基于小波包与改进的PSO-PNN变压器励磁涌流识别算法研究

利用小波包对励磁涌流和故障电流信号进行分解并提取小波包能量特征。采用改进粒子群(PSO)算法训练概率神经网络(PNN)寻找全局最优,对PNN网络的输入输出、传递函数以及隐含层节点数进行确定,建立PNN的网络模型,对网络进行训练测试,最后提出保护判据。研究发现,该算法不仅训练速度和收敛速度快,而且具有较高的识别精度。     

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.     

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-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。     

基于小波包和改进BP神经网络的变压器励磁涌流识别方法

根据励磁涌流和内部故障电流的波形特征存在巨大差异,提出一种基于小波包和改进BP网络的识别励磁涌流的新算法。利用小波包对励磁涌流和故障电流信号进行分解和重构,提取小波包重构系数,计算各频段的能量并进行归一化处理,构造能量特征向量,作为BP网络的输入样本,进行训练和测试,提出保护判据。经过PSCAD/EMTDC和MATLAB软件对大量样本进行仿真验证,证明该方案能够快速准确地识别励磁涌流和内部故障电流。     

基于小波包和概率神经网络算法的短路故障识别方法

为快速准确识别电力系统短路故障类型,根据电力系统发生短路故障时零序电流的能量特征,提出一种基于小波包和概率神经网络算法相结合的短路故障识别新方法。首先利用Matlab/Simulink建立仿真模型,对系统进行短路故障仿真。然后利用小波包对零序电流进行采样和分解,提取小波包分解重构系数,对各频段内的能量进行归一化处理,得到能量特征向量。最后对特征向量进行概率神经网络的训练和测试,将预测样本代入训练结果进行验证,其结果证明该方法能够快速准确地识别短路故障。     

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。     

小波包在声发射信号特征提取中的应用

在分析典型声发射（AE）信号特征的基础上,根据机械故障或损伤引发的AE信号的特征提取原理,首次提出AE信号的小波包特征提取分析法。该方法利用小波包将信号按任意时频分辨率分解到不同频段的特点,可从AE信号中提取和重构出所需的特定时频段（点）上的特征信号,解决了不能从噪声大、频带宽和数据量大的实测AE信号中有效提取特征信号的难题。介绍了该方法的具体算法,并通过仿真研究了该方法在强噪声背景下提取特征信号的能力;将其用于声发射检测的滚动轴承损伤类型及部件的识别,诊断结果十分清晰、可靠和精确。仿真和实验研究均表明了AE信号的小波包特征提取分析法能有效应用于基于声发射技术的状态监测和故障诊断。     

无线传感网络多分类支持向量机设备状态识别

无线传感网络由大量传感节点组成,以自组织方式构成网络,通过协作测量获取监测对象的详细信息.基于无线传感网络的生产设备状态识别方法具有可靠性高和柔性好的特点.针对工业生产特点,建立分簇结构的能量异质性无线传感网络模型,并应用于旋转机械设备故障状态的监测识别.采用小波包分解提取故障特征,通过多分类支持向量机对设备状态进行识别.实验表明上述方法能有效地对旋转机械设备故障状态进行在线监测识别,并能适应监测环境的动态变化,是一种可靠性高、柔性好的监测识别方法.     

基于频域内插抗混叠Shannon小波包的谐波检测研究

提出了一种基于频域内插抗混叠Shannon小波包变换的谐波检测技术,首先分析了小波混叠的物理本质,然后选择分频严格的Shannon小波函数构造了频域内插方法,并利用线性调频Z变换进行快速求解,最后给出了小波包变换算法.仿真实验表明该方法可有效消除谐波检测中的小波混叠现象.     

无线传感器网络中等方向衰减模型条件下的最优门限选择

无线传感器网络作为一种新兴的战场感知系统已得到广泛关注.针对无线传感器网络中的分布式检测问题,在等方向信号能量衰减模型的基础上,引入了信息论参量作为系统性能的衡量标准,提出了一种新的本地最有门限的求解方法.该方法在减少运算复杂度的同时,保证了求解的准确性,提高了算法的可行性.实际计算机仿真结果验证了新方法的有效性.     

牵引馈线自适应重合闸技术研究

就牵引馈线的自适应重合闸问题展开研究,提出了应用小波变换与人工神经网络相结合的方法来识别瞬时性故障与永久性故障,并应用Matlab软件进行了大量的仿真计算,仿真结果表明,应用小波变换与人工神经网络相结合的方法,故障识别的准确性较高,且没有误判现象。     

基于多小波包系数熵和人工神经网络的输电线路故障类型识别方法

基于多小波包分解系数和信息熵的概念定义了多小波包系数熵的表达式,并提出多小波包系数熵和人工神经网络相结合的输电线路故障类型识别方法：首先对不同故障工况下采集的故障电流信号进行适当的多小波包分解,计算各频带的系数熵;然后构造多小波包特征向量,将这些向量作为训练样本对径向基函数(radial basis function,RBF)神经网络进行训练;当输电线路发生故障时,将提取的故障电流信号的多小波包系数熵特征向量输入训练好的RBF神经网络,即可实现故障类型的识别。仿真结果表明采用多小波包提取的故障电流特征量比采用传统小波包提取的特征量信息更丰富,对人工神经网络的训练效果更好,网络识别精度具有明显优势。     

利用小波变换及人工神经网络识别电能扰动

电能质量问题成为近年许多高等院校、科研院所的研究重点,电能扰动识别是电能质量研究的一个重要方面。为此,指出了电能扰动识别包括预处理、特征提取和模式识别等3个过程,研究了基于小波变换和人工神经网络的电能扰动模式识别方法。借助于Matlab软件生成120个电能扰动样本并使用小波变换提取特征后,采取反向传播神经网络和概率神经网络识别的正确率分别为87.5%和85%。仿真分析结果发现:使用小波变换提取特征向量并使用反向传播神经网络设计分类器所得到的识别系统的性能比较令人满意。     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.     

基于小波变换和神经网络的暂态电能质量扰动自动识别

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法。先提取基波频段所在的小波系数将电压凹陷、电压凸起和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡。该方法利用小波和小波包各自的时频分解特点,实现了暂态电能质量扰动的自动检测和分类。经仿真分析,验证了此方法的准确性和高效性。     

基于深度学习的天然气钢制管道缺陷检测方法研究

在天然气钢质管道腐蚀缺陷超声检测中,常规模式识别采用人工提取回波信号的方法,存在主观性强、普适性低的问 题。 基于此,本文提出用一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)提取回波信号的特征结合随 机森林(random forest RF) 分类的方法。 首先根据实验获取的回波信号的噪声情况,用小波包变换(wavelet packet transform WPT)对信号进行去噪;并用变分模态分解( variational model decomposition VMD)对去噪后的信号进行分解和重构以获得平滑 的信号;最后将处理好的回波信号进行 1D-CNN 网络特征提取和随机森林分类。 实验结果表明,基于 VMD-1D-CNN-RF 的天然 气钢质管道缺陷检测方法针对人造缺陷的识别准确率为 85. 71%,针对天然气站场的管道缺陷识别准确率为 71. 05%,表明无需 专家识别也可初步判别管道状况。     

基于多特征信息融合的截齿磨损程度识别研究

为实现截割过程中截齿磨损程度的在线监测和精准识别,提出一种基于多特征信息融合的采煤机截齿磨损程度识别方法。针对不同磨损程度截齿截割过程中的振动和声发射信号进行时域分析和小波包分析;针对两相邻磨损程度截齿的特征样本存在数据交集,增加系统识别难度的问题,构建最小模糊度优化模型并计算各特征参数的最优模糊隶属度函数,获取特征样本的最大隶属度。运用多特征数据样本对BP(back-propagation)神经网络识别模型进行学习和训练。实验结果表明,截齿磨损程度识别模型的判别结果和样本实际磨损类别相符,能够实现对截齿磨损程度的在线监测和精准识别。研究结果对于实际工程中截齿的监测和更换具有重要意义。     

基于支持向量机和小波包能量特征的气液两相流流型识别方法

支持向量机（SVM）是一种基于统计学习理论（SLT）的机器学习算法,它能在训练样本很少的情况下得到很好的分类效果,从而为流型识别技术向智能化发展提供了新的途径.该文提出了应用支持向量机和小波包能量特征的流型识别方法.将压差波动信号小波包分解后的频带能量作为支持向量机的输入特征向量,并对水平管内空气-水两相流的流型进行了识别.试验结果表明：与BP神经网络相比,采用支持向量机进行流型识别可以获得更高的识别率,表明该方法是有效、可行的.     

基于小波神经网络的可更换电路单元故障诊断

文章提出了一种基于小波神经网络的模拟电路故障诊断方法。这种方法采用正弦信号作为被测电路的输入激励,在时域中对输出信号采样来构造神经网络的训练和测试样本,将自适应学习率及附加动量BP算法训练后的小波神经网络应用于某装备可更换电路单元故障诊断中。仿真试验表明,该方法减少了故障诊断时间和提高了网络的平均诊断正确率。     

小波包能量熵神经网络在电力系统故障诊断中的应用

提出了一种基于小波包能量熵神经网络的电力系统故障诊断方法。对采集到的故障后电压信号进行3层小波包分解,提取小波包能量熵,然后构造信号的小波包特征向量, 并以此向量作为故障样本对3层BP神经网络进行训练,实现智能化故障诊断。ATP和Matlab仿真结果表明该方法有效可行。