柔性机械臂振动控制中的压电传感器故障诊断

压电传感器常被应用于结构的振动控制中,为了解决压电传感器故障给控制系统的带来的不稳定问题,根据压电柔性臂振动用压电传感片故障的特点,提出运用小波包变换和RBF神经网络的故障诊断方法。首先运用小波包分解和重构原理将传感器输出信号分解到不同频段中,提取每个频段的能量作为状态监测的特征向量,作为RBF网络的输入,然后利用最佳的RBF神经网络进行压电传感器故障分类。实验结果表明该方法具有良好的非以此线性跟踪能力,置信度达到90%,为后续振动容错控制研究奠定良好的基础。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

基于小波包变换的癫痫脑电信号特征提取

为了有效识别癫痫脑电信号,提出了一种适合于非平稳脑电信号的特征提取方法。以临床采集的包含癫痫发作期的5组500个EEG公共数据为样本,选择了具有任意多分辨分解特性的小波包变换,对信号进行多尺度分解,并提取了各级节点的小波包系数。将小波包系数能量作为特征值,构建了特征向量并输入到BP神经网络分类器中进行自动识别。实验结果表明,该算法的识别率达到了91.5%。     

太阳逐日曝辐量预测建模方法研究

建立一种太阳逐日辐射能量预测的小波过程神经网络等效模型。将神经网络与傅里叶变换以及小波多尺度分解相结合,构建了太阳逐日曝辐量的短期预测和中长期预测问题的两种实时在线预测模型,以提高预测精度。将太阳逐日辐射能量混沌时间序列进行相空间重构,其维数作为网络输入数据的傅里叶变换长度,以得到的傅里叶变换系数作为神经网络的输入,避免输入随意性导致预测结果不一定是其解空间的表达问题;通过小波多尺度分解使太阳逐日曝辐量在一定尺度上表现出准平稳性,以此确定神经网络隐层节点数,以减小试凑性造成的误差。将日照百分比、云量与太阳逐日曝辐量的时间序列同时作为输入量,对两种模型进行学习训练和预测分析。仿真结果表明,2种预测模型可在不同的时间尺度上有效地预测太阳逐日曝辐量,且能有效地实时在线递推预测太阳逐日辐射能量。     

基于多标签RBF神经网络的电能质量复合扰动分类方法

在径向基(RBF)神经网络和C-均值聚类算法的基础上,提出一种适用于电能质量复合扰动分类的多标签排位分类算法—多标签径向基函数法(ML-RBF)。首先,对常见的电能质量扰动及其组合而成的复合扰动进行离散小波分解,提取各层分解系数的规范能量熵作为特征向量;然后采用C-均值聚类算法将所得的特征向量映射为RBF神经网络的输入;最后通过RBF神经网络对该电能质量复合扰动类型进行预测。仿真实验结果表明,在不同的噪声条件下,ML-RBF可以有效分类识别电能质量复合扰动。     

基于小波能量与神经网络的断路器振动信号识别方法

高压断路器出现机械故障不仅会引起振动冲击事件的时间漂移,还会引起时域波形中一些波峰幅值的变化。依据同一类型断路器振动信号相似的特点,在对高压断路器故障振动信号进行特征分析的基础上,提出了一种识别高压断路器振动信号的新方法:将小波包提取算法和径向基神经网络模式识别功能相结合,利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中,提取每个频带能量作为断路器状态监测的特征向量,作为径向基神经网络的输入向量;基于径向基神经网络的故障诊断方法在系统参数未知的情况下自动建立动态模型,对于线性系统和非线性系统都有很好的跟踪能力,通过实验室断路器典型合闸振动信号的监测及识别分析验证了该方法的有效性。     

Wavelet preprocessing for automated neural network detection of EEGspikes

The purpose of this study was to investigate the feasibility of using a wavelet transforms (WT) as a preprocessor for an artificial neural network (ANN) based EEG spike detection system. The study aimed at decreasing the input size to the ANN detector, without decreasing the information content of the signal and degrading the detection performance. Since routine clinical EEG requires recordings from many channels (generally 32 or 64), input size becomes a critical design parameter for real-time multichannel spike detection systems. For a sliding window of 20 points, more than 600 input lines will be necessary for a 32-channel system, which is not easily manageable with current ANN technology. One approach to this problem is to use a single ANN module for each EEG channel and integrate the outputs across channel information with a second module. The authors have successfully developed a 16 channel prototype of such a system working in real-time. This system used a 20 point (100 ms) sliding time window and employed a floating point digital signal processor for real-time operation. Adding more channels to this system would be difficult for real-time operation. In addition, the authors' recent studies showed that the best detection performance is attained with a 30 point (150 ms) time window, further increasing the computational load. Thus, the development of a preprocessor to reduce the input size without significantly reducing the information content would be very helpful in developing large multichannel EEG spike detection systems     

基于RBF神经网络和无迹变换法的三相概率潮流计算

不平衡负荷、不对称网络参数以及可再生能源的接入,引入了三相概率潮流.文中提出了一种新的三相概率潮流计算方法,将RBF神经网络与无迹变换法结合求解三相概率潮流.首先根据无迹变换法,利用输入变量均值和协方差矩阵求出输入变量的Sigma向量以及相应权重.其次,采用RBF神经网络求解潮流非线性方程,得到输出变量的均值以及相应权重.所提方法适用于输入变量相关的情况,且无需求解雅可比矩阵及其逆矩阵,加快了计算速度.最后,在不平衡25节点系统上进行仿真,结果表明了所提算法的有效性和实用性.     

发电机进相能力的RBF神经网络模型

发电机进相运行是调节电网电压、改善电能质量的一种经济性、技术性皆优的先进手段。由于发电机是一个多变量、强耦合的非线性系统,基于传统分析方法难以精确建立其进相能力分析模型,本文提出基于径向基函数(RBF)神经网络的发电机进相能力模型,以发电机有功功率和无功功率为输入,以发电机功角、电网电压为输出,采用江苏电网某600MW发电机进相试验数据训练和测试RBF网络,并探讨了基宽、神经元数的选择对RBF网络收敛精度的影响。研究表明本文所建立的发电机进相RBF模型具有速度快、精度高的优点,具有良好的泛化能力,其性能优于BP神经网络模型。本文提出的方法能有效克服传统进相分析方法的局限性,适用于发电机进相运行实时控制,有推广应用价值。     

基于离散小波变换的卷积自编码运动想象脑电信号的分类

左右手运动想象脑电信号(MI-EEG)分类准确率低,制约了相关脑-机接口技术的发展。实验采集了16名健康受试者的运动想象脑电信号,提出了一种基于离散小波变换(DWT)和卷积自编码(CAE)的运动想象脑电信号分类算法。利用离散小波变换将EEG转换成时频矩阵,输入到卷积自编码网络中进行脑电信号的特征分类。该算法在实验数据集和公开数据集上测试都得到了较好的分类结果,静息-想象左手、静息-想象右手、想象左手-想象右手3组EEG在实验数据集上分类准确率分别为97.36%、97.27%、86.82%,在公开数据集上分类准确率分别为99.30%、98.23%、92.67%。离散小波变换结合卷积自编码网络模型在左右手运动想象脑电信号分类应用中比其他深度学习方法(CNN、LSTM、STFT-CNN)性能更优。     

基于小波神经网络的模拟电路故障诊断改进

在运用神经网络进行模拟电路故障诊断的过程中,代表着故障特征的网络输入至关重要,由于小波变换的时频局部化和多尺度分析等特性,将两者结合起来,通过小波变换对模拟电路的输出响应进行故障特征提取,同时解决PSPICE与MATLAB之间的数据通信问题,提出将蒙特卡罗分析产生的所有训练样本经过处理后输入到一个神经网络进行训练的方法,从而避免了训练多个神经网络。利用神经网络对各种故障模式进行分类,实现模拟电路的故障诊断,并进一步与传统的BP网络故障诊断法进行比较。仿真结果表明,该方法可以实现故障检测及定位,诊断的准确率显著提高,适用于模拟电路故障诊断。     

应用于月度用电量预测的小波分析法

月度用电量预测是中期负荷预测的主要内容,也是制定月度发电规划的基础。文中以美国亚利桑那州为例,采用小波分析法,首先使用小波变换获得若干个采样点减少一半的小波系数;然后分别对各系数插零、重构,恢复到原数据的长度;最后采用RBF神经网络对恢复长度的各系数进行预测。该方法将月度用电量的时间序列分解成趋势项和波动项,分别进行预测,提高了预测精度。     

融合粗糙集和神经网络的变压器故障诊断

为提高变压器故障诊断的准确性,进行了利用粗糙集和神经网络来诊断变压器故障的研究。首先将连续属性的决策表离散化,部分属性采用基于油中溶解气体分析知识的方法离散化,部分属性采用自然算法和等频划分算法离散化;然后用粗糙集属性约简方法对离散后的决策表进行属性约简以获取最小决策表,约简后的最小决策表反映了变压器油中溶解气体的5种比值与故障的关系,是对IEC三比值法的扩展;最后用最小决策表训练BP神经网络,并用测试数据对训练后的BP神经网络进行检验。结果表明该方法比IEC三比值法有更高的故障判断准确率,结合粗糙集和神经网络诊断变压器故障可约简变压器故障诊断决策表,简化神经网络的结构,提高故障诊断的准确率。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

基于小波和BP神经网络的电能扰动分类新方法

电能质量扰动的分类包括特征向量提取和分类器构建2部分。基于小波和神经网络的分类方法大部分采用小波分解各层的能量分布作为特征向量,用单个神经网络给出分类结果,此类方法构建的分类器性能有待进一步提高。文章构建了一组基于小波变换的特征向量作为分类器的输入。通过基于最小二乘法的策略综合3个相互独立神经网络的输出以得到最后的判别结果。算例表明提出的分类器准确率高,在信噪比20 dB的情况下还可以达到93.18%的准确率。分类器能有效识别电压中断、电压暂降、电压暂升、谐波、振荡暂态和闪变6种常见电能质量扰动。     

电力系统短期负荷预报的小波-神经网络-PARIMA方法

针对电力系统负荷具有拟周期性，非平稳性，非线性等特点，提出一种小波－神经网络－PARIMA模型并研究它在电力系统短期负荷预报中的应用：利用小波变换提取和分离负荷的各种隐周期和非线性，把小波分解的特性和分解数据随尺度倍增而倍减的规律用于感知机神经网络（MLP）和周期自回归移动模型（PARIMA）的建模，各尺度小波分解用MLP进行建模和预报，最大尺度上的尺度分解用PARIMA进行建模和预报。最后，利用径向基函数网络（RBF）将各尺度域的预报结果组合成为负荷最终预报，实例说明，该方法能够揭示负荷的拟周期性，非平稳性，非线性在电力系统短期负荷预报中的应用是成功的和有效的。     

基于纵横交叉算法的神经网络配电网故障选线研究

为了提高小电流接地系统单相接地故障选线的精度,提出一种基于纵横交叉算法优化RBF神经网络的故障选线新方法。利用Matlab/Simulink仿真单相接地得到一组零序电流信号,通过小波包变换和傅里叶变换从中提取出暂态特征值、有功分量以及五次谐波分量。再将提取得到的特征量作为神经网络的输入,用纵横交叉算法优化后的神经网络对故障特征值进行训练,实现故障选线。仿真中建立100组不同的故障样本,其中80组作为训练集,20组作为测试集。实验结果表明,与传统神经网络相比,CSO-RBF方法训练效果好,准确性高。     

对采样数据序列进行时频分解法的改进

经验模态分解法(EMD变换),能够从采样数据序列中提取不同时间尺度波动曲线,以达到时频分解的目的。文章对经验模态分解法的重大改进,主要体现在零平均线的求取上,它无需求上、下包络线,而直接把N点原始数据按时间尺度分段压缩,再用3次样条函数光滑插值到N点,并以此作零平均线,从而得出分层模态分解,改进了Harr小波分解。     

基于加窗小波变换的HAPF谐波检测

基于小波变换理论进行混合有源电力滤波器(HAPF)的谐波检测,但分析Mallat小波分解算法可知其存在缺陷:若直接对所有数据进行小波变换,计算量大且误差明显;提高采样频率会使单位时间内处理过多数据。提出在小波变换前将采样数据与窗函数相乘,在有效滤去高频分量的同时减少小波分解层数。基于Blackman窗、Hamming窗和Hanning窗的比较分析,选取Hamming窗作为小波分析前的辅助窗,可使99.963%的能量集中在主瓣内。基于PSCAD/EMTDC与Matlab进行仿真实验,结果显示,该方法响应时间约为10 ms,且小波分解次数减少,比较仿真结果可知检测精度提高。     

High impedance fault detection methodology using wavelet transform and artificial neural networks

This paper presents a new technique based on the combination of wavelet transform (WT) and artificial neural networks (ANNs) for addressing the problem of high impedance faults (HIFs) detection in electrical distribution feeders. The change in phase current waveforms caused by faults and normal switching events has been used in this methodology. The discrete wavelet transform (DWT) used decomposes the time domain current signals into different harmonics in time-frequency domain and extracts special features to train ANNs. This preprocessing reduces the number of inputs to ANN and improves the training convergence. The ANN structure and learning algorithm used in this method is the multilayer perceptron network and Levenberg-Marquardt back-propagation algorithm, respectively.The signal data of several HIFs, low impedance faults (LIFs) and normal switching events have been obtained by the simulation of a real distribution network, with five feeders, under these different operations conditions, using SimPowerSystem Blockset of MATLAB. The results obtained have validated the effectiveness of the proposed methodology to detect HIFs and discriminate them from normal transient operations.