发明内容
本申请提供一种用于集装箱中压配电柜的泄压装置及方法,其首先获取高温高压气体在预定时间段内多个预定时间点的温度值和压力值,然后通过人工智能和深度学习技术来进行所述高温高压气体的温度值和压力值的时序协同关联特征信息的充分表达,以此来进行解码以得到用于表示推荐的高压室通道内部的压力值的解码值,这样,能够准确地进行高压室通道内部的压力值设置,进而保证配电柜内部泄压的效率和效果,确保泄压装置的稳定性和可靠性。
第一方面,提供了一种用于集装箱中压配电柜的泄压装置,所述装置包括:
数据采集模块,用于获取高温高压气体在预定时间段内多个预定时间点的温度值和压力值;
数据参数时序排列模块,用于将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度时序输入向量和压力时序输入向量;
参数关联编码模块,用于对所述温度时序输入向量和所述压力时序输入向量进行关联编码以得到温度-压力时序关联矩阵;
矩阵切分模块,用于对所述温度-压力时序关联矩阵进行矩阵切分以得到多个温度-压力局部时序关联子矩阵;
全局时序关联特征提取模块,用于将所述多个温度-压力局部时序关联子矩阵通过基于转换器的上下文编码器以得到全时序温度-压力时序特征向量;
特征优化模块,用于对所述全时序温度-压力时序特征向量进行特征优化以得到优化全时序温度-压力时序特征向量;以及
压力值控制模块,用于将所述优化全时序温度-压力时序特征向量通过解码器以得到解码值,所述解码值用于表示推荐的高压室通道内部的压力值。
第二方面,提供了一种用于集装箱中压配电柜的泄压方法,所述方法包括:获取高温高压气体在预定时间段内多个预定时间点的温度值和压力值;
将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度时序输入向量和压力时序输入向量;
对所述温度时序输入向量和所述压力时序输入向量进行关联编码以得到温度-压力时序关联矩阵;
对所述温度-压力时序关联矩阵进行矩阵切分以得到多个温度-压力局部时序关联子矩阵;
将所述多个温度-压力局部时序关联子矩阵通过基于转换器的上下文编码器以得到全时序温度-压力时序特征向量;
对所述全时序温度-压力时序特征向量进行特征优化以得到优化全时序温度-压力时序特征向量;以及
将所述优化全时序温度-压力时序特征向量通过解码器以得到解码值,所述解码值用于表示推荐的高压室通道内部的压力值。
第三方面,提供了一种芯片,该芯片包括输入输出接口、至少一个处理器、至少一个存储器和总线,该至少一个存储器用于存储指令,该至少一个处理器用于调用该至少一个存储器中的指令,以执行第二方面中的方法。
第四方面,提供了一种计算机可读介质,用于存储计算机程序,所述计算机程序包括用于执行上述第二方面中的方法。
第五方面,提供了一种包括指令的计算机程序产品,当计算机运行所述计算机程序产品的所述指时,所述计算机执行上述第二方面中的方法。
本申请提供的一种用于集装箱中压配电柜的泄压装置及方法,其首先获取高温高压气体在预定时间段内多个预定时间点的温度值和压力值,然后通过人工智能和深度学习技术来进行所述高温高压气体的温度值和压力值的时序协同关联特征信息的充分表达,以此来进行解码以得到用于表示推荐的高压室通道内部的压力值的解码值,这样,能够准确地进行高压室通道内部的压力值设置,进而保证配电柜内部泄压的效率和效果,确保泄压装置的稳定性和可靠性。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
这里由于涉及到基于深度学习的深度神经网络模型,下面先对本申请实施例可能涉及的深度神经网络模型的相关术语和概念进行介绍。
在深度神经网络模型中,隐藏层可以是卷积层和池化层。卷积层对应的一组权重值被称为滤波器,也被称为卷积核。滤波器和输入特征值都被表示为一个多维矩阵,对应地,表示成多维矩阵的滤波器也称为滤波器矩阵,表示成多维矩阵的输入特征值也称为输入特征矩阵,当然,除了可以输入特征矩阵,也可以输入特征图像,特征向量,这里只是以输入特征矩阵进行举例。卷积层的运算称为卷积运算,该卷积运算指的是,输入特征矩阵的一部分特征值与滤波器矩阵的权重值进行内积操作。
深度神经网络模型中每一个卷积层的运算过程可以被编成软件,然后通过在运算装置中运行该软件,得到每层网络的输出结果,即输出特征矩阵。例如,软件通过滑动窗口的方式,以每层网络的输入特征矩阵的左上角为起点,以滤波器大小为窗口,每次从特征值矩阵中提取一个窗口的数据与滤波器进行内积操作。当输入特征矩阵的右下角窗口的数据与滤波器完成内积操作后,便可得到每层网络的一个二维的输出特征矩阵。软件重复上述过程,直至产生每层网络的整个输出特征矩阵。
卷积层运算的过程为,将一个滤波器大小的窗口滑动过整个输入图像(即输入特征矩阵),在每个时刻对窗口内覆盖的输入特征值与该滤波器进行内积运算,其中,窗口滑动的步长为1。具体地,以输入特征矩阵的左上角为起点,以滤波器大小为窗口,窗口滑动的步长为1,每次从特征值矩阵中提取一个窗口的输入特征值与滤波器进行内积操作,当输入特征矩阵的右下角的数据与滤波器完成内积操作后,便可得到该输入特征矩阵的一个二维的输出特征矩阵。
由于常常需要减少训练参数的数量,因此卷积层之后常常需要周期性的引入池化层,在图像处理过程中,池化层的唯一目的就是减少图像的空间大小。池化层可以包括平均池化算子和/或最大池化算子,以用于对输入图像进行采样得到较小尺寸的图像。平均池化算子可以在特定范围内对图像中的像素值进行计算产生平均值作为平均池化的结果。最大池化算子可以在特定范围内取该范围内值最大的像素作为最大池化的结果。另外,就像卷积层中用权重矩阵的大小应该与图像尺寸相关一样,池化层中的运算符也应该与图像的大小相关。通过池化层处理后输出的图像尺寸可以小于输入池化层的图像的尺寸,池化层输出的图像中每个像素点表示输入池化层的图像的对应子区域的平均值或最大值。
由于实际在深度神经网络中需要模拟的函数往往是非线性的,而前面卷积和池化只能模拟线性函数,为了在深度神经网络模型中,引入非线性因素,以增加整个网络的表征能力,在池化层过后还会设置有激活层,激活层中设置有激活函数,常用的激励函数有sigmoid、tanh、ReLU函数等。
如上所述,目前,针对集装箱中压配电柜的泄压装置,传统的方案通过安装阀门进行手动泄压,这种方式需要人工干预,不仅费时费力,而且存在安全隐患。并且,现有一些方案中使用自动泄压器来进行自动泄压,这种方式虽然可以自动进行压力释放,但是往往不能根据实际情况灵活调整压力释放的程度和时机,容易造成能源的浪费和系统的损坏。因此,期望一种用于集装箱中压配电柜的泄压装置。
相应地,考虑到目前的中压配电柜都要求在顶部装设和预留泄压通道,用于在内部燃弧产生时,泄放燃弧气压,用以保障配电柜使用安全和人员安全。然而,现有的泄弧装置都要求在顶部需预留足够的空间,现有高度的配电柜难以保证布置在集装箱内并有足够的顶部高度。基于此,在本申请的技术方案中,提出了一种用于集装箱中压配电柜的泄压装置,其包括设置在配电柜内部泄压通道上的减压装置,所述的减压装置通过改变高压室通道内部的压力及流场环境,在保证不阻碍正常压力释放的基础上,通过一些列的减压吸收装置,减少释放出来的压力的大小。
应可以理解,在集装箱中压配电柜的泄压过程中,由于压缩空气系统工作原理的限制,会产生高温高压气体,在泄压过程中如不能及时控制和处理这些气体,可能会对设备造成损坏或爆炸等危险。因此,需要通过实时监测高温高压气体的温度值和压力值,从而及时发现异常情况并提前预警,以进行相应的处理和控制,以此保证设备和人员的安全。因此,对于高温高压气体的温度值和压力值的时序分析尤为关键,在本申请的技术方案中,期望通过对于高温高压气体的温度和压力分析来对于高压室通道内部的压力值进行合理推荐,以此来减少释放出来的压力的大小。但是,由于所述高温高压气体的温度值和压力值都在时间维度上有着各自的动态变化规律性,并且这两者还具有着时序的协同关联特征,若只对于所述温度值或所述压力值进行单一时序变化的分析会使得高压室通道内部的压力值的设置不满足实际应用需求,导致泄压的效果和效率得不到保障,影响泄压装置的稳定性和可靠性。因此,在此过程中,难点在于如何进行所述高温高压气体的温度值和压力值的时序协同关联特征信息的充分表达,以此来准确地进行高压室通道内部的压力值设置,进而保证配电柜内部泄压的效率和效果,确保泄压装置的稳定性和可靠性。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述高温高压气体的温度值和压力值的时序协同关联特征信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取高温高压气体在预定时间段内多个预定时间点的温度值和压力值。应可以理解,在集装箱中压配电柜泄压过程中,所述高温高压气体的温度和压力都是非常重要的参数。通过对所述高温高压气体的温度和压力进行实时监测和分析,可以对所述高温高压气体的状态进行全面了解,从而判断是否存在异常情况,并及时进行相应的处理和控制。
接着,考虑到由于所述高温高压气体的温度值和压力值在时间维度上都具有着动态性的变化规律,因此,为了能够对于所述高温高压气体的温度值和压力值在时间维度上的时序协同关联变化特征信息进行有效提取,在本申请的技术方案中,将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度时序输入向量和压力时序输入向量,以此来分别整合所述高温高压气体的温度值和压力值在时序上的分布信息。然后,为了能够对所述高温高压气体泄压过程中的温度和压力进行综合分析,以此来探究所述高温高压气体的温度值和压力值在时间维度上的时序关联特征信息,需要进一步对所述温度时序输入向量和所述压力时序输入向量进行关联编码以得到温度-压力时序关联矩阵。
进一步地,考虑到由于在实际进行集装箱中压配电柜的泄压过程中,通常需要对大量的所述高温高压气体的温度和压力数据进行处理和分析,而不同的时间和空间尺度可能会对这些数据的变化特征产生不同的影响。因此,在本申请的技术方案中,需要进一步将所述温度-压力时序关联矩阵切分成多个温度-压力局部时序关联子矩阵,以更好地理解和分析这些数据的变化规律,从而更好地捕捉不同时间和空间尺度下温度和压力的变化特征。
然后,使用在局部隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述温度-压力时序关联矩阵的隐含关联特征挖掘,但考虑到卷积运算的固有局限性,纯CNN的方法仅能够捕捉到局部隐含关联特征。也就是说,所述卷积神经网络模型的感受野有限,很难学习明确的全局和远程语义信息交互。因此,为了能够捕捉到所述高温高压气体的温度和压力基于全局的时序关联变化特征信息,在本申请的技术方案中,进一步对所述温度-压力时序关联矩阵进行矩阵切分以得到多个温度-压力局部时序关联子矩阵后,再将所述多个温度-压力局部时序关联子矩阵通过基于转换器的上下文编码器中进行编码,以提取出所述高温高压气体的温度值和压力值在时间维度上基于时序全局的时序协同关联特征信息,从而得到全时序温度-压力时序特征向量。
接着,进一步再将所述全时序温度-压力时序特征向量作为解码特征向量通过解码器中进行解码回归,以得到用于表示推荐的高压室通道内部的压力值的解码值。也就是说,以所述高温高压气体的温度值和压力值的全局时序关联特征来进行解码,以此来对于高压室通道内部的压力值进行精准控制,进而保证配电柜内部泄压的效率和效果。
特别地,在本申请的技术方案中,将所述多个温度-压力局部时序关联子矩阵通过基于转换器的上下文编码器得到所述全时序温度-压力时序特征向量时,可以获得所述多个温度-压力局部时序关联子矩阵之间的全局上下文关联特征。但是,考虑到每个温度-压力局部时序关联子矩阵本身表达温度值和压力值的局部时序关联信息,因此为了充分利用全局特征和局部信息,优选地通过将所述全时序温度-压力时序特征向量和所述多个温度-压力局部时序关联子矩阵融合后优化所述全时序温度-压力时序特征向量。
并且,考虑到所述全时序温度-压力时序特征向量是所述多个温度-压力局部时序关联子矩阵通过基于转换器的上下文编码器得到的多个上下文局部时序关联特征向量级联得到的,因此其具有所述多个上下文局部时序关联特征向量的级联表示下的上下文局部片段特征表达特性,而每个温度-压力局部时序关联子矩阵也是作为全局时序关联下的局部片段,因此期望提升所述全时序温度-压力时序特征向量和所述多个温度-压力局部时序关联子矩阵之间的基于特征片段粒度的局部序列分布的融合效果。
基于此,本申请的申请人首先将所述多个温度-压力局部时序关联子矩阵分别展开为温度-压力局部时序关联子向量后级联以得到温度-压力局部时序关联向量,然后对所述全时序温度-压力时序特征向量,例如记为及所述温度-压力局部时序关联向量,例如记为/>进行局部序列语义的片段式富化融合,以获得优化后的全时序温度-压力时序特征向量,例如记为/>,具体表示为:
为特征向量/>和特征向量/>之间的距离矩阵,即/>,/>和均为列向量,且/>是权重超参数。
这里,所述局部序列语义的片段式富化融合基于序列的片段特征分布对序列的预定分布方向上的方向性语义的编码效果,来以序列片段之间的相似性嵌入作为用于序列间关联的重加权因数,从而对序列之间在各个片段级别的基于特征表象(featureappearance)的相似性进行捕获,实现了所述一维特征向量和所述数据安全检测关联数据语义理解特征向量的局部片段级语义的富化式融合,这样,就可以提升优化后的全时序温度-压力时序特征向量的表达效果,从而提升其通过解码器得到的解码值的准确性。这样,能够准确地进行高压室通道内部的压力值控制,进而保证配电柜内部泄压的效率和效果,确保泄压装置的稳定性和可靠性。
图1是本申请实施例的用于集装箱中压配电柜的泄压装置及方法的应用场景图。如图1所示,在该应用场景中,分别通过温度传感器(例如,图1中所示意的T)和压力传感器(例如,图1中所示意的P)采集压配电柜(例如,图1中所示意的V)内高温高压气体在预定时间段内多个预定时间点的温度值和压力值。然后,将采集的所述高温高压气体在预定时间段内多个预定时间点的温度值和压力值输入至部署有用于集装箱中压配电柜的泄压控制算法的服务器(例如,图1中所示意的S)中,其中,所述服务器能够使用所述用于集装箱中压配电柜的泄压控制算法对输入数据进行处理以生成用于表示推荐的高压室通道内部的压力值的解码值。
以上在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2是本申请实施例的用于集装箱中压配电柜的泄压装置及方法的示意性框图。如图2所示,用于集装箱中压配电柜的泄压装置100,包括:
数据采集模块110,用于获取高温高压气体在预定时间段内多个预定时间点的温度值和压力值。应理解,在集装箱中压配电柜泄压过程中,所述高温高压气体的温度和压力都是非常重要的参数。通过对所述高温高压气体的温度和压力进行实时监测和分析,可以对所述高温高压气体的状态进行全面了解,从而判断是否存在异常情况,并及时进行相应的处理和控制。具体地,在本申请一实施例中,分别通过温度传感器和压力传感器采集压配电柜内高温高压气体在预定时间段内多个预定时间点的温度值和压力值。
数据参数时序排列模块120,用于将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度时序输入向量和压力时序输入向量。应理解,考虑到由于所述高温高压气体的温度值和压力值在时间维度上都具有着动态性的变化规律,因此,为了能够对于所述高温高压气体的温度值和压力值在时间维度上的时序协同关联变化特征信息进行有效提取,在本申请的技术方案中,将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度时序输入向量和压力时序输入向量,以此来分别整合所述高温高压气体的温度值和压力值在时序上的分布信息。
参数关联编码模块130,用于对所述温度时序输入向量和所述压力时序输入向量进行关联编码以得到温度-压力时序关联矩阵。应理解,为了能够对所述高温高压气体泄压过程中的温度和压力进行综合分析,以此来探究所述高温高压气体的温度值和压力值在时间维度上的时序关联特征信息,需要进一步对所述温度时序输入向量和所述压力时序输入向量进行关联编码以得到温度-压力时序关联矩阵。
可选地,在本申请一实施例中,所述参数关联编码模块,用于:以如下关联编码公式对所述温度时序输入向量和所述压力时序输入向量进行关联编码以得到温度-压力时序关联矩阵;其中,所述关联编码公式为:
其中表示向量相乘,/>表示所述温度-压力时序关联矩阵,/>表示所述温度时序输入向量,/>表示所述压力时序输入向量,/>表示所述压力时序输入向量的转置。
矩阵切分模块140,用于对所述温度-压力时序关联矩阵进行矩阵切分以得到多个温度-压力局部时序关联子矩阵。应理解,考虑到由于在实际进行集装箱中压配电柜的泄压过程中,通常需要对大量的所述高温高压气体的温度和压力数据进行处理和分析,而不同的时间和空间尺度可能会对这些数据的变化特征产生不同的影响。因此,在本申请的技术方案中,需要进一步将所述温度-压力时序关联矩阵切分成多个温度-压力局部时序关联子矩阵,以更好地理解和分析这些数据的变化规律,从而更好地捕捉不同时间和空间尺度下温度和压力的变化特征。
全局时序关联特征提取模块150,用于将所述多个温度-压力局部时序关联子矩阵通过基于转换器的上下文编码器以得到全时序温度-压力时序特征向量。应理解,考虑到由于在实际进行集装箱中压配电柜的泄压过程中,通常需要对大量的所述高温高压气体的温度和压力数据进行处理和分析,而不同的时间和空间尺度可能会对这些数据的变化特征产生不同的影响。因此,在本申请的技术方案中,需要进一步将所述温度-压力时序关联矩阵切分成多个温度-压力局部时序关联子矩阵,以更好地理解和分析这些数据的变化规律,从而更好地捕捉不同时间和空间尺度下温度和压力的变化特征。
图3是本申请实施例的用于集装箱中压配电柜的泄压装置中全局时序关联特征提取模块的结构示意图。可选地,在本申请一实施例中,所述全局时序关联特征提取模块150,包括:矩阵展开单元151,用于将所述多个温度-压力局部时序关联子矩阵按照列向量展开以得到多个温度-压力局部时序关联向量;转换器编码单元152,用于将所述多个温度-压力局部时序关联向量输入所述上下文编码器的基于转换器的Bert模型进行基于全局的上下文语义编码以得到多个上下文局部时序关联特征向量;以及,向量级联单元153,将所述多个上下文局部时序关联特征向量进行级联以得到所述全时序温度-压力时序特征向量。
图4是本申请实施例的用于集装箱中压配电柜的泄压装置中转换器编码单元的示意性框图。可选地,在本申请一实施例中,所述转换器编码单元152,包括:查询向量构造子单元1521,用于将所述多个温度-压力局部时序关联向量进行一维排列以得到一维排列特征向量;自注意子单元1522,用于计算所述一维排列特征向量与所述多个温度-压力局部时序关联向量中各个温度-压力局部时序关联向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化子单元1523,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算子单元1524,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,注意力施加子单元1525,用于分别以所述多个概率值中各个概率值作为权重对所述多个温度-压力局部时序关联向量中各个温度-压力局部时序关联向量进行加权以得到所述多个上下文局部时序关联特征向量。
特征优化模块160,用于对所述全时序温度-压力时序特征向量进行特征优化以得到优化全时序温度-压力时序特征向量。应理解,在本申请的技术方案中,将所述多个温度-压力局部时序关联子矩阵通过基于转换器的上下文编码器得到所述全时序温度-压力时序特征向量时,可以获得所述多个温度-压力局部时序关联子矩阵之间的全局上下文关联特征。但是,考虑到每个温度-压力局部时序关联子矩阵本身表达温度值和压力值的局部时序关联信息,因此为了充分利用全局特征和局部信息,优选地通过将所述全时序温度-压力时序特征向量和所述多个温度-压力局部时序关联子矩阵融合后优化所述全时序温度-压力时序特征向量。
并且,考虑到所述全时序温度-压力时序特征向量是所述多个温度-压力局部时序关联子矩阵通过基于转换器的上下文编码器得到的多个上下文局部时序关联特征向量级联得到的,因此其具有所述多个上下文局部时序关联特征向量的级联表示下的上下文局部片段特征表达特性,而每个温度-压力局部时序关联子矩阵也是作为全局时序关联下的局部片段,因此期望提升所述全时序温度-压力时序特征向量和所述多个温度-压力局部时序关联子矩阵之间的基于特征片段粒度的局部序列分布的融合效果。
基于此,本申请的申请人首先将所述多个温度-压力局部时序关联子矩阵分别展开为温度-压力局部时序关联子向量后级联以得到温度-压力局部时序关联向量,然后对所述全时序温度-压力时序特征向量,例如记为及所述温度-压力局部时序关联向量,例如记为/>进行局部序列语义的片段式富化融合,以获得优化后的全时序温度-压力时序特征向量,例如记为/>,具体表示为:
为特征向量/>和特征向量/>之间的距离矩阵,即/>,/>和均为列向量,且/>是权重超参数。
这里,所述局部序列语义的片段式富化融合基于序列的片段特征分布对序列的预定分布方向上的方向性语义的编码效果,来以序列片段之间的相似性嵌入作为用于序列间关联的重加权因数,从而对序列之间在各个片段级别的基于特征表象(featureappearance)的相似性进行捕获,实现了所述一维特征向量和所述数据安全检测关联数据语义理解特征向量的局部片段级语义的富化式融合,这样,就可以提升优化后的全时序温度-压力时序特征向量的表达效果,从而提升其通过解码器得到的解码值的准确性。这样,能够准确地进行高压室通道内部的压力值控制,进而保证配电柜内部泄压的效率和效果,确保泄压装置的稳定性和可靠性。
可选地,在本申请一实施例中,所述特征优化模块,包括:维度变换单元,用于将所述多个温度-压力局部时序关联子矩阵分别展开为温度-压力局部时序关联子向量后级联以得到温度-压力局部时序关联向量;融合优化单元,用于对所述全时序温度-压力时序特征向量和所述温度-压力局部时序关联向量进行局部序列语义的片段式富化融合以得到所述优化全时序温度-压力时序特征向量。
可选地,在本申请一实施例中,所述融合优化单元,用于:以如下优化公式对所述全时序温度-压力时序特征向量和所述温度-压力局部时序关联向量进行局部序列语义的片段式富化融合以得到所述优化全时序温度-压力时序特征向量;其中,所述优化公式为:
其中,是所述全时序温度-压力时序特征向量,/>是所述温度-压力局部时序关联向量,/>为所述全时序温度-压力时序特征向量和所述温度-压力局部时序关联向量之间的距离矩阵,/>和/>均为列向量,且/>是权重超参数,/>表示向量乘法,/>表示向量加法,/>是所述优化全时序温度-压力时序特征向量。
压力值控制模块170,用于将所述优化全时序温度-压力时序特征向量通过解码器以得到解码值,所述解码值用于表示推荐的高压室通道内部的压力值。也就是,以所述高温高压气体的温度值和压力值的全局时序关联特征来进行解码,以此来对于高压室通道内部的压力值进行精准控制,进而保证配电柜内部泄压的效率和效果。
可选地,在本申请一实施例中,所述压力值控制模块,用于:使用所述解码器以如下解码公式对所述优化全时序温度-压力时序特征向量进行解码回归以得到所述用于表示推荐的高压室通道内部的压力值的解码值;其中,所述解码公式为,其中,是所述优化全时序温度-压力时序特征向量,/>是所述用于表示推。
综上,本申请提供的一种用于集装箱中压配电柜的泄压装置及方法,其首先获取高温高压气体在预定时间段内多个预定时间点的温度值和压力值,然后通过人工智能和深度学习技术来进行所述高温高压气体的温度值和压力值的时序协同关联特征信息的充分表达,以此来进行解码以得到用于表示推荐的高压室通道内部的压力值的解码值,这样,能够准确地进行高压室通道内部的压力值设置,进而保证配电柜内部泄压的效率和效果,确保泄压装置的稳定性和可靠性。
图5是本申请实施例的用于集装箱中压配电柜的泄压方法的示意性流程图。如图5所示,所述用于集装箱中压配电柜的泄压方法,包括:S110,获取高温高压气体在预定时间段内多个预定时间点的温度值和压力值;S120,将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度时序输入向量和压力时序输入向量;S130,对所述温度时序输入向量和所述压力时序输入向量进行关联编码以得到温度-压力时序关联矩阵;S140,对所述温度-压力时序关联矩阵进行矩阵切分以得到多个温度-压力局部时序关联子矩阵;S150,将所述多个温度-压力局部时序关联子矩阵通过基于转换器的上下文编码器以得到全时序温度-压力时序特征向量;S160,对所述全时序温度-压力时序特征向量进行特征优化以得到优化全时序温度-压力时序特征向量;以及,S170,将所述优化全时序温度-压力时序特征向量通过解码器以得到解码值,所述解码值用于表示推荐的高压室通道内部的压力值。
图6是本申请实施例的用于集装箱中压配电柜的泄压方法的模型架构的示意图。如图6所示,所述用于集装箱中压配电柜的泄压方法的模型架构的输入为所述多个预定时间点的温度值和压力值。首先,将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度时序输入向量和压力时序输入向量,并对所述温度时序输入向量和所述压力时序输入向量进行关联编码以得到温度-压力时序关联矩阵。然后,对所述温度-压力时序关联矩阵进行矩阵切分以得到多个温度-压力局部时序关联子矩阵,并将所述多个温度-压力局部时序关联子矩阵通过基于转换器的上下文编码器以得到全时序温度-压力时序特征向量。接着,对所述全时序温度-压力时序特征向量进行特征优化以得到优化全时序温度-压力时序特征向量。最后,将所述优化全时序温度-压力时序特征向量通过解码器以得到解码值,所述解码值用于表示推荐的高压室通道内部的压力值。
这里,本领域技术人员可以理解,上述用于集装箱中压配电柜的泄压方法中的各个步骤的具体操作已经在上面参考图2到图4的用于集装箱中压配电柜的泄压装置的描述中得到了详细介绍,并因此,将省略其重复描述。
在本申请的另一实施例中,考虑到目前的中压配电柜都要求在顶部装设和预留泄压通道,用于在内部燃弧产生时,泄放燃弧气压,用以保障配电柜使用安全和人员安全。现有的泄弧装置都要求在顶部需预留足够的空间,一般至少在顶部有300-500mm的空间,柜体本身高度一般在2450mm左右,这样总净高至少需要2750mm;但40尺集装箱的精高只有2690mm.现有高度的配电柜难以保证布置在集装箱内并有足够的顶部高度。
提供一种能解决布置在集装箱狭小空间内中压配电柜的泄弧减压装置及其工作方法,不仅结构设计合理,而且高效便捷,易于实现。现有的泄压通道需将配电柜顶部并依次相连,在末端设置一个总的吸收装置;所有的高压小室顶部装有泄压板,故障电弧产生的气压打开泄压板,使电弧排入泄压通道。为了解决上述布置带来的空间不足问题,提供一种AMP集装箱内中压配电柜的泄弧减压装置,包括设置在配电柜内部泄压通道上的减压装置,所述的减压装置通过改变高压室通道内部的压力及流场环境,在保证不阻碍正常压力释放的基础上,通过一些列的减压吸收装置,该减压吸收装置类似折板多几个折子,折子也就是扇子波形平面,并设置孔板,一直向上多处碰撞来达到降低出口释放的压力,通过上述装置尽量减少释放出来的压力的大小;柜内各母线室、断路器室、电缆室的泄压通道和设置进行改进,采用如洗涤塔除雾器或是底部塔排水管上部有防雨帽,压力通过不能的折页或螺旋型的设置,使得压力能缓慢释放但又不完全阻碍,类似走迷宫,最终都是能释放出去,但经过这个特殊的设计,出口的压力是相对安全的。
进一步的,针对集装箱内空间狭小,特别是高度受限,发明一种装置;在配电柜顶部泄压通道因此口增加泄压释放通道,并通过泄压释放通道引出到集装箱外;需能泄压,解决空间狭小问题,并又有需考虑柜体不能受潮;开关柜本体内都有设加热器,可考虑在引接的泄压通道内也设置加热器,定时自动加热,防止外面的潮气通过百叶窗口返流到中压柜;同时通过通道的设置型式,倾斜一定的角度,在最低点设置检修口-泄放口,冷凝水汽集中在某处可排放/泄放。出口需有防止小动物进入的网格,外部设可伸缩式的百叶窗;避免对配电柜设备的外部环境影响;并在外引的泄弧通道中采取主动保护措施,在通道内设置电加热器和传感器,包括在配电柜通道出口处设一压力传感器,当内部故障电弧产生的冲击波通过传感器可自动扩大百叶窗的出风口面积。同时电加热器也会自动开启,避免外部湿气进入,产生冷凝等发生。
对于开关柜的泄压装置具有以下要求,一、要求泄压的方向:开关柜的泄压方向必须优先考虑顶部泄压,在顶部难以实现时,可考虑柜后泄压。二、一次回路隔室如母线室、断路器室、电缆室必须考虑泄压通道,且各室泄压通道独立。三、柜体强度:开关柜的柜体强度要能满足内部燃弧试验要求,特别是正面大门、铰链等必须加强设计。四、泄压装置既要保证可靠,同时也能满足机械强度的要求。五、安装:泄压装置的安装施工时必须严格按照设计图纸工艺要求,未经设计许可,不得擅自更改。
开关柜的手车室、母线室和电缆室均设有独立的泄压通道,泄压方向为柜顶方向,泄压窗口为一长方形金属顶板,一侧用铁螺钉固定,另一侧用尼龙螺钉固定。当柜内发生故障时,顶板变形打开,释放压力和排泄气体,泄压后顶板报废,需更换后才能再次投入运行。
本发明实施例还提供一种芯片系统,芯片系统包括至少一个处理器,当程序指令在该至少一个处理器中执行时,使得本申请实施例提供的方法得以实现。
本发明实施例还提供一种计算机存储介质,其上存储有计算机程序,该计算机程序被计算机执行时使得,该计算机执行上述方法实施例的方法。
本发明实施例还提供一种包含指令的计算机程序产品,该指令被计算机执行时使得计算机执行上述方法实施例的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。