基于特征优选及改进自组织神经网络的非侵入式负荷辨识

负荷辨识是非侵入式负荷监测的关键,随着需求侧负荷数据的持续增长,利用智能算法对海量用电数据进行准确辨识成为目前的研究热点。该文在已有研究的基础上,建立非侵入式负荷辨识的有效处理方法,包括事件检测、负荷特征提取、特征筛选和负荷辨识算法。利用Fisher算法对提取的典型居民负荷特征进行筛选,降低了负荷特征的冗余度,将波形数据转化为可辨识的结构化数据。提出非侵入式负荷监测下基于粒子群优化的改进自组织神经网络负荷辨识算法。考虑不同负荷设备的物理特性差异,提取用电设备通用负荷特征,构建低时间复杂度和高辨识准确率的改进自组织神经网络系统,完成对负荷种类的判定。实验验证了该算法能够在非侵入式负荷监测条件下,实现对居民用户负荷种类的有效辨识,且算法收敛速度较快,准确度高。

基于改进PCA-SOM的电静压伺服作动器油滤堵塞故障诊断

针对电静压伺服作动器(EHA)的油滤堵塞故障,提出利用可调式球头油堵预置不同程度的油滤堵塞工况进行数据采集,并在传统自组织映射神经网络(SOM)的基础上,引入主成分分析(PCA)法,利用各元主成分贡献率对神经元竞争域值各维系数进行修订,提出了改进PCA-SOM神经网络对系统堵塞状态进行判识。研究结果表明,与传统SOM神经网络和PCA-SOM神经网络相比,改进PCA-SOM神经网络在提高聚类效果的同时,提高了模型的准确率和训练速度,在EHA的油滤堵塞故障诊断中有更好的适用性。

一种电能质量扰动监测与识别新方法

为了能够为各类电能扰动事件的本质研究和有效治理提供准确、可靠的依据,提出基于时频原子变换(timefrequency transform,TFT)和改进型自组织映射神经网络(improved self-organizing map,ISOM)的电能质量扰动在线监测与识别新方法。TFT具有自适应复带通滤波特性,其频窗中心与频窗半径解耦及频窗宽度不受中心频率的约束,可以灵活调整。通过设置恰当的频域窗口,TFT可有效抑制邻近频率分量的相互干扰,且有较好的动态响应速度。TFT能准确监测电力系统波形中电能质量事件,并为类型识别提供物理意义明确、指标具体的实时模式特征。依据TFT提取的特征向量,ISOM可准确识别单一或同时存在的多重电能质量事件,并对其严重程度进行直观表达,能动态反映电能质量事件各自的发展变化轨迹。仿真验证结果表明了所提出方法的有效性和优越性。

基于ACMPE、ISSL-Isomap和GWO-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号特征提取困难的问题,提出了一种基于自适应复合多尺度排列熵(ACMPE)、改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)和灰狼群优化支持向量机(GWO-SVM)相结合的行星齿轮箱故障诊断方法。利用ACMPE从复杂域提取振动信号的故障特征,构建高维故障特征集;采用ISSL-Isomap方法对高维故障特征集进行维数约简,提取出低维、敏感故障特征;应用GWO-SVM分类器对低维故障特征进行模式识别,判断故障类型。行星齿轮箱故障诊断实验结果分析表明:与多尺度排列熵(MPE)、复合多尺度排列熵(CMPE)等特征提取方法相比,ACMPE方法在分类效果和识别精度上更具优势;与局部切空间排列(LTSA)、等度规映射(Isomap)、加权Isomap(W-Isomap)、监督Isomap(S-Isomap)和监督型自组织增量学习神经网络界标点Isomap(SSL-Isomap)等降维方法进行比较,ISSL-Isomap方法降维效果最佳;所提方法的故障识别率达到100%,具有一定优越性。