基于级联型错时采样空间矢量调制多电平变流器的APF研究

该文提出并分析了错时采样空间矢量调制(STS-SVM)技术的工作原理及其在级联型多电平变流器上的实现方法。实现的多电平变流器结合了STS-SVM 和级联型多电平变流器两者的优点,使用元件数目少、直流侧均压容易实现、易于模块化设计和调试,实验结果验证了理论分析的正确性。最后通过仿真研究了级联型STS-SVM 多电平变流器在有源电力滤波器中的应用特点。

一种新型的组合变流器错时采样空间矢量调制技术分析

载波相移 SPWM 技术具有器件开关频率较低,等效开关频率较高,动态响应好,各个变流器单元工作负荷均衡等优点。SVM技术具有的器件开关频率降低1/3,直流电压利用率提高15%,便于数字实现等优点。将二者有机得结合在一起,便可得到组合变流器错时采样SVM(STS-SVM)技术。该技术具备二者的优点,通过低次谐波的相互抵消提高等效开关频率而不是简单地将谐波向高次推移,因而具有良好的谐波特性。该技术可方便应用于中高压电机、电力有源滤波器等场合,具有一定的工程应用价值。

错时采样空间矢量调制技术的频域数学分析

错时采样空间矢量调制是一种新型的开关调制策略,能够在较低的器件开关频率下实现较高等效开关频率的效果,具有良好的谐波特性。文中以不连续脉宽调制为例,首先将其调制波显化,并通过双重傅里叶交换得到其频域数学模型。在此基础上,推导了错时采样空间矢量调制技术的频域数学模型,从而在理论上证明该技术能够大大提高装置的等效开关频率,同时没有基波损失。这个结论普遍适用于各种载波脉宽调制技术。仿真和实验验证了理论分析结果。

基于改进OpenPose的学生行为识别研究

学习者的行为动作能够反映出学习者的学习状态。传统学习者行为识别方法存在实时性不高、准确率低等问题。针对以上问题,提出了一种基于改进OpenPose的学习者行为识别方法。该方法从人体骨骼关节点角度出发,首先通过高斯滤波消除图像中的高斯噪声;然后通过融入注意力机制的目标检测算法检测图像中的目标学生位置,再将检测后的图像通过改进的OpenPose模型提取人体骨骼关节点坐标;最后利用ST-SVM分类器对获取的关节点坐标进行分类,从而快速准确地识别出学习者的行为状态。实验结果表明,该方法能够快速、准确地识别出学生的行为动作,准确率达到99%以上,fps达到了20以上,相比原模型,fps提升了50%。

基于时空与或图模型的视频人体动作识别方法

针对视频中的人体动作识别问题,提出一种基于时空与或图(AOG)模型的人体动作识别方法,将动作识别和姿态估计共同建模在一个时空AOG模型中。首先,将动作分解为姿态,进一步将姿态分解为多个时空(ST)部件,再将ST-部件分解为多个子部件,从而形成三层模型;然后,在三层上分别提取粗级、中级和细级特征;最后,分别学习3个级别上的模型参数,训练隐含参数支持向量机(Latent SVM)分类器,实现动作识别。通过大型数据集的测试以及与几种最新方法的比较,证明了该方案的有效性,识别精度能够达到94%左右。

基于错时采样空间矢量调制的H桥级联多电平STATCOM研究

分析了静止同步补偿器(STATCOM)的工作原理。介绍了错时采样空间矢量调制(STS-SVM)的基本原理,提出了STS-SVM在H桥级联多电平STATCOM中的实现方法,并分别在静态和动态补偿情况下进行了仿真和试验。仿真和试验结果表明,基于STS-SVM的H桥级联多电平STATCOM能够快速、有效地补偿电力系统中的无功功率和抑制谐波,具有良好的动态补偿特性和鲁棒性。

基于错时采样空间矢量调制技术的级联型多电平变流器

错时采样空间矢量调制(STS-SVM)技术是一种高品质的新型调制技术。将其应用在级联型多电平变流器中可以更充分地发挥两者的优势。在简要介绍了STS-SVM技术在级联型多电平变流器中的实现方法的基础上分析了其技术特点,并进行了实验验证。

基于机器视觉的工厂人员异常行为识别

工厂内异常人员行为是造成一些人力资源浪费和安全事故发生的主要原因。论文针对此问题初步制定了5种决策融合策略,使用机器视觉的方法检测工厂人员的异常行为。首先使用YOLOv5算法对多人图像进行切割;之后利用Blaze-Pose算法计算分割图像中的单人关键点,以此作为特征使用角度识别和ST-SVM分类器识别分割后图像中人员的行为,分别得到两种图像行为信息;最后通过制定的决策融合策略,对两种图像行为进行决策融合,得到最终的人员行为信息。论文使用1000张图片作为数据集,进行试验;实验结果表明,文中方法可以准确识别常见的工厂人员异常行为,精确率大于0.80,召回率可达到89%以上,F1指数大于0.91,预期可以为工厂内人员异常行为检测与预警提供技术支持。