改进的人工免疫分类算法在故障类型识别中的应用

提出将小波包变换和改进的免疫算法相结合,对输电线路故障类型进行识别.运用小波包将电压故障信号分解,提取三相的小波奇异熵作为免疫网络的抗原,利用免疫网络抗原一抗体识别原理进行故障类型识别.仿真结果表明:在相同实验条件下,与传统的ANN网络和SVM相比,该算法具有自适应连续学习的功能,对故障诊断系统可以连续不断的补充新样本.并且此故障类型识别方法不受系统运行方式、过渡电阻和故障位置等影响,具有较强的通用性,较高的精度,识别速度快和算法简单易实现.     

基于APES算法的高精度间谐波检测

针对电力系统中存在的间谐波问题,提出了一种基于APES（Amplitude and Phase Estimation,APES）算法的间谐波检测方法。该方法是在误差功率最小化目标下的非参数估计方法。分析了该方法在加权最小二乘解释及滤波器组解释下与其他谱估计方法的联系,说明了该方法是对信号频率的渐近无偏估计。通过实验仿真对比了在不同采样时间及信噪比条件下APES算法与其他算法的频率估计精度,证明了该方法具有较好的抗噪性及短时间窗估计特性。     

Hilbert-Huang变换在电力故障暂态信号检测中的应用

提出利用Hilbert-Huang变换对电力系统故障信号检测的方法.通过对检测点获得的故障电流信号进行经验模式分解(EMD),得到一系列的本征模态分量(IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率.为进一步故障检测提供了依据.仿真试验表明Hilbert-Huang变换的方法能准确地检测故障时刻.     

基于经验模式分解和最小二乘支持向量机的短期负荷预测

电力负荷是具有一定的周期性和随机性的非平稳时间序列,传统的预测方法是建立在负荷是平稳序列的前提下,难以精确的预测。为了进行有效的预测,提高预测精度,提出将经验模式分解EMD(Empirical Mode Decomposition)和最小二乘支持向量机LS-SVM(Least Square Support Vector Machine)相结合对短期负荷进行预测。首先,运用EMD将负荷序列自适应地分解成一系列不同尺度的本征模式分量IMF(intrinsic mode function),分解后的分量突出了原负荷的局部特征,能更明显地看出原负荷序列的周期项、随机项和趋势项;然后,根据各个IMF的变化规律,采用合适的核函数和超参数构造不同的LS-SVM进行预测,最后对各分量的预测值进行相加得到最终的预测值。仿真试验表明,此方法具有较高的精度和较强的推广能力。     

量子免疫算法在电网故障诊断中的应用

针对电网故障模型中原有故障目标函数存在多解的问题,综合考虑了重合闸、不同保护以及主后备保护之间的相互关系对目标函数的影响,建立了新的目标函数。同时,针对遗传算法所需种群多,收敛速度慢等缺点,提出了一种基于量子免疫算法的故障诊断方法。该算法采用量子比特编码染色体,利用克隆算子和量子门来引导变异,使得当前最优个体的信息能够很容易扩大到下一代,具有种群规模小,收敛速度快,全局寻优能力强的特点。实验表明,改进的模型是合理的,量子免疫算法综合性能优于传统的遗传算法,说明该算法是可行的。     

鸡蛋内部品质与其呼吸强度的关系

贮藏期鸡蛋品质的变化与呼吸作用息息相关,为了进一步明确鸡蛋内部品质与其呼吸强度之间的关系,本研究选取同一品种的鸡蛋作为实验样本,利用呼吸测定仪测定鸡蛋的二氧化碳呼吸强度,通过SPSS 19.0软件分别分析鸡蛋哈夫单位、蛋白高度、pH值、黏度、蛋黄指数、蛋黄比例以及蛋黄色度与呼吸强度间的关系。结果表明：鸡蛋哈夫单位、蛋白高度及黏度与呼吸强度之间呈极显著正相关（P＜0.01）;pH值与呼吸强度之间呈极显著负相关（P＜0.01）;蛋黄指数、蛋黄色度与呼吸强度之间呈极显著正相关（P＜0.01）;而蛋黄比例与呼吸强度间相关性较小;此外,pH值与黏度、蛋黄指数、蛋黄色度间均存在极显著负相关（P＜0.01）;黏度与蛋黄指数、蛋黄色度之间呈极显著正相关（P＜0.01）;蛋黄比例与其他参数相关性较小。总之,在鸡蛋内部品质参数中,鸡蛋哈夫单位、蛋白高度、蛋黄指数、pH值、黏度及蛋黄色度对呼吸强度影响较大。     

基于EMD和SVM的短期负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列性的电力负荷,提高预测精度,提出了结合经验模式分解(EMD)和支持向量机(SVM)的短期负荷预测法。该法运用EMD将负荷序列分解成若干个不同频率的平稳分量,分解后的分量突出了原负荷的局部特征,能更明显的看出原负荷序列的周期项、随机项和趋势项;根据各个分量的变化规律,选择合适的SVM参数和核函数构造不同的支持向量机分别预测;由SVM对各分量的预测值组合得到最终预测值。仿真试验表明,此方法与单一的SVM预测法及BP神经网络预测法相比,具有较高的精度和较强的推广能力。     

基于EMD的时频分析方法的电力故障信号检测

提出电力系统故障信号的经验模态分解(Empirical Mode Decomposition,EMD)时频分析方法.通过对检测点获得的故障电流信号进行EMD分解,得到一系列的本征模态分量(Intrinsic Mode Function,IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析相应瞬时频率及其振幅,对故障信号进行时间-频率-幅值的联合分析.分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率,为进一步故障检测提供了依据.仿真试验证明了结论的正确性,表明EMD时频分析方法能准确地检测故障时刻,提取故障信息.     

量子免疫算法在电网故障诊断中的应用

针对电网故障模型中原有故障目标函数存在多解的问题,综合考虑了重合闸、不同保护以及主后备保护之间的相互关系对目标函数的影响,建立了新的目标函数.同时,针对遗传算法所需种群多,收敛速度慢等缺点,提出了一种基于量子免疫算法的故障诊断方法.该算法采用量子比特编码染色体,利用克隆算子和量子门来引导变异,使得当前最优个体的信息能够很容易扩大到下一代,具有种群规模小,收敛速度快,全局寻优能力强的特点.实验表明,改进的模型是合理的,量子免疫算法综合性能优于传统的遗传算法,说明该算法是可行的.     

基于经验模式分解和最小二乘支持向量机的短期负荷预测

电力负荷是具有一定的周期性和随机性的非平稳时间序列,传统的预测方法是建立在负荷是平稳序列的前提下,难以精确的预测.为了进行有效的预测,提高预测精度,提出将经验模式分解EMD(Empirical Mode Decomposition)和最小二乘支持向量机LS-SVM(Least Square Support Vector Machine)相结合对短期负荷进行预测.首先,运用EMD将负荷序列自适应地分解成一系列不同尺度的本征模式分量IMF(intrinsic mode function),分解后的分量突出了原负荷的局部特征,能更明显地看出原负荷序列的周期项、随机项和趋势项;然后,根据各个IMF的变化规律,采用合适的核函数和超参数构造不同的LS-SVM进行预测,最后对各分量的预测值进行相加得到最终的预测值.仿真试验表明,此方法具有较高的精度和较强的推广能力.