基于小波神经网络的电力负荷预测方法

分析了小波神经网络的特点，研究了在电力负荷预测中小波神经网络存在的优缺点及适用范围。通过对小波神经网络和BP神经网络的结构和算法进行理论分析，并对实际电力负荷预测算例进行对比研究，指出小波神经网络本身适合对波动性的信号进行预测，而且在神经网络节点数目相同的情况下，小波神经网络比BP神经网络具有更高的预测精度，因此采用小波神经网络有利于减少隐节点数目。还指出由于当前的连续小波神经网络主要使用传统BP神经网络的随机初始化方法和基于梯度的训练算法，因此存在收敛性差的缺点。     

基于小波能量与神经网络的断路器振动信号识别方法

高压断路器出现机械故障不仅会引起振动冲击事件的时间漂移,还会引起时域波形中一些波峰幅值的变化。依据同一类型断路器振动信号相似的特点,在对高压断路器故障振动信号进行特征分析的基础上,提出了一种识别高压断路器振动信号的新方法:将小波包提取算法和径向基神经网络模式识别功能相结合,利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中,提取每个频带能量作为断路器状态监测的特征向量,作为径向基神经网络的输入向量;基于径向基神经网络的故障诊断方法在系统参数未知的情况下自动建立动态模型,对于线性系统和非线性系统都有很好的跟踪能力,通过实验室断路器典型合闸振动信号的监测及识别分析验证了该方法的有效性。     

一种基于小波神经网络的模拟电路故障诊断方法

本文针对模拟电路提出了1种新的基于紧致型小波神经网络的故障诊断方法。该方法首先利用小波变换和主成分分析对故障信号进行预处理,然后用处理后的故障特征数据对小波神经网络进行训练和测试。仿真实验表明,该方法比普通神经网络方法训练速度更快,诊断准确率更高。     

基于小波与多维分形的电能质量扰动分类

提出了基于小波变换和多维分形的电能质量扰动概率神经网络自动分类系统.分类系统的实现分为两个阶段,首先采用离散小波多分辨率分析和Parseval定理提取不同尺度下扰动信号的能量分布特征,同时利用多维分形方法计算同一畸变信号的局部方差分维数,并将小波变换提取的能量分布特征和局部方差分维数组合构成特征矢量.其次将特征矢量输入到概率神经网络进行训练和测试,从而实现正弦波形、电压骤降、电压陡升、谐波、中断,脉冲和振荡瞬态的分类.采用提出方法的电能质量扰动平均分类率为95.86%,高于只采用离散小波变换提取特征矢量分类率2.15%.     

基于小波与多维分形的电能质量扰动分类

提出了基于小波变换和多维分形的电能质量扰动概率神经网络自动分类系统。分类系统的实现分为两个阶段,首先采用离散小波多分辨率分析和Parseval定理提取不同尺度下扰动信号的能量分布特征,同时利用多维分形方法计算同一畸变信号的局部方差分维数,并将小波变换提取的能量分布特征和局部方差分维数组合构成特征矢量。其次将特征矢量输入到概率神经网络进行训练和测试,从而实现正弦波形、电压骤降、电压陡升、谐波、中断、脉冲和振荡瞬态的分类。采用提出方法的电能质量扰动平均分类率为95．86％,高于只采用离散小波变换提取特征矢量分类率2．15％。     

一种基于小波变换和神经网络的视频水印算法

针对视频版权的保护,本文提出了一种基于三维小波变换和RBF神经网络的视频水印算法。算法是采用二值图像作为水印,首先对水印图像进行随机置乱预处理以增强其安全性能,然后对宿主视频进行视频分割,并分别对得到的各序列作三维DWT变换。最后把水印嵌入到经过三维变换的低频子带中,在水印提取过程中,结合RBF神经网络模型,而不需要原始图像,快速有效提取出水印。实验结果表明,该算法具有较强的不可见性,并且针对帧压缩、旋转、滤波和比例缩放等具有良好的鲁棒性。     

基于小波神经网络的风电功率预测

风力发电是新能源发电中技术之一,对促进电力工业调整、减少环境污染、推进技术进步具有重要意义.然而,目前风力发电的大规模使用还存在一定的难度,开展风电场功率预测的研究势在必行,基于小波理论及神经网络的方法,开展相应的研究.     

一种基于Morlet小波分析与神经网络技术的局部放电识别方法

小波变换技术适合电机局部放电的模式识别,笔者从一个新的角度来描述了局部放电信号的特性。研究表明,用Morlet小波变换三维分布图计算出的特征参数可以区分空气中的尖尖放电、尖板放电和沿面放电。理论和仿真实验分析表明,小波变换三维分布图提取的特征参数可以作为识别局部放电的新特征量,这些特征量作为人工神经网络的输入量可单独使用也可结合其它方法使用。     

基于分形神经网络的电力电子电路故障诊断

针对电力电子电路的故障,分析了故障产生的特征类型,提出了基于分形理论及BP网络故障诊断的方法。以三相整流桥路为例,利用分形理论建立了故障元与分形维数之间的关系,对故障信息做预处理。通过仿真试验提取出用于BP神经网络训练的学习样本,并构建了用于不同类故障的三层BP神经网络结构,继而确定故障点。     

一种基于分形插值原理的焊缝轨迹识别方法

针对机器人智能化实时焊缝跟踪和视觉自动化轨迹识别对焊枪自主整合焊缝的焊接质量稳定性的影响,探讨平面焊缝的图像特征,提出了一种基于分形插值模型的焊缝轨迹图形处理方法,通过分析矩形域内分形曲面的少量数据,建立焊缝的分形几何形态,仿真其粗糙表面,根据所得结果可以快速、准确地捕捉具有分形特征的平面焊缝,实现实时焊缝跟踪及轨迹识别,提高焊缝整合的质量稳定性。以平面曲线焊缝为实例进行模拟,结果表明该研究模型可以有效提高平面焊缝轨迹识别的精度,验证了分形插值仿真在求解焊缝轨迹识别问题时的有效性。     

采用小波分析与神经网络技术的局部放电统计识别方法

小波变换技术适合于局部放电（PD）的检测与识别，但所用小波或提取的特取的特征量不合适时，识别效果不理想。因此，测量了6种典型绝缘缺陷模型产生的144组PD脉冲数据，用基数B样条导数小波成功地从这些实测数据的极强电磁干扰中检测出了PDs，得到了相应的三维统计分布图与各种二维统计分布图，提出了一种新的小波分解方法处理这些PDs对应的统计分布图，并在小波变换域定义了一组与传统方法完全不同的新特征量来识别这些PDs。以新定义的特征量组成输入矢量，用基于BP算法的前馈型神经网络，对6种典型PDs及加上4种混合PDs组成的共10种PDs进行了识别测试，识别效果远远优于现有方法水平。     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

基于小波神经网络的电力电缆故障定位方法研究

为实现电力电缆故障点在线迅速准确的定位,结合电力电缆的故障特点,提出一种利用小波神经网络对电力电缆故障进行定位的方法。应用小波包分析理论对电力电缆故障信号进行特征提取,并在此基础上利用人工神经网络强大的非线性特征函数拟合能力来实现小波包系数到故障距离的映射,解决故障在线测距问题。选择若干历史故障测距数据进行仿真试验,试验结果表明,利用训练成熟的小波神经网络能够在较小的误差范围内实现故障定位。     

一种基于小波变换的TA饱和识别方法

为了改善TA饱和时的差动保护性能,综合分析了各厂家现有差动保护TA饱和判据的不足之处,根据小波变换适于分析暂态突变信号和微弱变化信号的特点,采用了小波变换对对电流进行分析,提出了一种基于小波变换的TA饱和识别方法,并成功地应用到实际保护装置中。仿真和试验证明了这种方法的可靠性和优越性。     

连续小波神经网络收敛性能的探讨

小波神经网络已经被应用于电力系统,并且表现出许多优良特性.但是人们对于小波神经网络的缺点却认识很少.首先介绍小波神经网络的原理,离散神经网络和连续小波神经网络的概念和特点,然后探讨了连续小波神经网络的收敛性能.研究指出,由于小波函数和Sigmoid函数存在很大差异,因此当连续小波神经网络采用BP神经网络的初始化和训练算法时会出现收敛性差的问题,并通过实验进行了验证.最后本文给出了几种改进连续小波神经网络收敛性的建议.     

一种改进的小波神经网络应用于电动机故障诊断

对基本的小波神经网络进行改进,用遗传算法取代传统的梯度下降法,对小波神经网络中的初始参数进行全局优化.将经过改进的小波网络应用于电动机的故障诊断,并对5组电动机故障数据进行验证.实验结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了此方法应用于电动机故障诊断的正确性和有效性.     

基于小波包和改进BP神经网络的变压器励磁涌流识别方法

根据励磁涌流和内部故障电流的波形特征存在巨大差异,提出一种基于小波包和改进BP网络的识别励磁涌流的新算法。利用小波包对励磁涌流和故障电流信号进行分解和重构,提取小波包重构系数,计算各频段的能量并进行归一化处理,构造能量特征向量,作为BP网络的输入样本,进行训练和测试,提出保护判据。经过PSCAD/EMTDC和MATLAB软件对大量样本进行仿真验证,证明该方案能够快速准确地识别励磁涌流和内部故障电流。     

基于小波熵和概率神经网络的配电网电压暂降源识别方法

分析了短路故障、感应电动机启动和变压器投运引起电压暂降的原理及各类电压暂降的特征,提出一种基于小波熵(wavelet entropy,WE)和概率神经网络(probability neural network,PNN)的电压暂降源识别方法。提取信号的小波能谱熵和小波系数熵特征向量,并将其输入概率神经网络,实现电压暂降源的自动识别。利用Matlab/Simulink建立简单配电网的仿真模型进行验证,结果表明,基于小波熵和概率神经网络的方法能很好地识别电压暂降源。     

小波变换、神经网络和小波网络的函数逼近能力分析与比较

基于对小波变换和神经网络之间内在联系的分析，利用神经网络不同激励函数的线性组合构造出了相应的小波函数，得出小波函数作为神经网络的激励函数与普通神经网络的激励函数在本质上是一致的结论，并引入了小波网络。通过对小波变换，神经网络和小波网络函数逼近能力的理论分析与比较，认为小波网络在函数逼近方面具有明显的优势，并且分别利用这3种方式对一典型函数进行了仿真逼近的验证。     

基于小波包和概率神经网络算法的短路故障识别方法

为快速准确识别电力系统短路故障类型,根据电力系统发生短路故障时零序电流的能量特征,提出一种基于小波包和概率神经网络算法相结合的短路故障识别新方法。首先利用Matlab/Simulink建立仿真模型,对系统进行短路故障仿真。然后利用小波包对零序电流进行采样和分解,提取小波包分解重构系数,对各频段内的能量进行归一化处理,得到能量特征向量。最后对特征向量进行概率神经网络的训练和测试,将预测样本代入训练结果进行验证,其结果证明该方法能够快速准确地识别短路故障。