基于深度神经网络的短波特定信号识别研究

在时变色散信道和低信噪比下,基于时频图利用深度神经网络的短波信号识别的方法对并行多音信号的识别能够取得一定效果,但常用的相位调制的串行单音短波信号识别难以取得较好效果。由于短波信号帧结构中都含有同步帧和发射电平起控帧等特征数据,提出了一种基于同步帧注意力机制的卷积神经网络结构。测试结果表明,使用卷积神经网络（Convolutional Neural Networks,CNN）、双向长短时记忆（Bi-directional Long Short Term Memory,Bi-LSTM）和注意力机制搭建成的深度神经融合网络模型对短波基带信号直接进行检测识别能够取得较好效果。     

基于灰狼优化算法的金属氧化物避雷器老化识别

为有效评估恶劣环境下金属氧化物避雷器工作状态,解决MOA老化在线识别难题,提出基于灰狼优化算法的MOA老化识别方法。首先,分析MOA自身参数与泄漏电流关系;其次,利用灰狼优化算法求解体现MOA老化性能的α、k和自身电容C,实现MOA老化在线监测;然后,对不同谐波电压和电压波动下泄漏电流进行仿真;最后,进行试验验证,结果表明该方法不受电网中谐波电压幅值、相位及谐波含量影响,能准确实现MOA的老化识别。     

具有功率解耦功能的光伏并网微逆变器

为了解决光伏并网微逆变器直流侧引入的二倍工频扰动问题,传统解决方案是在太阳能板两侧并入大容量的电解电容来平抑扰动,但电解电容的使用寿命过短,导致整个光伏系统的使用寿命受限。为此提出了一种新型的功率解耦电路拓扑,实现了以寿命长、容值小的解耦电容替代电解电容,在完成功率解耦的同时也有效延长了微逆变器系统的整体寿命。最后通过仿真验证了该新型解耦电路的可行性。     

基于超声信号的变压器故障在线检测识别方法

变压器是电力系统的关键设备,然而变压器在运行过程中受到多种内部和外部因素的影响,导致其随着使用时间的增加而老化。绝缘击穿是变压器故障的主要原因之一。局部放电是一种通常出现在绝缘失效前的现象。如何消除局部放电检测的噪声信号、提取有效的特征信息并有效识别变压器状态,是保障变压器可靠运行的重要技术。为此,提出了一种基于变分模式分解（VMD）和一维卷积神经网络（1D_CNN）的变压器故障类型识别方法。首先描述了VMD的应用原理,然后结合1D_CNN提出了一套识别方法,最后基于故障样本和测试数据对该方法的可行性进行了测试和对比验证。结果表明,该方法可对变压器的故障类型进行有效的识别,对保障变压器安全运行有参考价值。     

基于改进型匹配滤波的非稳态电能质量信号分析方法

现代电力系统中出现了越来越多的非稳态电能质量问题,为了提高电能质量非稳态成分分析的准确度,本文提出一种基于改进型匹配滤波的分析方法。分析了常规匹配滤波算法误差的产生原因和变化规律,发现正弦时频基函数与所匹配的稳态谐波在数据窗中点附近具有相位精确逼近的特性。在理论分析的基础上,构建含非稳态扰动成分的信号算例进行算法验证。结果表明所提出的分析方法能够实现稳态谐波参数的准确估计和非稳态扰动成分的精细分离,提高了电能质量信号分析的准确度。     

基于水-光-荷模块分层协同搜索的风险调度策略

多能互补是促进清洁能源并网消纳与提升电力调节性能的重要途径,多源接入规模加剧了决策与风险并存问题。该文旨在优化搜索维度,协调源–荷互动关系以应对能源消纳与调峰压力,并保障电站与机组运行可靠性。为此提出光–荷模块分层协同搜索策略。在外层,提出光–荷预测偏差的鲁棒特征,依据场景集合反演特征参数,计及光–荷模块多重不确定性的置信区间;在中层,结合源–荷调节平衡能力重构水–光模块,旨在支持系统出力调峰目标;在内层,引入中层电力重构的电量与波动特征识别机组运行风险区间,通过逐步优化机组安排与分区负荷转移,降低机组穿越振动区风险;以此建立层间目标跟踪与层内风险调控的动态协同搜索策略,形成光–荷不确定性下的发电决策空间。最后以澜沧江西藏段混合发电系统为研究背景,结果表明该策略相较于传统方法,在响应调峰目标的基础上有效降低了光、荷交替波动下的系统运行风险。     

电力系统超低频频率振荡分析及扰动源定位

超低频率振荡是高比例水电系统面临的突出挑战,大量水电机组调速系统及水力系统的负阻尼聚合是激发全网频率振荡的主要原因。频率振荡期间,水轮机接力器往复动作会导致液压系统油压下降,严重时将导致机组低油压而停机,负阻尼振荡将导致系统频率增幅振荡,控制不及时可能触碰系统高/低周控制动作。传统的降低机组有功出力、提高系统电压水平等振荡控制手段对超低频频率振荡抑制没有明显效果,这对系统安全稳定运行带来严重危害。为准确定位超低频振荡强相关机组,提出了利用发电机速度偏差与机械功率获取调速系统振荡能量的计算方法。同时,针对工程中发电机机械功率难以直接测量的难题,研究提出了利用广域测量系统(wide area measurement system,WAMS)实测的发电机转速和电磁功率合成发电机机械功率的实用算法,可准确计算动态过程中发电机机械功率值,并在电网超低频频率振荡案例分析和大电网超低频振荡预控中验证了该实用算法的有效性。该方法可综合应用同步相量测量装置(phasor measurement unit,PMU)/故障录波/WAMS等广域信息,实现电力系统发生超低频振荡时,可对机组控制设备进行精细化定位...     

基于迁移判别回归的跨域语音情感识别

针对实际情况下训练和测试数据来自不同领域数据库导致识别性能下降的问题,提出了一种基于迁移判别回归的跨域语音情感识别方法。首先,引入最大均值差异和图拉普拉斯项作为域间联合距离度量,在减小概率分布差异的同时,很好地保留数据的局部几何结构,从而学习到一个可迁移的公共特征表示。其次,本文采用一种能量保持策略,以避免迁移过程中目标域信息的丢失。此外,通过引入判别回归项,利用已标记的源域样本在公共子空间中训练一个可迁移的判别回归模型。最后,为了使学习到的模型具有特征选择能力和鲁棒性,分别对投影矩阵和回归项施加L_2,1范数约束。在3个公开数据集上的实验结果表明,本文提出的算法相较于其他几种迁移学习方法具有更好的识别性能。     

基于时序时空双流卷积的异常行为识别

针对地铁站特定场合下,人体异常行为识别无法有效利用帧间运动时间维度信息,导致人体异常行为识别准确率不高的问题,提出一种深层次残差长短期双流网络结构。将RGB帧和连续光流帧作为双流网络的输入,分别利用ResNet34提取低层特征信息,空间流网络提取运动外观特征信息,时间流网络提取光流运动信息,然后将特征信息输入长短期记忆（LSTM）网络,有效学习空间外观和光流运动的帧间关联时间信息,并且通过多种加权融合策略加强模型识别效果。最后在地铁站异常行为数据集上验证提出的网络结构,并与原双流网络进行对比,改进后的网络识别准确率提高了4.7%,融合后的模型准确率提高了12.9%。实验结果表明,所提方法能够充分利用时间维度信息,可有效提高异常行为识别准确率,在昏暗环境下仍有较好的识别效果。     

微弱光信号的量子增强接收优化方法(特邀)EI北大核心CSCD

在经典理论框架下,相干探测性能受限于散粒噪声对应的标准量子极限,而量子增强接收技术通过引入位移算子,采用关联的方式将经典的平衡零拍/零差探测转化为光子数态的测量,理论上可以突破标准量子极限并不断逼近Helstrom极限。无歧义量子态识别(Unambiguous State Discrimination,USD)是量子增强接收常用的识别判决策略之一。然而,由于微弱光信号的能量有限,传统的USD量子增强接收方法的适用微弱信号范围较小,微弱信号识别的错误率较高。提出了一种QPSK调制量子增强接收的混合测量优化方案,该方案首先通过二态零差测量将QPSK相干态的区分转化为BPSK相干态的区分,然后通过BPSK量子增强接收测量实现相干态的无歧义识别。仿真表明,混合测量方案在平均光子数在3.2~11.3之间优于经典的外差测量方案,而且比传统QPSK量子增强接收方案具有更大的适用信号范围。