基于频域反卷积的局部放电特高频传感器时域参数研究

时域信号特征分析是直流局部放电类型判断和严重程度分析的重要手段,而局部放电特高频检测传感器普遍采用频域有效高度作为主要性能参数,无法直观描述传感器的时域响应特性。因此提出一种通过时域参数表征特高频传感器性能的方案:在有效高度标定体系的基础上,经由Hilbert变换获取时域解析脉冲响应函数,并提取出包络峰值、包络宽度和振荡时间3种时域参数。利用Guillaume-Nahman技术克服了频域反卷积求取时域参数过程中的病态问题,避免脉冲响应淹没于高频噪声之中。使用该方案仿真研究了椭圆偶极子传感器和对数周期传感器的时域特性,结果显示后者的时域响应波形具有更高的峰峰值、更短的上升时间和更严重的拖尾效应,并通过模拟局部放电实验验证了该结论。研究结果表明,利用本方案提取出的时域参数与有效高度参数相比,能够更准确地描述UHF传感器在接收脉冲信号时的行为特征,可为局部放电UHF检测信号时域波形的有效对比和分析提供技术支撑。     

基于时域卷积网络和分位数回归的短期风电功率概率预测

提出一种基于时域神经网络结合分位数回归与动态误差修正的风电功率概率预测方法。首先,采用时域卷积网络构造分位数回归模型。然后,对分位数回归模型的预测误差分布进行建模。最后,采用动态误差修正技术对分位数点进行修正,得到多组风电功率预测区间。采用两个风电场数据集进行验证,结果表明所提方法能在保证高可靠性的同时获得较窄的预测区间,并有效解决分位数交叉问题,可为电网调度优化提供有效帮助。     

基于"Bennia-Riad”准则频域反卷积

文中首先简介了"Bennia-Riad”准则和扩展的"Bennia-Riad”准则;其次介绍了基于扩展的"Bennia-Riad”准则的高通系统的反卷积问题;最后介绍了基于"Bennia-Riad”准则的带通系统的反卷积问题     

基于时域基音同步叠加技术的普通话语音调节系统

根据时域基音同步叠加算法设计了一个用于普通话的语音调节系统。首先,本文对文语转换技术和时域基音同步叠加算法进行了简要的介绍,并推导了算法的计算过程。接下来,本文为文语转换系统设计了两种接口函数。然后,本文对常用中文音节进行了测试,并给出了一个中文音节的测试结果。测试结果表明,本系统能够对语音的基频、时长等参数进行灵活调节。     

基于改进卷积神经网络结构的机器视觉室内定位算法

针对当前基于卷积神经网络的机器视觉室内定位算法定位精度低及需要庞大的图像数据库训练神经网络等问题,提出一种改进卷积神经网络结构及基于多层迁移学习的复杂神经网络模型训练方法.新的卷积神经网络结构由一个完整的U-Net、两个VGG16Net的前13层、一个VGG16Net的后3层全连接层及ArcFace分类器构成.U-Ne...     

基于矩形卷积窗算法的电子式电流互感器在线校验系统

鉴于传统的FFT(快速傅里叶)算法仅适用于整周期采样后的离散信号,电流互感器校验系统硬件容易混入噪声等问题,基于矩形卷积窗算法设计了一种可对电子式电流互感器进行不停电校验的在线校验系统。介绍了校验系统的整体结构,采用FFT加四重矩形卷积窗的高精度插值算法,并设计了一种复合滤波法程序以消除随机误差。其中,设计的虚拟校验系统可以有效降低硬件成本,避免硬件中可能混入的噪声,可以针对现场运行的电子式电流互感器进行在线校验,更精确地反映一次侧电流电压值,提高了电力系统的可靠性。实验结果表明:相对于传统的FFT算法的校验系统,所设计基于矩形卷积窗算法的虚拟校验系统有更高精度。     

基于增量维纳反卷积的暂态过电压波形还原算法

在接触式过电压传感器的设计中,由于线路内分布参数的影响,测量系统的有效带宽受到限制。针对于此,文中对反卷积信号还原算法进行了研究,在传统的增量维纳反卷积算法上做出了改进,提出了一种预估γ值的改进算法,并借助套管末屏分压测量系统进行了试验测试。结果表明,该算法通过对传感器输出波形处理,可修复测量结果中失真的高频成分,以准确获得原始的输入电压波形,进一步拓展了测量系统的测量带宽。     

基于时域卷积网络和自注意力的非侵入式负荷监测方法

针对用电设备的运行状态多样、持续时间长等特性导致的现有负荷监测模型计算复杂度高、难以捕获设备长时间运行模式的问题,提出一种基于时域卷积网络（Temporal convolutional network,TCN）与自注意力模型的非侵入式负荷监测方法。采用序列到点学习方式,将总电能消耗输入到TCN中以提取丰富特征;同时,通过残差连接,学习用电设备不同层次的能耗模式。利用自注意力模型,计算总信号每个位置的重要性,捕捉模式间的内部相关性。利用REDD数据集开展对比实验。实验结果表明,与采用循环神经网络、去噪自编码器、卷积神经网络、生成对抗网络和TCN的负荷监测方法相比,该模型的平均绝对误差降低了约38%,F1分数提高了约17%。最后,利用UK-DALE数据集验证了该模型的泛化能力。     

PWM型开关变换器闭环系统时域分析的精细积分法

为了探讨开关变换器的拓扑结构计算方法,将精细积分法应用于开关变换器闭环系统的时域分析,利用递推的方法求解指数矩阵,将分段线性开关网络转化为离散时域方程,并用二次插值算法求解开关切换的时刻。实例仿真表明,该方法使得方程的求解精确度高且仿真时间短,各拓扑切换时刻的确定简单而高效。     

基于反卷积波束形成算法的干式变压器异响故障识别技术

针对常规波束形成算法定位精度不高的问题,将基于反卷积变换的波束形成算法应用于干式变压器异响故障识别,分析了反卷积变换的波束形成算法基本原理及其用于干式变压器异响故障识别的可行性;研究了一种采用异响精准定位联合声纹图谱特征识别的干式变压器异响故障识别方法;提出了"高频特征峰能量比"的概念,用于量化机械异响严重程度;最后通...     

基于CNN图像识别算法的保护装置智能巡视技术

继电保护装置是保障电力系统安全稳定运行的重要环节。随着变电站及继电保护装置的数量大幅增加,日常巡视工作量已经趋于饱和,无法保证每次都实现高质量、无死角的巡视,给保护装置的可靠运行带来了隐患。文中提出基于卷积神经网络(CNN)图像识别算法的保护装置智能巡视技术,借助安装在屏柜前后的摄像头,可实现保护装置的无人或少人巡视。首先,介绍保护装置智能巡视系统,并对可实现的智能巡视项目进行分析,引出可利用CNN对其进行图像识别;然后以压板状态识别为例对巡视项目所需要的训练样本集和测试样本集进行介绍,并给出巡视项目的CNN层级;再利用训练样本集对不同巡视项目的CNN进行训练;最后,对各网络进行了测试。测试结果表明,各个巡视项目的神经网络图像识别率都在96%以上,有的可以达到98%,识别效果良好。     

基于卷积神经网络的光伏阵列污染报警系统

针对依靠人工检查光伏阵列是否需要清洗的效率低,机器人定期清洗又会造成资源浪费的问题,文章提出一种基于卷积神经网络(Convolution Neural Network,CNN)的光伏阵列污染报警系统。该系统通过采集受污染和未受污染的光伏阵列图像作为训练集训练CNN神经网络,将训练好的模型嵌入网站后端,再定期采集光伏阵列图像,通过CNN神经网络模型识别是否受到污染,当光伏阵列受到污染时由前端显示报警信息。实验结果表明:该系统识别精度达97.6%,系统工作稳定,具有较强的实用价值。     

多尺度卷积的时频域语音分离方法研究

在进行混合语音分离时,信号时域特征的深度学习语音分离性能优于频域特征。但目前时域特征的语音分离方法在真实噪声环境下的鲁棒性较差,且单一时域特征对分离模型的性能存在局限性。因此,提出一种基于Conv-TasNet网络的多特征语音分离方法,融合频域特征与时域特征,提高数据的多维信息。为了进一步提高分离网络性能,引入多尺度卷积块,提高网络对特征的提取能力。在包含真实噪声的实验环境下,所提方法与Conv-TasNet模型和最新的时频域融合语音分离基线模型相比,性能分别提高了0.91和0.52 dB,有效提升了语音分离的性能及鲁棒性。     

基于改进深度卷积神经网络的步态识别算法

针对传统步态识别算法因服饰携带物变换、视角等协变量因素变化导致的识别能力下降问题,提出了一种基于改进深度卷积神经网络的步态识别算法。该算法利用分层处理机制从步态数据中提取步态特征,能够降低常见变化和遮挡等情况对识别精度的影响,同时,算法根据实验确定了网络中每层特征图的最佳数量、特征图的最佳尺寸以及要用于步态识别的输入特征的类型,能够处理相对较小的数据集而无需使用任何增强或微调技术。CASIA-B步态数据库仿真实验表明,所提出的卷积神经网络覆盖了交叉视图步态识别和无主题的步态识别问题,能够克服与步态识别相关的协变量因素问题,具有更优的步态识别精度。     

基于可变形卷积改进SSD算法的目标检测方法

为了提高传统SSD算法对小目标检测的准确率,提出一种改进的SSD目标检测算法:采用基于可变形卷积的ResNet50作为SSD算法的特征提取网络,提高对目标的处理能力;设计特征金字塔(FPN)来融合不同层的特征图,丰富浅层特征图的语义信息;在特征融合时引入通道注意机制,提取相应的通道权重,增加重要信息的比例,提高检测效果。最后采用PASCAL-VOC2007开源数据集进行仿真实验,并与传统SSD目标检测算法进行对比,准确率得到显著提高,验证了该算法对小目标检测的有效性。     

一种基于综合DFT和Prony算法的谐波与间谐波分析方法

针对传统频域谐波测量方法存在的时域分析局限性,提出了一种综合频域(FFT)和时域(Prony)的谐波与间谐波分析方法.首先对谐波与间谐波信号进行离散傅里叶变换(DFT),获取信号的频谱范围,据此选择Prony算法的采样率,并依据信噪比选取Prony算法的模型阶数.然后基于Prony算法得到信号中各谐波与间谐波分量的频率...     

基于时序特征的图卷积协同过滤推荐算法

基于图卷积神经网络的协同过滤推荐算法框架是目前最先进的推荐算法框架,该框架在用户-项目交互嵌入向量的特征学习中并未关注交互发生的时序性,但实际情况中,用户-项目交互普遍具有明显的时序特征,且是影响推荐性能的重要因素。因此,本文提出一种基于时序特征的图卷积协同过滤推荐算法,重做多个数据集,保留数据集时序特征等原始信息,总结归纳数据集中用户-项目交互的历史时序信息,并对其进行参数化处理,作为重要特征输入到图卷积网络模型训练的高阶协同信号传递中。在三个公开的官方数据集Gowalla,Yelp和Amazon-book上设置多组消融性实验,采用公认的评价指标ndcg和recall对推荐算法性能进行评价,实验结果证明,在同样参数设置下,基于时序特征的图卷积协同过滤推荐算法性能超越了现有同类型图卷积协同过滤推荐算法,验证了时序特征对提升推荐效果的积极作用,提高了模型训练效率和预测命中率,更加高效地解决网络信息过载问题,满足了更高的应用需求。     

(20期拿下）基于卷积神经网络的绝缘子故障识别算法研究

卷积神经网络被广泛应用在图像处理领域,不同算法对网络识别率有较大的影响。基于此,引入小波分解理论,通过BP传播算法以及空间向量理论证明得到,相互独立的特征更能表达原图像的信息。通过小波分解去除卷积核之间的相关性,用较少的卷积核提取图像更独立、全面的特征,以提高网络的识别性能。在MNIST、CIFAR-10和CK标准数据库上进行分类识别实验,实验结果表明,此算法能在不同核函数尺寸的条件下取得较高识别率,且达到与传统算法相同识别率的前提下,所需的训练迭代次数更少,训练时间更短。最后,将该算法应用到绝缘子故障识别中,并取得了良好的效果。     

基于多层卷积神经网络 的变电站异常场景识别算法

针对卷积神经网络对小样本识别率较低的问题,引入置信度的概念,提出了一种基于多层卷积神经网络的图像分类方法,简称M_CNN,并将其应用在变电站异常场景识别中。依据网络对小样本的识别情况,设置置信度判决函数,对在已训练好的单层网络结构中难以识别的样本,重新进行特征的提取并训练下一层的网络,形成多层卷积神经网络结构,达到提高识别率的目的。在MNIST手写体数据库上对不同规模样本数进行实验,结果表明M_CNN模型在针对小样本识别时具有一定优越性,最后,将M_CNN模型应用在变电站异常场景识别中,取得了良好的效果。     

基于电容器投切法的牵引供电系统谐波阻抗测试分析

针对牵引供电系统供电拓扑结构复杂、系统等效阻抗难以精确计算等特点,提出基于电容器投切法的谐波阻抗测试方法。并联电容器开关闭合的过程可以等效为一个谐波源向系统注入谐波电流,基于此建立了阻抗测试系统用于处理拓扑结构特殊的牵引供电系统,该阻抗测试系统由27.5 kV/380 V的变压器、电容器、开关和负载阻抗组成。考虑到现场测量中存在背景谐波、噪声等干扰,利用波动量法和小波分层算法对采集信号进行处理。基于Simulink仿真平台搭建牵引供电系统阻抗测量模型,仿真及误差分析结果验证了所提方法能有效地测量牵引供电系统的谐波阻抗。