基于连续小波变换的汽轮机转子振动信号矩特征研究

基于小波分析良好的时频功能,分析了汽轮机转子振动信号的连续小波变换系数,利用图像处理与识别技术中的统计特征参数--矩向量来描述连续小波变换灰度图,并将其应用于汽轮机转子振动故障信号的特征提取之中.然后,对几种典型振动及一些耦合振动故障的信号进行了分析与计算,结果表明灰度图的矩向量可以较好地展现小波灰度图的局部化信息,能够有效地提取信号的特征,可以利用其来区分振动故障.     

基于时频谱图和粗糙集的柴油机故障图像纹理特征自动提取

将图像纹理特征提取技术引入到柴油机连杆轴承磨损故障诊断中,首先采用连续小波变换对柴油机连杆轴承振动信号进行时频分析,为了减少循环波动的影响,将三个工作循环信号的时频分布平均为一个工作循环信号的时频图;然后将不同磨损工况的时频分布图转化为灰度图像,提取基于灰度共生矩阵四个角度的图像纹理特征参数;最后利用变精度粗糙集理论提取与故障程度强相关的特征参数。诊断实例表明:灰度共生矩阵能够反映柴油机连杆轴承不同磨损工况,变精度粗糙集可以从中提取出与故障程度强相关的五个关键参数用于分辨连杆轴承的四种磨损工况,小波时频图像特征提取和变精度粗糙集相结合能实现连杆轴承故障特征的自动提取。     

自然语言处理技术下电网敏感客户画像多特征提取方法

为快速、准确地识别和认知电网客户,并制定针对性、精细化、个性化的服务方案,从而提升服务质量与效率,该文提出一种自然语言处理技术下电网敏感客户画像多特征提取方法。基于电力系统业务需求方向,选取头脑风暴方式确定电网敏感客户画像标签本相,利用德尔菲法确定和完善与电网业务具有高度相关的标签,由此获取具有应用性的电网敏感客户画像标签。利用自然语言处理技术中的分词、词向量转换以及词权重计算等方法,提取画像标签中的特征：选取N元文法模型确定标签文本中分词计划,选用one-hot模型对分词后的文本实施词向量转换,计算词向量转换后标签文本内的词汇权重,利用词汇权重确定后保留下来的特征词,确定电网敏感客户画像标签文本内的句子情感,实现密度、范围、数量等多特征提取。实验结果表明,该方法特征提取精度优于对比方法,且其特征提取效率受画像标签样本数量提升的影响程度不显著,能够适用于电网大数据环境中。     

跨区域全时空基于深度学习的分布式潮流态势预估方法

基于人工智能中的深度学习方法,文章提出了分布式经济调度及其潮流态势预估方法。在传统集中式经济调度方法的基础上,给出了分布式经济调度模型及其求解方法;在该模型中,建立了负荷分布关联的特性及其模型;使用深度学习方法对负荷分布关联模型及分布式经济调度潮流进行学习训练,预估未来电网潮流运行态势。以实际电网对所提方法进行验证,结果显示具有较高的准确度。     

基于Sobel算子边缘检测的太阳电池缺陷特征提取方法

利用太阳电池的红外图像对其进行缺陷的特征提取研究,提出基于Sobel算子边缘检测的太阳电池缺陷特征提取方法。首先,在RGB空间和HSV空间中,对太阳电池的红外图像进行预处理,得到太阳电池的R(红)、G(绿)、B(蓝)灰度图和H(色调)、S(饱和度)、V(明度)灰度图,初步判断太阳电池的运行状态;其次,使用Sobel算子对非正常运行的太阳电池红外图像进行边缘检测,得到红外电池表面增强图像的Sobel细节图,并利用自适应迭代法获得最佳阈值,进一步得到有较强表示能力的阈值突显边缘图,充分体现了太阳电池表面的缺陷特征细节。     

基于VMD和卷积深度信念网络的风电机组行星齿轮箱故障检测

针对传统的故障诊断方法面对风力发电机组行星齿轮箱振动信号时处理范围有限的问题,提出了一种基于VMD和卷积深度信念网络相结合的智能诊断方法,首先利用VMD对原始信号进行分解,基于峭度准则提取出冲击含量较大的本征模态函数,将特征信息明显的分量融合在一起组成多通道的输入,然后利用卷积深度信念网络进行特征提取,最后将特征输入到分类器中进行故障识别分类。试验结果表明,该方法可准确地对风电机组行星齿轮箱不同的工作状态和故障种类进行识别与分类。     

基于分层对齐迁移学习的锂离子电池容量估计北大核心CSCD

精准的容量估计对锂离子电池健康管理和预测性维护具有重要意义。近年来,数据驱动的方法被广泛应用于锂离子电池容量估计,然而现有的数据驱动方法大多假设训练和测试数据服从相同分布,当此假设不满足时,模型的预测精度快速下降。现有的基于迁移学习的锂离子电池容量估计方法旨在对齐源域和目标域的整体分布,而忽略了不同层内的特征的可迁移性。针对以上问题,研究了深度迁移学习方法不同层之间的特征可迁移属性,提出了基于分层对齐迁移学习(hierarchical alignment transfer learning,HATL)的锂离子电池容量估计方法。首先,构建了一个基于卷积神经网络的特征提取器,考虑不同层特征的可迁移性,对不同层特征施加最大均值差异约束和通道注意力一致性约束,使得特征提取器从源域和目标域提取到的特征相似且模型更加关注域不变特征;然后,特征经过一个预测器得到容量估计值。在公开的锂电池数据集上进行充分验证,并与其他方法进行对比,结果表明,本文所提的HATL方法具有更高的估计精度,明显优于其他方法。证明了迁移学习方法在跨工况容量估计任务中的有效性和优越性。     

多源量测环境下基于深度强化学习的配电网分布式状态估计方法

文章在全时空量测环境下,基于深度分布式强化学习方法,提出了配电网分布式状态估计方法。首先,提出了多种量测体系的标准形式及其转换模型;其次,针对不同的量测体系,给出了线性和非线性的状态估计方法;再次,基于传统深度强化学习,提出了深度强化学习的分布式状态估计方法;最后,以实际电网为例,验证了所提方法的有效性。     

基于深度强化学习面向虚假拓扑攻击和拓扑优化的电网调度方法

随着高比例可再生能源的接入和虚假拓扑攻击的频率不断增加,传统的电网控制方法和发电出力调整调度方法已经难以满足电力系统运行的需要。因此,设计并实现了一种基于深度强化学习面向虚假拓扑攻击和拓扑优化的电网调度方法,使智能体能够在正常的负荷波动以及随机发生的拓扑攻击影响下,通过深度强化学习方法决策并执行调整电网拓扑结构的动作,提高电力系统运行的安全性。最后,基于IEEE 14节点系统数据的仿真验证了所提方法的有效性。     

基于聚类算法的低压电网分段线损智能识别方法

传统电网线损识别方法未能对线损特征进行提取,导致识别结果不准确,识别用时较长。提出一种基于聚类算法的低压电网分段线损智能识别方法。通过Wpdec小波分解函数对低压电网分段线损数据进行3层小波分解,利用Wprcoef函数对小波系数进行重构,提取低压电网分段线损特征;根据提取到的线损特征变量,设定分段线损异常判定依据,使用K-means算法对所提取的特征向量进行聚类分析,借助聚类结果获取线损特征规则,最终实现基于聚类算法的低压电网分段线损智能识别。经实验结果表明,所提方法不仅能够精准识别低电压分段线损,同时还能够提升识别速率。