间的所有功能路径均失效的节点定义为伪端节点,以伪端节点为基础进行子网络划分。
4.根据权利要求1所述的方法,其特征在于,所述采用二元决策图法计算研究节点间各子网络的功能可靠性的步骤包括:
Step1:将等价网络模型中两端节点间的功能可靠性写成各功能路径可靠性的并集的形式;
Step2:选择各功能路径中除端点外出现频数最大的节点作为二元决策图的顶点,应用Shannon公式进行运算;
Step3:重复Step2,若Shannon公式中出现f(xk)=1,将该项标记为1,直到Shannon公式中所有项均为1或均为0,结束运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011550806.XA CN112560188B (zh) | 2020-12-24 | 2020-12-24 | 高速列车部件间关联关系的判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011550806.XA CN112560188B (zh) | 2020-12-24 | 2020-12-24 | 高速列车部件间关联关系的判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560188A CN112560188A (zh) | 2021-03-26 |
CN112560188B true CN112560188B (zh) | 2023-09-15 |
Family
ID=75033467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011550806.XA Active CN112560188B (zh) | 2020-12-24 | 2020-12-24 | 高速列车部件间关联关系的判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560188B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493497B (zh) * | 2023-12-28 | 2024-06-07 | 西安交通工程学院 | 一种应用于列车设备的维护方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760589A (zh) * | 2016-02-03 | 2016-07-13 | 北京交通大学 | 一种基于高速列车系统作用关系网络的可靠性分析方法 |
WO2019155730A1 (ja) * | 2018-02-09 | 2019-08-15 | Jfeスチール株式会社 | 車体の接着位置の最適化解析方法及び最適化解析装置 |
CN110309550A (zh) * | 2019-06-10 | 2019-10-08 | 北京交通大学 | 一种基于势能场与网络效率的高速列车系统可靠性分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3052891B1 (fr) * | 2016-06-20 | 2018-06-15 | Safran Aircraft Engines | Procede d'estimation du facteur d'intensite des contraintes et procede de calcul de duree de vie associe |
-
2020
- 2020-12-24 CN CN202011550806.XA patent/CN112560188B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760589A (zh) * | 2016-02-03 | 2016-07-13 | 北京交通大学 | 一种基于高速列车系统作用关系网络的可靠性分析方法 |
WO2019155730A1 (ja) * | 2018-02-09 | 2019-08-15 | Jfeスチール株式会社 | 車体の接着位置の最適化解析方法及び最適化解析装置 |
CN110309550A (zh) * | 2019-06-10 | 2019-10-08 | 北京交通大学 | 一种基于势能场与网络效率的高速列车系统可靠性分析方法 |
Non-Patent Citations (1)
Title |
---|
基于Copula-network的相依部件系统可靠性计算;李莉洁;贾利民;王艳辉;秦勇;;中国安全科学学报(第06期);第67-72页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112560188A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503839B (zh) | 一种海上风电场环形集电网络分层规划方法 | |
CN104627204B (zh) | 车辆智能编址寻址方法及动态跨编组重联组网方法 | |
Chowdhury et al. | Transient stability of power system integrated with doubly fed induction generator wind farms | |
CN112560188B (zh) | 高速列车部件间关联关系的判断方法 | |
CN111652479B (zh) | 一种针对电力系统动态安全评估的数据驱动方法 | |
CN109598377B (zh) | 一种基于故障约束的交直流混合配电网鲁棒规划方法 | |
CN105116208A (zh) | 一种特高压直流输电系统换相失败故障诊断方法 | |
Khodaparastan et al. | Supercapacitors for electric rail transit systems | |
CN108008201A (zh) | 电容器剩余寿命的预测方法及装置 | |
Dashti et al. | Fault indicator allocation in power distribution network for improving reliability and fault section estimation | |
CN112072642B (zh) | 电力系统运行异常状态预估方法 | |
CN106848452A (zh) | 一种动力电池故障显示方法和动力电池故障显示装置 | |
CN110765556B (zh) | 一种交流机车再生制动建模方法 | |
CN103592572B (zh) | 一种利用直流分量和谐波分量交线定位的直流接地极线路故障测距方法 | |
CN104901328B (zh) | 基于复杂控制网络下的多端柔直控制模式自动识别方法 | |
CN112054510B (zh) | 电力系统运行异常状态预估方法 | |
CN105391099A (zh) | 基于psd-bpa仿真结果的故障合成卡生成方法及系统 | |
CN102707709B (zh) | 基于通信控制网络的高速动车组牵引控制实验平台 | |
Sumin et al. | Modeling and optimization of OC fault diagnosis for inverters based on GR-PTA-BN | |
Raghpoor et al. | A novel non‐unit protection scheme for HVDC transmission lines based on multi‐resolution morphology gradient | |
CN111062145A (zh) | 一种基于三层分区和电气距离的电力系统电磁暂态仿真等值方法 | |
Toshani et al. | Fault diagnosis of squirrel cage induction generator for wind turbine applications using a hybrid deep neural network and decision tree approach | |
CN116151562A (zh) | 基于图神经网络强化学习的移动应急车调度和配电网韧性提升方法 | |
CN113009279B (zh) | 基于Neo4j的配电网电压暂降故障定位及其可视化系统 | |
Parker et al. | DC protection for a multi‐terminal HVDC network including offshore wind power, featuring a reduced DC circuit breaker count |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |