基于Fisher主元分析和核极限学习机的非侵入式电力负荷辨识模型

非侵入式电力负荷监测与辨识是实现泛在电力物联网客户侧智能感知的关键技术.针对现有辨识模型存在的特征冗余度高、辨识准确率差、计算效率低等问题,提出了一种基于Fisher主元分析(Fisher principal component analysis,FPCA)和核极限学习机(kernel extreme learning...     

基于变分模态分解和密度峰值快速搜索的电力负荷曲线可控聚类模型

电力负荷曲线作为一种非平稳信号,可以看作由宽平稳的低频分量和非平稳的高频分量构成。针对负荷数据的时间多粒度构成特点,提出了一种基于变分模态分解和密度峰值快速搜索的负荷可控聚类模型。原始负荷曲线通过变分模态分解算法被分解为低频,中频和高频三个模态分量。首先,利用负荷曲线的低频模态分量实现簇间的时间粗粒度聚类。然后,在子类中添加中频分量实现簇内的时间细粒度聚类。使用OpenEI数据集对所提模型进行了有效性验证,并与不同聚类算法对原始负荷数据直接聚类进行对比。实验结果表明该模型可以实现不同时间颗粒度的合理聚类。     

用于超声散斑跟踪血流测速的多角度平面波局部运动补偿

血流速度剖面用于计算壁面剪切率等血流动力学指标,与动脉粥样硬化病程发展密切相关。 超快超声散斑跟踪广泛用 于血流速度剖面估计,然而多角度平面波复合成像存在血流散射体的运动伪影,不利于流速估计。 提出了一种多角度平面波复 合成像的局部运动补偿法,对射频信号时间序列的相邻帧进行局部运动补偿来消除不同径向位置的运动伪影,从而提高流速测 量准确性。 相比直接相干复合,B-MoCo 法将仿真、仿体实验中流速测量结果的归一化均方根误差平均减小了 10. 37% 、 37. 82% ,说明了 B-MoCo 法的有效性。 基于兔骼动脉的实测实验进一步证明了 B-MoCo 法的临床可行性。 综上,B-MoCo 法能够 有效提高血流速度剖面的测量精度,有助于相关心血管疾病的早期诊断与病程监测。