基于改进隐马尔科夫模型的非侵入式家居负荷识别

针对低频采样识别精确度较低,系统稳定性较差的问题,文章提出了一种基于改进隐马尔科夫模型(hidden M arkov model,HM M)的非侵入式负荷监测方法(non-intrusive load monitoring,NILM)。该模型运用人工免疫算法和增量学习对传统HMM模型进行双重优化,通过人工免疫算法解决HMM模型容易陷入局部最优的问题,提升了模型的识别精确度。再通过增量学习实现了模型参数的自主更新,使得模型能够适应新的环境,提高了模型的鲁棒性。最后通过低频数据集建立了两个实验场景,对改进的HMM模型进行了实验验证,结果证明了该模型在识别精确度和鲁棒性等方面具有一定优越性。     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

基于轻量级卷积神经网络的手势识别检测

针对基于深度学习的手势识别模型参数量大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种基于轻量级卷积神经网络的手势识别检测算法。首先利用Ghost模块设计轻量级主干特征提取网络,减少网络的参数量和计算量;通过引入加权双向特征金字塔网络改进特征融合网络,提升网络检测精度;最后使用CIoU损失函数作为边界框回归损失函数并加入Mosaic数据增强技术,加快模型收敛速度提升网络的鲁棒性。实验结果表明,改进后的模型大小仅为17.9M,较原YOLOv3模型大小减小了92.4%,平均精确度提高了0.6%。因此新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,为手势识别检测提供理论参考。     

利用小波——人工免疫算法对某高压实验大厅进行结构的损伤识别与诊断

以某高压实验大厅钢架结构作为研究对象,将其局部理想化为简支梁模型,用小波分析和人工免疫算法相结合的方法对结构进行损伤识别,通过ansys有限元分析和MATLAB编程进行模拟验证,验证结果显示,小波—人工免疫算法可准确识别诊断结构的损伤。     

基于改进灰狼优化算法的PMSM滑模自抗扰控制

针对永磁同步电动机(PMSM)伺服系统在受外部扰动、参数变化等不确定性因素影响下系统鲁棒性变差的问题,提出一种基于改进灰狼优化算法的永磁同步电动机滑模自抗扰控制方案。首先,对传统扩张状态观测器存在的峰值问题而降低不确定性的观测精确度,设计了变增益扩张状态观测器,通过降低初始增益来提高观测精确度。其次,用滑模控制器代替传统自抗扰控制中的非线性误差状态反馈环节,进而提高系统的鲁棒性。由于参数比较多不易调节,利用改进灰狼优化算法对参数进行优化,充分发挥控制器的性能。基于Lyapunov理论分析了该方案的稳定性。通过系统仿真实验结果表明,该方法能够有效跟踪速度给定,克服参数变化、负载扰动等不确定性因素的影响,保证了PMSM伺服系统的强鲁棒性。     

一种改进自适应电导增量法在光伏系统的应用

对光伏系统最大功率点跟踪(MPPT)问题进行研究,针对常规自适应电导增量法结构复杂、动态响应慢等缺点,提出一种改进自适应增量电导算法。其原理是通过检测瞬时电导和电导增量的和,自适应校正DC/DC变换器的占空比来追踪最大功率点(MPP)。该算法在太阳辐射强度变化时,可以快速精确地进行最大功率点追踪。改进自适应电导增量法与常规自适应电导增量法相比,追踪效率更高,结构更简单,易于硬件实现。仿真和实验结果证明了算法的有效性。     

基于Faster R-CNN的绝缘子识别探索和应用

基于可见光图像的绝缘子识别是电网智能巡检设备识别的最重要的任务之一。电网智能巡检采集的图片存在着有效样本稀缺及场景多样性等问题,极大地限制了深度学习等技术在电网设备智能识别上的应用。本文基于深度学习对轻量级的多来源图像样本数据进行了绝缘子识别的探索和应用。首先,阐述了基于深度学习的目标识别算法发展过程,并着重介绍和对比了区域卷积神经网络(region-convolutional neural network,R-CNN)、快速区域卷积神经网络(fast region-convolutional neural network,Fast R-CNN)和更快区域卷积神经网络(faster region-convolutional neural netw ork,Faster R-CNN) 3种用于目标识别的深度学习模型。然后,通过对来源于不同场景的百量级绝缘子图像进行实验,验证了Faster R-CNN模型在百量级图像中和可用性和鲁棒性。本文的研究和实验为深度学习技术在电网各类设备图像目标识别上的推广和应用探索了一条有效路径。     

改进的广义预测控制算法及其在锅炉汽温控制中的应用仿真研究

广义预测控制算法具有控制效果好、鲁棒性强和模型要求低等优点。分析广义预测控制原理及其隐式算法,利用预测信息对控制增量的选取策略进行了改进,并针对该算法在具有大滞后和时变性的电站锅炉过热汽温控制过程中的应用进行了仿真研究。最后通过仿真结果验证了该算法的优越性和可行性。     

强跟踪自适应CKF及其在动力定位中应用

针对容积卡尔曼滤波(cubature Kalman filter,CKF)在动力定位系统存在不良测量及船舶运动模型不确定时滤波精确度下降甚至发散的问题,提出一种强跟踪自适应CKF算法。利用新息协方差匹配原理,建立对系统的不良测量具有鲁棒性的自适应CKF。基于强跟踪滤波(strong tracking filter,STF)的理论框架和自适应CKF算法,构建强跟踪自适应CKF,该算法克服了标准强跟踪滤波的理论局限性,兼具STF与自适应CKF的优点,在系统存在模型不确定性及不良测量时具有良好的鲁棒性和滤波精确度。通过仿真验证了所建算法的有效性。     

交流伺服系统振动鲁棒M/T测速算法

针对使用增量式正交脉冲编码器进行测速的交流伺服系统中M/T测速算法易受电机转子机械振动干扰的问题,提出一种基于假脉冲剔除的M/T测速算法.分析M/T测速算法的实现机理,将机械振动条件下导致速度测量误差的主要原因归结为引起位置量化误差的假脉冲信号.分别采用数字滤波器和方向信号鉴别器对高频和低频假脉冲信号进行抑制,并给出改进后的M/T测速算法实现方案.仿真和实验结果表明:基于数字滤波器和方向信号鉴别器的假脉冲剔除法能够消除机械振动引起的位置量化误差.改进后的M/T测速算法对机械振动具有鲁棒性,且能够在电机整个运行速度范围内给出准确的速度测量值,从而提高了交流伺服系统的速度控制性能.     

基于滑窗FFT算法的低频振荡主导模式识别

通过分析加窗截断低频振荡信号的频谱分布,提出了基于滑窗FFT算法的主导模式识别方法。该方法通过对滑窗前后相应谱分量变化的分析,就能识别出模式的衰减特性(即阻尼特性);并针对FFT算法特有的栅栏效应现象,提出了相应的模式识别方法和步骤。仿真结果表明,该方法可以有效的识别低频振荡特征参数,计算量较少,并对含白噪声的信号具有较好的鲁棒性。     

基于优化DDAGSVM多类分类策略的电能质量扰动识别

针对电能质量扰动类型多样且识别率不高的问题,该研究的目的是如何将多类分类问题应用于支持向量机。首先通过S变换和FFT变换提取扰动信号特征量进行模型训练。其次将广义KKT判定条件与样本空间分布序列相结合引入类间识别度,将类间识别度最高的超平面函数作为分类器根节点,以此克服传统决策导向非循环图支持向量机分类器(DDAGSVM)在分类生成顺序上随机化的缺点,并将改进的DDAGSVM应用于电能扰动信号的识别分类。实验结果表明,所提算法较传统DDAGSVM算法有良好效果和更好的鲁棒性。     

基于GPC的增量PID算法改进及仿真研究

针对广义预测控制(GPC)难以在DCS平台上应用的现状,有文献提出了一种基于GPC的增量PID算法.该算法利用多个常规DCS模块的组合实现了类似GPC的控制效果.然而该文献只讨论了针对一阶和二阶系统的增量PID算法,并且仿真对象的纯迟延较小,对于大迟延的高阶对象并未进行算法设计和仿真.基于此,笔者对其进行了改进,提出了针对三阶系统的增量PID算法,并对某600MW超临界机组过热汽温被控对象进行了仿真.仿真结果表明,改进后的算法仍具有类似GPC的控制效果,其控制品质明显优于常规PID,并且鲁棒性较强.另外,该改进算法完全利用常规DOS模块实现,因此具有较高的应用价值.     

基于行为影响因子的非侵入式负荷实时分解算法

针对传统非侵入式负荷分解算法准确率低、计算较耗时等问题,在隐马尔科夫模型(HMM)的基础上提出基于行为影响因子的负荷实时分解算法.使用自适应的迭代K-means聚类方法提取负荷状态,并将负荷状态组合成超状态.针对传统HMM没有考虑用电场景时间特性的缺陷,对参数进行时间分段学习.在分解阶段引入用户用电行为模式的影响因子,改进隐马尔科夫齐次假设,并利用维特比算法分解出用户的各个负荷的实时状态.通过公开数据集验证了所提算法的准确性和实时性.     

扩展基音周期曲线在动态HMM模型中的应用

动态HMM模型通过描述语音特征与动态特性之间的关系来改善语音识别的性能,本文提出以扩展的基音周期曲线作为动态特性的描述,以及在识别过程中采用动态特性自动提取算法以改善识别性能.实验结果表明,采用扩展基音周期曲线作为动态特性的动态HMM模型,对语音识别的性能有较好的改善.     

基于改进贝叶斯网络的电机轴承故障诊断

针对电机轴承振动信号受噪声干扰影响特征提取和传统贝叶斯网络故障诊断准确率低的问题,提出一种基于改进贝叶斯网络的电机轴承故障诊断方法。采用自适应噪声集合模态分解的方法对数据进行降噪处理,增加了模型的鲁棒性;采用差分进化和模拟退火算法对蝗虫算法进行优化,增强蝗虫算法的全局和局部搜索能力;将优化后的蝗虫算法应用于贝叶斯网络结构学习构建轴承故障诊断模型;通过实验对比证明,该方法对轴承的多故障分类具有更强的学习能力和更高的准确率,实验对部分样本的故障诊断率达到97.15%,平均准确率达到98.73%。     

基于改进Prony算法的电力系统低频振荡模式识别

提出了一种新的改进Prony算法,该算法将待求振荡幅值作为权值,基于神经网络进行训练,实现对电力系统低频振荡模式的识别。该算法避免了Prony算法在实际计算中矩阵呈病态以及通过矩阵求逆计算幅值和相位时精度不高的问题,克服了传统Prony算法抗干扰较差的问题。仿真结果表明,该改进Prony算法能有效去除干扰,能可靠、准确地识别主导模式,计算量少,适用于识别含有噪声且采样点数多的振荡信号。     

低频振荡模式在线辨识的最小平均M估计自适应滤波算法

研究了常规最小均方二乘自适应滤波算法应用于低频振荡的基本原理,以及最小平均M估计(least meanM-estimate,LMM)算法的基本原理。首次将LMM算法应用于低频振荡模式的在线辨识,采用新英格兰-39节点系统时域仿真数据和某电网的同步相量装置(phasormeasurement unit,PMU)实测数据对所提方法进行了测试,验证了LMM算法在低频振荡模式在线辨识的鲁棒性和有效性,对稳态类噪声数据和动态数据均可辨识,并能消除异常数据对辨识结果的影响。     

基于改进的ARMA递推算法的低频振荡模式在线辨识

为提高电力系统低频振荡现象的实时监测水平,提出采用一种基于自回归滑动平均模型的两段加权递推最小二乘算法进行低频振荡模式辨识,并通过估计ARMA谱的方法以提取低频振荡的主导模式。该改进算法先采用加权递推最小二乘算法拟合高阶AR模型单独得到白噪声估值,再将该估值用于常规加权递推最小二乘算法中,提高了算法参数辨识的精度和收敛速度。New-England 39节点系统的时域仿真测试验证了该改进算法对低频振荡模式辨识的有效性,并通过与常规加权递推最小二乘算法辨识效果的比较验证了该改进算法对低频振荡模式的辨识具有更好的精确性且提高了收敛速度。最后通过对某电网PMU实测数据的辨识分析,验证了该改进算法能够准确地辨识系统的低频振荡主导模式频率和阻尼比,具有实际的工程意义。     

基于深度学习与注意力机制的化工故障分类

针对现有的故障诊断方法在处理高维度且动态特征明显的化工生产过程中观测的数据时,存在无法识别长时间依赖关系、精确度不够的问题,本文对长短时记忆模型进行改进,提出了一种基于深度学习与attention机制的分类模型,以田纳西-伊斯曼仿真平台的仿真数据作为研究对象,通过小波阈值去噪法对数据进行预处理,再对模型分类效果进行验证,比较了本文模型与改进前的模型,最后通过t-sne算法绘制样本数据及在模型各层输出特征向量在二维空间的分布图。实验结果表明,改进后的深度学习模型,对故障分类时能达到92.71%的召回率与93.05%的准确率,相对改进前的模型分别提高了16.84%与13.66%,对数据特征的学习效果更好,更适用于化工数据。