基于ICS-K-means聚类算法和WNN的有源低压台区线损估算方法

针对传统的线损理论计算方法已不适用于含分布式电源的低压台区线损估算的问题,提出一种基于改进布谷鸟搜索K均值(ICS-K-means)聚类算法和小波神经网络(WNN)的有源台区线损估算方法.首先,基于最大互信息系数筛选线损影响因子,建立有源台区线损指标体系;然后,提出改进布谷鸟搜索聚类算法对样本数据集进行聚类,减少对初始...     

基于FCM和EO-SVM水轮机尾水管压力脉动特征识别

为有效识别水轮机尾水管压力脉动特征,提出了一种基于模糊C均值聚类、平衡优化器算法与支持向量机的识别方法。该方法首先采用平衡优化器算法优化SVM的惩罚因子和核函数以获得更好的SVM参数组合,构建EO-SVM识别模型以实现其在水轮机尾水管压力脉动特征识别中的应用。然后采用模糊C均值聚类算法将待分类的压力脉动特征进行初始聚类,将其分为四类,并依据聚类结果选择最靠近每类中心的样本作为EO-SVM模型的训练样本。将SVM和EO-SVM两种模型的识别分类结果进行比较,验证了所提EO-SVM模型的有效性。     

基于小波和Elman神经网络的气液两相流流型识别方法

传统的流型识别方法仅可作为一种定性的流型识别方法。为了克服传统流型方法的不足,采用小波分析和El-man神经网络技术来实现气液两相流流型的智能识别,测量了水平管内气液两相流的压差波动信号,应用小波分析对流型的动态压差波动信号进行分析、提取特征,然后将小波能量作为Elman神经网络的输入,从而实现对流型的智能识别。实验结果证明,该方法能够很准确地识别出4种流型,并且具有很好的识别效果,从而为流型的在线识别提供了一种定量的流型识别方法。     

基于无线通信和大数据技术的低压台区同期线损异常诊断系统

研发了一套基于数据采集、通信、云平台和移动互联网技术的智能监测终端,以及利用该终端对低压台区能量流动关键节点的5 min电压、电流、功率因数及表码值等的数据采集,搭建了一套包含低压台区电网异常分析、用户窃电预警以及采集缺陷判断等数据诊断功能的云平台,并将分析结果以预警或工单的形式发送至台区线损责任人手机客户端。通过在线损异常分析中引入聚类算法和机器学习技术,实现了状态监测、数据分析及消缺闭环的全过程管控。     

基于非线性小波变换的汽油机爆震强度识别

为提高利用振动信号检测汽油机爆震强度的精度,提出了一种基于非线性小波变换的爆震强度识别方法.首先,采用非线性小波变换对振动信号进行分解,提取出爆震特征.然后,在包含爆震特征的小波细节分量上计算一组能够表征爆震强度的时域统计特征参数.最后,将这些统计特征参数输入到人工智能分类器进行爆震强度识别.对某汽油机进行了爆震台架试验,并对提出的方法进行了验证.结果表明:非线性小波变换可以清晰地从缸盖振动信号中检测出微弱的爆震冲击特征;同时,采用支持向量机能够获得更优的爆震强度识别精度和泛化性能.     

海上油气田热介质供热设备故障数字化识别技术

海上油气田热介质供热设备长期在高温易燃的环境中运行，其可靠性对油气田开发的安全稳定起到重要作用，有必要研究其故障识别方法。为此，提出海上油气田热介质供热设备故障数字化识别方法。采用线性谱聚类算法对红外设备图像展开超像素分割处理，利用基于最大相似度区域合并算法分割设备目标区域。通过基于梯度变化的补偿算法对目标区域展开盲元块补偿。在核函数估计的基础上提取红外设备图像的温度概率密度函数，采用K均值聚类算法根据温度概率密度划分目标区域，将目标区域分为故障区域和正常区域，实现海上油气田热介质供热设备故障的数字化识别。实验结果表明，所提方法可以准确地完成目标区域分割和过热区域定位、故障识别准确率最低为97.3%、识别时间在2 s内。     

基于小波包分解和Kohonen神经网络的气液两相流流型识别方法

针对传统流型识别方法主观性强和BP神经网络训练受病态样本影响较大的缺点，根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性，提出一种新的气液两相流流型识别方法。该方法首先利用小波包分解对流型的动态压差波动信号进行分析、提取特征，然后将小波包能量特征与Kohonen神经网络结合进行流型识别。对水平管内空气一水两相流4种典型流型的识别结果表明：该方法能有效克服传统识别方法具有的主观性和BP网络的缺陷，具有很好的识别效果，从而为流型的在线识别提供一种新的有效的技术选择。     

基于小波神经网络的机械故障智能诊断研究

探讨了动量系数和学习率自适应调整的神经网络算法,给出了动量系数和学习率的调整方法,并作为机械故障的特征识别方法,以小波分析技术作为机械故障特征信号的提取手段,由此建立了基于小波与自适应神经网络的旋转机械故障智能诊断系统,给出了诊断系统的训练学习方式和工作方式,通过实际测试数据酌诊断结果说明此诊断系统对故障诊断是有效的。     

一种考虑线损最优的配电网新能源聚类规划方法

当前以风电、光伏为代表的分布式电源在配电网中的占比越来越大，其对电网规划的合理性及可靠性也提出了较高要求。该文提出一种基于k-medoid聚类的配电网分布式发电规划方法，采用轮廓系数法确定最优的聚类个数，以配电网线损最优为优化目标，以配电网线损灵敏度因子作为聚类特性指标，得到分布式发电最优规划位置；并提出基于节点有功变化的部分线损计算策略以获得分布式发电的最优规划容量。最后，以IEEE33节点系统作为测试系统进行了分析。结果表明，所提方法不仅具有较高的计算效率，同时能够一次性给出多个特征指标下的综合最优接入方案，具有较强的实用性。     

基于时频熵的放电脉冲取特征提取算法

传统的放电脉冲取特征提取方法采用的是线性时间序列分析方法,提取放电脉冲的关联维特征进行分类识别,由于放电脉冲具有非线性特性,线性时间序列分析方法无法提取非线性特征,导致模式识别性能不好。提出基于时频熵的放电脉冲取特征提取算法,对108次/s的超宽带局部放电脉冲时间序列波形进行时频熵特征参数提出,采用混沌差分进化算法对模糊C均值聚类算法进行改进,用改进的模糊C均值聚类算法,在高维的特征参数空间中,进行超宽带局部放电脉冲的时频熵特征参数的聚类分析,实现对放电脉冲的特征分类检测和识别。仿真实验结果表明,采用该算法能有限实现对放电脉冲取特征提取,特征聚类的准确度提高,提高了脉冲检测识别性能。