一种用电设备分析识别原理与应用

非侵入式负荷监测(NILM)与识别是智能电网建设的重要方面。针对非侵入式用电负荷监测技术提出了一种基于V-I轨迹与奇次谐波分量特征的混合特征矩阵和卷积神经网络相结合的方法。具体内容为:分析用电设备的基本特征,包括输入电流稳态特征和暂态特征。建立了六种单相交流电源供电的用电设备MATLAB/Simulink仿真电路,分别为电阻加热器、电吹风、LED灯串、电源适配器、变频空调和变频冰箱,作为待分析识别的用电设备,并提取了这六种负荷模型的网侧电流波形和频谱、V-I轨迹以及奇次谐波电流分量数据作为基本特征量;提出了一种采用V-I轨迹与奇次谐波特征的混合特征矩阵以及卷积神经网络(CNN)进行用电设备分析识别,经过PLAID数据集的训练和测试,能够有效识别稳态运行下的用电设备,给出了详细的解算过程,并提供了应用算例。此外,对比分析了已有三种检测方法,验证本文提出的基于混合特征矩阵以及卷积神经网络用电设备分析识别方法的优越性。

环形子孔径拼接检测的中心偏移误差补偿

为了减小非球面环形子孔径拼接测量时的中心偏移误差,根据检测原理及几何关系,分析了中心偏移误差在面形测量中的作用机理,推导了中心偏移误差模型,并在此基础上提出了一种基于二维像素矩阵的中心偏移误差补偿方法.该方法可以有效地得到初始面形测量数据的中心偏移量,在拼接之前减小由中心偏移误差引起的波前偏差的剔除误差,同时减小各环形子孔径中心之间的偏差.利用Zygo干涉仪进行了非球面环形子孔径拼接的中心偏移误差补偿实验,与零位检测结果相比,峰谷值残差为-0.015λ,均方根残差为0.003λ,表明该补偿方法大大减小了面形测量误差,提高了环形子孔径拼接的测量精度.