动态电压恢复器电压跌落检测算法的研究

电压跌落检测是动态电压恢复器(Dynamic Voltage Restorer)控制系统的一个关键环节,要求具有较高的实时性和准确性。介绍了一种新型的动态电压恢复器电压跌落检测算法,并对该检测算法数学原理进行了分析和研究,从微分环节的频率特性入手解决了检测速度和抗干扰性之间的矛盾。仿真结果证明了该检测算法的快速性及准确性。     

一种基于派克变换的电压跌落检测改进离散算法

以派克变换为基础,提出一种数字化的实时检测电压跌落的新算法,用复化积分提高检测直流分量的计算精度,该方法不仅能实时检测电压跌落的幅值、持续时间和相位跳变信息,还能实时提供动态电压恢复器所需的电压补偿指令信号。采用Matlab对电压跌落检测算法进行仿真。仿真结果表明该方法检测结果稳定,具有很高的计算精度。     

一种基于派克变换的电压跌落检测改进离散算法

以派克变换为基础,提出一种数字化的实时检测电压跌落的新算法,用复化积分提高检测直流分量的计算精度,该方法不仅能实时检测电压跌落的幅值、持续时间和相位跳变信息,还能实时提供动态电压恢复器所需的电压补偿指令信号.采用Matlab对电压跌落检测算法进行仿真.仿真结果表明该方法检测结果稳定,具有很高的计算精度.     

基于D-Q变换的电压跌落快速检测算法研究

针对动态电压恢复器(DVR)中对电压跌落检测实时性的要求,提出一种基于dq变换的电压跌落快速检测算法。该方法应用在检测三相电压跌落时,与传统的dq检测法在分离基波分量的原理不同;在检测单相电压跌落时,虚拟三相系统的方法也有改进。该方法能够消除传统检测算法中低通滤波器带来的时延,在单相虚拟三相系统时三相电压也有更好的同步性。文中分析了快速检测算法生成虚拟三相电压和分离基波分量的原理,并对电压跌落过程中谐波带来的影响进行了考虑,最后通过仿真验证了所提方法的有效性。     

动态电压恢复器电压跌落检测

动态电压恢复器中常用d-q变换法实时检测电压跌落,但是它的检测精度和实时性易受到三相不平衡情况下负序分量和低通滤波器的影响。提出一种改进的检测方法,首先对三相电压进行微分运算,构造线性方程组实现电网电压中的正、负序分量分离,再对正序分量进行d-q变换,消除负序分量的干扰,最后使用高截止频率低通滤波器滤除其他频次干扰,减少系统延时。理论分析和仿真试验都验证了其可行性。     

三相电压跌落检测新方法

为实现三相电压跌落的快速精确检测,提出含稳态分量和补偿分量的解耦检测方法。首先运用瞬时对称分量法在坐标系中推导出基波电压正序、负序分量的解耦检测模型;然后根据该解耦模型构建含稳态分量和补偿分量的离散卡尔曼滤波器,采用数学形态滤波器和网格分形方法定位电压突变发生和恢复时刻,并重置卡尔曼滤波器参数以加快检测动态响应速度;最后将提出的检测方法用于各种电压故障情形下的检测和动态电压恢复器(dynamic voltage restorer,DVR)补偿仿真中。仿真结果表明,所提方法的检测动作时间为2~3个采样周期,与传统dq变换法相比,其动态响应速度快一个数量级,证明了所提解耦检测方法在响应速度、稳态精度方面具有优越性。     

基于αβ变换的电压跌落检测算法研究

电压跌落的快速准确检测对于电能质量的监测与治理具有重要意义.提出一种只基于αβ坐标变换的跌落检测算法,通过电压的α和β分量构造同步旋转坐标变换,来模拟基于dq变换的常规检测算法,较常规检测算法省去了锁相环节和三角函数计算.5种情况下的跌落检测仿真均验证了该算法与常规检测算法具有相同的检测效果.     

基于周期相位的电压跌落检测方法

提出了电压周期相位的概念,即在电压信号正向过零处对相位清零,并在每个采样点对相位进行累加计数.基于周期相位的检测方法可以很方便地确定电压的相位及幅值,且可以对电压跌落进行准确判断.给出了电压跌落后相位及幅值的两点法检测方法.本文所提出的检测方法实现简单,运算量少,实时性好,适用于三相及单相电路动态电压恢复器(DVR)的电压检测.仿真及实验结果证实了该方法的有效性.     

电压跌落检测的仿真研究

电压跌落是电能指标中的一项重要因素。电能质量的优劣对电网和电气设备的安全、经济运行,保证产品质量和科学实验以及人民生活和生产的正常进行均具有十分重要的意义,直接关系到国民经济的总体利益。而论文研究了电压跌落的产生原因,并阐述了其检测和动态补偿技术,通过Matlab中的simulink进行仿真,从而验证了该种方案的有效性。     

电压跌落检测的仿真研究

电压跌落是电能指标中的一项重要因素。电能质量的优劣对电网和电气设备的安全、经济运行,保证产品质量和科学实验以及人民生活和生产的正常进行均具有十分重要的意义,直接关系到国民经济的总体利益。而论文研究了电压跌落的产生原因,并阐述了其检测和动态补偿技术,通过Matlab中的simulink进行仿真,从而验证了该种方案的有效性。     

基于改进YOLOv4算法的高压塔鸟巢检测

针对现有算法对高压塔上鸟巢检测存在参数量过大,实时性不足及对小目标检测能力较弱的问题,提出了一种改进的YOLOv4算法。首先使用Mobilenetv2网络代替CSPDarknet53网络作为主干网络,减少算法的参数量且提升检测速度;同时在Mobilenetv2网络的逆残差网络中嵌入注意力Coordinate Attention模块,增强网络对目标特征提取能力。然后,对PANet网络进行改进,获取更多的细节特征信息,提高对小目标鸟巢的检测能力。最后,使用Focal Loss函数优化损失函数,降低大量简单背景样本训练的权重,提升对小目标鸟巢困难样本训练的侧重,进一步提高对小目标鸟巢的检测能力。实验结果表明,较原始的YOLOv4算法,改进后的YOLOv4算法的参数量减少了48.1%,检测速度和精度分别提高了12.9fps和2.33%。即改进后的YOLOv4算法大幅度减少了算法参数量,且对鸟巢的检测拥有更好的检测性能。     

基于改进的YOLOX血细胞检测算法研究

血细胞计数是一种常见的临床检验方法。针对血液显微镜图像中的血细胞种类不均匀、密集且相互遮挡导致现有血细胞检测方法准确率不高,提出了一种改进的YOLOX血细胞检测算法。该算法首先在损失函数中引入Focal loss以改善单阶段目标检测算法正负样本的不平衡和细胞种类不均匀的问题;接着在残差模块中引入混合注意力机制,减少了血细胞相互遮挡造成的漏检、错检的概率;然后在特征融合尾部引入自适应空间特征融合模块以提高特征表达能力;最后在残差模块中引入逆深度可分离卷积模块在减少模型参数的同时还略微提高检测精度。提出的算法在BCCD血细胞数据集进行了测试,改进后的YOLOX算法在血细胞数据集上的检测精度达到了92.5%,相比YOLOX算法提升了2.4%,且减少了8%的模型参数量;该算法在COCO2017通用数据集上的检测精度达到了41.7%,相对于原始YOLOX算法提升了1.2%。     

一种改进的三相不平衡电压暂降检测算法

目前电压暂降成为了影响电能质量的主要因素,对电网电压进行快速且准确地检测是进行电压暂降治理的前提。文中针对三相不平衡电压暂降,依据对称分量原理提出了一种改进的三相不平衡电压暂降的检测算法。该算法在双dq变换的基础上,首先将所检测的电压信号进行正序负序坐标变换,而后通过三个连续的采样点对坐标变换后dq坐标系下的正序、负序分量中的直流成分进行快速提取,继而通过幅值与相位的计算可分别求得电压正序、负序电压的幅值与相位。最后,MATLAB/Simulink仿真结果验证了该方法的先进性与有效性。     

基于改进单相dq变换与形态滤波的电压暂降检测方法

针对电压暂降特征量检测时存在的实时性差、准确度低的问题,结合数学形态学理论和d-q变换原理提出了一种基于改进单相d-q变换与形态滤波的电压暂降检测方法。研究了改进单相d-q变换算法实现原理,构造了混合形态滤波器,并给出了滤波器结构参数选择依据。仿真分析了方法在理想电压暂降波形和含谐波电压暂降波形下的检测性能,并进行了实验验证。仿真分析和实验验证结果表明运用改进单相d-q变换可以快速准确地得到暂降幅值和相位;形态滤波能够去除检测结果中非直流量,计算量小、精确度高。     

基于改进EfficientDet的药丸检测算法

针对药剂师在药丸分拣过程中因疲劳而出错的问题,本文提出了一种基于改进EfficientDet的药丸检测算法。首先,引入Mosaic数据增强技术来提高采样数据的复杂度;然后,对主干网络EfficientNet进行改进优化,嵌入了CBMA模块的特征融合层,通过增强学习特征提高对药丸关键特征的提取能力;最后,对BiFPN特征融合部分增加了下层到上层的跨级数据流,通过充分利用多级数据,提高了不同层次的多尺度特征融合效率。实验表明,改进后的EfficientDet算法在测试中mAP值达到99.84%,相比较原始EfficientDet算法提高了0.65%,同时也比YOLOv3,YOLOv4和YOLOv4-Tiny等性能较好的目标检测网络具有更高的准确率和更好的实际应用性。     

基于改进的YOLOv5网络的异常行为检测算法研究

各行各业安全问题尤为重要,对人员的异常行为须及时检测并采取相应的措施才能有效预防安全事故的发生。因此本文提出基于改进的YOLOv5网络的异常行为识别算法,通过实时处理视频监控中人员的异常行为,从而保证企业的安全运行。首先,对输入数据集进行特征提取处理,本文使用YOLOv5的backbone特征提取网络提取视频特征,能够在不同图像细粒度上聚合并形成图像特征;其次,送入到时间注意块,因为不同时刻特征的贡献值并不相同,因此加入此模块赋予特征不同的贡献值;最后,送入特征预测网络,该网络由LSTM搭建,对历史特征序列进行解码,以预测当前的特征。以玩手机和吸烟为例对所提出的网络进行验证,训练集准确率高达96.42%,测试集准确率高达95.21%。     

基于改进 YOLOv7 模型的血细胞检测算法研究

在医学上,血细胞计数检测是衡量人体健康与否的重要诊断方法,但是血细胞图像中存在小目标和重叠目标的检测 难点。针对上述问题,提出一种改进的YOLOv7 目标检测算法。通过对原始的 YOLOv7 网络增加全局注意力机制(GAM), 提升网络的感受野,提高对小目标的检测精度;提出融合了加权双向特征金字塔网络(BiFPN) 和递归门控卷积 HorNet 的特 征金字塔 HorNet-BiFPN 结构,利用其高阶空间交互作用增强网络的特征融合能力,实现对红细胞重叠区域的建模,解决对重 叠红细胞的检测问题。实验结果表明,改进的 YOLOv7 模型的检测精确率达到了96.3%,对单张图片的检测时间达到了 74ms, 对图像中的3类细胞均实现了较强的检测效果,达到了医学辅助诊断的合理性。     

基于改进RLS算法的谐波电流检测方法

在考虑有源电力滤波器(APF)的低信噪比特性的基础上,提出了一种基于自适应对消技术的改进型RLS检测谐波算法,采用二级滤波来彻底滤除间谐波,并通过权值梯度误差的变化来更新自适应过程。追踪一级滤波器权值W(n)的变化,调节RLS算法中的P(n)参数,以达到快速收敛的目的。利用Matlab软件建立仿真模型,进而在DSP芯片TMS320F240上实现该算法,验证了改进算法既能够检测间谐波又克服了传统RLS算法突变响应过慢的缺点。     

基于改进SSD的交通标志检测算法

为了解决真实交通场景下交通标志因目标较小而导致检测精度低的问题,提出了一种改进SSD的交通标志检测算法。首先使用更深层次的ResNest网络替换原始SSD算法的主干网络VGG16来增强弱目标特征的强表征能力,然后在SSD的额外添加层使用RFB模块来增加小目标的感受野。其次使用Bi-FPN加权双向特征金字塔网络有效结合深层与浅层的特征信息,改善小目标的检测性能。最后使用K-means++聚类算法调整默认窗口的大小,有效避免因原始默认窗口太大但交通标志较小而无法匹配的问题,以改善检测效率。实验结果表明,本文提出的模型在中国交通标志数据集(CCTSDB)上获得了95.33%的mAP,与原始SSD模型相比,本文所构建的模型能更好的适应自然背景下的交通标志检测。     

基于改进 YOLOv5s 的电力作业人员安全帽 检测算法研究

传统的电力施工现场安全帽检测算法的网络计算复杂度高、在复杂场景下对于远处目标和密集群体存在漏检等问题,提出一种改进后的轻量化YOLOv5s-GCAE算法,主干网络首先用GhostNet网络中的深度可分离卷积GhostConv,以此降低网络的计算量和参数量。其次在特征提取阶段中嵌入CA注意力机制,填补了引入轻量化网络时精度的缺失。引入自适应空间特征融合(ASFF)网络以有效融合多尺度特征,提高模型丰富的语义特征表示使网络更好的适应复杂的电力施工现场。最后引入损失函数EIOU,促使网络专注于高质量的锚点以提升在复杂场景下安全帽检测精度。构建了一个包含开源图片和自行收集的图片共9 326张的安全帽佩戴检测数据集。实验结果表明,该算法的安全帽检测准确率为93.4%,比YOLOv5s算法高2.1%,符合电力场景下安全帽检测的精度要求。