串联型故障电弧检测方法对比分析

由于线路故障位置的不确定性,目前串联型故障电弧检测方法主要基于电流信号分析进行识别。通过对不同负载在串联型故障电弧发生前后的电流波形进行对比,得出了串联型故障电弧电流特性及其变化规律;以串联型故障电弧的电流信号为研究对象,介绍了基于希尔伯特黄变换、信息熵与短时傅里叶变换、小波近似熵与支持向量机的串联型故障电弧检测方法,概述了不同检测方法的故障电弧特征提取过程;对3种串联型故障电弧检测方法优缺点进行了比较,指出基于希尔伯特黄变换、信息熵与短时傅里叶变换的检测方法可有效提取故障电弧发生时电流的时频特性,对提取的时频谱幅值设置合适的阈值即可作为串联型故障电弧识别的依据,但准确性和实时性不高,而基于小波近似熵与支持向量机的检测方法可直接提取近似熵作为支持向量机的输入来识别串联型故障电弧,具有较高的准确性和实时性,更适用于煤矿现场。     

串联型故障电弧模拟实验装置研制

针对目前故障电弧发生装置不能很好地模拟环境温湿度、触头分离状态的问题,研制了一种串联型故障电弧模拟实验装置。该装置可通过控制环境温湿度、触头移动距离或振动的频率和幅值等分离状态,模拟在不同工况下产生的串联型故障电弧,并对环境温湿度、电弧电压、电弧电流进行实时显示和存储。实验结果验证了该装置的有效性。     

基于Mayr模型的低压配电线路故障电弧研究

针对故障电弧研究需要搭建专门的实验环境来分别模拟串联故障电弧、并联故障电弧和接地故障电弧而存在费用较高、实际操作比较困难的问题,提出了一种能在Matlab7软件中工作的Mayr电弧模型的设计方案;介绍了Mayr电弧模型方程的物理意义,采用Mayr电弧模型封装子系统对低压交流线路发生的串联故障电弧进行了仿真,并根据仿真电路,模拟了低压交流线路发生串联故障电弧的实验。仿真及实验结果表明,Mayr电弧模型的故障电弧电流与实验采集到的故障电弧电流比较接近,采用Mayr电弧模型用于低压交流线路故障电弧仿真具有一定的可行性。     

CS-Softmax:一种基于余弦相似性的Softmax损失函数

卷积神经网络分类框架广泛使用了基于Softmax函数的交叉熵损失(Softmax损失函数),在很多领域中都取得了良好的性能.但是由于Softmax损失函数并不鼓励增大类内紧凑性和类间分离性,在一些多分类问题中,卷积神经网络学习到的判别性嵌入表示的性能难以进一步提高.为了增强嵌入表示的判别性,提出 了一种基于余弦相似性的...     

基于遗传算法优化BP神经网络的故障电弧识别

由于电力系统中的正常电流信号与串联型故障电弧的电流特性十分相似,故障电弧的正确识别十分困难,找到能够准确识别串联故障电弧的方法很关键.运用db5小波对故障电弧信号进行四层分解,提取故障频段能量谱作为特征量,建立BP神经网络.但BP网络是基于梯度的方法确定权值,而梯度下降法本身就很容易受到局部极小点的影响.所以通过引入遗传算法,弥补了BP网络的不足.用遗传算法优化BP神经网络,快速准确地对故障电弧特征量进行识别,用优化后的神经网络对故障电弧的识别误差率进行分析,达到了较好的预测识别效果,从而快速准确地实现了故障电弧的识别操作.     

基于分形盒维数串联电弧故障诊断技术研究

通过搭建串联故障电弧实验平台,进行多种类型负载实验,对其正常工作和发生串联电弧故障时的电流信号进行分析,提出了一种基于分形盒维数的串联故障电弧诊断方法。进一步研究了不同信噪比下分形盒维数的计算误差,分析了分形盒维数的抗噪性能,同时计算了不同负载在正常工作和发生串联电弧故障下分形盒维数的参考区间。实验证明,基于分形盒维数的故障诊断方法能够准确辨别出负载的串联电弧故障,具有较好的通用性。     

PSO优化BP神经网络的串联故障电弧识别方法

运用db5小波对故障电弧信号进行4层分解,提取故障频段能量谱作为特征量,建立BP神经网络.用粒子群优化(PSO)算法优化BP神经网络,从而快速准确地对故障电弧特征量进行拟合,用训练后的神经网络对故障电弧进行预测,达到了较好的预测识别效果,验证了该串联型故障电弧识别方法的有效性.     

光伏系统直流串联故障电弧特征研究

应用时域分析和频域分析相结合的方法,研究了光伏系统串联电弧故障问题.搭建了新型光伏系统故障电弧实验平台,获得了光伏系统正常运行和发生串联故障电孤时电流峰峰值和电流平均值的特征差异,分析了电流时域特征在串联故障电弧识别方面的可行性.得到了光伏系统发生串联故障电弧时,电流一层小波分解细节分量均值是正常状态下的2.5～4倍,两层小波分解细节分量均值是正常状态下的10～16倍的结论.以上结论可通过有效的数据融合形成串联电孤故障识别判据,为光伏系统串联电弧故障保护装置的研制提供理论支持.     

低压配电系统串联故障电弧诊断方法研究

随着国民经济的快速增长,人们生活水平不断提升,用电量不断增加的同时安全用电也逐步受到广泛重视。低压配电系统串联电弧发生故障时易引发火灾,对人们的生命财产构成极大的威胁。因此,本文以低压配电系统串联故障电弧为研究对象,重点分析了其主要的三种诊断方法,并就低压电弧故障断路器的应用展开探讨,以期促进低压配电系统串联故障电弧的诊断与预防。     

基于深度长短时记忆网络的多支路串联故障电弧检测方法

针对低压配电系统中,实际配电网负载端的负载串并联形式的多样化和多变性特点,研究干路点检测支路发生的故障电弧具有十分明显的实际意义,提出了一种基于深度长短时记忆(LSTM)网络的多支路串联故障电弧检测方法.首先,构建实验平台,采集支路发生不同串联故障情况下的干路电流信号共计72000组;然后,将电流信号分为训练集和测试集;最后,通过Python平台优化深度LSTM网络模型结构以识别故障电弧,并输出检测结果.实验结果显示改进的LSTM网络对于每组实验单独分类检测准确率最低为96.8％,最高可达99.0％,多组实验统一进行检测准确率达94.88％.该方法能够有效识别多支路负载下的串联故障电弧,为低压串联故障电弧的准确检测提供了新的思路和有益探索.     

改进卷积神经网络在互感器故障诊断中的应用

低压电流互感器作为电网中的关键设备,已经得到广泛使用。低压电流互感器故障诊断的在线检定也显得十分重要。提出了一种改进的全局平均池化的一维卷积神经网络（1DCNN-SVM）故障诊断模型应用于低压电流互感器在线检定。该方法改进了传统卷积神经网络（CNN）模型的结构,引入全局平均池化而不是全连接网络结构,并在测试阶段使用支持向量机（SVM）替代Softmax函数。通过进行实验分析,将所提的方法与传统的CNN进行实验对比,实验结果表明所提方法在训练时间、测试时间以及模型的测试精度等方面的表现都比传统的CNN结构模型要好。     

液晶字符识别的CNN和SVM组合分类器

针对仪表液晶显示字符识别问题,提出一种结合了卷积神经网络(CNN)和支持向量机(SVM)的 字符识别方法。分别采用具有并联结构的 CNN 模型和基于梯度方向直方图(HOG)特征的 SVM 方法构建基本分 类器,当 2 个分类器的结果存在冲突时,利用 CNN 的 softmax 输出最大值判决最终结果,当其大于设定阈值 时采用 CNN 分类器的结果,反之采用 SVM 分类器的结果。建立字符图像的误差模型并利用仿真方法构建了 数据集用于分类器的训练和测试,给出一种基于投票原理的最优阈值的估计算法。在 MNIST 和仿真数据集上 的测试实验结果表明,最优阈值估计算法的结果可靠,组合分类器的准确率较 2 种单一分类器均有提高,在实 际测试系统上其准确率达到 99.81%,验证了该组合分类器方法对液晶字符识别问题的有效性;在 CIFAR-10 数 据集上的实验结果验证了该方法也可用于其他分类问题。     

基于改进卷积神经网络与支持向量机结合的面部表情识别算法

针对当前卷积神经网络（CNN）利用端层特征进行面部表情识别存在模型结构繁琐、训练参数过多、识别不够理想的问题,提出一种基于改进CNN与支持向量机（SVM）相结合的优化算法。首先,利用连续卷积的思想设计网络模型,以获取更多非线性激活;然后,采用自适应全局平均池化（GAP）层取代传统CNN中的全连接层,以减少网络参数量;最后,用SVM分类器代替传统Softmax函数实现表情识别,以提高模型泛化能力。实验结果表明,所提算法在Fer2013和CK+数据集上分别取得了73.4%和98.06%的识别准确率,与传统LeNet-5算法相比,在Fer2013数据集上提升了2.2个百分点,且该网络模型结构简单、参数量较少,具有良好的鲁棒性。     

基于ISCNN-LightGBM的轴承故障诊断

在传统卷积神经网络与分类器相结合的故障诊断方法中, CNN用于故障特征提取时, 存在着提取的特征质量不高与运行时间较长的问题. 针对以上问题, 本文提出了一种基于改进单层卷积神经网络及LightGBM的故障诊断模型. 该模型通过将特征距离函数嵌入CNN的损失函数中, 提升了CNN特征提取的能力, 增强了CNN与后续分类器之间的联系, 从而提升了整体模型的故障诊断能力. 于此同时, 经过改进的单层的卷积神经网络进一步缩短了模型运行的时间, 提升了模型的诊断效率. 通过对两个不同的公共数据集进行对比实验, 其结果表明, 本文所提诊断模型对多种轴承故障的诊断准确率与诊断效率显著高于其他诊断模型.     

A loss combination based deep model for person re-identification

The Convolutional Neural Network (CNN) has significantly improved the state-of-the-art in person re-identification (re-ID). In the existing available identification CNN model, the softmax loss function is employed as the supervision signal to train the CNN model. However, the softmax loss only encourages the separability of the learned deep features between different identities. The distinguishing intra-class variations have not been considered during the training process of CNN model. In order to minimize the intra-class variations and then improve the discriminative ability of CNN model, this paper combines a new supervision signal with original softmax loss for person re-ID. Specifically, during the training process, a center of deep features is learned for each pedestrian identity and the deep features are subtracted from the corresponding identity centers, simultaneously. So that, the deep features of the same identity to the center will be pulled efficiently. With the combination of loss functions, the inter-class dispersion and intra-class aggregation can be constrained as much as possible. In this way, a more discriminative CNN model, which has two key learning objectives, can be learned to extract deep features for person re-ID task. We evaluate our method in two identification CNN models (i.e., CaffeNet and ResNet-50). It is encouraging to see that our method has a stable improvement compared with the baseline and yields a competitive performance to the state-of-the-art person re-ID methods on three important person re-ID benchmarks (i.e., Market-1501, CUHK03 and MARS).     

基于卷积长短时记忆网络的人体行为识别研究

人体行为识别利用深度学习网络模型自动提取数据的深层特征,但传统机器学习算法存在依赖手工特征提取、模型泛化能力差等问题。提出基于空时特征融合的深度学习模型（CLT-net）用于人体行为识别。采用卷积神经网络（CNN）自动提取人体行为数据的深层次隐含特征,利用长短时记忆（LSTM）网络构建时间序列模型,学习人体行为特征在时间序列上的长期依赖关系。在此基础上,通过softmax分类器实现对不同人体行为分类。在DaLiAc数据集的实验结果表明,相比CNN、LSTM、BP模型,CLT-net模型对13种人体行为的总体识别率达到了97.6%,具有较优的人体行为识别分类性能。     

基于二维主成分分析与卷积神经网络的手写体汉字识别

随着计算能力的飞速增长、训练数据的不断积累以及非线性激活函数的不断完善,卷积神经网络（CNN）在手写体汉字识别中表现出较好的识别性能。针对CNN识别手写体汉字识别速度慢的问题,将二维主成分分析（2DPCA）与CNN相结合识别手写体汉字。首先,利用2DPCA提取手写体汉字的投影特征向量;然后,将得到的投影特征向量组成特征矩阵;其次,用组成的特征矩阵作为CNN的输入;最后,用Softmax函数进行分类。与基于AlexNet的CNN模型相比,所提方法的运行时间降低了78%,与基于ACNN与DCNN的模型相比,所提方法的运行时间分别降低了80%与73%。实验结果表明,该方法在不降低识别精度的同时,可以减少识别手写体汉字的运行时间。     

基于卷积神经网络的面罩语音识别

针对带噪面罩语音识别率低的问题,结合语音增强算法,对面罩语音进行噪声抑制处理,提高信噪比,在语音增强中提出了一种改进的维纳滤波法,通过谱熵法检测有话帧和无话帧来更新噪声功率谱,同时引入参数控制增益函数;提取面罩语音信号的Mel频率倒谱系数(MFCC)作为特征参数;通过卷积神经网络(CNN)进行训练和识别,并在每个池化层后经局部响应归一化(LRN)进行优化.实验结果表明:该识别系统能够在很大程度上提高带噪面罩语音的识别率.     

基于改进胶囊网络的文本分类

针对卷积神经网络（CNN）中的池化操作会丢失部分特征信息和胶囊网络（CapsNet）分类精度不高的问题，提出了一种改进的CapsNet模型。首先，使用两层卷积层对特征信息进行局部特征提取；然后，使用CapsNet对文本的整体特征进行提取；最后，使用softmax分类器进行分类。在文本分类中，所提模型比CNN和CapsNet在分类精度上分别提高了3.42个百分点和2.14个百分点。实验结果表明，改进CapsNet模型更适用于文本分类。     

基于机器学习方法的直流电弧故障检测

为了解决传统分析方法在直流供电系统中电弧故障检测的精确度不足及过程繁琐的问题,将直流电弧故障检测归为二分类问题,引入机器学习方法,通过直流电弧实验得到正常状态和电弧状态的数据,从时域中提取电流均值等4个特征,从频域中提取高频分量标准差等3个特征.利用提取到的特征对支持向量机(SVM)进行训练,利用求解得到的模型对测试数据集进行分类,分类准确率为94.483%.结果证明:所提方法能有效检测直流电弧故障,提高故障检测精度,且步骤精简,易于推广.