一种新颖的数字识别算法

介绍了一种简易的标准数字识别的算法.与传统的数字识别方法相比较,其效率很高.该算法利用字符二值化后的图像的水平和垂直穿线等组合特征完成级联分类,用最小近邻法实现数字的识别.利用该方法时,无须对待识别字符进行规整、细化和轮廓提取处理,降低了算法复杂度,减少了因细化变形、轮廓断裂引起的误识和拒识.在以此算法为基础实现的监控信息 (电厂远程数字仪表监控) 自动采集与记录系统中,对5 222个数字字符进行识别测试,平均每秒处理125个数字,正确识别率达到98.70%,误识率仅为1.30%.实验表明,该算法在处理速度、识别精度、抗干扰性方面表现良好.     

基于BOA-SVM的劣化绝缘子红外图谱诊断方法

线路绝缘子是电力系统运行中的重要设备之一,准确判断绝缘子是否有缺陷问题,关系到整个电网的运行安全,为了提高故障诊断的准确率,本文提出了一种二进制支持向量机(SVM)分类器和贝叶斯优化(BOA)相结合的线路绝缘子故障诊断方法,用于绝缘子闪络过程中红外图谱的分类识别,通过提取绝缘子红外图谱中的方向梯度直方图特征,利用贝叶斯优化算法获得诊断模型的最优超参数来提高分类算法的准确率,并采用主成分分析法对提取特征进行降维来提高分类算法的效率。结果表明,采用贝叶斯优化支持向量机可以准确、有效地对绝缘子进行故障诊断,得到的分类模型比常用的网格搜索算法(GS)、随机搜索算法(RS)等算法准确率更高。     

基于改进隐马尔可夫特征的车牌识别技术

为实现复杂光照条件及字符图像存在旋转、遮挡和污损等情况下车牌字符的准确识别,提出基于改进隐马尔可夫特征的车牌字符识别算法,算法通过快速独立成分分析对隐马尔可夫特征降维,减少参与神经网络分类的特征维数从而提高识别效率,通过选取代表性训练样本参与分类器训练,减少算法对硬件性能的要求从而进一步提高算法的识别效率。实验结果表明,该算法在保持原有统计特征分类识别性能的条件下,显著减少了运行时间,提高了识别准确率。     

基于DAG-LDM的手写音乐符号分类

光学乐谱识别(optical music recognition,OMR)是将纸质的音乐乐谱转化为计算机可以读取的格式。其中音乐符号分类是乐谱识别的重要一个步骤。本文并提出了一种基于DAG-LDM的手写音乐符号分类方法,该方法利用DAG有向无环图结构将二类分类器LDM拓展到多类,对于N类音乐符号,需要训练N(N-1)/2个分类器,并依照音乐符号的特征合理排序,防止DAG结构的错误累积效应,用这种DAG结构解决多类分类问题效率高,速度快。在分类器方面,相比支持向量机(support vector machine,SVM)只优化了最小间隔,DAG-LDM还优化了间隔的分布,这更符合音乐符号的样本分布特性,并且具有较强的抗噪性能。本文将这种新DAG_LDM音乐符号分类算法与几种主流的方法进行对比测试,测试结果显示本文提出的新算法对手写音乐符号分类具有更高的分类准确率。且本文提出的算法不仅仅适用于音乐符号识别,还可以用于其他的多类分类问题中。     

基于方向梯度直方图属性空间的局部放电模式识别改进算法

该文提出一种基于方向梯度直方图(HOG)属性空间的局部放电模式识别改进算法,旨在提高特征对样本信息的概括能力,并克服分类器对高维特征的识别局限.首先,构造局部放电脉冲序列分布(PRPS)模式作为识别依据,利用局部细分叠加窗口滑移的迭代算法自动化构建PRPS图像的HOG属性空间;然后,通过线性变换协方差矩阵的方式重构HOG属性空间,使其满足相互独立性;接着,根据属性重要性重新排列空间后,依次增加输入朴素贝叶斯分类器的属性个数,基于分类精度搜索最佳属性子集;最后,按照归约属性的相对重要性进行加权,最终设计出HOG属性选择加权朴素贝叶斯分类器.大量样本测试结果证明,此算法能够达到很高的识别精度,对传统识别算法的优化效果明显,有较好的应用价值.     

提升型贝叶斯分类器在电力系统暂态稳定评估中的应用

应用人工智能技术可实现电力系统暂态稳定的快速评估,朴素贝叶斯分类器作为人工智能方法的一种,其训练计算复杂度是线性的,是解决分类问题最实用、有效的方法之一,但由于它是建立在属性变量相对类变量独立的假设前提下,故存在一定的误分类率.本文采用Adaptive Boost(AdaBoost)算法对朴素贝叶斯分类器进行提升,有效地降低了误分类率,并将提升型贝叶斯分类器用于电力系统暂态稳定评估.选取能迅速反映电力系统暂态过程的特征量,作为贝叶斯分类器的属性变量,将系统稳定或不稳定作为类变量,采用数值仿真算法产生大量样本,并对属性的连续数据进行离散化处理,构造了用于暂态稳定评估的提升型贝叶斯分类器.对新英格兰10机39节点系统进行仿真,结果表明:提升型贝叶斯分类器用于电力系统暂态稳定评估可有效降低机器学习的复杂度和提高暂态稳定的分类精度.     

一种城市轨道供电环网终端缺陷的智能识别方法

为实现城市轨道供电环网终端缺陷的智能化有效识别,提出了一种融合随机森林和堆叠自编码器的识别方法. 首先,基于实际制作四种典型缺陷的终端样本,对其进行局部放电测试,获取用于分类识别的原始数据;然后,基于随机森林提取特征,基于堆叠自编码器压缩特征空间,使用Softmax分类器进行放电类型识别;最终达到智能化识别终端 缺陷类型的目的.对比单一分类算法的识别结果表明,针对４种典型的３５kV供电环网终端缺陷,所提方法的识别精度优于其他对比方法,该方法更适用于城市轨道供电环网终端缺陷的识别,能为检修工作提供有效支持和依据.     

一种基于Boosting目标识别方法

Boosting算法是近年来在学习领域出现的用于提高算法精度的方法.由于它的算法简单实用,执行效率高,现已广泛应用于目标识别中.与其他算法不同的是：它不是直接构建一个高精度的算法,而是通过多次学习将弱分类器组成一个强分类器.针对传统识别方法检测率低的特点,提出一种基于集成学习的方法：利用图像目标的片段作为特征,用Boosting方法训练的分类器对目标进行分类.实验结果表明算法具有鲁棒性,对复杂场景中的目标具有较高的识别精度.     

基于PSO和贝叶斯分类器的配电网高阻接地故障识别技术

提出了一种基于粒子群优化算法和贝叶斯的配电网高阻接地故障识别方法,该方法首先采用离散小波变换构造配电网电压和电流的时频矩阵,提取出反映高阻接地故障的特征量。采用粒子群算法对贝叶斯分类器进行特征空间优化,提高分类准确性和计算时效性。各类典型工况下的仿真和实验结果表明该识别方法的正确率大于95%,可有效处理绝缘子泄漏电流、电容器投切以及非线性负荷等干扰因素。     

基于选择性贝叶斯分类的非侵入式负荷识别方法

非侵入式负荷识别可以提供用电信息,帮助用户改善用电习惯,是智能用电的关键技术。现有非侵入式负荷识别方法主要基于负荷的稳态特征进行识别,对稳态特征近似的负荷识别率不高。针对此问题,该文结合各类家用负荷在投切过程中的不同特点,提出了一种基于选择性贝叶斯分类的识别方法。首先,利用模拟退火算法从特征库中依据负荷特点选择出对于各类负荷最具辨识度的特征;然后,根据选择的特征和高斯核密度估计方法建立灵活贝叶斯分类器;最后,通过计算各负荷的后验概率对负荷进行识别。经实测数据检验,该方法具有良好的识别精度和计算速度。     

基于特征集重构与多标签分类模型的谐波源定位方法

传统基于谐波状态估计的谐波源定位方法需要专门的同步相量量测装置,工程应用受到限制。为此,基于电能质量监测装置所采集的非同步量测数据,提出了基于特征集重构与多标签分类模型的谐波源定位方法。利用监测数据的充分统计量来挖掘量测时段的谐波信息,同时利用标签特定特征学习算法重构特征集,从而消除冗余特征以及无关特征对于谐波源定位精度的影响;提出基于邻接矩阵以及灵敏度分析的测点配置方法,结合电路网络拓扑信息实现测点的优化配置;提出基于改进极限学习机的谐波源定位方法,该方法以重构特征集为输入,建立多标签分类模型,实现谐波源定位。通过仿真与算例分析,验证了所提方法的可行性及有效性。     

基于D-S证据组合规则的双模型融合局部放电模式识别方法

针对传统的局部放电模式识别存在的特征提取单一、识别准确率低等缺点,提出了一种基于D-S证据组合规则的双模型融合局部放电模式识别方法.根据基于相位信息的局部放电(PRPD)谱图的统计数据特征和图像特征的特点,分别建立了反向传播(BP)识别模型和卷积神经网络(CNN)识别模型.根据2个识别模型的识别结果,提出了基于信息熵改进的D-S证据组合规则以解决常见的悖论问题,基于此建立了判定模型,更好地融合了2个识别模型的输出结果,实现了2种特征识别的优势互补.根据实际数据测试,与单一模型对比,所提方法可以稳定、准确地识别局部放电模式.     

基于深度迁移学习的时变拓扑下电力系统状态估计

针对电力系统拓扑实时变化导致数据驱动状态估计器不可用的情况,提出一种基于深度迁移学习的数据驱动状态估计方法.将原拓扑海量历史数据训练得到的模型作为基础模型,当新拓扑实时量测数据更新时,加载和保存基础模型中特征提取层的权重和参数,只需要微调模型的全连接层,即可获得适应于新拓扑的神经网络,提高了数据驱动状态估计模型的自适应性和泛化性能.通过对IEEE标准系统和中国某实际省网的算例测试,并将其估计结果与加权最小二乘法和加权最小绝对值法进行比较.结果表明,在考虑拓扑时变性的情况下,该算法与上述2种物理算法相比具有更优的估计性能和估计效率.     

基于Bayes-LSTM网络的风电出力预测方法

为提高风电出力的预测精度,提出一种基于Bayes优化的长短期记忆人工神经网络(long-short term memory, LSTM)的预测模型。首先,利用经验模态分解对风电历史出力序列进行分解,并对各分量及原始数据分别提取8个统计特征量,与预测前6个时刻出力值共同组成预测特征集。然后,采用绳索算法(least absolute shrinkage and selection operator, LASSO)从预测特征集中提取具有统计意义的特征子集,作为预测模型的输入。最后,提出基于Bayes超参数寻优的LSTM网络优化方法,以提高预测精度。选取湖北某市风电出力历史数据进行预测实验,结果表明：相较于BP神经网络、SVM、RBF网络、GRNN网络等预测模型,所提模型预测精度较高,特征提取方法较为合理。     

基于气象特征挖掘和改进深度学习模型的风电功率短期预测

为提高风电功率短期预测的准确度,需进一步挖掘气象特征,为此,提出一种基于贝叶斯优化调参的特征挖掘改进深度学习模型。对气象因素提取多时间尺度下的统计特征、组合特征和类别特征;构建包含长短时记忆神经网络与注意力机制结合模块、Embedding模块和输出模块的深度学习模型,将连续数值特征输入长短时记忆神经网络与注意力机制结合模块,将类别特征输入Embedding模块;由贝叶斯优化调参进行特征组合选择,找出最优特征组合,得到最终的风电功率预测结果。与某风电场历史数据的对比分析表明,所提方法能有效提高风电功率的预测精度。     

基于贝叶斯网络信息融合的直流配电网故障诊断方法

新型直流配电系统故障期间暂态特征复杂多变,继电保护存在拒动和误动情况。为了避免继电保护的不正确动作对故障诊断产生影响,提出一种基于贝叶斯网络信息融合的直流配电网故障诊断方法。首先,对传统继电保护贝叶斯网络模型进行改进,同时考虑直流配电网故障限流策略,分别构建保护动作信息、断路器动作信息和限流策略信息3种贝叶斯网络模型,对故障区域内各元件的故障概率进行初步评估。其次,利用D-S证据理论将各元件对应的故障概率信息进行融合,完成故障元件的判别。然后,应用故障元件对应的贝叶斯网络模型识别误动或拒动的保护装置与断路器,实现对直流配电网的故障诊断。最后,通过算例验证了所提故障诊断方法的可靠性以及准确性。     

基于数字图像处理技术的暂态电能质量扰动分类

为改进暂态电能质量扰动分类方法的准确性,先将暂态电能质量扰动一维数据信号通过归一化处理转换为二维灰度图像,再应用伽马校正、边缘检测及峰谷检测等数字图像处理方法增强扰动特征,得到新的灰度图像和二值图像。提取二值图像的形态学特征值组成特征向量。通过概率神经网络实现暂态电能质量扰动分类。对所提方法进行了仿真计算和比较分析。结果表明,所提出的暂态电能质量扰动分类新方法改进了扰动分类的准确性,是一种有效可行的方法。     

基于特征选择和组合模型的短期电力负荷预测

提出基于特征选择和组合模型的短期电力负荷预测方法。首先将特征向量按特点分为2类,分别使用斯皮尔曼相关系数、最大相关最小冗余算法进行选择,依据贝叶斯信息量准则确定最优特征向量维度。然后使用3个不同的核函数建立单核递归支持向量回归模型并完成预测。最后构建神经网络,进行实验分析。仿真结果表明所提方法具有较高的预测精度与鲁棒性。     

基于特征选择和组合模型的短期电力负荷预测

提出基于特征选择和组合模型的短期电力负荷预测方法。首先将特征向量按特点分为2类,分别使用斯皮尔曼相关系数、最大相关最小冗余算法进行选择,依据贝叶斯信息量准则确定最优特征向量维度。然后使用3个不同的核函数建立单核递归支持向量回归模型并完成预测。最后构建神经网络,进行实验分析。仿真结果表明所提方法具有较高的预测精度与鲁棒性。     

基于非侵入式用电数据分解的自适应特征库构建与负荷辨识

非侵入负荷监测是实现需求侧测量与能效优化的有效途径。文中提出了一种高频采集模式下的非侵入式负荷在线监测方法,使整个监测过程自动化、实时化。首先,根据负荷电流的可加性原理建立了负荷分离模型,得到独立负荷波形;并结合负荷的操作特性,无需预实验获取先验数据。然后,通过贝叶斯分类模型实现负荷种类判断,从而在运行过程中为每个独立用户构建动态的负荷特征库。最后,基于库中数据,通过构建寻优模型实现负荷辨识,从而持续、实时获取负荷用电状态,并通过实际采集的用电数据验证了方法的有效性。该研究可自适应地为独立用户构建负荷特征库,改善了提前建库不具有普适性的问题,同时,基于特征库的快速寻优保证了辨识的有效性与准确性。