基于VLAN技术的电子式互感器数字接口

电子式互感器数字接口使用常规以太网组播/广播模式进行通信,存在载波冲突、网络负载过重和广播风暴等问题.在分析了电子式互感器数字通信和VLAN技术特点的基础上,对变电站网络建设和电子式互感器数字传输帧做了一定的改进,并设计了一套基于VLAN技术的电子式互感器数字接口,使其利于互感器与二次设备利用组播/广播模式进行实时数据传输,从而提高了电子式互感器和二次设备之间通信的实时性和可靠性.     

基于改进模板匹配的车牌字符识别算法实现

车牌字符识别是LPR系统的重要环节。模板匹配法由于速度快、实时性高在车牌自动识别中得到广泛应用。在应用该法做牌照自动识别系统时发现,传统的模板匹配法对于车牌字符中相似字符互相误判率较高,对于车牌质量较差的字符识别率较低。在传统模板匹配法的基础上,提出一种多项的模板匹配法。应用该方法对相似字符的识别和车牌字符退色、污迹、模糊等质量退化的车牌图像的识别具有良好的识别效果。     

基于神经网络的电力系统故障处理器

电力系统发生故障时会在短时间内产生大量的警报信号,这给运行人员正确地分析系统状态带来了困难。为了解决这个问题,已提出了基于知识专家系统对电力系统进行警报处理和故障分析。但是,当电力系统规模很大时,由于设备数量很多,故障情况比较复杂,因而使知识库的建立和维护都很困难。针对这一点,本文是运用神经网络来对电力系统故障进行分析。试验结果证明,神经网络在用于故障分析时具有快速并行处理、模糊判断、自学习等优点,是一种可行的方法。     

反向传播算法运用于电力系统神经网络的分析研究

着重研究了神经网络模型中的反向传播算法即BP算法，并对电力系统中两个 一次结线特殊的厂站的检修批答神经网络建立了BP模型，分析了BP算法中 初始权值、学习因子、冲量因子、隐含层数和隐含层节点数对该神经网络学习 过程的影响，实验结果证明，适当地选择初始权值、学习因子、隐含层节点数 等可以大大提高神经网络的学习速度,减少迭代时间，满足电力系统神经网络在线 学习的要求。     

基于BP神经网络的数显仪表数字字符识别系统

在化工、冶金等行业以及较为恶劣的环境场合下进行仪表数据的自动化采集,需要对仪表显示的动态数据进行自动识别,以判断是否满足控制条件。本文根据数字仪表图像的特点,运用区域生长算法定位仪表图像中的数据区域,采用投影法对字符串进行分割,最后应用BP神经网络法进行分类识别数字字符。实验结果表明,字符正确识别率达到96％。     

基于改进PSO-BP混合算法的电力变压器故障诊断

采用粒子群算法和反向传播神经网络建立一种新型变压器故障诊断网络模型,设计故障诊断方法.仿真分析结果表明:基于该网络模型的诊断方法与传统的三比值法相比较,具有较好的故障识别与分类能力,显著提高了诊断准确率,将在电力设备故障诊断中有良好应用前景.     

遗传神经网络的瞬变电磁视电阻率求解算法

提出用遗传神经网络求解中心回线装置下瞬变电磁法(TEM)的视电阻率。根据中心回线方式的瞬变电磁响应关系式,设计出神经网络的输入输出关系和单输入单输出的三层网络结构。计算出神经网络的输入输出样本集,并通过尝试法确定隐含层的神经元个数。引入遗传算法优化神经网络结构的连接权值,得到了最优连接权值的GABP神经网络。用该神经网络对瞬变电磁响应的非线性方程进行拟合,得到以实测数据计算的核函数值所一一对应的瞬变场参数值,达到求视电阻率并成像的目的。通过对地下高阻块状异常体模型和电力系统钢制扁钢材料的接地网模型两个实例模型的仿真计算证明,得到视电阻率断面图,达到了求解反问题的效果。理论模型与实际数据计算表明,遗传优化的BP神经网络使得瞬变电磁视电阻率的计算时间大大缩短,是个实用的算法。该方法为瞬变电磁接地网故障实时诊断平台提供必要的技术基础。     

基于时间连续性及季节周期性的风速短期组合预测方法

根据风电机组功率曲线,可由风速计算出风电机组出力,因此,风电功率预测问题可转化为风速预测问题.基于风电场气象及风速数据的时间连续性及季节周期性,提出了一种风速短期组合预测模型.该模型采用模式识别技术分别提取时间连续性的样本及季节周期性的样本,以反向传播(BP)神经网络作为预测模型,得到风速横向预测值和纵向预测值,最后再通过BP神经网络进行组合预测.对国内某风电场的风速预测结果表明,所提出的风速预测模型可行、有效,具有较好的预测精度.     

基于神经网络的量测数据检测及修正系统研究应用

为解决电力系统数据量测过程中的不确定性因素和非线性计算等问题,首先构建了基于缩减聚类算法的神经网络最优模型,然后通过反向传播算法建立量测数据模型,最后针对可信量测数据与可疑量测数据给出了相应的解决办法,整体建立了一套智能量测数据检测与修正系统。     

基于模糊神经网络的无刷直流电动机能量回馈控制

为了提高无刷直流电动机能量回馈系统的能量回馈效率,针对无刷直流电动机能量回馈模型非线性、时效性的特点,设计了一个基于模糊神经网络控制的无刷直流电动机能量回馈控制系统。根据影响能量回馈效率的关键因素,以制动电流与反馈电流的偏差、当前转速作为控制的输入,占空比作为控制的输出,为了提高控制精度,通过一个五层的神经网络,用误差反向传播网络学习算法,调整模糊逻辑控制器的输入和输出参数,使得控制系统具备自适应能力。最后对所设计开发的无刷直流电动机能量回馈控制系统进行了仿真和实物试验,试验结果表明,基于模糊神经网络的控制系统,回馈效率高,鲁棒性强。     

基于深度特征学习的汽轮机转子状态识别方法

复杂汽轮机转子振动信号的非平稳性和非线性等问题,会严重影响到汽轮机转子的状态识别。为了保证汽轮机转子的安全运行,提出一种基于对称点模式(symmetrized dot pattern,SDP)特征融合的卷积神经网络(convolutionneural network,CNN)状态识别方法。该方法通过基于SDP分析方法对汽轮机转子各方向、各位置的信号进行特征融合,获取融合特征的SDP图,最终基于CNN进行融合特征SDP图像识别,实现转子故障状态识别。与其他状态识别方法相比,该方法提高了不同状态特征的表征差异,进而提高了学习效果和识别精度。同时,对比实验结果表明,相较于其他状态识别方法,该方法对转子振动状态识别精度最高,达到了96%。     

基于遗传神经网络的太阳能集热器仿真研究

提出神经网络和数学模型相结合的方法建立太阳能集热器神经网络模型,并采用遗传算法对太阳能集热器神经网络模型进行优化,用以提高仿真模型的预测精度。在热管式真空管太阳能集热器实验数据的基础上,构建反向传输神经网络模型和遗传算法-反向传播神经网络模型,应用数学模型、反向传输神经网络模型和遗传算法-反向传播神经网络模型进行仿真计算,结果表明遗传算法-反向传播神经网络模型的计算精度高于数学模型和反向传输神经网络模型。同时该建模方法应用于太阳能集热器仿真,既提高了仿真模型的计算精度,又提高了仿真模型的通用性。     

基于BP人工神经网络的XLPE电力电缆局部放电的模式识别

根据电力电缆常见局部放电类型,提出了以局部放电信号三维谱图、放电次数及正负半波统计算子为特征量的XLPE电力电缆局部放电的BP人工神经网络模式识别方法,将该方法应用于模拟试验设计的5种典型局部放电模型,识别结果表明,该方法是可行的,识别效果较好,具有实际应用价值。     

根据UHF信号特征的GIS局部放电模式识别

综合自适应遗传算法和BP算法各自的优点,构造了基于两者混合训练的神经网络,应用到GIS局部放电超高频的模式识别。分别用基于自适应遗传算法的神经网络、基于BP算法的神经网络,以及基于自适应遗传算法和BP算法混合训练的神经网络对用局部放电超高频检测系统检测到的GIS中4种模式的局部放电进行了识别。实验结果表明,基于自适应遗传算法和BP算法混合训练的神经网络提高了神经网络训练的收敛速度,保证了收敛的可靠性,具有较高的识别率和较强的泛化能力。     

基于反向传播神经网络的发电机进相能力建模研究

提出一种基于反向传播神经网络（back propagation neural network,BPNN）的发电机进相能力建模新方法。该BPNN含2个隐层和1个输出层,以发电机有功和无功功率为输入,以发电机功角、电网电压为输出。以典型工况下的发电机进相运行试验结果作为训练样本和测试样本,建立了某600Mw发电机进相能力B...     

基于时域脉冲特征量的神经网络方法在变压器局放模式识别中的应用

对电力变压器特高频局放单个时域脉冲信号做小波包分解,以其能量前三位和熵值前三位加上能量和熵值共8个特征量作为神经网络的输入特征量,分别研究了BP神经网络、Elman神经网络和PNN神经网络对4种典型变压器局部放电信号的模式识别效果。通过对实验室实测信号的识别,证明了采用此特征量的神经网络识别方法简单有效实用,从而为电力变压器局放信号的识别提供了有效的参考。     

基于卷积神经网络的电力操作票文字识别方法

为提升电力操作票文字识别的准确度,提出了一种CBTR(基于卷积神经网络的文字识别)方法。首先,基于卷积神经网络学习得到非线性映射函数,提升操作票图像的PSNR(峰值信噪比);然后,基于假想笔画、路径签名与8方向特征构建集成卷积神经网络模型,使用简单平均法计算分类结果,克服手写字体识别难题。最后,选择DLQDF, MCDNN, DeepCNet作为基准方法,使用实际运维检修中操作票图像样本集进行算法验证。结果表明CBTR方法能准确识别操作票图像文字,具有显著的性能优势。     

基于改进Hough变换和BP网络的指针仪表识别

指针仪表示数的视觉识别,对于提高电气、机械、汽车等工业领域的生产效率具有重要意义。采用Hough变换方法完成指针直线特征的识别,进而在表盘圆形特征的识别过程中对Hough变换方法进行了改进,通过减少累加像素数目结合灰度中心法来提高原性特征定位的效率和精度。在字符识别阶段,构建了一个三层次的BP神经网络。实验结果表明,该方法对于Hough变换的改进措施达到了预期效果,BP神经网络也实现了字符特征的准确识别。     

基于FPGA加速的行为识别算法研究

为提高行为识别算法的实时性,适用于资源有限的嵌入式设备,提出了一种行为识别算法硬件加速方法,并在FPGA平台实现。传统的基于可穿戴传感器的行为识别算法需要严格标记的数据进行训练分类,但传感器序列的标注过程消耗大量的人力和计算资源,针对该问题,在传统的卷积神经网络模型中引入注意力机制,用于基于弱标签数据的行为识别。算法中的卷积、池化和注意力机制等计算模块使用高层次综合设计。针对模型的运算特性,通过流水线约束、多像素多通道并行计算和数据定点化等方法,提升运算速度。在Ultra96_V2平台上使用弱标签数据集进行实验,实验结果表明：所设计的行为识别系统识别准确率达到了90%的同时,计算速度达到25.89frams/s,相较于ARM_A53处理器实现了54.15倍的加速效果。系统的平均功耗为2.204W,功耗效率为11.75 frames/J,满足了低功耗、低延时设计要求。     

基于Hilbert边际谱和SAE-DNN的局部放电模式识别方法

提出了一种基于Hilbert边际谱和稀疏自编码器(SAE)—深度神经网络(DNN)的局部放电(PD)信号的模式识别方法。首先,以变分模态分解(VMD)对PD信号进行分解,对所得各分量进行Hilbert变换构建相应的Hilbert边际谱。其次,以PD信号的Hilbert边际谱为输入数据,利用SAE自动学习复杂数据的内在特征来提取简明的数据特征表达获得参数。再次,利用SAE的训练结果初始化DNN,再以大量训练样本进行分类器的训练。同时,为了加快SAE和DNN学习过程的收敛速度,以自适应步长的学习速率对网络进行调优,更新权值参数。最后,用训练好的DNN完成测试样本的PD类型的识别。此外,以基于BP神经网络和支持向量机的识别结果与文中结果进行比较。实验结果证明,所采用的识别方法具有更高的正确识别率。