基于小波变换和神经网络的线路保护启动方法

为满足特高压输电线路超高速保护的要求,结合小波变换原理和神经网络原理,提出一种新的特高压输电线路保护的启动方法。该方法运用小波变换检测突变信号的原理,提取故障特征量,并以此作为神经网络的输入,设计启动神经网络,以判断输电线路的运行状态(正常或故障),进而决定是否启动故障选相装置。在PSCAD建立特高压输电系统仿真模型,仿真结果表明:该启动方法能准确判断输电线路运行状态,动作快速、灵敏且不受过渡电阻、故障位置、故障初始角以及噪声干扰的影响,在特高压输电线路超高速保护方面有一定的实用价值。     

基于小波神经网络的超高压输电线路行波测距保护研究

针对超高压输电线路的超高速保护而建立人工神经网络模型,将输电线路行波信息和高频暂态电流信号经小波变换数据预处理,并提取相关时域和频域特征值之后作为分布式神经网络的输入,以通过人工神经网络来准确识别线路故障类型、故障位置,为实现保护的超高速动作提供判据。     

输电线路故障定位中小波变换的应用

高压输电线路故障定位对电力系统安全稳定运行有着重要意义，故障稳态、暂态信号的处理、分析对高压输电线路故障定位的准确性、可靠性有着重要影响，小波变换为信号分析处理提供了强有力的数学工具，分析了国内外小波变换在输电线路故障定位中的应用研究内容及现状，指出了一些存在的问题探讨了进一步研究的方向。     

基于感应电压特征停运输电线路故障识别方法

对停运输电线路进行合闸操作时为避免合闸到故障线路,通常需要对停运线路的故障状态进行判断。对于一回正常运行、另一回处于热备用状态下的同塔双回输电线路,提出一种基于感应电压特征的停运线路机器学习故障识别方法。首先对停运线路感应电压有效值进行测量,取各相电压有效值、电压平均值及故障电压占比作为样本特征。采用径向基核函数支持向量机(RBF-SVM)对停运线路的故障状态进行识别;若存在故障则利用BP神经网络对故障类型进行识别。为验证该方法的故障识别效果,以河北省6条线路的实际数据为基础,在ATP-EMTP中建立500 kV同塔双回输电线路模型。结果表明,对热备用线路上故障状态识别准确率为100%;对故障类型识别时准确率达到99.7%,为调度工作中合闸操作及停运线路故障的排除提供了参考。     

基于小波变换的地震波时变功率谱估计

为进一步认识地震动的非平稳特性,基于小波变换提出一种估计时变功率谱的方法.利用小波变换的带通滤波特性,结合时变功率谱的物理意义,从能量的角度推导各频带上小波系数与时变功率谱密度函数的关系,从而通过地震动信号的小波系数估计时变功率谱.利用基于小波变换的估计时变功率谱方法,针对实测和模拟地震动信号进行时变功率谱估计,并与基于傅里叶变换估计的功率谱进行了比较验证.结果表明：该方法正确、可行,它将原有的频率-幅值的二维认识提高到频率-时间-幅值的三维认识,解决了傅里叶变换估计功率谱缺乏时间信息的问题.     

基于小波变换和粒子群小波神经网络组合模型的有效停车泊位短时预测

基于停车场有效停车泊位短时变化特性,提出了一种小波变换和粒子群小波神经网络组合预测方法。首先,通过选择合适的小波函数对有效停车泊位时间序列进行多尺度的小波分解与重构,然后对重构后的时间序列分别采用小波神经网络进行预测,并利用粒子群算法对神经网络初始参数的选取进行优化,最后将各自外推的预测结果进行合成,得到最终预测结果。实例分析表明:与单独使用小波神经网络模型相比,小波变换-粒子群小波神经网络模型的预测精度提高了5~7倍,且预测稳定性较好。     

基于小波变换和人工神经网络的保护模型

采用一种结合小波变换和神经网络原理的模型，来识别电力系统短路故障，用小波变换提取测量信号的特征量，作为多层的神经网络的输入，对不同的输出要求，采用不同的神经网络，判断出发生故障的相别、性质和位置。实验结果表明，该模型是有效、可行的。     

基于BP神经网络的输电线路覆冰增长模型研究

分析了现有输电线路覆冰增长模型在预测中的不足以及神经网络对非线性映射变量表达的优越性,提出了一种基于Levenberg—Marquardt学习算法的BP神经网络的覆冰增长预测模型。通过实验获取的覆冰增长数据样本训练BP网络,利用收敛的网络进行输电线路覆冰增长的预测,仿真实验误差1mm以下的有7组数据,远高于对比模型makkonoe模型的3组,验证了模型有效性,对输电线路的覆冰研究和预防有重要意义。     

基于小波变换和人工神经网络的保护模型

采用一种结合小波变换和神经网络原理的模型,来识别电力系统短路故障．用小波变换提取测量信号的特征量,作为多层前向神经网络的输入．对不同的输出要求,采用不同的神经网络,判断出发生故障的相别、性质和位置．实验结果表明,该模型是有效、可行的．     

基于小波变换和ARMA模型的声码器

给出一种基于小波变换和ＡＲＭＡ参数提取算法的声码器。该声码器在１．２ｋｂｉｔ／ｓ的速率上，重建语音的可懂度，自然度好。该算法引入小波变换来实现子带滤波器组的设计，并引入多分辨分析的思想调整各子带的时窗宽度。各子带的声道模型由ＡＲＭＡ模型匹配，子带激励由冲激函数相当，故算法简单，易于实时实现。     

基于小波变换和RBF神经网络的电力数据压缩算法

针对电力生产过程中数据种类多,数据量大,而实际存储空间有限的情况,提出了一种基于小波变换和神经网络的数据压缩算法.该算法采用离散小波变换结合径向基神经网络的方法对电力生产过程中的实时数据进行压缩和解压缩.利用实测数据对算法进行验证,结果表明,该算法实现了对原始数据的两级压缩,能够获得较高的压缩比,是一种有效的实时数据压缩方法.     

基于小波变换和径向基神经网络的签名识别

主要研究利用小波变换和径向基神经网络进行签名图像的分类识别.它包括不同签名图像和相似签名图像的分类识别.所提出的方法包括小波域的图像特征提取和利用径向基神经网络的模式分类.采用小波的多分辨分析方法对签名图像进行时频分析特别有效.熵和能量相关特征的概念用于小波域.径向基神经网络具有快速的收敛速度和分类能力.实验仿真证实了...     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

基于小波变换和BP神经网络的短期风电功率预测

风电功率预测的准确性对风电大规模接入的电力系统安全稳定运行具有重要意义。提出一种基于小波变换和BP神经网络的风电功率预测模型,通过小波变换将风电功率序列在不同频率上进行分解,对分解后的单支序列分别采用相匹配的BP神经网络进行建模和预测,最后,叠加各序列的预测结果得到完整的预测值。基于该模型的内蒙古某风电场输出功率预测算例结果表明:该模型可以有效提高预测精度。     

基于三维电气几何模型输电线路绕击跳闸率的计算

由于山区地形复杂,准确计算绕击跳闸率较为困难。现有的传统二维电气几何模型法,在对绕击率进行计算时,取导地线平均高度,这只能反映线路整体水平,并不能表示线路某一段的实际情况,特别是对于大档距的输电线路来说,若采用平均高度进行计算,可能会得到该档距内绕击率较小的结论,但实际上在该档距内某一段线路绕击率是很大的。因此,结论存在较大误差,对二维电气几何模型的改进是十分必要的。在二维电气几何模型的基础上,进行三维拓展,将线路上每一点的对地高度都进行了分析计算,给出了在三维电气几何模型下的绕击跳闸率计算公式;并以通化地区220 k V线路为例,比较两种方法计算结果,结果表明三维电气几何模型与实际更相符。     

基于S变换和k-means聚类的输电线路故障识别

根据正常电路和故障电路特征电流存在的差异,提出基于S变换和k-means聚类的输电线路故障识别方法.通过S变换的方式,获取线路特征电流的故障特征量,应用熵权法计算出变换综合相对熵,找出线路之间的差异.然后,使用k-means聚类的方法识别出故障线路.通过仿真试验验证,该故障识别方法准确率较高、适应性强.     

基于傅立叶变换和小波变换的信号处理

介绍了傅立叶变换、小波变换等几种常见的分析处理信号的方法，并对一个实例信号分别利用这两种方法进行了分析处理，阐明了这两种变换在对信号处理上的不同特点。     

基于傅立叶变换和小波变换的信号处理

介绍了傅立叶变换、小波变换等几种常见的分析处理信号的方法,并对一个实例信号分别利用这两种方法进行了分析处理,阐明了这两种变换在对信号处理上的不同特点。