基于小波包分析的电力负荷预测算法

提出基于小波包分解和重构的电力负荷预测算法。算法使用具有线性相位的双正交小波对电力负荷数据进行小波包分解和重构 ,然后用神经网络直接对各尺度上的电力负荷分量进行预测 ,最后将各尺度上的预测值相加 ,得到实际负荷预测值。算例表明算法具有较高的预测精度 ,优于传统的 BP神经网络 ,有利于分析不同时频区域的电力负荷特性 。

基于小波奇异熵与SOFM神经网络的电机轴承故障识别

提出一种用小波奇异熵(WSE)和自组织特征映射(SOFM)神经网络进行电机轴承故障识别的建模方法。首先通过对电机驱动端和风扇端采集的故障振动信号的小波奇异熵的计算和比较来识别故障轴承的端位;在此基础上以故障端信号的小波包分解底层各结点能量为特征向量输入建立自组织特征映射神经网络模型来识别故障轴承内部的具体点蚀破坏位置。小波奇异熵和SOFM神经网络的结合实现了故障轴承端位及其内部点蚀位置的联合识别。分别对含有内外圈和滚动体点蚀故障的轴承进行建模和识别试验,结果表明:该模型可以有效地识别电机故障轴承的端位及其内部点蚀破坏位置;与传统支持向量机和BP神经网络识别模型相比,该模型故障识别准确率更高,识别稳定性更好,更适宜于故障识别这样的多分类问题。

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。