基于小波神经网络的电力负荷预测方法

分析了小波神经网络的特点，研究了在电力负荷预测中小波神经网络存在的优缺点及适用范围。通过对小波神经网络和BP神经网络的结构和算法进行理论分析，并对实际电力负荷预测算例进行对比研究，指出小波神经网络本身适合对波动性的信号进行预测，而且在神经网络节点数目相同的情况下，小波神经网络比BP神经网络具有更高的预测精度，因此采用小波神经网络有利于减少隐节点数目。还指出由于当前的连续小波神经网络主要使用传统BP神经网络的随机初始化方法和基于梯度的训练算法，因此存在收敛性差的缺点。     

电力设备局部放电模式识别中分形理论的应用

本文论述了分形理论在局部放电特征提取中的应用 ,建议将分形理论和小波变换、人工神经网络相结合 ,可以提高局部放电模式识别的有效性和准确率。研究表明 ,分形理论在局部放电模式识别中的应用极具发展前景 ,它可以大大减少特征提取数量     

宽带PLC信号单分形和多重分形特性研究

宽带电力线通信(PLC)作为智能电网数据传输的有效途径,传统的线性模型和统计学参数难以描述电力线通信信号的非平稳、非线性特性缺点。为了更好地研究电力线通信信号特性,引入单分形和多重分形理论来分析宽带电力线通信信号的自相似特性。通过重标极差分析、变量时间图及周期图分析和小波改进理论等四种方法进行非线性特性分析,同时对不同频率和次数的分形分析方法进一步验证,结果表明宽带电力线通信信号存在自相似特性。此外,通过多重分形消除趋势波动分析法对宽带电力线通信信号进行单分形和多重分析特性测试,从实测的宽带电力线通信信号中估计了功率低指数的多重分形谱,同时提出了一种基于改进小波理论的多重分形消除趋势波动分析算法。     

基于小波与分形理论的电力设备局部放电类型识别

根据小波理论建立了表征局部放电脉冲信号的三维时频谱图,该三维谱图综合反映了局放脉冲信号的3个基本特征:时间分量、频率分量和放电能量的分布。采用了分形理论从所建立的三维时频谱图中提取放电特征,并构成识别特征量,采用误差反传神经网络对局部放电信号的类型进行模式识别。试验结果表明,该方法可有效区分局部放电的类型。     

基于WNN的电阻层析成像图像重建算法的研究

本文对于电阻层析成像系统的图像重建提出了一种基于小波神经网络的图像重建算法,介绍了电阻层析成像技术的原理、数学模型及问题描述,给出了小波神经网络的结构、特点及图像重建的过程.利用MATLAB编程进行了图像重建的仿真实验.仿真结果表明,与线性反投影算法相比,小波神经网络算法提高了重建图像的质量.用横截面图像误差作为重建图像质量的评判标准,线性反投影算法的误差超过了10%,而小波神经网络的算法低于5%.     

基于多重分形谱和改进BP神经网络的水电机组振动故障诊断研究

本文建立了小波分析、多重分形谱和改进BP神经网络相结合的水电机组振动故障诊断模型。该模型首先利用小波分解对振动信号波形进行去噪提纯,得到各种故障信号的小波近似系数,应用多重分形谱算法提取出振动故障的特征向量,并将该特征向量作为BP神经网络的输入向量进行分类识别。该模型直接通过振动波形提取信号特征,避免提取其频谱特性,并结合先进的多重分形谱进行诊断识别,为水电机组故障诊断提供了一种新的方法。应用实例表明,该方法能够提高诊断的智能化和人性化,增强了人机交互性,识别结果令人满意。     

小波神经网络及其在电力负荷预测中应用概述

小波神经网络是建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性。本文介绍小波神经网络的构成原理、设计方法和优点,分析小波神经网络在电力负荷预测领域的研究和应用现状。文中所指小波神经网络的优点,例如所需网络节点少和预测精度高,已经在电力负荷预测研究中得到验证。将小波神经网络应用于电力负荷预测的成果是令人鼓舞的。但是小波神经网络也存在收敛性差等缺点,还需要进一步研究适合小波神经网络的算法,以提高其性能。     

连续小波神经网络收敛性能的探讨

小波神经网络已经被应用于电力系统,并且表现出许多优良特性.但是人们对于小波神经网络的缺点却认识很少.首先介绍小波神经网络的原理,离散神经网络和连续小波神经网络的概念和特点,然后探讨了连续小波神经网络的收敛性能.研究指出,由于小波函数和Sigmoid函数存在很大差异,因此当连续小波神经网络采用BP神经网络的初始化和训练算法时会出现收敛性差的问题,并通过实验进行了验证.最后本文给出了几种改进连续小波神经网络收敛性的建议.     

数学形态学在电力系统中的应用综述

数学形态学是一种非线性信号处理和分析工具,对电力系统信号的特征提取完全在时域中进行,且幅值不偏移和相位不衰减,很多性质优于小波分析理论,其发展正在受到越来越多关注,但是系统的总结该技术的应用及研究并不多见.文中阐述了数学形态学的基本理论,并介绍了电力系统常用的一些形态学方法,在将形态学与小波分析进行比较后,综述了数学形态学在电力系统中的应用,如暂态信号谐波分析、奇异点检测与消噪、电能质量检测、故障诊断、继电保护与故障测距,分析了其与电力系统中其他理论或方法如小波变换、分形理论、神经网络等的结合.结论提出了若干需要解决的问题,并展望了其在电力系统中的应用前景.     

小波与分形理论的互补性及其在局部放电模式识别中的应用研究

研究应用于电气设备局部放电模式识别及故障诊断的放电特征量提取方法,是电气设备状态维护技术研究中的难题之一。该文从尺度变换的角度,研究了小波与分形理论的互补性;并从局部放电信号小波分解后的能量谱图提取放电特征,用于局部放电模式识别。研究结果表明：选用适当的小波函数和尺度函数,将局部放电信号的逼近信号能量谱和精细的结构能量谱的分形维数作为局部放电模式特征,能够有效地应用于局部放电模式识别中。该项研究结果具有较高的理论和应用价值。     

电能质量扰动波形的识别

利用最近在小波变换、人工神经网络和证据理论上取得的进展来进行电能质量扰动波形的识别。与以往在时域用单个神经网络进行识别不同 ,提出的方案是在小波域用一组多层神经网络来进行的。最后 ,用Dempster-Shafer证据理论综合了网络的输出 ,并由分类器提供已辨识的扰动波形的信任度。     

基于Contourlet变换和分形插值的超分辨图像重构方法

为了提高图像信息的空间分辨率,考虑到Contourlet变换的多尺度多方向性及分形插值的纹理平滑效应,本文提出了基于Contourlet变换和分形插值的图像重构方法。该方法首先在Contourlet变换域上对图像进行分块处理,并对获得的每块信息进行分形插值,进而通过Contourlet反变换重构得分辨率更高的图像信息。实验仿真表明,与传统的基于小波变换及插值等图像重构方法相比,所提出的方法更好地保护了图像的边缘和细节信息,具有更高的峰值信噪比。     

500kV输电线路故障诊断方法综述

对近几年国内外具有代表的中外文献进行了学习研究,重点论述了输电线路故障诊断的四种方法:阻抗法,神经网络和模糊理论等智能算法,小波理论,行波法。综合输电线路的四种故障诊断方法,建议采用小波熵原理对输电线路故障模型进行故障类型识别,运用基于小波熵的单端行波测距方法实现故障定位。     

基于小波与多维分形的电能质量扰动分类

提出了基于小波变换和多维分形的电能质量扰动概率神经网络自动分类系统。分类系统的实现分为两个阶段,首先采用离散小波多分辨率分析和Parseval定理提取不同尺度下扰动信号的能量分布特征,同时利用多维分形方法计算同一畸变信号的局部方差分维数,并将小波变换提取的能量分布特征和局部方差分维数组合构成特征矢量。其次将特征矢量输入到概率神经网络进行训练和测试,从而实现正弦波形、电压骤降、电压陡升、谐波、中断、脉冲和振荡瞬态的分类。采用提出方法的电能质量扰动平均分类率为95．86％,高于只采用离散小波变换提取特征矢量分类率2．15％。     

数学形态学在电力系统中的应用综述

数学形态学是一种非线性信号处理和分析工具,对电力系统信号的特征提取完全在时域中进行,且幅值不偏移和相位不衰减,很多性质优于小波分析理论,其发展正在受到越来越多关注,但是系统的总结该技术的应用及研究并不多见。文中阐述了数学形态学的基本理论,并介绍了电力系统常用的一些形态学方法,在将形态学与小波分析进行比较后,综述了数学形态学在电力系统中的应用,如暂态信号谐波分析、奇异点检测与消噪、电能质量检测、故障诊断、继电保护与故障测距,分析了其与电力系统中其他理论或方法如小波变换、分形理论、神经网络等的结合。结论提出了若干需要解决的问题,并展望了其在电力系统中的应用前景。     

基于自组织小波神经网络的磁共振图像分割方法

磁共振图像的准确分割对于辅助医生确定病灶的位置和形状、制订治疗方案和评价治疗效果具有重要的意义。本文提出了一种新的磁共振图像（MRI）分割方法。构造了一种自组织小波神经网络,通过融合T1、r12和Pd图像的特征来识别MRI中生物组织的类别。该网络继承了小波分析局部精度高和神经网络自学习能力强的优点,采用自组织算法利用训练数据的稀疏性对网络的结构和初始参数进行优化,简化了网络结构,提高了网络学习的速度,避免了网络陷入局部最优学习。将所提方法应用于大脑磁共振图像分割的实验结果表明,所设计的自组织小波神经网络MRI图像分割方法具有精度高和学习速度快的优点。     

基于小波与多维分形的电能质量扰动分类

提出了基于小波变换和多维分形的电能质量扰动概率神经网络自动分类系统.分类系统的实现分为两个阶段,首先采用离散小波多分辨率分析和Parseval定理提取不同尺度下扰动信号的能量分布特征,同时利用多维分形方法计算同一畸变信号的局部方差分维数,并将小波变换提取的能量分布特征和局部方差分维数组合构成特征矢量.其次将特征矢量输入到概率神经网络进行训练和测试,从而实现正弦波形、电压骤降、电压陡升、谐波、中断,脉冲和振荡瞬态的分类.采用提出方法的电能质量扰动平均分类率为95.86%,高于只采用离散小波变换提取特征矢量分类率2.15%.     

宽带电力线通信信号多重分形特性研究

为了更好地了解电力线通信信号特性,克服传统线性模型和统计学参数不能很好描述电力线通信信号的非平稳、非线性特性的缺点,引入多重分形消除趋势波动分析法(multi-fractal detrended fluctuation analysis,MFDFA)对BB-PLC信号进行多重分形特性检验,并针对传统MF-DFA法的不足,结合小波理论,提出一种改进的算法对BB-PLC多重分形特性进行判定,在验证其具有明显多重分形特性的基础上,对其进行多重分形谱分析和相关函数检验。实验结果表明,电力线通信信号具有明显分形特征。所得结果可为宽带电力线信道建模等技术提供参考。     

动态电能质量的分形指数小波分析方法

分形理论是近年来发展较快的一门学科，在信号处理和数据压缩方面具有较强的功能。小波理论为分析分形局部细微性质和研究分形体的构造规则提供了有效手段。利用小波与分形的内在联系，该文从小波变换后的系数中，提取扰动的全局分形指数和局部分形指数作为动态电能质量扰动的特征，建立了识别扰动类型的分形指数小波分析方法。通过对由PSCAD／EMTDC软件仿真得到的12种典型动态电能质量扰动波形的识别，证明该方法不但能对单一扰动进行识别，而且能在多种扰动叠加的情况下，找出关键扰动的特征，进行正确分类。该文方法为动态电能质量扰动的检测、识别与分类提供了新的思路。     

基于小波神经网络的电力电缆故障定位方法研究

为实现电力电缆故障点在线迅速准确的定位,结合电力电缆的故障特点,提出一种利用小波神经网络对电力电缆故障进行定位的方法。应用小波包分析理论对电力电缆故障信号进行特征提取,并在此基础上利用人工神经网络强大的非线性特征函数拟合能力来实现小波包系数到故障距离的映射,解决故障在线测距问题。选择若干历史故障测距数据进行仿真试验,试验结果表明,利用训练成熟的小波神经网络能够在较小的误差范围内实现故障定位。