基于非线性动力学和高斯混合模型的电能质量自动识别

提取和分析了电能扰动信号的非线性动力学参数——信息熵、Kolmogorov熵和最大Lyapunov指数,结果表明单一参数对不同的电能扰动信号有较好的区分能力;然后添加幅度熵、相位熵,总共5维特征作为电能扰动信号的特征矢量集,应用高斯混合模型对暂降、中断、谐波、振荡、切痕、尖峰、暂升、波动8种单一电能扰动信号,以及暂升加谐波、暂降加谐波、中断加谐波、波动加谐波4种复合扰动信号进行建模与识别。结果表明:非线性动力学参数能较好地分辨这12种扰动信号,当5种特征进行组合后获得了96.42%的识别率,识别效果较好。     

基于振动信号频谱高斯混合模型的瓷支柱绝缘子故障诊断

本文提出一种基于振动信号频谱高斯混合模型(GMM)的变电站瓷支柱绝缘子振动信号特征提取方法,并利用粒子群算法(PSO)优化后的极限学习机(ELM)实现故障状态识别与分类.首先,根据瓷支柱绝缘子振动信号的频谱得到信号的频域分布.然后,利用高斯概率密度函数和期望最大值算法(EM)将频谱划分为三种模态,每个模态可以得到标准差σ、权重系数α 和均值μ 三个特征参数用于表征各频率的模态带宽、模态分量占比和模态中心频率.最后,将各模态的特征参数作为特征值输入分类模型实现状态识别与分类.     

基于被动音频的低小慢目标探测方法

为了提高无人机的探测识别率,对无人机飞行声音进行时频域分析,针对无人机声音特性,将梅尔倒谱系数(MFCC)与翻转梅尔倒谱系数(IMFCC)组合来更好地表征无人机声音信号,新的特征参数通过Fisher准则进行特征降维,构建无人机"声纹库",通过灰狼优化算法(GWO)对支持向量机(SVM)中的参数进行优化,建立无人机音频分类模型.实验结果表明,新特征参数可弥补单一特征在整个声音频域分辨率低的缺陷,GWO-SVM音频分类模型可实现在50 m距离内无人机探测,识别率达到92.9％,较传统检测方法有显著优势.     

基于多分类器综合的语音识别方法研究

本文中介绍了一种新的语音识别模型,该模型以BP神经网络、高斯混合模型、矢量量化模型为语音识别基本模型,建立了语音识别多分类器综合模型,用线性加权的综合方法对综合模型的识别结果进行处理.大量的试验和数据证明该方法具有较高的识别率.     

基于多模态轻量化混合模型的情绪识别

实现更加准确的情绪识别是当前面临的一项富含挑战性且十分有意义的任务。由于情绪的复杂多样性,单一模态的脑电信号难以对情绪进行全面客观的度量。因此本文提出一种多模态轻量化混合模型PCA-MWReliefF-GAPSO-SVM,该混合模型由PCA-MWReliefF特征通道选择器和GAPSO-SVM分类器构成。选用脑电信号(EEG)、肌电信号(EMG)、体温信号(TEM)三模态信号进行情绪识别。在DEAP公共数据集上进行多次实验验证,在效价维度、唤醒维度和四分类中分别取得了97.500 0%、95.833 3%、95.833 3%的分类准确率。实验结果表明,提出的混合模型有助于提高情绪识别准确率且明显优于单模态情绪识别。与近期的类似工作相比,本文提出的混合模型具有较高准确率、计算量小且通道数少的优点,更易于实际应用。     

基于组合核多特征融合的GIS局部放电检测与识别

GIS局部放电模式识别是其绝缘状态评估的重要部分,搭建了252k V GIS局部放电实验仿真平台,采用超高频和超声波检测法对4种典型绝缘故障进行局部放电检测,得到了相应的放电信号,并根据信号特点获取了相应的统计参数图谱,提取了相应的特征参数;采用K-折交叉验证和粒子群算法对组合核参数法进行了核函数参数优化,然后采用优化后的算法融合了超高频和超声波特征参数,分别将融合后的参数和单一的超高频及超声波参数输入到分类器中进行放电模式识别。结果表明,多特征参数融合后的识别率要高于单一特征的识别率,融合后的识别率可达92%。     

基于多角度混合高斯模型的纸币图像识别算法

针对金融领域的应用需求,提出了一种基于双面网格特征和多角度混合高斯模型的纸币图像识别算法。该算法使用双面网格作为特征提取方法,并根据类内、类间距离求取网格划分数量,证明双面网格特征相较单面网格特征的优势。然后针对不同倾斜角训练多角度混合高斯模型作为分类器,省去对整幅图像进行旋转的预处理过程,简化识别流程。改进的高斯密度判决函数进一步降低了时间消耗。实验结果表明,该算法的识别率可以达到100%,识别速度4ms/张,准确性和实时性都得到了很好的保证。     

触电信号暂态特征提取及故障类型识别方法

针对传统剩余电流保护装置只能监测到总泄漏电流信号大小,但不能根据监测到的总泄漏电流信号自动分类和识别触电类型,提出了一种基于统计特征参数与支持向量机的触电信号暂态特征提取及故障类型识别的新方法。该方法首先针对3种生物体触电总泄漏电流故障信号提取出表征图谱特征的29个时域和频域统计特征参数,然后采用主成分分析法对特征空间进行降维处理得到5个新的特征量,将降维后的特征量输入到支持向量机中进行分析,利用粒子群算法优化支持向量机模型参数,并与GA-SVM,CV-SVM进行了对比分析。结果表明,PSO-SVM的识别率最高,能够有效地诊断触电信号故障类型。     

基于Gammatone滤波器倒谱系数与鲸鱼算法优化随机森林的干式变压器机械故障声音诊断

为有效提取变压器声音信号中的机械状态信息并识别其典型机械故障,依据人类听觉系统优异的声音识别能力,提出了一种基于Gammatone滤波器倒谱系数(GFCC)和鲸鱼算法优化随机森林(WA-RF)的变压器机械故障声音诊断方法。首先计算了变压器声音信号的GFCC,引入信息熵提取了GFCC中的主要声音特征信息。采用鲸鱼算法通过优化随机森林中决策树基分类器的规模和特征子集,构造了基于优化随机森林的变压器典型机械故障分类模型。对以某10 kV干式变压器正常与典型机械故障下声音信号的计算结果表明,所构建的基于GFCC主要特征参数和鲸鱼算法优化随机森林的变压器典型机械故障模型具有较好的识别效果,准确率可达95%以上,且具有优良的抗噪性能和鲁棒性。     

基于Mel时频谱-卷积神经网络的变压器铁芯声纹模式识别方法

为了实现变压器设备声学指纹的不停电检测,提出了一种基于Mel时频谱-卷积神经网络的变压器铁芯声纹识别模型。首先,通过铁芯模型振动与噪声试验平台,研究铁芯在不同工况下的振动声信号,将采集到的振动与声音数据进行了关联性分析和比对,验证了声信号同振动信号一样均能够有效反映铁芯的运行状态;然后,对采集到的声音数据进行Mel时频谱预处理降维,并将降维结果作为深度学习的数据集;最后构建了Mel时频谱-卷积神经网络变压器铁芯声纹模式识别模型,通过超参数调整和网络结构优化设计,实现不同运行工况声信号的准确识别。研究结果表明:该文提出的Mel时频谱-CNN识别模型对3种不同工况的声信号识别率达到了99.71%。论文研究可为电网主设备的数据深度挖掘提供参考。     

基于时频分析和2DNMF的局部放电模式识别

提出时频分析结合二维非负矩阵分解的混合特征提取算法识别不同局部放电类型.在实验室环境下采集了4种典型绝缘缺陷模型的局部放电超高频(UHF)波形,引入自适应最优径向高斯核时频分析挖掘局部放电UHF信号的时频信息,在对时频幅值矩阵进行二维非负矩阵分解提取降维特征后,采用模糊k-近邻分类器对4种不同类型的局部放电信号进行识别.对试验样本的识别结果表明:自适应最优径向高斯核时频分布能较好地表征局部放电单次波形的时频信息;二维非负矩阵分解降维后的特征矩阵能保存原始时频矩阵的大部分有用信息;模糊k-近邻分类器比k-近邻分类器和3层反向传播神经网络具有更高的识别率,并较反向传播神经网络具有容易拓展的优点.     

电缆次周期扰动电压特征提取方法

电缆发生绝缘缺陷时会引发次周期扰动电压现象，提取扰动电压特征对及时检测绝缘缺陷、保障电缆安全运行具有重要意义。对此，提出了一种电缆次周期扰动电压特征提取方法。首先，通过试验获取电缆次周期扰动电压波形并定义扰动波形的时间和幅值两个特征参数。然后，通过STKF（强跟踪卡尔曼滤波）快速跟踪电压幅值变化，设置自适应参数抑制GMM（高斯混合模型）的参数波动，结合STKF与GMM提取扰动电压特征参数。最后，通过试验获取的扰动电压数据进行算法测试，并分析高斯混合模型中自适应参数、采样频率、检测算法的死区对特征参数提取的影响。MATLAB仿真结果表明，电压采样频率在2.25 kHz及以上时计算结果相对稳定，验证了所提方法能够提取电缆次周期扰动电压特征参数。     

基于递归特性分析和BP神经网络的电能质量扰动识别与定位(英文)

提出将递归图和定量递归分析技术引入非平稳电能扰动信号处理研究中,通过分析递归图和递归特性,选择递归量化参数定量地表征电能扰动信号的递归特性,利用定量递归分析提取的不同参数,并运用 BP 神经网络进行扰动训练,最终实现区分不同的电能扰动模式.进一步选择信号递归度这一特征参数,初步检测了电能扰动信号的端点.仿真实验结果表明,该方法对电压暂降、暂升、中断、振荡暂态、电压尖峰和暂态谐波等多种暂态扰动信号有较好的识别与定位,识别率在98%以上.     

基于多源信号输入卷积神经网络的高压开关故障诊断方法

正针对高压开关故障中出现频次最高的机械故障诊断问题,通过模拟试验采集铁心卡涩、弹簧疲劳等典型机械故障时的声音及电流信号,将其进行下采样、滤波后输入到深度学习模型。结果表明该方法的故障识别率可达94%,相比其他传统方法具有较大优势。高压断路器机械故障辨识是对断路器进行状态监测、异常识别和故障分类。振动、电流和声音等传感器可用来采集断路器运行的各项数据,     

电力系统振荡与谐波扰动识别的prony分析法

为实现电压扰动的抑制与补偿,需要对电压扰动进行自动的识别,以便有针对性地采取措施。针对电压扰动中难以正确区分的谐波与高、低频振荡扰动,提出了一种基于Prony算法的识别方法。该方法能够对谐波和高、低频振荡扰动信号进行有效识别,并求解出相应扰动信号成分的特征参数:幅值、衰减系数、频率和初相位等。对该方法进行了计算机仿真验证,取得了令人满意的效果。信噪比为40dB条件下,谐波、振荡和振荡与谐波扰动同时发生时,在准确计算特征参数情况下的正确识别率分别为96%、94%和92%,若只考虑类型识别正确率则上述指标可达98%。所提方法适用于频率跨度大、成分比较复杂的扰动信号的分析,能够很好实现扰动的识别。将所提方法与其它方法结合,还可对多种扰动进行有效的识别。     

基于WOA-BP和D-S证据的高压电机局部放电模式识别方法

针对单一信号源特征无法准确识别局部放电(PD)类型的问题,提出了一种基于改进BP神经网络(BPNN)和D-S证据的高压电机PD模式识别方法。对不同类型PD的脉冲相位信息、特高频信号和超声波信号进行采集,提取不同信号的特征向参数,再分别构造基于鲸鱼优化算法(WOA)改进的BPNN识别模型对PD类型识别,将3个识别模型的识别结果作为证据体采用D-S证据组合规则进行融合,最后对融合结果进行决策。研究结果表明：基于3类单一信号源独立识别各类PD类型的准确度存在差异性和不确定性,识别率分别为83.3%、90.0%、83.3%,但3类信号源的共性和差异性可以融合互补,有各自优势,可以解决故障诊断中的不确定性问题。在此基础上,基于D-S证据融合的高压电机PD类型的整体识别率提升至96.6%,实现了3种信号源的优势互补,与单一模型对比,所提方法可以稳定、准确地识别PD模式,具有更高准确率和可靠性,验证了所提方法的有效性与正确性。     

基于神经网络的低压电力线载波通信信号调制识别研究

研究低压电力线载波通信信号调制识别技术对建立相关通信领域的规范化测试标准具有重要意义。通过采集电力线载波芯片发送的调制信号样值,经预处理后提取信号四类特征参数,并利用BP神经网络结合双特征参数阈值判决法对特征参数进行判决归类,从而实现调制类型的自动识别。仿真及实测数据结果表明,提出的特征参数集和基于双特征参数阈值判决的神经网络分类器能够有效识别低压电力线载波BFSK、BPSK和QPSK调制信号,在信噪比大于10d B的情况下,该方法的识别正确率可达95%以上。     

基于原始信号多尺度信息的局部放电特征提取与识别

不同类型的局部放电脉冲,对电缆的危害程度不同,其判断标准也不一样,因此对局放类型的辨识具有重要意义.制作了沿面放电、悬浮放电、针-板放电和自由颗粒放电4种典型的故障缺陷模型,并搭建实验平台测取放电数据.对数据去噪处理后,构建4种放电类型的局部放电相位分布模式PRPD(phase resolved partial dis?charge),并利用谐波小波包变换对原始局放信号进行分解,提取局放信号的多尺度能量特征参数和多尺度样本熵参数,将它们组成特征向量,送入支持向量机SVM(support vector machine)中进行分类识别.4种放电类型的平均识别率为94.5％,因此利用多尺度参数特征可以有效识别出不同类型的局放信号.     

基于CEEMDAN-GPR的球磨机负荷软测量

为对球磨机软测量方法中的测量结果精度实时估计,同时改善软测量信号分解中的模态混叠问题,本文提出了一种新的基于自适应噪声完备集合经验模态分解、高斯混合模型与高斯过程的球磨机负荷软测量方法,核心思想是使用改进CEEMDAN-GMM方法将球磨机振声和振动时域信号分解为一系列的本征模态函数并分类,由高斯过程回归给出预测值。相较于其他软测量方法,完全集合经验模态分解可以很大程度上避免经验模态分解带来的模态混叠影响,高斯混合模型可以通过设定概率阈值的方法在特征聚类的同时识别异常信号,高斯过程回归不但可以给出基于数据驱动的预测值,还能给出相应的置信区间,并据此向操作人员发出异常预警。实验证明,相较于其他软测量方法,本方法在球磨机负荷参数软测量精度、异常检测等方面均有一定的改进。     

基于NSST域增强的直流XLPE电缆局放识别方法

针对直流交联聚乙烯(XLPE)电缆局放信号图的对比度差和边缘清晰度低,影响电缆缺陷识别率的问题,提出一种基于非下采样剪切波变换(NSST)域增强的直流电缆局放识别方法。首先采用NSST对不同缺陷类型的电缆局放信号图进行分解,得到低频子带图和高频方向子带图,其中,低频子带图进行布谷鸟优化多尺度Retinex算法(CS-MSR)增强处理,高频方向子带图进行亮度保持动态模糊直方图均衡算法(BPDFHE)增强处理。然后对NSST各子带图进行加权重构,得到增强的直流电缆局放信号图。最后提取直流电缆局放信号图中每个子带图的最大放电次数、平均放电时间间隔、平均放电量等共计72个特征参数,并代入到线性核支持向量机(L-SVM),高斯核支持向量机(G-SVM),多项式核支持向量机(P-SVM)和多核支持向量机(M-SVM)识别模型中进行分析。实验结果证明:基于NSST域增强的直流电缆局放信号图与原始信号图相比,在M-SVM情况下,整体缺陷识别准确率提高9.46%以上。运用新提出的方法进行局放识别时,信号图细节更加丰富,且提高了电缆局放信号图的缺陷识别率,为直流电缆局放缺陷识别提供了新的思路。