D-S证据理论在火灾探测中的应用

介绍基于D-S证据理论的多传感器多测量周期的信息融合（时空信息融合）的方法，评将该方法应用于火灾探测领域。模拟实验结果表明，与单个传感器相比，基于D-S证据理论的多传感器时空信息融合的结果具有较高的准确度和可信度。     

基于D-S证据理论的母线负荷预测

基于D-S证据理论,提出一种母线负荷预测新方法。该方法对BP神经网络、改进的BP神经网络和支持向量机(SVM)的母线负荷预测模型分别建立权重提取和权重融合模型,并运用D-S证据理论对3种预测模型的权重进行融合。通过对预测数据进行分析,提取证据理论样本,并将可信度函数的融合结果作为母线负荷预测模型的权重,最终得到待预测日的母线负荷预测结果。仿真结果表明,与单一的母线负荷预测模型相比,经D-S证据理论融合的母线负荷预测模型更有效,也具有更高的预测精度。     

证据理论在电机故障诊断中的应用

D-S证据理论作为一种非精确推理算法具有独特的优势,非常适用于存在大量不确定性因素的电机故障诊断工作。提取故障电机的状态特征量,并将其按时域、频域、奇异值分解为多个子参数空间。在此基础上,采用并行BP神经网络及模糊聚类系统对电机故障进行局部诊断。将每个局部诊断结果作为独立的证据体,构造相应的信度分配函数。结合电机故障的信息融合诊断模型,将基于D-S证据理论的决策融合的方法应用于电机故障诊断。通过对案例进行分析,实现了利用多证据体的融合信息对电机故障状态进行诊断,其诊断结果验证了D-S证据理论在提高电机故障诊断的准确性和灵敏性方面的作用。     

证据理论在电机故障诊断中的应用

D-S证据理论作为一种非精确推理算法具有独特的优势,非常适用于存在大量不确定性因素的电机故障诊断工作.提取故障电机的状态特征量,并将其按时域、频域、奇异值分解为多个子参数空间.在此基础上,采用并行BP神经网络及模糊聚类系统对电机故障进行局部诊断.将每个局部诊断结果作为独立的证据体,构造相应的信度分配函数.结合电机故障的信息融合诊断模型,将基于D-S证据理论的决策融合的方法应用于电机故障诊断.通过对案例进行分析,实现了利用多证据体的融合信息对电机故障状态进行诊断,其诊断结果验证了D-S证据理论在提高电机故障诊断的准确性和灵敏性方面的作用.     

基于多传感器信号融合的真空断路器机械特性状态评价

真空断路器机械特性状态评估中存在仅依靠单一传感器信号进行评价的问题。对此,提出了一种利用D-S证据理论对多传感器信号进行信息融合来判断真空断路器机械特性状态的方法。此方法首先对位移传感器测出的运行参数利用模糊综合评判方法计算得出基于位移信号的评价结果。然后,运用小波包-能量熵谱法对加速度传感器监测的振动信号进行信号处理,提取特征向量,结合相似性原则得出基于振动信号的评价结果。最后,运用D-S证据理论中的合成法则对以上两个传感器得出的初步评价结果进行融合,得出最终评价结果。经过实例验证,该方法得出的评估结果具有更高的可信度。     

D-S证据理论在信息融合中的应用研究

本文主要通过分析了D-S信息融合的一般过程、基本概率赋值的获取方法、以及D-S信息融合算法在MATLAB上的仿真与分析,论证了以D-S证据理论为核心的多传感器信息融合算法能够有效地对多个传感器采集的信息进行融合,使不同类型的传感器发挥各自的特点,实现优势互补,提高系统对目标属性判决的准确性。     

基于神经网络和D-S证据的电厂凝汽器故障诊断研究

火电厂凝汽器是汽轮发电机组的重要辅机之一,其工作状况对整个电厂安全和经济运行都有着决定性的影响。结合信息融合思想,提出一种基于神经网络和D-S证据理论的电厂凝汽器故障综合诊断方法,首先通过BP神经网络和CPN神经网络得到各自的诊断结果作为决策层D-S证据理论的初始证据,再利用证据理论对这些结果进行融合,得到最终的故障诊断结果。通过实例数据诊断结果表明:与单一神经网络诊断结果相比,该方法减少了误差,提高了诊断可信度。     

多信息融合的变压器实时状态评估

多信息融合的变压器健康状态评估方法通过融合粗糙集,神经网络和D-S证据理论,解决了因变压器信息参数繁多而造成的网络结构复杂和庞大等一系列问题,也为D-S证据理论中的基本可信度分配提供了有效的依据。     

多信息融合的变压器实时状态评估

随着变压器状态监测技术的发展,获得的变压器状态信息种类也越来越多。为此,提出了多信息融合的变压器健康状态评估方法。该方法通过融合粗糙集、神经网络和D-S证据理论,解决了因变压器信息参数繁多而造成的网络结构复杂和庞大等一系列问题,也为D-S证据理论中的基本可信度分配提供了有效的依据。实例表明,该方法具有较高的诊断准确性和可靠性。     

基于模糊综合评估模型与信息融合的电力变压器 状态评估方法

针对电力变压器状态评估中存在多特征指标和多故障类型问题,提出一种基于模糊综合评估模型和皮尔逊相关系数的改进D-S证据理论的变压器状态评估方法。建立了变压器状态评估体系,引入层次分析方法和改进的三角梯形隶属函数确定特征指标的基本概率。基于皮尔逊相关系数的改进D-S证据理论融合不同特征指标以评判变压器综合状态评估。经过实例分析,该方法的评价结果与变压器实际运行状态一致,其准确率达到95.83%,验证了该方法的合理性和可行性。该方法对变压器状态评估具有一定的参考价值。     

基于朴素贝叶斯和D-S证据理论的多时空数据融合

针对泛在电力物联网中分布广泛的传感器以及各类设备采样周期不同的问题,本文提出一种基于朴素贝叶斯和D-S证据理论的多时空数据融合方法。该方法突出的优点是融合了多个时间段、多个不同地点传感器的数据。首先运用朴素贝叶斯分类器得到信度分配,克服了过去采用专家系统进行信度分配的缺点,然后运用D-S证据理论进行融合得到最终系统的状态评价,有效地将多时空数据进行融合。实验结果表明,本文提出的方法相比其他机器学习算法有了明显的改进,能够有效地评估系统的状态。     

基于量子遗传神经网络与D-S证据理论的断路器机械特性故障诊断

针对目前断路器故障诊断系统诊断结果不精确的现状,提出一种量子遗传神经网络与D-S证据理论的方法,利用小波包变换和频带分析技术,得到分合闸线圈电流与机械振动波的高频及低频信号,提取2类信号每个频带的能量值分别作为2个独立的量子遗传径向基(RBF)神经网络的输入量,并得到2个初步诊断结果,最终利用D-S证据理论技术将2个RBF神经网络的评价结果融合。实验结果表明:量子遗传算法改进的RBF神经网络收敛速度快,结果精确;同时,D-S证据理论融合后的诊断结果准确度更高,并且诊断结果可信度提升。     

D-S证据理论融合多特征的油菜病害识别方法

针对单一特征在识别油菜病害上存在的局限性,提出一种基于D-S证据理论融合多特征的油菜病害识别方法。首先对预处理后的油菜图片提取颜色矩、颜色共生矩阵两种特征,通过欧氏距离来构建D-S证据理论所必需的基本概率分配(BPA),最后运用D-S证据组合规则进行决策级融合,依据决策条件输出最终分类识别结果。针对存在最终识别结果被误识别为不确定问题,通过引入方差来对决策方法进行改进,避免了这一现象的产生。利用该方法在采集到的油菜样本上进行实验,取得了97.09%的识别率。实验表明,该方法能有效提高油菜病害识别率。     

基于D-S证据理论的电力客户满意度评价

供电公司在实践以客户满意为指导的市场营销理念的过程中,客户满意度评价至关重要。根据评价指标的建立原则,从供电质量、电能价格、供电服务和用电指导4个方面构建电力客户满意度评价指标体系,应用D-S证据理论建立客户满意度评价模型,同时在问卷调查取得的数据基础上,运用D-S证据理论进行满意度评价,分析结果体现了该方法的有效性。     

基于D-S算法的断路器机械故障诊断技术

研究了证据理论在高压断路器故障诊断中的应用.应用D-S(Dempster-Shafer)证据理论基于多传感器在线监测系统对高压断路器进行故障诊断.探讨了D-S(Dempster-Shafer)证据理论的有效性问题,并在D-S证据理论失效的特殊情况下给出了解决方法,提高了D-S证据理论在高压断路器状态监测中故障判断的可靠性,给出了一套可靠的高压断路器故障诊断方法.并且针对D-S证据理论,分析了Dempster的修正模型在证据高度冲突方面的缺陷,提出了一种新的基于D-S证据理论的合成规则.实验结果也表明,这种新的合成规则不但比较好地综合保留了修正模型的优点,又避免其不足,取得了更加合理的效果.     

基于D-S证据理论的光伏发电量预测

结合北京地区实际环境因素和某光伏并网发电系统运行数据,对光伏系统发电功率进行预测。利用决策树算法,设环境温度、组件温度和辐射量为系统特征,发电量为决策标签,得到特征的分类主次关系,进而将原始数据划分为数个集合作为D-S证据理论中的证据。提取集合中的权重系数并将其等效为证据理论中的基本信任分配函数,并进行证据的融合,最终得到预测结果。最后对比分析经过D-S证据理论融合的预测数据和平均值法得到的预测结果,并计算分析绝对误差和相对误差,验证了D-S证据理论预测的准确性,所预测的光伏发电功率可指导光伏并网发电生产。     

分层式信息融合在变压器状态评估中的应用

变压器的健康状态直接影响着整个电力系统的安全运行,为此,提出了分层式信息融合的变压器健康状态评估方法.该方法通过融合神经网络和D-S证据理论,解决了因变压器信息参数繁多而造成的网络结构复杂和庞大等一系列问题,也为D-S证据理论中的基本可信度分配提供了有效的依据.实例表明,该方法具有较高的诊断准确性和可靠性.     

基于D-S证据理论的短期风速预测模型

提出一种基于D-S证据理论的短期风速组合预测模型.分别采用时间序列、BP神经网络和支持向量机预测模型对风速进行预测,通过对预测误差的分析,借助D-S证据理论对3种模型进行融合.选取待测日前凡日的风速数据作为融合样本,计算出相应的基本信任分配函数,同时将函数进行融合,并将融合结果作为风速预测模型的权重,得到待预测日的风速预测结果.仿真结果表明,所提组合预测模型的预测误差更小,效果更好.     

基于神经网络和D-S证据理论的回热系统故障诊断

火电机组中的回热系统的故障原因复杂,且具有相关联,在深入分析D-S证据理论和神经网络理论的基础之上,将这两种方法进行融合。通过对回热系统典型故障的数据流参数进行分析,先由神经网络进行初步诊断,并将诊断结果处理后作为证据理论的基本可信度分配值,得到最终的诊断结果。经过试验分析表明:该方法能够使得火电机组回热系统故障识别能力得到提高。     

改进D-S证据理论在振动故障诊断中的应用

针对传统D-S证据理论对燃气轮机进行振动故障诊断时会出现一些悖论问题,提出D-S理论改进算法。首先,对采集的燃机振动信号分别从时域和频域进行特征提取,再利用三种不同类型的神经网络模型进行初步诊断,将初步诊断的结果经归一化构建原生证据,然后通过引入证据间的支持矩阵对原生证据进行修正,最后根据改进D-S规则进行决策融合。通过燃气轮机的振动故障诊断实验,证明了该算法能够充分利用各种信息,避免了传统方法出现的悖论现象,提高了燃气轮机振动故障诊断结果的准确性。