CN117473910A - 低压电器元器件选型方法、装置、计算机设备和存储介质 - Google Patents
低压电器元器件选型方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117473910A CN117473910A CN202311610712.0A CN202311610712A CN117473910A CN 117473910 A CN117473910 A CN 117473910A CN 202311610712 A CN202311610712 A CN 202311610712A CN 117473910 A CN117473910 A CN 117473910A
- Authority
- CN
- China
- Prior art keywords
- selection information
- type selection
- components
- information
- motor loop
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004590 computer program Methods 0.000 claims abstract description 23
- 230000004048 modification Effects 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000010187 selection method Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本申请涉及一种低压电器元器件选型方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取针对电动机回路上的元器件输入的需求参数;根据选型信息库中存储的多个元器件的选型信息,生成与需求参数相匹配的选型信息选项;获取基于选型信息选项选择的选型信息;根据选择的选型信息,得到与电动机回路对应的选型方案信息;选型方案信息中包含有电动机回路上的各元器件的目标选型信息。采用本方法能够提高电动机回路上低压电器元器件选型的准确性。
Description
技术领域
本申请涉及元器件技术领域,特别是涉及一种低压电器元器件选型方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
电动机回路上的元器件选型是电动机***设计中的重要环节,选型的目的是确保电动机回路能够正常运行,并满足性能要求和安全标准。如何选择合适的元器件来满足电动机回路的运行需求,提高电动机回路的安全性和稳定性,成为目前的一个重要研究方向。
目前电站为电动机回路进行元器件选型时,通常是电力工作人员根据电动机回路需求和工作经验,选出元器件。这种通过人工为电动机回路进行元器件选型的方式工作效率不高,且缺少完整、科学的量化过程,导致元器件选型结果的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高电动机回路上低压电器元器件选型的准确性的低压电器元器件选型方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种低压电器元器件选型方法。所述方法包括:
获取针对电动机回路上的元器件输入的需求参数;
根据选型信息库中存储的多个元器件的选型信息,生成与所述需求参数相匹配的选型信息选项;
获取基于所述选型信息选项选择的选型信息;
根据所述选择的选型信息,得到与所述电动机回路对应的选型方案信息;所述选型方案信息中包含有所述电动机回路上的各元器件的目标选型信息。
在其中一个实施例中,在获取针对电动机回路上的元器件输入的需求参数之前,还包括:
根据所述电动机回路的母线的电压,确定所述电动机回路上的元器件的目标电压;
根据所述电动机回路的电动机数据和所述母线的电压,确定所述电动机回路上的元器件的目标电流下限;
根据所述目标电流下限和所述目标电压,确定所述电动机回路上的元器件的目标参数范围。
在其中一个实施例中,获取针对电动机回路上的元器件输入的需求参数,包括:
获取针对所述电动机回路上的元器件输入的待检测参数;其中,所述待检测参数包括电流下限和电压;
判断所述待检测参数是否在所述目标参数范围内;
若检测到所述待检测参数在所述目标参数范围内,则将所述待检测参数设为所述电动机回路上的元器件的需求参数。
在其中一个实施例中,根据选型信息库中存储的多个元器件的选型信息,生成与所述需求参数相匹配的选型信息选项,包括:
根据所述选型信息库中存储的多个元器件的选型信息,生成所述选型信息库的选型知识图谱;
将所述需求参数输入所述选型知识图谱中,得到与所述需求参数相匹配的选型信息选项。
在其中一个实施例中,根据选型信息库中存储的多个元器件的选型信息,生成与所述需求参数相匹配的选型信息选项,包括:
基于所述选型信息库中存储的多个元器件的选型信息,训练得到元器件选型预测模型;
将所述需求参数输入至所述元器件选型预测模型中,得到与所述需求参数相匹配的选型信息选项。
在其中一个实施例中,在根据选型信息库中存储的多个元器件的选型信息,生成与所述需求参数相匹配的选型信息选项之后,还包括:
获取所述选型信息选项对应的各个候选元器件的性能指标;
根据各个所述候选元器件的性能指标,对所述多个候选元器件进行排序处理,得到所述多个候选元器件对应的排序后元器件;
根据所述排序后元器件,更新所述选型信息选项。
在其中一个实施例中,在根据所述选择的选型信息,得到与所述电动机回路对应的选型方案信息之后,还包括:
响应于对所述选型信息的修改操作,得到修改后选型信息;
根据所述修改后选型信息,得到与所述电动机回路对应的更新后选型方案信息。
第二方面,本申请还提供了一种低压电器元器件选型装置。所述装置包括:
需求获取模块,用于获取针对电动机回路上的元器件输入的需求参数;
选项生成模块,用于根据选型信息库中存储的多个元器件的选型信息,得到与所述需求参数相匹配的选型信息选项;
选型选择模块,用于获取基于所述选型信息选项选择的选型信息;
方案确定模块,用于根据所述选择的选型信息,得到与所述电动机回路对应的选型方案信息;所述选型方案信息中包含有所述电动机回路上的各元器件的目标选型信息。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取针对电动机回路上的元器件输入的需求参数;
根据选型信息库中存储的多个元器件的选型信息,生成与所述需求参数相匹配的选型信息选项;
获取基于所述选型信息选项选择的选型信息;
根据所述选择的选型信息,得到与所述电动机回路对应的选型方案信息;所述选型方案信息中包含有所述电动机回路上的各元器件的目标选型信息。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取针对电动机回路上的元器件输入的需求参数;
根据选型信息库中存储的多个元器件的选型信息,生成与所述需求参数相匹配的选型信息选项;
获取基于所述选型信息选项选择的选型信息;
根据所述选择的选型信息,得到与所述电动机回路对应的选型方案信息;所述选型方案信息中包含有所述电动机回路上的各元器件的目标选型信息。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取针对电动机回路上的元器件输入的需求参数;
根据选型信息库中存储的多个元器件的选型信息,生成与所述需求参数相匹配的选型信息选项;
获取基于所述选型信息选项选择的选型信息;
根据所述选择的选型信息,得到与所述电动机回路对应的选型方案信息;所述选型方案信息中包含有所述电动机回路上的各元器件的目标选型信息。
上述低压电器元器件选型方法、装置、计算机设备、存储介质和计算机程序产品,获取针对电动机回路上的元器件输入的需求参数;根据选型信息库中存储的多个元器件的选型信息,生成与需求参数相匹配的选型信息选项;获取基于选型信息选项选择的选型信息;根据选择的选型信息,得到与电动机回路对应的选型方案信息;选型方案信息中包含有电动机回路上的各元器件的目标选型信息。采用本方法,能够根据电动机回路的性能参数和对元器件的需求参数,自动生成电动机回路的选型方案信息,在提高了电动机回路上低压电器元器件选型的效率的同时,还提高了电动机回路上低压电器元器件选型的准确性。
附图说明
图1为一个实施例中低压电器元器件选型方法的流程示意图;
图2为一个实施例中确定电动机回路上的元器件的目标参数范围步骤的流程示意图;
图3为另一个实施例中低压电器元器件选型方法的流程示意图;
图4为一个实施例中低压电器元器件选型装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
在一个实施例中,如图1所示,提供了一种低压电器元器件选型方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S101,获取针对电动机回路上的元器件输入的需求参数。
其中,电动机回路是指电动机与电源、控制器、保护器等元器件组成的电路***。电动机回路用于将电源的电能转化为机械能,驱动电动机正常运转。需求参数是指需要为电动机回路配置的元器件的参数。
具体地,终端根据电动机回路上的电动机数据和电动机回路的母线数据,确定电动机回路上的元器件的目标参数范围。终端展示元器件查询界面,用户可以在元器件查询界面上输入元器件的需求参数,终端获取元器件查询界面上输入的需求参数。
步骤S102,根据选型信息库中存储的多个元器件的选型信息,得到与需求参数相匹配的选型信息选项。
其中,选型信息是指元器件的型号、价格、货期、厂家、历史故障率等信息。
具体地,选型信息库是基于大数据技术构建的数据库。终端可以根据需求参数,得到选型信息库中与需求参数相匹配的元器件和相匹配的元器件的选型信息;根据相匹配的元器件的选型信息,生成与电动机回路上的元器件适配的选型信息选项,例如可以是以下拉框的形式将选型信息选项展示在终端界面上。其中,选型信息选项包括型号、价格、货期、厂家、厂家信用信息、历史成交价、历史故障率、性价比、可靠性等。
步骤S103,获取基于选型信息选项选择的选型信息。
具体地,用户查看终端展示的选型信息选项(比如下拉框),在选型信息选项中选择合适的选型信息(比如选择型号、价格、厂家等),进而终端获取用户选择的选型信息。
步骤S104,根据选择的选型信息,得到与电动机回路对应的选型方案信息;选型方案信息中包含有电动机回路上的各元器件的目标选型信息。
其中,选型方案信息是指关于电动机回路上各个元器件的选型信息的方案。例如,选型方案信息可以描述整体电动机回路上的元器件如QS1(隔离开关)、Q2(三极管)、热继电器、RCD(剩余电流装置)的选型信息。
具体地,终端根据用户针对选型信息选项选择的选型信息,生成与电动机回路对应的整套选型方案(即选型方案信息)。当然,用户还可以手动修改选型信息,则生成的与电动机回路对应的选型方案也会随之更新,即在用户修改选型信息之后,自动更新选型方案信息。
上述低压电器元器件选型方法中,获取针对电动机回路上的元器件输入的需求参数;根据选型信息库中存储的多个元器件的选型信息,得到与需求参数相匹配的选型信息选项;获取基于选型信息选项选择的选型信息;根据选型信息,得到与电动机回路对应的选型方案信息;选型方案信息中包含有电动机回路上的各元器件的目标选型信息。采用本方法,能够根据电动机回路上低压电器的性能参数和对元器件的需求参数,自动生成电动机回路的选型方案信息,在提高了电动机回路上低压电器元器件选型的效率的同时,还提高了电动机回路上低压电器元器件选型的准确性。
在一个实施例中,如图2所示,在步骤S101,获取针对电动机回路上的元器件输入的需求参数之前,还包括:
步骤S201,根据电动机回路的母线的电压,确定电动机回路上的元器件的目标电压。
具体地,电动机回路具有母线,该母线的电压可以是400V,也可以是200V,终端将母线的400V(或200V)电压设置为电动机回路上的元器件的目标电压。
步骤S202,根据电动机回路的电动机数据和母线的电压,确定电动机回路上的元器件的目标电流下限。
具体地,终端可以根据电动机回路的电动机数据和母线数据,查询电动机数据和母线的电压与元器件的电流下限之间的对应关系,得到电动机回路上的元器件的目标电流下限,如QS1、Q2、热继电器、RCD等元器件的目标电流下限。
步骤S203,根据目标电流下限和目标电压,确定电动机回路上的元器件的目标参数范围。
具体地,终端获取电动机回路的电流峰值和容错电压;根据电流峰值和目标电流下限,确定电动机回路上的元器件的目标电流范围;终端根据容错电压,计算得到目标电压的目标电压范围,比如说以目标电压为中心,允许向上偏差N个容错电压和向下偏差N个容错电压,进而得到目标电压范围。终端将目标电流范围和目标电压范围设置为电动机回路上的元器件的目标参数范围。
本实施例中,通过根据电动机数据和电动机回路的母线的电压,确定电动机回路上的元器件的目标电压和目标电流下限,进而根据目标电流下限和目标电压,确定电动机回路上的元器件的目标参数范围,能够为用户输入的需求参数提供检测依据,避免用户输入的需求参数偏离实际的电动机回路,进一步提高了电动机回路上低压电器元器件选型的准确性。
在一个实施例中,上述步骤S101,获取针对电动机回路上的元器件输入的需求参数,具体包括如下内容:获取针对电动机回路上的元器件输入的待检测参数;其中,待检测参数包括电流下限和电压;判断待检测参数是否在目标参数范围内;若检测到待检测参数在目标参数范围内,则将待检测参数设为电动机回路上的元器件的需求参数。
具体地,用户可以针对电动机回路上的各元器件,分别输入参数信息,比如输入各元器件的电流下限和电压;终端获取用户输入的参数信息并将其设为待检测参数。终端判断待检测参数是否在目标参数范围内;若检测到待检测参数不在目标参数范围内,则生成提示信息以提示用户重新输入。若检测到待检测参数在目标参数范围内,则终端将该待检测参数设为电动机回路上的各元器件的需求参数。
在本实施例中,获取用户针对电动机回路上的元器件输入的待检测参数,还通过检测到待检测参数是否在目标参数范围内,来确定是否将待检测参数设为电动机回路上的元器件的需求参数,避免用户输入与电动机回路的实际情况不符合的元器件的需求参数,提高了电动机回路上的元器件选型的准确性。
在一个实施例中,上述步骤S102,根据选型信息库中存储的多个元器件的选型信息,生成与需求参数相匹配的选型信息选项,具体包括如下内容:根据选型信息库中存储的多个元器件的选型信息,生成选型信息库的选型知识图谱;将需求参数输入选型知识图谱中,得到与需求参数相匹配的选型信息选项。
其中,选型知识图谱以元器件为实体,以元器件的选型信息为属性。
具体地,选型信息库中存储有多个元器件的选型信息,选型信息包括型号、价格、货期、厂家、历史故障率、性价比、可靠性等信息。终端可以对选型信息库中存储的多个元器件的选型信息进行数据建模,将多个元器件的选型信息转化为结构化的选型信息,生成可视化形式的选型信息库的选型知识图谱。在得到需求参数之后,终端可以将需求参数输入选型知识图谱中,通过选型知识图谱检索到与需求参数适配的选型信息,并根据适配的选型信息生成相应的选型信息选项。
在本实施例中,生成选型信息库的选型知识图谱,进而利用选型知识图谱强大的知识整合功能,自动推理和智能决策出与需求参数相匹配的选型信息选项,提高了选型信息选项的可靠性,从而提高了提高电动机回路上的元器件选型的可靠性。
在一个实施例中,上述步骤S102,根据选型信息库中存储的多个元器件的选型信息,生成与需求参数相匹配的选型信息选项,具体包括如下内容:基于选型信息库中存储的多个元器件的选型信息,训练得到元器件选型预测模型;将需求参数输入至元器件选型预测模型中,得到与需求参数相匹配的选型信息选项。
其中,元器件选型预测模型是指用于预测适配于元器件参数的选型信息的模型。元器件选型预测模型可以是通过神经网络、随机森林等深度学习算法训练得到的模型。
终端除了可以通过选型知识图谱来得到与需求参数相匹配的选型信息选项之外,终端还可以通过神经网络等算法得到与需求参数相匹配的选型信息选项。具体地,终端以选型信息库中存储的多个元器件的选型信息和元器件参数为基础,对待训练的元器件选型预测模型进行迭代训练,得到元器件选型预测模型。终端在得到需求参数之后,可以将需求参数输入至元器件选型预测模型中,以通过元器件选型预测模型输出与需求参数相匹配的选型信息;根据元器件选型预测模型输出的所有选型信息,构建选型信息选项。
在本实施例中,利用选型信息库中存储的多个元器件的选型信息训练元器件选型预测模型,使训练后的神经网络具备选型能力,并利用训练后的神经网络,输出与元器件的需求参数相适配的选型信息选项,提高了选型信息选项的可靠性,从而提高了提高电动机回路上的元器件选型的可靠性。
在一个实施例中,在上述步骤S102,根据选型信息库中存储的多个元器件的选型信息,生成与需求参数相匹配的选型信息选项之后,还包括:获取所述选型信息选项对应的各个候选元器件的性能指标;根据各个候选元器件的性能指标,对多个候选元器件进行排序处理,得到多个候选元器件对应的排序后元器件;根据排序后元器件,更新选型信息选项。
具体地,终端在得到选型信息选项之后,还可以获取所述选型信息选项对应的各个候选元器件的性能指标,比如说,性能指标包括元器件性能、价格、新旧程度、生产地等。根据各个候选元器件的性能指标,计算各个候选元器件的性能评分,例如以元器件性能最大化、价格最小化、越新越好、生产地声誉越高越好为目标计算性能评分;进而按照各个候选元器件的性能评分,对多个候选元器件进行排序处理,得到排序后元器件。终端按照排序后元器件的顺序,更新选型信息选项中各候选元器件的选项顺序。此外,终端还可以结合推荐算法和各个候选元器件的性能评分,生成电动机回路对应的推荐选型方案信息,以供用户一键选择推荐选型方案信息。当然用户也可以不选择推荐选型方案信息,而是从选型信息选型中自定义选择选型信息。
在本实施例中,根据所述选型信息选项对应的各个候选元器件的性能指标,对多个候选元器件进行排序处理,得到多个候选元器件对应的排序后元器件;进而根据排序后元器件更新选型信息选项并生成电动机回路上的元器件的推荐选型方案信息,为用户提供更全面更便捷的选型方案参考,从而进一步提高了电动机回路上的元器件选型的效率。
在一个实施例中,在上述步骤S104,根据选择的选型信息,得到与电动机回路对应的选型方案信息之后,还包括:响应于对选型信息的修改操作,得到修改后选型信息;根据修改后选型信息,得到与电动机回路对应的更新后选型方案信息。
具体地,终端根据用户选择的选型信息生成与电动机回路对应的选型方案信息之后,用户还可以修改选择的选型信息,例如,试一下其它选型信息是否能得到更好的选型方案信息;终端响应于用户对选型信息的修改操作,获取该修改操作对应的修改后选型信息;进而终端根据新的修改后选型信息生成与电动机回路对应的新的选型方案信息,即生成更新后选型方案信息。
在本实施例中,响应于对选型信息的修改操作,得到修改后选型信息;根据修改后选型信息,得到与电动机回路对应的更新后选型方案信息,实现了用户手动修改选型信息的功能,并且选型方案信息也会随之更新。
在一个实施例中,如图3所示,提供了另一种低压电器元器件选型方法,以该方法应用于终端为例进行说明,包括以下步骤:
步骤S301,根据电动机回路的母线的电压,确定电动机回路上的元器件的目标电压。
步骤S302,根据电动机回路的电动机数据和母线的电压,确定电动机回路上的元器件的目标电流下限。
步骤S303,根据目标电流下限和目标电压,确定电动机回路上的元器件的目标参数范围。
步骤S304,获取针对电动机回路上的元器件输入的待检测参数;其中,待检测参数包括电流下限和电压。
步骤S305,判断待检测参数是否在目标参数范围内。
步骤S306,若检测到待检测参数在目标参数范围内,则将待检测参数设为电动机回路上的元器件的需求参数。
步骤S307,根据选型信息库中存储的多个元器件的选型信息,生成与需求参数相匹配的选型信息选项。
步骤S308,获取基于选型信息选项选择的选型信息。
步骤S309,根据选择的选型信息,得到与电动机回路对应的选型方案信息;选型方案信息中包含有电动机回路上的各元器件的目标选型信息。
上述低压电器元器件选型方法,能够实现以下有益效果:能够根据电动机回路的性能参数和对元器件的需求参数,自动生成电动机回路的选型方案信息,在提高了电动机回路上的元器件选型的效率的同时,还提高了电动机回路上的元器件选型的准确性。
为了更清晰阐明本公开实施例提供的低压电器元器件选型方法,以下以一个具体的实施例对上述低压电器元器件选型方法进行具体说明。提供了又一种低压电器元器件选型方法,可以应用于终端,具体包括如下内容:
步骤1,根据电动机回路的相关数据和400V(也可以是200V)母线数据,查询数据(包括电动机相关数据、400V母线数据)与元器件电流下限之间的对应关系,得到QS1、Q2、热继电器、RCD等元器件的电流下限。
步骤2,获取用户在400V元器件查询界面上输入的元器件的参数信息;比如,元器件的电流下限、电压等;当然,在用户输入的参数信息不符合预设范围时,会提醒用户重新输入。
步骤3,利用选型信息库创建训练数据,接着利用训练数据训练神经网络,使训练后的神经网络具备选型能力,并利用训练后的神经网络,输出与元器件适配的选型信息选项;或者结合选型信息库所对应的知识图谱,生成与元器件适配的选型信息选项。
步骤4,根据用户针对选型信息选项选择的选型信息(比如选择型号、厂家等),生成与电动机回路对应的整套选型方案。当然,用户可以手动修改选型信息,对应的选型方案也会随之更新,即在用户修改选型信息之后,自动更新选型方案。
在本实施例中,能够根据电动机回路的性能参数和对元器件的需求参数,自动生成电动机回路的选型方案信息,在提高了电动机回路上的元器件选型的效率的同时,还提高了电动机回路上的元器件选型的准确性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的低压电器元器件选型方法的低压电器元器件选型装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个低压电器元器件选型装置实施例中的具体限定可以参见上文中对于低压电器元器件选型方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种低压电器元器件选型装置400,包括:需求获取模块401、选项生成模块402、选型选择模块403和方案确定模块404,其中:
需求获取模块401,用于获取针对电动机回路上的元器件输入的需求参数。
选项生成模块402,用于根据选型信息库中存储的多个元器件的选型信息,得到与需求参数相匹配的选型信息选项。
选型选择模块403,用于获取基于选型信息选项选择的选型信息。
方案确定模块404,用于根据选择的选型信息,得到与电动机回路对应的选型方案信息;选型方案信息中包含有电动机回路上的各元器件的目标选型信息。
在一个实施例中,低压电器元器件选型装置400还包括范围确定模块,用于根据电动机回路的母线的电压,确定电动机回路上的元器件的目标电压;根据电动机回路的电动机数据和母线的电压,确定电动机回路上的元器件的目标电流下限;根据目标电流下限和目标电压,确定电动机回路上的元器件的目标参数范围。
在一个实施例中,需求获取模块401,还用于获取针对电动机回路上的元器件输入的待检测参数;其中,待检测参数包括电流下限和电压;判断待检测参数是否在目标参数范围内;若检测到待检测参数在目标参数范围内,则将待检测参数设为电动机回路上的元器件的需求参数。
在一个实施例中,选项生成模块402,还用于根据选型信息库中存储的多个元器件的选型信息,生成选型信息库的选型知识图谱;将需求参数输入选型知识图谱中,得到与需求参数相匹配的选型信息选项。
在一个实施例中,低压电器元器件选型装置400还包括选项更新模块,用于获取选型信息选项对应的各个候选元器件的性能指标;根据各个候选元器件的性能指标,对多个候选元器件进行排序处理,得到多个候选元器件对应的排序后元器件;根据排序后元器件,更新选型信息选项。
在一个实施例中,低压电器元器件选型装置400还包括方案更新模块,用于响应于对选型信息的修改操作,得到修改后选型信息;根据修改后选型信息,得到与电动机回路对应的更新后选型方案信息。
上述低压电器元器件选型装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种低压电器元器件选型方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种低压电器元器件选型方法,其特征在于,所述方法包括:
获取针对电动机回路上的元器件输入的需求参数;
根据选型信息库中存储的多个元器件的选型信息,生成与所述需求参数相匹配的选型信息选项;
获取基于所述选型信息选项选择的选型信息;
根据所述选择的选型信息,得到与所述电动机回路对应的选型方案信息;所述选型方案信息中包含有所述电动机回路上的各元器件的目标选型信息。
2.根据权利要求1所述的方法,其特征在于,在获取针对电动机回路上的元器件输入的需求参数之前,还包括:
根据所述电动机回路的母线的电压,确定所述电动机回路上的元器件的目标电压;
根据所述电动机回路的电动机数据和所述母线的电压,确定所述电动机回路上的元器件的目标电流下限;
根据所述目标电流下限和所述目标电压,确定所述电动机回路上的元器件的目标参数范围。
3.根据权利要求2所述的方法,其特征在于,所述获取针对电动机回路上的元器件输入的需求参数,包括:
获取针对所述电动机回路上的元器件输入的待检测参数;其中,所述待检测参数包括电流下限和电压;
判断所述待检测参数是否在所述目标参数范围内;
若检测到所述待检测参数在所述目标参数范围内,则将所述待检测参数设为所述电动机回路上的元器件的需求参数。
4.根据权利要求1所述的方法,其特征在于,所述根据选型信息库中存储的多个元器件的选型信息,生成与所述需求参数相匹配的选型信息选项,包括:
根据所述选型信息库中存储的多个元器件的选型信息,生成所述选型信息库的选型知识图谱;
将所述需求参数输入所述选型知识图谱中,得到与所述需求参数相匹配的选型信息选项。
5.根据权利要求1所述的方法,其特征在于,所述根据选型信息库中存储的多个元器件的选型信息,生成与所述需求参数相匹配的选型信息选项,包括:
基于所述选型信息库中存储的多个元器件的选型信息,训练得到元器件选型预测模型;
将所述需求参数输入至所述元器件选型预测模型中,得到与所述需求参数相匹配的选型信息选项。
6.根据权利要求1所述的方法,其特征在于,在根据选型信息库中存储的多个元器件的选型信息,生成与所述需求参数相匹配的选型信息选项之后,还包括:
获取所述选型信息选项对应的各个候选元器件的性能指标;
根据各个所述候选元器件的性能指标,对所述多个候选元器件进行排序处理,得到所述多个候选元器件对应的排序后元器件;
根据所述排序后元器件,更新所述选型信息选项。
7.根据权利要求6所述的方法,其特征在于,在根据所述选择的选型信息,得到与所述电动机回路对应的选型方案信息之后,还包括:
响应于对所述选型信息的修改操作,得到修改后选型信息;
根据所述修改后选型信息,得到与所述电动机回路对应的更新后选型方案信息。
8.一种低压电器元器件选型装置,其特征在于,所述装置包括:
需求获取模块,用于获取针对电动机回路上的元器件输入的需求参数;
选项生成模块,用于根据选型信息库中存储的多个元器件的选型信息,得到与所述需求参数相匹配的选型信息选项;
选型选择模块,用于获取基于所述选型信息选项选择的选型信息;
方案确定模块,用于根据所述选择的选型信息,得到与所述电动机回路对应的选型方案信息;所述选型方案信息中包含有所述电动机回路上的各元器件的目标选型信息。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311610712.0A CN117473910A (zh) | 2023-11-28 | 2023-11-28 | 低压电器元器件选型方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311610712.0A CN117473910A (zh) | 2023-11-28 | 2023-11-28 | 低压电器元器件选型方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117473910A true CN117473910A (zh) | 2024-01-30 |
Family
ID=89627531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311610712.0A Pending CN117473910A (zh) | 2023-11-28 | 2023-11-28 | 低压电器元器件选型方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473910A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190171776A1 (en) * | 2017-12-01 | 2019-06-06 | Industrial Technology Research Institute | Methods, devices and non-transitory computer-readable medium for parameter optimization |
CN112380403A (zh) * | 2021-01-11 | 2021-02-19 | 深兰人工智能芯片研究院(江苏)有限公司 | 选型方法、装置、设备及计算机可读存储介质 |
CN112767074A (zh) * | 2021-01-08 | 2021-05-07 | 珠海格力电器股份有限公司 | 模块机选型方法、装置、计算机设备和存储介质 |
CN112800547A (zh) * | 2021-01-29 | 2021-05-14 | 中国科学院电工研究所 | 电动汽车电机控制器的布局优化方法、装置及存储介质 |
CN113312854A (zh) * | 2021-07-19 | 2021-08-27 | 成都数之联科技有限公司 | 选型推荐方法、装置、电子设备和可读存储介质 |
-
2023
- 2023-11-28 CN CN202311610712.0A patent/CN117473910A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190171776A1 (en) * | 2017-12-01 | 2019-06-06 | Industrial Technology Research Institute | Methods, devices and non-transitory computer-readable medium for parameter optimization |
CN112767074A (zh) * | 2021-01-08 | 2021-05-07 | 珠海格力电器股份有限公司 | 模块机选型方法、装置、计算机设备和存储介质 |
CN112380403A (zh) * | 2021-01-11 | 2021-02-19 | 深兰人工智能芯片研究院(江苏)有限公司 | 选型方法、装置、设备及计算机可读存储介质 |
CN112800547A (zh) * | 2021-01-29 | 2021-05-14 | 中国科学院电工研究所 | 电动汽车电机控制器的布局优化方法、装置及存储介质 |
CN113312854A (zh) * | 2021-07-19 | 2021-08-27 | 成都数之联科技有限公司 | 选型推荐方法、装置、电子设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898247A (zh) | 滑坡位移预测方法、设备及存储介质 | |
CN116305895A (zh) | 产品模型生成方法、装置、计算机设备和存储介质 | |
CN117371510A (zh) | 基于领域泛化的电力负荷预测模型训练方法和装置 | |
CN117473910A (zh) | 低压电器元器件选型方法、装置、计算机设备和存储介质 | |
CN116483645A (zh) | 设备虚拟调试方法、装置、设备、存储介质和程序产品 | |
CN115905864A (zh) | 异常数据检测模型训练方法、装置、计算机设备 | |
CN115630527B (zh) | 出清异常模型检测方法、装置、计算机设备和存储介质 | |
CN117590149B (zh) | 基于大数据技术的故障解决方案生成方法、装置和设备 | |
CN117540915A (zh) | 基于大数据技术的选型方案生成方法、装置、设备和介质 | |
CN117495128A (zh) | 用电数据预测方法、装置、计算机设备和存储介质 | |
CN116454890B (zh) | 基于scuc模型的机组组合控制方法、装置和设备 | |
CN117472249A (zh) | 菜单展示方法、装置、计算机设备和存储介质 | |
CN117033766A (zh) | 业务处理行为预测方法、装置、计算机设备和存储介质 | |
CN116258068A (zh) | 电力***的暂态稳定评估方法、装置和计算机设备 | |
CN117424198A (zh) | 基于数据知识联合驱动的电力负荷预测方法和装置 | |
CN117495131A (zh) | 用电数据预测方法、装置、计算机设备和存储介质 | |
CN118353009A (zh) | 电力资源配置方法、装置、设备、介质和产品 | |
CN117114170A (zh) | 一种电力物资需求预测方法和相关产品 | |
CN117612192A (zh) | 电子图纸信息识别方法、***、电子设备、存储介质 | |
CN117390490A (zh) | 用电信用报告的生成方法、装置、设备、存储介质和产品 | |
CN118338337A (zh) | 可靠性检测方法、装置、计算机设备和存储介质 | |
CN116915434A (zh) | 基于RxJS的验证码异步获取方法、装置和计算机设备 | |
CN116090599A (zh) | 充电负荷预测方法、装置、设备、存储介质和程序产品 | |
CN117436972A (zh) | 资源对象推荐方法、装置、计算机设备和存储介质 | |
CN117251967A (zh) | 拓扑数据获取方法、装置、设备及可读存储介质 |
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 |