基于多域特征提取和自适应神经-模糊推理系统的电能质量扰动识别

基于多域特征提取（multi-domain feature extraction）和自适应神经-模糊推理系统（Adaptive Neuro-Fuzzy Inference system,ANFIS）提出了电能质量扰动类型识别的一种新方法。基于波形包络阈值线对扰动进行检测;在时域、频域和小波域进行多域特征提取,选取扰动信号的基波均方根（RMS）幅值、总谐波畸变率、次谐波幅值和小波包能量熵共同组成输入特征矢量;通过自适应神经-模糊推理系统对电能质量扰动类型进行识别。仿真结果表明,该方法与BP神经网络和最小二乘支持向量机相比平均识别准确率高,对特征不规则的待检电能质量扰动信号具有良好的柔性和适应性。     

基于最小二乘支持向量机的电能质量扰动分类方法

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法。对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别。与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果。仿真实验验证了该方法对扰动分类的有效性。     

基于S变换和最小二乘支持向量机的电能质量扰动识别

采用S变换和最小二乘支持向量机相结合,构建了一种电能质量扰动识别的新方法.首先利用S变换对电能质量扰动信号进行时频分解;然后,从扰动信号S变换的结果中,提取扰动信号的特征向量,组成训练样本和测试样本;最后,使用最小输出编码的最小二乘支持向量机对扰动信号进行训练,实现电能质量扰动信号自动分类和识别.仿真结果表明,该方法识别准确率高,抗噪能力强,且训练时间很短,适用于电能质量扰动辨识系统.     

最小二乘支持向量机在电能质量扰动分类中的应用

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法.对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化:最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别.与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果.仿真实验验证了该方法对扰动分类的有效性.     

奇异值分解和最小二乘支持向量机在电能质量扰动识别中的应用

基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。     

电能质量复合扰动分类识别

电能质量扰动的分类分为信号特征提取和分类器2个阶段,采用S变换和支持向量机构造电能质量复合扰动的分类识别方案.利用S变换进行扰动信号特征提取,构造支持向量机静态分类树,再通过基于Mercer核的聚类方法对静态分类树进行动态扩展,形成动态分类树,实现对复合扰动的识别.给出了电能质量复合扰动分类算法的4个步骤:构建静态分类树;用基于Mercer核的聚类方法进行聚类分析;构建动态分类树;对新发现的扰动确定其具体类型,并给其命名.算例表明该方法不仅可以有效分类识别电压突降、电压突升、电压中断、暂态振荡、电压尖峰、电压缺口和谐波等7种电能质量扰动,还可以识别由其组合而成的电能质量复合扰动.     

多类分类SVM在电能质量扰动识别中的应用

结合傅里叶变换良好的幅频特性、小波变换良好的时频特性和支持向量机优秀的统计学习能力,采用多类分类支持向量机进行电能质量扰动的分类识别.对电压骤升、电压骤降、电压中断、谐波、电压波动、暂态振荡、瞬时脉冲、频率偏差等八种常见电能质量扰动进行数学建模,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,将特征量输入到osu_svm进行电能质量扰动多类分类.算例表明该方案具有识别正确率高,训练样本数少,训练时间短,实时性好,对噪声不敏感等优点,是电能质量扰动识别的有效方法.     

多类分类SVM在电能质量扰动识别中的应用

结合傅里叶变换良好的幅频特性、小波变换良好的时频特性和支持向量机优秀的统计学习能力,采用多类分类支持向量机进行电能质量扰动的分类识别。对电压骤升、电压骤降、电压中断、谐波、电压波动、暂态振荡、瞬时脉冲、频率偏差等八种常见电能质量扰动进行数学建模,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,将特征量输入到osu_svm进行电能质量扰动多类分类。算例表明该方案具有识别正确率高,训练样本数少,训练时间短,实时性好,对噪声不敏感等优点,是电能质量扰动识别的有效方法。     

基于自适应神经模糊推理系统的低压配电无功补偿方法

简单介绍了自适应神经模糊推理系统(ANFIS)。通过LabVIEW软件对模糊神经控制器进行编程,并将其应用于低压配电系统无功补偿器,通过LabVIEW仿真及训练,该方法可以找到较为合适的电容器容量,从而达到较好的无功补偿效果。     

基于WT和GA-SVM的电能质量扰动识别方法

电能质量的监测是用电信息采集系统的主要任务,监测电能质量的关键在于对电能质量扰动的识别。针对电能质量扰动的识别和分类问题,提出了一种基于小波变换(WT)和遗传支持向量机(GA-SVM)的识别方法。首先对正常电压和6种常见的电能质量扰动信号进行小波分解,提取各层小波系数的能量熵作为特征向量,然后利用基于GA优化的SVM对扰动信号进行学习训练,得到电能质量扰动识别模型。算例实验中与单一的SVM和反向传播(BP)神经网络智能算法分别对比,结果表明该方法在各扰动信号的识别准确率和训练时间方面都有明显改善。     

基于SCG优化SSAE-FFNN的电能质量复合扰动深度特征提取与分类

在智能电网发展下,电能质量问题已遍布电网并威胁着电网的安全稳定,且电能质量监测数据日渐庞大,实现大规模系统中电能质量扰动(power quality disturbances, PQDs)的特征深度提取及智能分类识别对电力系统污染检测与管理具有重要意义。为此,文中提出了一种基于堆叠稀疏自编码器（Stacked Sparse Auto Encoder,SSAE）和前馈神经网络（Feedforward Neural Network,FFNN）的电能质量复合扰动分类方法。首先,基于IEEE标准构建PQDs仿真模型。然后,建立基于SSAE-FFNN的PQDs分类模型,并引入缩放共轭梯度（Scaled Conjugate Gradient, SCG）算法对模型进行优化,以提高梯度下降的速度并增加网络训练的效率。接着,为有效降低堆叠网络的重构损失同时提取出深度的低维特征,构建SSAE的逐层训练集及微调策略。最后,通过算例分析验证文中所提方法的分类效果、鲁棒性、泛化性和适用场景规模。结果表明,文中方法能够有效识别电能质量复合扰动,对含误差扰动和某地市电网的21组实测扰动录波数据也有较高的分类准确度。     

基于人脸比例特征提取与匹配的身份鉴别

针对人脸识别身份鉴别中的小样本问题,提出基于人脸比例特征提取与匹配的身份鉴别方法。首先基于图像灰度分布统计特征方差分析为阈值对图像进行二值化处理,然后基于主动形状模型算法实现人脸检测与特征点定位,构建脸型、鼻型、眼型共7项人脸比例特征并作为身份鉴别特征向量,最后利用基于层次分析法的相似度匹配模型实现身份鉴别。在Yale和MD图像集上的测试表明,所提方法适用于复杂背景下人脸面部特征的提取和身份鉴别应用。     

基于背景减除和特征提取的跌倒识别方法

为了有效监测老年人是否跌倒,提出一种结合背景减除及人体边界的外部轮廓特征提取方法对人体动作行为进行识 别。 首先,利用背景减除法从视频中提取运动的对象,对提取的运动对象进行预处理;然后利用最小外接矩形和重心检测的方 法对运动目标进行特征提取,得到老人整体外部轮廓和重心位置等运动特征;最后根据人体不同姿态,建立运动模型,有效辨识 被监护对象的行走、跌倒等动作。 实验结果表明,提出的方法可对实际的视频进行有效处理,对人体行为识别的准确性能达 到 94. 3%。     

基于广义S变换与PSO-PNN的电能质量扰动识别

为了克服从电网电能质量监测系统的大数据中自动识别出电能质量扰动的困难,提出了一种基于广义S变换与PSO-PNN的电能质量扰动识别新方法。该方法利用了广义S变换能兼顾时频分辨率的特点,首先使用广义S变换分析扰动信号的时频特性,接着从广义S变换模矩阵中提取出扰动信号的时频特征量,然后用PSO-PNN分类器对扰动信号进行分类识别。PSO算法的使用克服了PNN的平滑因子没有确定选取方法的缺陷,使分类器性能大大提升。仿真实验结果表明,该方法能够对常见的6种电能质量扰动进行高效的分类识别,分类正确率高,对噪声不敏感,具有良好的应用价值。     

基于多域特征的螺栓松动检测方法研究

螺栓作为机械设备最常用的连接件,螺栓连接的稳定性对保障机械设备安全运行起着至关重要的作用,对螺栓松动程度进行检测有着重要意义.针对螺栓松动4种不同状态,提出了一种基于变分模态分解(VMD)及时频敏感特征与最小二乘支持向量机(LSSVM)相结合的螺栓松动检测方法.针对螺栓松动的4种不同状态,搭建了螺栓松动检测模拟实验平台...     

基于S变换和扩张神经网络的电能质量扰动分类

提出了一种基于S变换和扩张神经网络的电能质量扰动分类方法.首先使用S变换对扰动信号进行时频分析,研究了在有多种扰动同时发生的情况下,从S变换的结果中提取扰动特征量的方法,得到了由基频特征矢量、高频特征矢量、相位特征矢量组成的特征矢量组.最后,将提取出来的扰动特征矢量组送入由扩张神经网络构建的分类器中,完成对扰动的分类.扩张神经网络以扩张距离代替欧氏距离来衡量测试数据与聚类中心的相似度,分类正确率高、结构简单、训练快速.仿真结果表明,该方法能准确地对扰动进行分类,对噪声不敏感.     

基于S变换和扩张神经网络的电能质量扰动分类

提出了一种基于S变换和扩张神经网络的电能质量扰动分类方法。首先使用S变换对扰动信号进行时频分析,研究了在有多种扰动同时发生的情况下,从S变换的结果中提取扰动特征量的方法,得到了由基频特征矢量、高频特征矢量、相位特征矢量组成的特征矢量组。最后,将提取出来的扰动特征矢量组送入由扩张神经网络构建的分类器中,完成对扰动的分类。扩张神经网络以扩张距离代替欧氏距离来衡量测试数据与聚类中心的相似度,分类正确率高、结构简单、训练快速。仿真结果表明,该方法能准确地对扰动进行分类,对噪声不敏感。     

基于小波与多维分形的电能质量扰动分类

提出了基于小波变换和多维分形的电能质量扰动概率神经网络自动分类系统.分类系统的实现分为两个阶段,首先采用离散小波多分辨率分析和Parseval定理提取不同尺度下扰动信号的能量分布特征,同时利用多维分形方法计算同一畸变信号的局部方差分维数,并将小波变换提取的能量分布特征和局部方差分维数组合构成特征矢量.其次将特征矢量输入到概率神经网络进行训练和测试,从而实现正弦波形、电压骤降、电压陡升、谐波、中断,脉冲和振荡瞬态的分类.采用提出方法的电能质量扰动平均分类率为95.86%,高于只采用离散小波变换提取特征矢量分类率2.15%.     

基于小波与多维分形的电能质量扰动分类

提出了基于小波变换和多维分形的电能质量扰动概率神经网络自动分类系统。分类系统的实现分为两个阶段,首先采用离散小波多分辨率分析和Parseval定理提取不同尺度下扰动信号的能量分布特征,同时利用多维分形方法计算同一畸变信号的局部方差分维数,并将小波变换提取的能量分布特征和局部方差分维数组合构成特征矢量。其次将特征矢量输入到概率神经网络进行训练和测试,从而实现正弦波形、电压骤降、电压陡升、谐波、中断、脉冲和振荡瞬态的分类。采用提出方法的电能质量扰动平均分类率为95．86％,高于只采用离散小波变换提取特征矢量分类率2．15％。     

基于特征提取与识别两阶段的汽车电机轴承故障诊断

针对特征提取和故障识别这两个轴承故障诊断的关键环节,提出一种汽车电机轴承故障诊断新方法。该方法在特征提取环节:提出了将LCD分解和符号熵(SE)相结合的特征提取方法;在故障识别环节为提高果蝇算法(FOA)对相关向量机(RVM)参数的寻优能力,在FOA算法中增加了向"历史"学习的策略,提出具有历史学习能力的果蝇算法(HSAFOA),有效地提升了RVM的分类性能。汽车电机轴承不同类型、不同程度故障诊断实例表明,LCD符号熵可有效对故障进行表征,而HSAFOA算法则提升了RVM的识别效果,相比于其他一些方法更有优势。