神经网络结合直接数字合成技术的电力系统谐波测量方法

基于神经网络的电力谐波测量方法具有较高的测量精度和较强的抗噪声能力,但过高的计算复杂度限制了在电力仪表中的应用。分析了影响神经网络方法实时性的主要因素,提出了神经网络结合直接数字合成技术的谐波测量方法。使用软件模拟直接数字频率合成替代神经网络方法中三角函数的计算以降低计算复杂度,并利用电网频率的测量结果进一步提高神经网络训练的收敛速度。实验结果表明,该方法在确保测量精度的同时,显著提升了神经网络方法测量电力谐波的实时性。

利用卷积神经网络检测锂电池电极缺陷

锂电池X射线影像是通过X射线成像系统获得的,通过分析X射线影像能够有效地检测锂电池电极缺陷以确保产品质量。针对锂电池电极缺陷在X射线影像中的表现特点,提出了一种以卷积神经网络(CNN)为核心的锂电池电极缺陷检测方法。为提升检测速度,构建了轻量级的CNN并利用源自电池电极区域的小尺寸图像完成训练,将电池电极完整区域图像通过CNN提取的特征送入支持向量SVM机给出最终预测检测结果。实验结果表明,该方法具有较高的检测速度,检测的准确性优于99%。

方形卷绕式锂电池电极褶皱检测方法研究

方形卷绕式锂电池在生产过程中容易产生电极褶皱与错位等缺陷,严重影响锂电池性能。通过数字化X射线摄影技术生成锂电池电极结构影像,分析该影像可以有效检测出电极缺陷,能够确保电池质量。根据电池电极褶皱在DR影像中的特点,提出了一种卷积神经网络与支持向量机结合的电池电极褶皱检测方法。提取DR影像中电池电极有效区域并裁剪为小尺寸图像制作数据集,完成卷积神经网络训练。将大尺寸电极图像通过卷积神经网络提取特征,最后将该特征送入支持向量机完成电池电极的分类预测。实验结果表明,该方法具有较高的检测速度与较低的检测误差率。

上下游行业用电变化的因果关系及预测方法

通过分析区域内行业用电量的关联关系,可以挖掘行业间的上下游关系,并进一步对行业用电量建模,从而对未来数月的用电量进行预测,以此来应对可能发生的突发情况。利用关联性分析模型,可以对行业用电量的时间序列数据进行深入分析,通过格兰杰因果关系检验方法验证行业间的上下游关系,然后利用向量自回归模型对行业用电量进行建模。实验结果表明,使用关联性分析模型,可以很好地预测用电量趋势,验证了关联性分析模型的有效性。