In the field of partial discharge (PD) pattern recognition for vehicle cable terminals, the existing recognition methods often lead to reduced accuracy due to inadequate time–frequency features. This study introduces a novel method for time sequence segmentation to construct graph signals. Additionally, we flexibly integrate the graph self-attention convolution layer (GAT) and the self-attention graph pooling layer (SAG) to build a diagnostic model, allowing for robust feature extraction through multiple attention heads of GAT and effective integration of global features via the SAG pooling layer. High-frequency pulse current was utilized for PD testing on four defect models, with subsequent evaluation of outcomes. Furthermore, examinations of cable terminations in real trains provide further support for our approach by improving recognition accuracy and enhancing train operational stability.

Kuiyang-ST2000 is a deep-towed multichannel seismic system that provides high-resolution exploration of sub-seabed geological formations. Due to the uncertainty of the sound speed at full ocean depth, the travel-time positioning of sea surface reflected waves still has flaws in positioning arrays. This research reveals that the average sound speed of seawater selected for computing the array position only affects the vertical displacement of the arrays. thus, a polynomial fitting method is proposed to position the arrays. Because the nonuniform mass distribution complicates the array shape, first, the weight of the digital transmission unit is balanced by one designed floater so that the array shape becomes a simple convex curve during towing conditions. Afterward, one general sound speed is used to calculate the initial array position; then, the polynomial fitting method is used to tune the sound speed so that the seismic source and hydrophones are on the same convex curve. Finally, an accurate array position is calculated by the proposed positioning method, and the submarine shallow strata are imaged at a high resolution.

As societal progress and advancements in productivity continue to unfold, the cable utilization of China's urban power distribution networks has progressively increased. The cable utilization rates in first and second-tier cities have surpassed 80%, with some cities exceeding 90%. However, this development has given rise to certain challenges. During periods of light load on the lines, the high capacitance and inductance of cable lines may lead to elevated voltages at the terminal ends of the distribution network. Furthermore, the widespread integration of distributed new energy sources in recent years introduces stochastic and fluctuating characteristics that may result in recurrent voltage violations, compromising power supply quality. Consequently, it becomes imperative to deploy reactive power compensation devices for line configuration. In recent years, scholars have proposed the integration of magnetically controlled reactors with transformers. By regulating the saturation level of the transformer core, the excitation reactance of the transformer can be altered, presenting a viable solution for reactive power control. This article conducts circuit theoretical analysis and MATLAB/Simulink simulation analysis for planar parallel and planar series-connected single-phase magnetically controlled transformers. The validity of the theoretical formulas is verified, and a comparative analysis of their compensatory effects is presented. This research holds significance in guiding the practical application and selection of magnetically controlled transformers.

Accurately estimating the State of Health (SOH) of lithium-ion (Li-ion) batteries is crucial for preventing overcharging and over-discharging, thereby extending battery lifespan. This paper presents a novel method for SOH estimation in lithium-ion batteries by leveraging electro-thermal features, a backpropagation neural network (BPNN), and a particle swarm optimization (PSO) algorithm. First, three health-related features—constant current charging time (CCCT), relative constant current charging time (RCCCT), and maximum temperature during discharge (MTT)—are extracted as indicators of SOH. The correlation between these features and the SOH is validated using Grey Relational Analysis (GRA). Next, a BP neural network is utilized to model the nonlinear relationship between the extracted features and SOH. The PSO algorithm is then employed to optimize the parameters of the BP neural network, enhancing the accuracy of the SOH estimation. The proposed method, which combines electro-thermal features with the optimized BP neural network, is validated through three independent lithium-ion battery aging experiments. Experimental results demonstrate that the proposed approach achieves high estimation accuracy and exhibits strong generalization performance for SOH prediction.