基于VMD与广义S变换的HVDC线路故障定位

针对高压直流输电线路故障定位中存在的输电线路长、故障概率大、测距精度不高以及故障波形含有噪声等问题,提出了VMD分解与广义S变换结合的高压直流输电线路故障测距算法。首先通过变分模态分解(Variational Model Decomposition,VMD)对含噪声的行波信号进行VMD分解,滤去噪声并获得最优模态分量。然后采用广义S变换(Generalized S-transform,GST)计算最优模态分量,生成高时间分辨率S矩阵。并选取S矩阵中的高频分量,识别该频率分量的波形突变点,从而获取故障初始行波到达时刻。最后通过测距公式获得故障距离。PSCAD/EMTDC仿真表明,所提方法受过渡电阻影响很小,不同故障距离的测距精度很高。经过现场故障行波数据的验证,可以实现在线路范围内快速准确的故障定位。     

基于粒子滤波的液态场环境声源定位方法

研究了石油储罐罐底腐蚀声发射源的定位方法.针对有限空间液态场中水声信号的多途效应严重影响声源目标定位问题,提出一种基于粒子滤波的到达时间差(TDOA)声源定位方法,充分考虑广义互相关结果中多途效应导致的多个峰值,采用高斯似然函数进行重要性采样,实现对多途效应影响的抑制.水池实验结果表明这种方法比传统的Chan方法具有更高的定位准确性和精度,定位结果的均方根误差(RMSE)为Chan方法的10%,提高了定位性能.     

有限空间液态场中声发射信号时延估计方法

石油储罐罐底腐蚀的定位可利用声发射信号的时延估计实现,但在有限空间液态场中信号的传播会产生严重的多途效应,对准确进行时延估计产生不利影响.提出一种基于信号截取的广义互相关时延估计方法.采用曲线拟合法对每路传感器采集信号进行波达时刻估计,然后进行信号截取,对两路传感器截取信号进行基于相位变换的广义互相关,实现信号的时延估计.实验结果表明,该方法能有效克服多途干扰,提高时延估计性能.     

一种基于改进AMDF的时延估计方法

两路传感器接收信号的时延估计是时间到达差(TDOA)定位中需要解决的首要问题。多途效应是影响时延估计性能的重要因素。提出一种基于改进平均幅度差函数（AMDF）的时延估计方法,通过对信号进行多帧延拓与叠加,提高对多途效应的抑制能力。同时,结合广义互相关方法降低算法的噪声敏感性。仿真结果表明,该算法时延估计结果与传统方法相比具有更小的误差和更高的稳定性。     

基于HHT与PNN的输电线路故障分类

针对电力系统输电线路一系列的短路故障,把希尔伯特黄变换(HHT)完成对暂态信号特征量的提取与概率神经网络(PNN)作为诊断故障分类器相结合的方式,作为对输电线路故障分类的方法.利用HHT能够充分反映局部暂态信号的特点,对集合经验模态分解(EEMD)后的故障信号进行小波阈值降噪,运用HHT进行重构,得到三相电流以及零序电流4组特征能量函数值,并作为4组特征量输入到经遗传算法优化过平滑因子的PNN中进行训练,最终得到分类器.经Matlab仿真实验显示,该方法能够有效优化信号波形并提高故障分类精度.     

一种改进的极限学习机煤与瓦斯突出预测模型

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了提高煤与瓦斯突出预测模型的预测精度,提出了一种改进的极限学习机煤与瓦斯突出预测模型.首先利用核主成分分析法对煤与瓦斯突出的影响指标进行降维简化处理,提取指标数据的主成分序列;把主成分序列分为训练样本和验证样本,然后在训练阶段,使用训练样本通过结合了全局搜索和局部搜索的文化基因算法对极限学习机的输入权值和隐含层偏差进行优化,得到最佳预测模型;最后,在最佳预测模型中,用验证样本对煤与瓦斯突出强度进行预测.通过实例验证,该模型能够有效预测煤与瓦斯突出强度.与BP、SVM、ELM、KPCA-ELM等预测模型相比,该模型具有更高的预测精度.     

有限空间液态场中基于优化EKF的双曲面水声定位方法研究

针对有限空间液态场中多途干扰导致声源定位方法性能下降问题,提出一种基于扩展卡尔曼滤波(EKF)的双曲面定位方法,将基于Chan方法的双曲面定位估计结果作为EKF状态方程的初始值,然后利用定位结果对本次测量进行修正,实现基于预测误差的优化EKF算法.通过仿真和实验对本文提出的方法与常用的Chan方法进行了比较,结果表明本...     

基于优化的量子门节点神经网络的煤与瓦斯突出预测

为了精准地预测煤与瓦斯突出风险等级,提出了一种基于子维进化的粒子群优化算法(sdPSO)和量子门节点神经网络(QGNN)的瓦斯突出风险等级预测模型sdPSO-QGNN.利用灰色关联分析(GRA)对突出影响因素进行降维处理,将筛选出的主控因素作为QGNN的输入,利用sdPSO对量子门节点神经网络参数进行优化,以提高量子门节点神经网络的全局与局部搜索能力,建立sdPSO-QGNN的瓦斯突出风险等级预测模型,实现对瓦斯突出风险的预测.实验结果表明,与BP(back propagation)神经网络、对称Alpha稳定分布的概率神经网络(SαS-PNN)、免疫粒子群算法优化的支持向量机(IPSO-SVM)、Memetic算法优化的极限学习机(Memetic-ELM)等预测模型相比,所提方法在提升模型泛化能力、提高预测精度方面效果显著.     

基于单神经元控制器的异步电动机矢量控制

文中提出了采用单神经元智能控制器代替传统PID控制器以改善异步电动机矢量控制的性能。在分析单神经元控制器结构与控制原理的基础上，为了提高单神经元控制器的学习能力与自适应性，将无监督的Hebb学习规则与有监督的Delta学习规则相结合，运用改进的学习与控制算法，实现单神经元控制器的参数优化与在线自动调整。采用Matlab软件建立单神经元控制器与异步电动机矢量控制模型，进行仿真研究；并将单神经元控制器的控制软件应用于异步电动机矢量系统，进行实验研究。仿真与实验结果表明，单神经元控制器可以改善异步电动机矢量控制的性能，具有较强的自适应性与鲁棒性。     

采用数据融合技术进行矿井瓦斯预测

该文针对综掘工作面瓦斯预测技术 ,提出采用基于多传感器算术平均值与分批估计的数据融合以及证据理论的融合方法实现。