基于小波神经网络的配电网故障定位研究

在分析小电流接地系统单相接地故障特征的基础上,利用小波分析对非平稳随机信号所具有的优越的时频局部特性和变焦能力来实现提取故障时暂态信息量的特征分量,然后构建出小波神经网络,根据神经网络良好的非线性拟合能力,建立起故障特征分量和故障点位置之间的映射,从而达到故障点精确定位.     

基于遗传粒子群法的配电网故障定位研究

针对分布式电源接入后配电网故障定位困难的现状,构造了适应多分布式电源接入的故障电流编码方式、开关函数和评价函数。提出了基于改进遗传粒子群法的配电网故障定位方法,该方法有效融合了遗传算法在全局搜索方面和粒子群法在局部搜索方面的优势。建立配电网故障定位仿真实例,通过配电网系统单重故障和多重故障及FTU上传故障信息出现畸变情况的仿真对比分析,结果表明本方法具有更高的定位准确率和较快的收敛速度,且本方法抗干扰性更强。本研究成果可为配电网故障定位提供有效的参考和技术指导。     

基于改进粒子群算法的配电网故障定位技术研究

针对一般粒子群算法容易陷入局部最优的问题,采用一种改进的粒子群算法来对配电网进行故障定位,并对该算法的有效性和正确性进行验证。仿真结果表明,该方法能对配电网故障进行准确定位,并对信号畸变有着比一般PSO算法更强的容错能力。     

配电网集中式馈线故障自动化定位方法研究

配电网线路众多且纷杂,加上恶劣的环境,查找故障的难度大,需要耗费大量的人力和物力。为此,研究了一种配电网集中式馈线故障自动化定位方法。利用录波器采集行波信号并利用小波变换方法对信号进行去噪处理。利用VMD方法分解行波信号,确定分解后每个模态分量的边际谱,提取每个模态分量的特征,包括频谱均值、方差、带宽、最高幅值对应的频率,组成特征量集合。输入特征,利用多分类SVM模型定位故障类型并通过行波法确定故障位置,完成配电网集中式馈线故障自动化定位。结果表明,所研究方法的定位误差达到相对最小值,定位结果更准确。     

基于WEBGIS的粗糙集配电网故障定位方法

提出一种WEBGIS环境下运用粗糙集理论，并采用电话报修信息实现配电网故障定位的约简新方法。该方法以根据配电网拓扑结构形成的决策表为主要工具。对决策表进行属性约简和值约简．导出故障诊断规则，生成统一的故障诊断专家知识库表，揭示了报修信息内在冗余性。本研究运用C#语言编程实现了配电网故障诊断决策表的约简流程，结合WEBGIS平台。充分利用企业内部网络中的数据库资源。进行简单快速的故障诊断运算。实现故障区域定位可视化。算例结果表明了该方法的可行性和有效性。     

基于AMSFLA的配电网故障定位研究

随着电网的不断发展,其网络架构趋于复杂,电网线路发生故障的概率也随之增加,目前配电网故障指示器作为对线路故障检测的主要工具,仍然具有故障识别率低、易发生误动的缺点。为了解决故障指示器目前存在的问题,针对其现状进行分析,构建了配电网故障定位模型,提出一种基于AMSFLA（自适应变异混合蛙跳算法）的故障指示器定位方法,并结合IEEE33节点配电网模型来进行仿真验证。结果表明,该算法能够在故障信号畸变的情况下,准确定位故障区域,为运维工作人员故障排查提供帮助。     

基于图论的主动配电网故障定位方法

针对主动配电网故障区段定位难题,提出了基于图论理论描述主动配电网动态特性的故障区段定位新方法.该方法根据主动配电网中节点与支路的电气联通关系,运用图论理论获取有向动态邻接矩阵,实时反馈网络结构运行状态变化,提升邻接矩阵描述拓扑结构动态特性的能力;同时根据不同情况的故障特征,提出单一故障和多重故障判据,通过识别故障区间类...     

基于量子粒子群算法的车牌定位

提出了一种针对车牌定位问题的量子粒子群算法解决方案,先对车辆图像局部区域进行自适应光照补偿图像预处理,改善图片的质量。然后使用YCbCr模型将色差信号进行了频带压缩,实现光照补偿。在此基础上提出一种基于量子粒子群的优化算法,利用QPSO算法参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛。文中给出了三幅图像的车牌定位效果,证明了QPSO算法的局域特征增强算法能进行稳定的特征提取,定位效果很好。     

一种井下配电网故障测距方法

针对采用随机选取法、K-均值聚类法确定RBF神经网络隐含层节点中心和宽度只能得到局部最优解、基本粒子群优化算法易发生早熟收敛且对于某些函数优化精度差的问题,提出了将惯性权重模型和收敛因子模型相结合的改进的粒子群优化算法;针对煤矿井下配电网发生单相接地故障后定位困难、传统的故障测距方法存在可靠性差、测距精度低的问题,提出了采用改进的粒子群优化算法优化RBF神经网络进行井下配电网单相接地故障测距的方法。仿真结果表明,经改进的粒子群优化算法优化的RBF神经网络的测距精度高于RBF神经网络,能够实现故障点的准确、可靠定位。     

基于网络拓扑的农村配电网单相接地故障分段自动定位

为精准定位配电网单相接地故障分段位置,提出基于网络拓扑的农村配电网单相接地故障分段自动定位方法。构建农村配电网单相接地网络拓扑结构,对处理后的网络拓扑结构信息进行空间聚类,使具有相同特征的数据在指定空间内进行聚合,提取农村配电网单相接地故障特征,实现接地故障分段自动定位。实验结果表明,该方法能够精准地定位是否存在单相接地故障情况,具有较好的自动定位效果。     

基于云理论与神经网络集成的模糊系统

提出了一种基于云理论与神经网络混合集成的模糊系统。通过不确定性人工智能,解决了在实际模糊系统中输入变量隶属函数和知识规则确定的难题,利用神经网络实现了变量之间的非线性映射。该系统不但具有神经网络自适应的学习能力,且结合云理论处理知识的不确定性能力,使模糊系统在知识推理过程中更具有说服力,在整体上提高了算法的效率。     

基于分布估计算法的配电网故障区段定位

传统的人工智能算法在配电网馈线故障定位中的应用广泛,存在初始种群规模大,迭代次数多以及易陷入局部最优等缺陷。提出一种基于分布式估计算法的配电网故障区段定位方法,该方法将故障区段向量作为正确解,通过建立解空间内个体分布的概率模型,对模型采样,逐步提高最优故障区段向量在解空间内出现的概率。仿真结果表明将分布估计算法应用于多源开环条件下的配电网故障区段定位有着较快的故障定位速度和良好的容错性。     

基于LMD-PE与神经网络的刀具故障诊断方法

针对刀具故障诊断信号信噪比低、诊断结果不准确等问题,采用局域均值分解(LMD)结合排列熵(PE)来处理采集到的刀具加工时的振动信号,然后将提取到的特征向量输入到训练好的长短期记忆神经网络(LSTM)中得到诊断结果,为了提高LSTM的诊断效率,结合卷积神经网络(CNN)对LSTM进行了改造;试验表明,文章提出的方法诊断准确率比BP神经网络提高了将近12%,改进LSTM网络比传统LSTM的诊断时间缩短了50%。     

基于量子门组的量子神经网络模型及其应用

为进一步提高量子神经网络的性能,结合目前神经网络机理的研究进展,提出了一种基于量子门组的量子神经元模型,建立了量子门组量子神经网络（Quantum Gate Set Neural Network,QGSNN）。该算法由输入层、隐含层和输出层组成,该算法将转换后的量子态训练样本作为输入。利用量子旋转门和通用量子门完成旋转、选择、翻转和聚合等一系列操作,并完成了网络参数的更新。将训练后的结果输出。QGSNN算法的泛化能力在数学上得到了证明,并利用两个仿真实验对该方法进行验证。实验结果表明,与普通神经网络和普通量子神经网络相比,QG-SNN算法在泛化性能、鲁棒性、准确率和执行时间等方面具有较好的效果。     

基于量子门组的卷积神经网络设计与实现

为进一步提高卷积神经网络的训练速度,减少训练成本,建立了量子门组卷积神经网络模型（Quantum Gate Convolutional Neural Network,QGCNN）。为了构建QGCNN网络结构,依据传统CNN结构的特点,给出卷积算术线路（Convolutional Arithmetic Circuit,ConvAC）的定义。用张量分解来说明ConvAC的权值系数之间的关系,为构建QGCNN提供理论依据。将QGCNN分为输入表示层、隐藏层和输出层,在此基础上实现对数据进行量子编码,利用量子门组完成数据初始化,网络参数更新等操作。将QGCNN应用到数字手写体识别中,实验结果表明,该方法在手写体识别的准确率和收敛速度上有不错的效果。     

柔性配电网故障定位技术评述

本文通过对柔性配电网(flexible distribution network,FDN)进行分析,为了使FDN安全可靠稳定运行,但当FDN发生故障时进行故障的隔离和恢复存在很大困难,因此研究FDN故障定位技术具有重大的现实意义。首先对FDN的概念进行分析研究,对比传统配电网的运行方式闭环设计开环运行模式所存在的难题,对FDN的基础技术结合最新研究方向进行分析研究,传统配电网如何转变为FDN进行说明;然后本文总结研究传统配电网故障区段定位、故障定位;对故障区段定位、故障定位所涉及的主要研究方法进行分析,通过文献研究其适用范围和优缺点,并针对这些提出对应的建议,并结合上述分析,研究FDN故障定位技术和其所存在的缺陷以及未来所要研究的主要方向。最后指出当前柔性配电网和有源配电网研究主要存在的问题及未来研究的方向。     

非线性电路的神经网络故障诊断方法

针对非线性动态电子电路,提出一种基于神经网络的故障诊断方法。通过故障字典的建立,对电路故障响应进行预处理后得到的故障特征作为神经网络的输入,然后利用神经网络对各种状态下的特征向量进行分类决策,对故障类别进行辨识,并对电路进行了可测性分析,从而实现非线性电路的故障诊断。详细的仿真过程及结果表明, 该方法有效地解决了非线性电路辨识难的问题,能较好地对故障模式进行分类,取得了满意的诊断效果。     

基于改进灰色神经网络的故障预测方法研究

故障预测技术是电子装备预测与健康管理（PHM）领域的核心内容, 对电子装备关键部件实施有效的预测是保证系统正常运行的关键。首先将灰色理论和人工神经网络算法相结合, 构建灰色神经网络模型并对其进行分析; 然后在此基础上通过附加动量变学习速率法对灰色神经网络的权值更新策略进行改进, 提出一种基于改进灰色神经网络的故障预测模型; 最后以某型脉冲测量雷达中频接收组合中的压控振荡器为例, 以采集的原始频率数据为基础进行仿真验证。预测结果表明, 将该预测方法应用于电子装备PHM是行之有效的, 可有效提高故障预测精度。