基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法

电气设备的故障类型与局部放电现象密切相关,有效提取和分析局部放电信号中的特征信息对故障类型判断和运维检修具有重要意义。针对局部放电超声信号的特点,提出了基于相似矩阵的盲源分离方法对原始超声信号进行预处理,有效提取局部放电的特征量。采用光纤传输的局部放电超声检测平台对4种类型的局部放电信号进行采集,并应用上述方法对信号数据预处理,将处理后的数据作为训练样本用于深度学习模式识别,选用卷积神经网络,最终识别准确率达到90%以上,提高了局部放电类型识别的准确性,为新一代电力系统的设备故障诊断提供了一种新方法。     

量子阱材料折射率低偏振相关性研究

分析了阱宽、垒高和应变对量子阱材料TE模和TM模折射率的影响,并剖析了其中的物理机理.研究表明:对于量子限制效应带来的量子阱折射率偏振相关性,阱宽越小或垒高越高,折射率偏振相关性越大.压应变增大时,折射率偏振相关性增大,张应变可以克服量子限制效应带来的折射率偏振影响.对于不同阱宽和垒高的量子阱,均存在合适的张应变量使折射率偏振相关性最小,且阱宽越小或垒高越高所需的张应变量越大.根据以上分析,提出量子阱材料折射率低偏振相关设计方法,并据此设计出C波段(1 530～1 565 nm)内折射率低偏振相关(小于0.03)的量子阱材料In0.49Ga0.51As/In0.77Ga0.23As0.5P0.5.研究结果有助于优化设计光网络中关键器件.     

广东省汛期及非汛期最大日降雨量时空特征分析

针对近年来广东地区降水变率加大,极端天气事件频发以及气象灾害造成的经济损失增大的现状,基于省内26个气象站1958~2010年的连续降雨数据,利用ARCGIS平台中的反距离加权插值法和普通克里克插值法综合研究了汛期、后汛期和非汛期月最大日降雨量的时空特征,并结合气候、地形等分析其影响因素。采用Mann-Kendall（M-K）非参数统计法分析月最大日降雨序列的突变特征。结果表明,广东省前后汛期月最大日降雨量平均值呈不显著增长趋势,而粤西的前汛期月最大日降雨量平均值和粤北的后汛期月最大日降雨量平均值呈显著增长趋势。     

东江流域三种时间尺度降雨量时空特征分析

研究东江流域月最大半小时降雨量、月最大日降雨量、月降雨量的时空特征,发现月最大半小时降雨量和月最大日降雨量在时空分布上都与月降雨量分布基本一致,认为两者的时空分布特征主要受气候因素影响,同时在一定程度上受热带气旋及地形因素的影响；各种影响因素对两者的作用强度有所不同.在年际变化上,东江流域汛期月平均最大半小时降雨量在1951-1988年总体变化趋势为不显著递增,并在1972年出现显著突变,置信度达95％；而汛期月平均最大日降雨量在1953-2010年总体变化趋势为不显著递减,没有明显突变现象,与汛期平均月降雨量的整体演变趋势相似.     

基于Mel时频谱-卷积神经网络的变压器铁芯声纹模式识别方法

为了实现变压器设备声学指纹的不停电检测,提出了一种基于Mel时频谱-卷积神经网络的变压器铁芯声纹识别模型。首先,通过铁芯模型振动与噪声试验平台,研究铁芯在不同工况下的振动声信号,将采集到的振动与声音数据进行了关联性分析和比对,验证了声信号同振动信号一样均能够有效反映铁芯的运行状态;然后,对采集到的声音数据进行Mel时频谱预处理降维,并将降维结果作为深度学习的数据集;最后构建了Mel时频谱-卷积神经网络变压器铁芯声纹模式识别模型,通过超参数调整和网络结构优化设计,实现不同运行工况声信号的准确识别。研究结果表明:该文提出的Mel时频谱-CNN识别模型对3种不同工况的声信号识别率达到了99.71%。论文研究可为电网主设备的数据深度挖掘提供参考。