摘要： Transformers are machine learning models designed to learn and predict sequential and structured data, which are crucial to tasks such as neural machine translation and semantic parsing. They have become state-of-the-art engines for both of these tasks and much research in natural language processing is devoted to increasing their performance by introducing modifications to their architectures. In light of this trend, this thesis introduces a new Transformer architecture called MAWT: Multi-Attention-Weight Transformers in an attempt to increase the accuracy and variety of the acceptable predictions of a Transformer. It attempts to achieve this by training multiple weights per each Transformer attention head, which then are used to test the accuracy of the engine. This creates a new architecture under which the system produces a candidate set of outputs (instead of a singly output), along with a method for selecting from the candidate set. My proposal rests on the assumption -- motivated by statistical considerations -- that having a candidate set increases the probability of finding an exact match within the set. Upon testing, I observed that my system outperforms the regular transformer on 5/6 benchmark neural machine translation and semantic parsing datasets, where engine performance is measured by exact match accuracy. Exact match accuracy demands syntactic identity between the output and the target. In order to investigate how well my new architecture generalizes to measures of semantic equivalence that don't also demand syntactic identity, I also recorded the BLEU scores on these datasets. The BLEU score is a measure of performance based on n-grams rather than exact symbolic match (i. e., how many contiguous sequence of n-many strings from the predicted output match the desired output). The results I report on the BLEU scores are more mixed, raising important questions that I highlight about the role of syntax in measures of semantic equivalence.

关键词： 进度计划   进度控制   工程项目  

摘要： 随着科技的不断推动,高速铁路已经成为现代社会不可或缺的一部分,它的出现极大改善了人们的出行体验,并且对于现代化的城市和农村的出行方式都具备极强的支撑力。近年来,我国的高速铁路建设已经迈出坚实的一步,并且已经超过了发达国家,实现了跨越式的发展,这也就使得牵引所建设数量将会大幅度增加。牵引所是牵引供电系统中的重要组成部分,主要功能是为牵引供电系统提供电能和保障供电安全,是确保高铁运行安全的重要环节。而变压器作为牵引所中主要的设备之一,其安装质量直接影响到整个工程的进度。本文基于实际的牵引所变压器工程项目,深入探讨牵引所变压器更换与安装工程项目的进度计划编制和控制。首先,将对该项目的现状进行全面的分析,以发现其存在的不足;其次,在工程进度计划编制过程中,将详细梳理变压器更换和安装的步骤、时间安排及施工组织安排,突出各环节之间的衔接与协调,并利用计划评审技术和工期-成本优化法,对项目进度计划进行有效的调整;最后,在工程进度计划控制方面,将定期检查进度计划、动态调整计划以及提出应对可能出现的延迟和风险的措施。并将采用PDCA循环、赢得值法、前锋线法等多种方法,跟踪项目的进度,发现和分析偏差,以达到有效的控制效果。此外,还将通过完善项目的组织措施、管理措施、经济措施、技术措施,保障项目的顺利进行。通过对改建X牵引所变压器换装项目进行科学管理的深入探讨,丰富了进度计划编制与控制的在具体项目上的应用实践,为进度计划编制与控制研究提供了新的案例与解决方案。

关键词： 超大容量变压器   表面阻抗法   漏磁场   肺叶磁屏蔽   杂散损耗  

摘要： 超大容量变压器是电力系统中重要的输变电设备,由于其容量较大,在正常运行时产生的漏磁场会比一般容量变压器大的多,漏磁场在其金属结构件中产生的杂散损耗也会比较大。因此,超大容量变压器比一般容量的变压器更容易发生局部过热、绝缘破损、运行效率下降等问题,以至于威胁变压器安全稳定运行。所以,如何减小超大容量变压器结构件杂散损耗一直是国内外研究的热点问题。在此背景下,本文首先利用Mag Net电磁仿真软件搭建了两种国际基准模型P21-B和P21-a并对其杂散损耗进行了仿真分析。通过将计算值与实测值进行对比,验证了软件计算导磁钢和非导磁钢杂散损耗方法的准确性。在此基础上,通过比较表面阻抗法与分层法求解导磁钢杂散损耗的计算结果,确定了导磁钢采用表面阻抗法处理;通过比较开槽数目不同时非导磁钢杂散损耗的计算结果,提出对非导磁钢采取开槽的方式进行处理。其次,在验证了Mag Net电磁仿真软件计算方法的准确性后,利用有限元法搭建了一台型号为SFP-800000/220的超大容量变压器的二维和三维计算模型,并从漏磁场、短路阻抗、杂散损耗等方面对超大容量变压器模型进行了仿真分析,从而得到超大容量变压器的漏磁场及杂散损耗分布规律。然后通过将短路阻抗、杂散损耗的计算值与实测值进行对比,验证了计算结果的正确性,为进一步改进超大容量变压器的屏蔽结构提供了基础。最后,为了改善超大容量变压器漏磁场分布,降低结构件杂散损耗,在原模型基础上添加了肺叶磁屏蔽,并利用有限元法求解出添加肺叶磁屏蔽后超大容量变压器的漏磁场、短路阻抗及杂散损耗等电磁性能参数。通过与无肺叶磁屏蔽模型的计算结果进行对比,发现肺叶磁屏蔽能够有效降低结构件杂散损耗。为了探究影响肺叶磁屏蔽屏蔽效果的因素,对肺叶磁屏蔽采取去薄和改变几何位置的方法进行处理,并将得到的杂散损耗的计算结果进行了对比分析,找到了肺叶磁屏蔽的最佳厚度及位置,为超大容量变压器肺叶磁屏蔽的设计提供了一定的参考。

关键词： 一维卷积神经网络   变分自编码器   比值法   变压器故障诊断   数据增强  

摘要： 随着智能电网建设的逐步推进,利用神经网络等人工智能方法对电力设备数据进行挖掘与分析成为电力设备智能运维范畴的发展趋势。电力变压器作为电力系统中重要的电力设备,掌握其运行状态对保证电网安全、可靠运行具有重要意义。根据油浸式变压器在不同运行状态下油中溶解气体的特性不同,油中溶解气体分析(Dissolved Gas Analysis,DGA)长期以来成为判定其运行状态的一种有效手段。论文在分析现有变压器故障诊断方法的基础上,以油中溶解气体数据为特征量,以深度神经网络等人工智能技术为方法,尝试将新兴数字技术与状态监测相结合,研究DGA数据的扩充与电力变压器运行状态的估计。针对DGA数据实际采集过程中存在的数据漏缺及样本分布不均问题,提出了一种基于一维卷积自编码器的数据扩充方法,以增强训练数据集。将传统自编码器的全连接层替换为一维卷积层,以获得更好的特征学习能力;摒弃传统卷积结构中的池化层,以更好适应DGA数据特征少的特性。实际应用证明该方法具备可行性,通过数据扩充生成的新样本可以有效提升变压器故障诊断精度,生成样本与实际样本相近。考虑变压器气体溶解数据特征值少的特性,提出一种基于改进图卷积网络的变压器故障诊断方法。以卷积操作替代传统池化层,通过调整卷积参数来实现维度下降的同时可以增强网络的拟合能力,最终在顶层加入多分类激活函数实现变压器的状态估计。实例分析表明该方法可以有效判别出故障类型并具有较高的诊断精度,能够更好的适应变压器溶解气体数据特性。采用工程实例对论文所提数据增强方法与变压器故障诊断方法进行性能测试,并与当前主流深度神经网络模型进行对比。结果表明,论文所提方法较其同类模型均具有更优的表现,可以更好的满足工程需要。图[17]表[20]参[70]

关键词： 变压器状态评估   GRU   支持向量机   预警   状态评估  

摘要： 电力变压器作为电网中的核心设备,直接影响到整个电网的安全稳定运行,当变压器发生故障时,有可能造成电网的重要负荷损失及经济损失。做好变压器设备的运行状态评估及预警,对于保障整个电网的供电可靠性至关重要。变压器运行状态可根据油中溶解气体的检测成分比例,依据导则中传统经典方法进行判定,但是此类故障判断方法存在故障诊断边界不清,故障识别滞后等问题。本文基于机器学习构建变压器运行状态评估、故障早期预警模型,为实现变压器智能运检和故障早期预警提供参考。 首先,论文梳理锡盟地区500k V变压器数据类型,选取包括氢气、一氧化碳、甲烷、乙烷、乙烯、乙炔等在内的油色谱数据进行归一化处理,为后续模型训练准备历史数据。 其次,在变压器油中溶解气体含量预测方面,本文建立了一种基于门控循环单元神经网络(GRU)的变压器油中溶解气体含量预测模型。首先通过集成经验模态分解(CEEMD)将气体含量历史运行数据分解为6个不同频域分量,经过GRU分别进行训练,预测下阶段变压器油中溶解气体含量,并提前发现潜在的故障风险,文中基于实际变压器运行数据来验证预测方法的有效性。 最后,在变压器运行状态评估方面,基于上述预测的变压器油中溶解气体含量,结合变压器日常运行、试验获得介损、局放、绝缘、缺陷等数据,根据相关检修规程的状态评价规则进行打分,建立支持向量分类机(SVC)的历史数据训练集,开展SVC模型训练,评估变压器运行状态并进行早期预警。通过锡盟地区不同类型、厂家的500k V变压器历史运行数据,验证方法的有效性。

关键词： 矿物绝缘油   固体材料   绝缘漆   相容性   分子动力学  

摘要： 绝缘油作为一种液体绝缘介质,在油浸式变压器中具有绝缘、冷却和灭弧的作用,是油浸式变压器的重要组成部分,绝缘油性能的优劣直接决定了油浸式变压器能否安全可靠运行。变压器中包括多种固体材料,这些材料在与变压器绝缘油接触的过程中,是否会导致绝缘油的性能的劣化,这就是变压器固体材料与变压器绝缘油的相容性问题。目前国内外学者针对固体材料与绝缘油相容性这一课题也进行了许多研究,但是目前的研究还存在以下几个问题:目前所进行的相容性试验选用的绝缘油主要为植物绝缘油,对矿物绝缘油,特别是对于目前最成熟、运用最广泛的KI50X矿物绝缘油与变压器内部固体材料的相容性研究较少;目前已有的相容性研究主要将精力集中在绝缘材料(如绝缘纸)与变压器绝缘油的相容性,进行相容性试验的材料还不全面,未对变压器内部其他结构材料进行系统的相容性研究,工程实际表明变压器内部的某些结构材料也会加速绝缘油的老化劣化。针对以上两个问题,本文的主要研究内容包括:1、选用目前广泛运用于特高压电气设备中的KI50X克拉玛依矿物绝缘油作为相容性试验的绝缘油,并与设备制造厂家合作,对工程实际中反馈回来的可能导致矿物绝缘油老化劣化的16种材料(钢A、钢B、钢C、某种弹簧钢丝、某种铝、铜A、铜B、铜B(镀银)、铜钨合金、金属类标准件A、金属类标准件B、树脂A玻璃布板(表面涂漆)、树脂B玻璃丝挤拉杆(表面涂漆)、某种醛类树脂C、聚合物螺栓(聚合物A)、增强型聚合物B薄片)进行系统的相容性研究,分析各个材料与矿物绝缘油的相互作用机理。试验结果表明:当矿物绝缘油中仅包含金属材料时,矿物绝缘油的各项参数不会出现明显劣化,所选用的金属材料与矿物绝缘油有较好的相容性;加入聚合物螺栓(聚合物A)的油样,热老化结束后,油样的各项指标出现了明显劣化,与矿物绝缘油的相容性不佳;两种涂漆材料:树脂A玻璃布板、树脂B玻璃丝挤拉杆,表面所涂的绝缘漆A会溶解于矿物绝缘油中,导致矿物绝缘油性能劣化,需进行替换。2、在第一部分工作的基础上,对与矿物绝缘油相容性不佳的材料进行替换,利用Materials Studio分子动力学软件进行仿真,比较不同材料的玻璃化转变温度,并进行进一步的相容性试验。试验结果表明:某种含苯聚合物材料与矿物绝缘油具有良好的相容性,可以作为聚合物A的替代材料;针对绝缘漆A与矿物绝缘油的相容性差的问题,研究了绝缘漆B与矿物绝缘油的相容性,试验结果表明,涂有绝缘漆B的材料与绝缘油的相容性较好,绝缘漆B是绝缘漆A理想的替代漆。