基于自学习的LSTM网络短路电流零点预测方法

短路故障在首个大半波内快速选相开断对提升电力系统稳定性具有重要意义。为此,本文研究并提出了一种基于自学习的长短期记忆(LSTM)网络短路电流零点预测方法。构建了基于自学习优化训练的LSTM短路电流预测模型,并采用循环迭代法对短路电流波形及过零点进行预测;搭建了RTDS试验平台,验证了自学习LSTM网络对零点预测的准确性、快速性以及稳定性;讨论了不同短路故障电流的起始相角、谐波含量、信噪比、衰减直流分量时间常数等因素对自学习LSTM预测精度的影响;仿真与试验结果表明自学习LSTM网络对短路电流零点具有较好的预测能力,当采样时间为3 ms时,自学习LSTM首零点预测精度已与RLS算法采样时间5 ms时预测精度相当,为在首个大半波内实现相控开断提供了依据。     

应变天平自适应零极点配置动态补偿方法

针对应变天平动态特性随负载变化这一问题,研究影响天平动态特性的天平模型主要参数随天平负载变化的规律,并提出适用于天平变负载情况下的自适应零极点配置动态补偿方法。该补偿法设计的动态补偿器能够自动调整补偿器自身的参数,以跟踪应变天平动态特性随负载的变化,始终保证天平具有较好的动态响应性能。研究结果表明,自适应零极点配置动态补偿方法是改善应变天平变负载情况下动态性能的有效方法,自适应动态补偿的效果非常明显。     

基于LSTM的电网区域线损预测方法研究

针对现有电网线损预测方法存在的准确率差和效率低等问题,提出了一种用于电网线损预测的长短期记忆网络模型。通过长短期记忆模型提取并存储线损长时间序列的特征,与传统预测方法进行对比试验,验证了预测方法的有效性。结果表明,相比于传统预测方法,所提预测方法预测值与实际值最为接近,可为电网线损分析提供可靠依据。     

基于磁传感器的温度误差补偿方法

随着科学技术的发展,传感器技术尤其是磁传感器技术在军事领域得到更为广泛的应用,很多武器炮弹在进行远程打击时,会通过自身内部的传感器测定周围环境变量,由计算机进行控制以进行更为精确的打击,而在测定环境变量的过程中传感器不可避免的会出现一些误差,影响打击的精确度,因而提出了基于磁传感器的温度误差补偿方法。先通过对传感器的温度误差的研究分析设计出温度误差漂移模型,然后由温度传感器和地磁传感器来测得不同温度下地磁在两个敏感轴上的分量数据,在拟合出温度漂移系数之后结合模型得出在温度补偿后的各敏感轴数据。仿真分析温度补偿前后磁传感器的输出对比,验证该方法能有效对温度误差进行补偿。     

基于LSTM网络的变压器油中溶解气体浓度预测

电力变压器作为电力系统中传输和变换电能的主要设备,其安全稳定性运行在电网中起着重要的作用。对变压器油中溶解气体浓度变化的趋势进行预测,可为其运行状态评估提供重要依据,鉴于此提出了一种基于长短期记忆网络(LSTM)的变压器油中溶解气体浓度预测模型。该模型克服了传统神经网络在序列预测方面存在的"梯度消散"问题,利用油中溶解气体的序列数据对长短期记忆网络进行训练,得到最优的预测模型参数。以变压器油中溶解的7种特征气体浓度为输入,以待预测气体的浓度为输出。通过算例分析表明,相比于传统的机器学习预测方法支持向量机(support vector machine, SVM)与反向传播神经网络(back propagation neural network,BPNN),本文所提的LSTM预测模型更能准确地预测油中溶解气体的浓度。     

水分测定天平的温度复合智能控制方法研究

水分测定天平干燥箱温度的准确与稳定控制是实现样品水分快速、准确测定的重要保障。本文介绍了基于DSP的干燥失重法水分测定天平的基本原理,提出了一种将分段判决、模糊控制和PID控制有机融合的温度复合智能控制方法,并利用DSP的PWM接口,给出了水分测定天平干燥箱温度复合智能控制的硬件、软件设计。这种复合智能控制充分利用了分段判决和模糊控制快速达到目标温度的优点和PID控制精度高、无静差的优点。实验表明,采用复合智能控制后,干燥箱动态响应快,温度超调小,稳定性好,保证了水分测定结果的准确性与可靠性。     

基于LSTM网络的谐波多标签分类

针对电力电子设备的广泛接入，谐波污染更加复杂、影响更大等问题，引入了长短期记忆网络（long short-term memory，LSTM），提出LSTM与多标签分类算法融合的复合谐波扰动分类模型。该模型首先通过LSTM提取特征值，再通过全连接层进行特征降维处理，最后通过分类层进行多标签分类识别。使用该模型克服了人工进行特征选择的缺陷，以及传统神经网络训练时收敛速度慢、容易陷入局部最优的缺点。实验结果表明，在不同的噪声条件下该算法模型可有效分类识别复合谐波扰动。     

基于LSTM的航空发电机整流电路诊断技术

整流电路是航空发电机的重要组成部分,存在故障频发且维修困难等问题。为对电励磁双凸极发电机(DSEG)的整流电路进行故障诊断,研究了一种基于长短时记忆(LSTM)网络的故障诊断方法。首先,采集多种故障模式下发电机的三相电枢电流信号。其次,利用不同的信号处理方法处理故障信号以获取故障特征信息。然后,将获得的故障特征数据分为训练和测试样本输入LSTM网络进行故障分类。最后,计算并分析诊断结果。仿真与试验结果表明所提方法具有良好的故障诊断效果。     

基于RBF神经网络的测斜仪方位角校正研究

本文介绍了国内常用磁性电子测斜仪的结构和测斜原理,分析了其本身和工作过程中可能存在的误差及其来源。针对井眼姿态测量中的主要测量参数之一方位角,基于径向基函数(RBF)神经网络补偿算法,建立了以实测井斜角和方位角构成的二维向量为输入、标准方位角构成的一维向量为输出的三层RBF神经网络模型,并用实际测斜仪的测量数据进行现场测试。测试结果表明,采用该RBF神经网络补偿算法,建模时间短,可将方位角的实际测量精度从±2.1°提高至±1.9°以内,误差补偿效果好。     

基于RBF神经网络的电子罗盘误差补偿研究

介绍了三轴磁阻电子罗盘的测量原理。基于磁阻传感器HMC1052/1051Z和MEMS加速度计MXD2020ML研制了一款带倾斜补偿功能的三轴磁阻电子罗盘,分析了电子罗盘工作过程中可能存在的误差及其来源。针对无姿态角度的情况,基于径向基函数(RBF)神经网络补偿算法,建立了以测量航向角为输入、期望的航向角为输出的3层RBF神经网络模型,并用样机的采样数据进行仿真验证。实验数据表明,采用该RBF神经网络补偿算法,可将航向角的精度从±35.52°提高至±0.6°以内。     

基于LSTM的电子系统间歇故障严重程度识别方法

间歇故障的累积会导致电子系统健康状态退化,正确识别电子系统间歇故障严重程度是保障系统安全运行、降低维护成本的关键。针对间歇故障特征难以准确提取导致传统识别方法失效的问题。本文提出了一种基于长短期记忆(LSTM)网络的间歇故障严重程度识别方法,首先将间歇故障注入电子系统获取足量不同严重程度的训练数据。再用这些数据训练由LSTM网络与softmax全连接层网络构建的严重程度识别模型。最后,通过对典型电路的故障注入,使用训练好的LSTM网络对间歇故障严重程度进行识别,实验结果证明了方法的有效性和可行性。     

基于椭圆假设的数字磁罗盘误差补偿方法

数字磁罗盘误差的补偿方法很多,从数字磁罗盘的自差分析出发,提出了一种基于椭圆假设的补偿方法,并通过实验检验了数字磁罗盘自差补偿方法的效果。实验结果表明,该算法可以有效修正环境磁场误差,在未补偿前,数字式磁罗盘航向角的最大误差达到6.2°;经过校正后,航向角的最大剩余误差为1.3°,误差减小率达到79%。     

基于STM32的拉力测量方法及误差补偿方法研究

架空电缆安装施工过程中,塔架物品提升使用的钢丝绳的拉力监测对施工安全性有着重要意义.由此设计了一种基于三点弯曲法原理的拉力检测装置.该装置内单片机系统将压力传感器获得的信号放大接入计算机,转化为电信号输出,以实现监测.但该方法必然存在非线性因素的干扰,通过实验标定与误差补偿,该装置误差可控制到2％以内;实际使用中发现环...     

基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法

随着电动汽车的大规模发展,公共充电桩运行数量和充电量逐年增长。然而,充电桩运行始终存在故障频发、运维难度大和维修成本高等问题,并且传统故障检测方法效率低下。因此提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合网络电动汽车充电桩运行状态预测方法,可以实现对电动汽车充电桩运行状况的综合评估。在特征数据输入阶段,对充电桩运行状态的关键指标进行分析,通过CNN提取运行状态影响因素的特征量,再利用LSTM判断和预测充电桩运行状态,从而实现对充电桩潜在故障的预警。试验结果表明,该方法预测准确率高、实用性强,能较准确地反映和预测充电桩的运作状态,可实际用于充电桩故障预测与运维检修。     

基于长短期记忆网络的PMU不良数据检测方法

同步相量测量单元(Phasor Measurement Units, PMUs)因其同步性、快速性和准确性,已成为复杂电力系统状态感知的最有效工具之一。但是,现场的复杂环境导致PMU数据存在数据丢失、数据损坏、同步异常、噪声影响等质量问题,严重影响其在系统中的各类应用,甚至威胁电网安全稳定运行。提出了一种基于长短期记忆(Long Short-Term Memory,LSTM)网络的PMU不良数据检测方法。首先分析了LSTM在不良数据检测中的优势。然后基于LSTM网络对时间序列选择记忆的特性,构造了一种双层LSTM网络架构,提出了对原始数据的分解重构方法。在此基础上,定义了两种目标函数,以获得不同的误差特征。提出了一种基于决策树的不良数据阈值确定方法,实现了不良数据的有效检测。通过大量仿真与实测数据验证了该方法的可行性和准确性,可提高PMU数据质量,使其更好地应用于电力系统的各个方面。     

基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法

短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism, LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。     

基于支持向量机和长短期记忆网络的暂态功角稳定预测方法

为实现暂态功角稳定性及功角轨迹的预测,提出一种支持向量机(SVM)与长短期记忆(LSTM)网络相结合的预测方法。根据系统动态特性构造暂态特征变量,采用SVM训练暂态稳定性分类器,对暂态稳定进行初步评估;利用LSTM网络对分类器评估的失稳样本进行发电机功角轨迹预测,提前发现失稳机组,减少误判样本数。通过IEEE 10机39节点系统产生训练样本并对所提方法进行测试,结果验证了所提方法的快速性和精确性。