基于功率谱相对值判决的多载波编码调制

针对低压配电网的信道特性及现有调制解调技术的局限性,提出基于功率谱相对值判决解调的多载波编码调制方案。方案采用多载波调制,接收端通过数字信号处理技术对接收信号进行功率谱估计,利用谱估计结果进行判决解调。在模拟的低压电力线载波信道条件下,对调制解调方案进行了仿真。结果证明方案能有效抑制多种噪声,且对信道具有较强的自适应能力。与传统的多载波调制技术比较,传输特性有明显改善(在高斯白噪声信道中误比特性能改善约4dB)。     

基于波形优化的深度调制识别方法

自动调制识别技术,可在接收信号在样式未知、内容未知的前提条件下,自动对其调制方式进行估计。 提出一种基于深 度学习的调制识别方法,该方法通过波形优化的方法迭代更新滤波器参数,对接收信号样本进行滤波,再通过深度识别网络进 行识别。 该方法在处理流程中存在识别结果对滤波器参数的反馈回路,能够减轻信道对调制识别结果的不利影响。 通过开源 数据集进行验证,证明了该方法相比于几种利用经典深度学习网络的方法,识别率均有所提高。 特别是相比于传统的 CNN 方 法,识别率提高了约 7%。     

复合调制探测系统中频信号的时频重排分析

为了得到伪码调相和锯齿调频复合调制探测系统中频信号的能量时频分布,根据理论推导得到复合调制中频信号是伪随机码与锯齿调频波的差频信号相乘的结果,使用相位分析法和傅里叶变换对复合调制中频信号的锯齿调频波差频信号项进行了详细分析,得到其精确时频域表达式,结合时频重排方法并借助Matlab得到了中频信号的时频分布,继而得到伪码...     

DC-DC变换器基于FH-DPSK调制的纹波通信方法

DC-DC变换器具有发送数字信息的潜力。功率与信息复合调制技术将功率调制与信息调制相结合,通过对传统PWM载波进行数字调制,从而使变换器以开关纹波作为信号载波实现数字通信。该文通过研究功率与信息复合调制的理论和实现方法,证明了方波载波与正弦载波在调制与解调方法上的一致性;通过详细分析跳频–差分相移键控(frequency hopping-differential phase shift keying,FH-DPSK)调制的基本原理,提出一种FH-DPSK的具体实现方案。该方案结合频移键控(frequency shift keying,FSK)调制和差分相移键控(differential phase shift keying,DPSK)调制的优点,不仅能够极大程度抑制通信过程引起的输出电压扰动,还能够解决因相位切换产生的码间干扰问题。通过搭建实验电路,在100kHz/83.3kHz开关频率的Buck电路上以四进制调制实现了6.6kbps的数字通信,验证了该方案的正确性。     

基于复合调制及自适应控制的H6逆变器

揭示了一种未加以优化的六开关(H6)并网逆变器存在电流失控区域及不能输出无功电流的内在原因,提出了一种任意功率因数下的复合调制模式,在此基础上针对有功电流及无功电流无静差跟踪问题和传统谐振控制器谐振点偏移问题,提出了新颖的电网频率自适应比例积分谐振控制器,控制器原理明了,易于实现,可确保六开关逆变器对有功电流和无功电流进行自适应调节,提升了逆变器参与有功调频、无功调压的能力及电网适应性。仿真和实验进一步验证了复合调制模式及自适应策略的可行性和优越性。     

基于深度学习的运动心率测量系统

针对当前动态心率测量方法中存在心率监测准确度不高的缺点,提出使用深度学习算法提取光电容积脉搏波(photoplethysmograph,PPG)中的心率值。方法采集了15名身体健康的受试者不同运动速度下的PPG信号,并通过有抗干扰能力的心电(electrocardiogram,ECG)设备同步采集他们的ECG信号,将具有较强干扰的PPG信号作为堆栈自编码(stacked autoencoder,SAE)网络的输入信号,并将ECG信号作为网络标签,然后使用深度学习算法对自编码网络进行训练,以将有较强干扰PPG信号拟合为具有准确心率特征的类正弦波信号,从而实现对运动状态下干扰严重的PPG信号进行心率的提取。将SAE网络输出信号与对应ECG信号进行比较,结果显示,运动心率测量的平均误差为1.1658 bpm,表明深度学习算法对于心率测量的有效性,也为运动心率信号测量提供了一种新的途径。     

基于概率稀疏自注意力模型的非侵入式负荷分解

非侵入式负荷分解能将聚合能量分解为设备级的能源消耗,在能源管理、设备故障检测等领域具有重要意义。面向低频数据,提出了一种基于深度学习的非侵入式负荷分解方法。该方法利用自然语言处理领域的多头概率稀疏自注意力模型搭建核心分解网络,以一维的总功率序列作为输入,使用卷积和池化进行特征的提取,结合位置编码增强序列中数据之间的内在联系,再用核心分解网络进行特征处理;然后经过转置卷积和全连接进行特征映射,产生一维的单个电器功率,从而实现负荷的分解。最后使用英国家用电器级电力数据集(UK domestic appliance-level electricity,UK-Dale)对模型进行训练和验证,并与现有的3种基准负荷分解方法进行对比。结果表明,所提分解方法的分解性能有明显进步。     

功率/信号复合调制的光伏优化器设计

在配置光伏优化器的分布式光伏系统中,通信功能与最大功率点跟踪(MPPT)功能同样重要.此处提出了一种利用功率/信号复合调制进行电力线载波通信(PLC)的光伏优化器设计方法,通过将调制信号叠加于光伏优化器的功率控制环上,实现数据信号发射.该方法无需额外的信号发射电路,节省了硬件成本.通过建立系统模型,分析了优化器在直通模...     

基于磁齿轮调制的复合电机有限元分析

为了降低机械损耗,获得高转矩密度电机,研究了一种磁齿轮复合电机,该电机充分利用磁场调制型磁齿轮内部空间,将磁场调制型磁齿轮和永磁电机复合在一起。利用有限元软件建立磁齿轮复合电机二维有限元模型,分析了电机磁力线分布、气隙磁密及对应的傅里叶分析、感应电动势、稳态运行转矩、齿槽转矩等特性。仿真结果表明,此类复合电机磁力线分布均匀,气隙磁密对应的最大谐波次数符合设计要求,三相反电动势对称性好,内外转子转矩比与传动比一致,齿槽转矩较小。与传统永磁电机相比此类电机有很好的转矩传输比和较高的转矩密度,具有很好的应用前景。     

基于特征融合的调制识别增强与迁移演化

针对调制识别中单一图像的特征信息不足,区分度不够高,识别范围受限的问题。本文提出了一种基于时频图和星座图特征融合的调制识别特征增强方法,利用深度学习神经网络提取信号图像的特征,构建特征空间,通过多维特征融合,挖掘和整合不同特征的优势,增强模型算法的鲁棒性。此外运用了模型迁移的方法,仅需对分类器进行训练,大幅节约了训练时间和资源,具有很强的实时性和实用性。仿真结果显示,在0db左右的条件下,相比于单一特征图像,采用特征融合增强的方法能将信号的平均识别率提高约25%,通过模型迁移,省去了卷积神经网络的训练,所需的训练时间约为迁移前的9.6%,消耗内存约为迁移前的7.3%,同时模型的识别率损失控制在了5%以内。     

基于栈式相关性稀疏自编码的电力通信网故障诊断

针对电力通信网故障的特征自学习提取与诊断问题,提出一种栈式相关性稀疏自编码(StackedRelational SparseAutoencoder,SRAE)深度神经网络的电力通信网故障诊断方法。将电力通信网中MIB(Management Information Base)变量状态数据编码为二进制序列作为训练数据,浅层单一的自编码网络对故障的自学习、特征提取能力不足。因此,首先将稀疏性限制和输入数据相关性限制融入自编码网络,构成相关性稀疏自编码神经网络(Relational Sparse Autoencoder, RAE)。然后将其层层堆栈,并在最后一层隐含层后添加分类器,构成SRAE。最后,以路由器之间的连接故障为例进行仿真实验。实验结果表明所提出的故障诊断方法准确率平均值达到99.625%,具有较高且稳定的诊断准确性。