基于因子隐马尔可夫模型的负荷分解方法及灵敏度分析

负荷分解是智能电网的关键技术,对负荷预测、需求侧管理及电网安全有重要意义。传统负荷分解方法的准确率受限于负荷特征的维度、采样频率和负荷的稳定性。文中提出了基于因子隐马尔可夫模型的负荷分解方法,利用该模型对负荷进行建模,对Viterbi算法进行了扩展并求解负荷状态,进而基于整数规划实现对总负荷的最优分配。该方法对负荷数据的稳定性和采样频率不敏感,可适用于家居和工业电力用户。同时,深入研究了Viterbi算法求解最优状态与观测扰动之间的影响关系,并进一步得到最优状态对于当前观测的允许扰动范围,这对负荷分解最优状态的可靠性评估有重要意义。     

基于隐马尔可夫模型的认知无线频谱切换方法

认知无线网络(cognitive radio network,CRN)中,为降低认知用户对授权用户干扰,需尽可能的减少频谱切换次数。提出了一种基于预测信道空时间(prediction of the channel idle time,PCIT)的认知无线动态频谱切换方法。该方法基于已知状态序列的隐马尔可夫模型(known-state sequence hidden Markov model,KSS-HMM),利用信道状态的历史信息预测信道未来空闲时间期望及传输数据包的数量,并给出了备选信道的选择方法,通过比较每个备选信道的传输数据量来选择最佳信道进行数据传输。仿真结果表明,与随机信道选择和传统选择方法相比,该方法能明显减少信道切换次数,同时提高了认知用户的吞吐量。     

基于分布式MIMO雷达的检测前跟踪算法研究

近些年来MIMO雷达技术正在逐步兴起并得到了快速发展.因其能够充分利用空间分集和波形分集,所以对弱小目标和雷达截面积闪烁目标都有很好的检测性能.为达到提升对弱小目标的检测概率,运用动态规划将检测前跟踪思想引入MIMO雷达系统,提出了基于MIMO雷达的检测前跟踪方法.MIMO雷达的空间分集特性能够降低检测前跟踪回波积累的时间,从而提高雷达系统对机动目标的检测概率.仿真实验结果表明,基于MIMO雷达的检测前跟踪方法检测性能良好,有效提升了检测概率,是一种有效检测机动弱目标的方法.     

基于超状态隐马尔可夫模型的智能电能表非侵入式故障远程检定

存在故障或误差的智能电表不仅给电网企业带来经济损失,而且其中的安全隐患容易影响电网的稳定运行,尤其是对成分复杂的智能电网体系。针对这一问题,提出一种基于超状态隐马尔可夫模型(super-state hidden Markov model,SSHMM)对故障电表进行非侵入式远程检测与定位。该方法不仅能发现已经出现故障的电表,还可以对最有可能出现故障的电表进行估计,为电网企业的运营管理提供参考。在真实数据集上的实验结果验证了该方法的有效性与稳定性。     

压缩感知理论在MIMO雷达目标测量中的应用

目前,压缩感知理论和多输入多输出（MIMO）雷达系统得到了越来越多研究人员的关注。压缩感知理论已经成功应用在图像处理、无线通信等领域;MIMO雷达在目标检测中有着重要的应用。主要分析了压缩感知理论在MIMO雷达信号目标检测方面的应用。MIMO雷达系统通过多个发射天线发射一组正交探测信号（例如：频分窄带线性调频信号）,这些信号遇到空间中的运动目标后发生反射,回波被一组MIMO雷达接收天线接收。基于压缩感知理论,实现了从MIMO雷达接收的回波信号中提取匀速运动的目标、测量目标的速度和方位角,并在MATLAB仿真环境下取得了良好的效果。     

基于自回归-连续隐马尔可夫模型的离心泵故障诊断

根据振动与语音信号的相似性和离心泵故障信号的特点,将连续隐马尔可夫模型引入了离心泵的故障诊断中。利用自回归谱不受数据长度的限制,及自回归模型参数对状态变化规律反映敏感的特点,以信号的12阶自回归谱系数为特征矢量,将其输入到各个状态连续隐马尔可夫进行训练,来实现离心泵的故障诊断。为防止数据下溢,引入前向-后向比例因子算法求其对数似然概率,并且采用K-means算法对连续隐马尔可夫进行参数初始化。在给定的观测序列中每一种模型的优化路径通过Viterbi算法实现,用Baum- Welch算法实现参数重估。最后通过2BA-6A离心泵试验系统验证了该方法的有效性。     

基于隐马尔可夫模型的日内风电功率预测误差区间滚动估计

风电的波动性和不确定性给大规模风电并网带来了挑战,估计风电场上报风电的预测功率误差范围,能够为含风电电力系统的运行调度提供重要信息。因此,提出基于隐马尔可夫模型的日内风电功率预测误差区间滚动估计方法。通过建立隐马尔可夫模型实现一定置信水平下对风电功率误差波动区间的快速估计,并利用局部加权回归散点平滑法对误差区间进行处理。以实际数据为例分析,结果表明所提方法能够给出风电功率预测误差的波动范围,为电力系统的调度与控制、备用容量的配置、风险评估等方面提供更全面的信息。     

神经网络与马尔可夫模型的手势识别系统

手势是一种作为表达思想或感情的肢体或身体运动,人的语言和手势是最好的沟通工具。采用基于彩色和边缘信息进行手区域检测,利用神经网络和最大内切圆搜索的方法对定义的手姿态进行识别,用基于隐马尔可夫模型对手势进行识别;对6种背景下的手势进行识别,实验证明本文的方法具有很高的识别率。     

信号开关中的马尔可夫链模型

马尔可夫过程是苏联数学家马尔可夫研究得到的。它是现代数学的一个重要分支。它在信息理论、自动控制、近代物理、生物及公用事业等方面有着广泛的应用。在机电元件方面也有许多马尔可夫过程的现象,特别是信号开关,例如,滑动开关类、互锁的直键开关类及电视机预选开关,它们的转换过程就是典型的马尔可夫链。研究它对我们如何合理地使用贵金属、提高开关寿命以及指导整机厂如何正确选用合适的开关均有一定的意义。     

基于小波-隐马尔可夫的波形异常扰动类型识别研究

针对波形异常扰动的识别问题,提出一种基于小波-隐马尔可夫的分类方法,利用小波变换提取波形异常扰动特征.波形异常扰动利用小波变换被分解成多分辨率小波域,其小波系数由HMM构建模型.基于此模型,结合最大似然实现波形异常扰动的分类识别,并在7200 V配电线上的实际波形异常扰动数据进行分类,并通过后处理对结果进行调整.实验结...     

基于遗传算法的正交多相码设计

MIMO雷达能有效地促进现代雷达的性能,由于MIMO雷达发射相互正交的信号,所以设计具有低自相关和互相关的正交信号是MIMO雷达实现的关键问题.本文基于自相关及互相关峰和能量为代价函数,提出了一种混合的优化算法来数字搜索正交多相码集,该算法包括遗传算法及叠代码选择算法.用该算法进行了仿真优化设计,仿真结果显示,提出的算法是有效性和可行的.     

基于改进隐马尔科夫模型的非侵入式家居负荷识别

针对低频采样识别精确度较低,系统稳定性较差的问题,文章提出了一种基于改进隐马尔科夫模型(hidden M arkov model,HM M)的非侵入式负荷监测方法(non-intrusive load monitoring,NILM)。该模型运用人工免疫算法和增量学习对传统HMM模型进行双重优化,通过人工免疫算法解决HMM模型容易陷入局部最优的问题,提升了模型的识别精确度。再通过增量学习实现了模型参数的自主更新,使得模型能够适应新的环境,提高了模型的鲁棒性。最后通过低频数据集建立了两个实验场景,对改进的HMM模型进行了实验验证,结果证明了该模型在识别精确度和鲁棒性等方面具有一定优越性。     

基于GIM模型的输电线路通道隐患快速检测

为解决现有输电线路电网信息模型(grid information model, GIM)通道隐患检测方法检测效率低、优化算法存在漏检的问题,提出一种基于等线长点集化和球体包含原理的通道隐患快速检测方法。首先,采用等线长间隔采样方式将导线由空间曲线转化为离散点集,使离散点集在电力线上均匀分布以解决传统等水平间隔采样方式离散点集分布不均匀、特殊档精度较差问题;其次,在地物点到电力线离散点最近距离计算过程中引入球体包含原理对地物点隐患可能进行判断,对不存在隐患可能的地物点跳过邻近点搜索计算,实现通道隐患快速检测。实验表明,该方法在导线点集化方面,对于普通档、特殊档均能保证采样点均匀分布,在线长间隔为10 cm的情况下将最近点的定位误差始终控制在5 cm以内;在检测效率方面,在保证检测精度的前提下将隐患检测耗时优化为传统逐点检测耗时的6.9%,具有较强的实际应用价值。     

一种基于Hough变换的直角角点检测算法

直角角点检测在广泛的图像处理与机器视觉应用领域中具有重要性.提出了一个新的直角角点检测方法.原始图像经边缘检测后得到二值化边缘,将直角角点检测问题分解为一系列的模板匹配问题.应用了Hough变换来高效地解决模板匹配的问题,并在Hough变换中结合了边缘方向信息以减少检测出的虚假直角角点数量.在一个实际的图像数据库上进行了提出的方法与其他数种角点检测算法的对比实验.实验结果表明,与其他方法相比,提出的方法具有最高的直角角点检出率,而其整体性能(包括运行时间、检出率、虚假角点检测率)也具有优势.     

基于雷达图法的电能质量综合评估模型

在国家标准规定的相关电能质量指标限值基础上,建立了同一尺度下的统一型电能质量指标体系,提出了一种基于雷达图法的电能质量综合评估方法.该方法先引入统一型电能质量指标,再通过多层次交互式算法确定各指标权重;然后改进传统雷达图法的特征量计算方法,将其应用于电能质量综合评估中.评估过程避免了数据归一化过程中的信息丢失,而且评估结果简明、清晰、直观.算例结果表明,所提出的电能质量评估方法直观可信,具有实际意义.