一、基于小波包变换和矢量量化的电力系统故障数据压缩(论文文献综述)
严英[1](2021)在《动态同步相量数据压缩方法研究》文中研究说明电网的可靠稳定的运行需要依赖大量数据信息的支持。广域测量系统(Wide-Area Measurement System,WAMS)中的同步相量测量装置(Phasor Measurement Unit,PMU)采集的动态同步相量数据,能更真实地反映实时运行的电网运行状态,为电网应用提供实时动态同步数据支撑。但是,电网规模扩大化造成PMU布点数呈指数增长,海量的动态同步相量数据使WAMS系统在传输和存储方面都面临巨大压力,因此,研究适用于WAMS系统的数据压缩方法具有非常重要的研究价值。目前大部分WAMS系统数据压缩方法将相量的幅值和相角分开进行处理,破坏了原本具有严格物理意义的两个量之间的一一对应关系,这将造成额外误差。本文针对上述问题,根据动态同步相量数据特点,考虑现有WAMS系统架构,从PMU子站和WAMS主站两个方面寻找满足WAMS系统的相量数据压缩的方法。研究具体内容如下:(1)详细分析了PMU采集测量的相量的幅值和相角的变化特点和采用同步相量数据压缩的必要性;根据WAMS系统的基本架构,分析了同步相量压缩需求;在对传统数据压缩方法和数据重建方法分析总结基础上,给出了本文采用的数据压缩性能评价和重建数据精度评价。(2)提出了一种用于PMU子站的相量旋转门的实时数据压缩方法,可以减轻实时传输中存在的数据冗余和延迟。基于IEEE C37.118标准中的综合矢量误差(Total Vector Error,TVE),修改了传统旋转门的判定条件,将相量的幅值和相角结合在一起进行压缩,保留了幅值和相角的一一对应关系,充分地体现了PMU采集动态同步相量数据的特点。算例表明,该方法可以在PMU子站实现实时数据压缩并达到较高的压缩比,并在动态过程的压缩性能相比于稳态过程在可接受范围,且重建数据精度满足要求。(3)提出了一种用于WAMS主站的相量主成分分析的数据压缩方法,可以减少历史存储中存储容量需求和存储设备成本。从传统主成分分析的概念和物理意义出发,分析传统的主成分分析方法用于动态同步相量数据压缩的不足并改进,在时间尺度和空间尺度上建立了原始相量数据矩阵,这保留了PMU测量的动态同步相量数据的完整性和时空性。算例表明,该方法可以在WAMS主站达到较好压缩比,降低了存储容量,且重建数据精度满足要求。通过现场实测的动态同步相量数据,在MATLAB中对提出的两种相量数据压缩方法进行了编程验证,确定了所提出相量数据压缩方法的可行性和正确性。
范家铭[2](2020)在《基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究》文中研究说明伴随着我国“一带一路”战略铺展开来,高铁已成为我国新“四大名片”之一,其知名度和重要性不亚于古老中国的“四大发明”。截止2019年末,中国已投入运营的高速铁路里程数达到3.5万公里,稳居世界首位。道路千万条,安全第一条,安全性是高铁飞速发展的基石。对关键零部件的健康状态监测,尤为重要。PHM(Prognostics and Health Management)技术可以对高铁在途运行设备进行状态感知、健康监控,并对故障的发生做出预测,从而降低安全风险。本文利用故障预测与健康管理的技术手段,以数据无损压缩技术、数据传输加密技术、故障特征提取方法、信号去噪技术、关键参数优化方法和神经网络方法为理论基础,建立基于PHM技术的高铁车载通信装备健康监测智能分析方法,实现了关键零部件的故障定位及预测。该方法虽然实现了故障快速定位和精准预测,但通常需要高性能计算机来支撑数据的计算和分析,所以本文将高铁运行数据进行实时无损压缩并加密后,通过铁路无线通信网络将数据回传至地面分析服务器,以其高性能计算能力快速、准确地进行故障定位和预测,有效地解决了高铁车载设备不具备高性能计算能力而无法实时处理数据的问题。地面分析服务器对数据进行解密和特征分析高效快捷,利用神经网络算法使故障识别和故障预测的精度及效率都得以保障,为保障高速铁路安全运营提供了重要的技术手段。本文提出的方法已在兰州铁路局项目中得到了应用,并在实际应用中不同程度的降低了运维成本和故障不可复现率,体现出PHM技术在故障诊断和故障预测研究方面的意义和价值。本文的主要研究成果如下:(1)针对高速铁路的安全运行问题,结合了故障预测与健康管理技术理论,提出了一种基于动车组PHM体系架构。该架构对高铁车载通信装备进行了PHM技术理论分析、故障诊断技术分析、预测技术分析、应用分析等技术进行论述,并基于故障预测与健康管理技术为理论基础提出了动车组故障预测与健康管理体系框架,对高铁车载通信装备的健康状态监测和故障预测方面提供重要理论指导。(2)高铁车载装备的网络资源有限,无法满足对监测的车载装备运行信息实时传输至地面服务器,为此提出了一种无损压缩技术与加密技术联合算法。该算法利用铁路既有无线网络基础在低带宽下实现实时传输高铁车载通信装备运行数据,以供地面服务器实时分析车载装备的健康状况和故障预测。该算法以行程长度无损压缩算法为基础进行了改进以降低数据的压缩比率,同时融入Logistic混沌理论和RSA加密算法以及Logistic置乱加密算法,减少网络传输时所占用的网络带宽,提高了网络传输的安全性,为进一步分析设备的健康状态和故障诊断及预测提供基础性保障。(3)故障诊断通常需要对故障特征进行提取并分析,去除数据中混杂的噪声。该部分对接收到的车载装备运行信息展开深入研究,针对高铁车载通信装备在运行中因场强信号而导致的故障问题,提出了一种基于PHM技术的高铁车载通信装备的故障诊断方法。该方法以双树复小波包变换为基础进行算法改进,同时结合了自适应噪声的完备经验模态分解来进行故障噪声的降噪与特征提取,然后利用无监督学习中的密度聚类方法进行自适应改进,并将提取出的特征类型进行特征分类,最后将分类结果输入到极限学习机中进行训练。实验验证了提出的故障诊断方法具有较强的特征提取能力、快速识别故障能力以及高精度的识别率,为设备的故障预测提供良好的支撑。(4)深入分析高铁车载通信装备的实际运行工况中,针对高铁车载通信装备故障发生率较高的原因是由于电池失效导致高铁车载通信装备无法正常工作的问题,提出了一种HA-FOSELM电池失效预测方法。该方法为了降低噪声对预测带来的影响,采用变分模态分解方法进行去噪处理,同时使用含有遗忘机制的在线序列极限学习机算法对去噪后的数据进行学习和训练,该算法支持数据的动态增量更新。为了提高算法的识别精度和降低关键参数对该算法的影响,引入了混合灰狼优化算法对HA-FOSELM方法的关键参数进行自适应优化,同时融合注意力机制,从而有效地提高了预测精度。通过实验验证,本文提出的方法在性能、效率、精度等方面都优于传统的神经网络算法,有效地降低了因电池故障导致列车行驶安全的问题。
王雨虹[3](2020)在《煤与瓦斯突出态势感知方法研究》文中指出煤与瓦斯突出是煤矿瓦斯典型动力灾害形式之一,煤与瓦斯突出事故的发生会给煤矿企业造成巨大的经济损失和不良的社会影响。为了尽早的发现煤与瓦斯突出风险,及时地采取科学的防突措施,本文借鉴态势感知的基本思想,利用安全风险管理、压缩感知、模式识别、信息融合、机器学习等技术理论,采用现场调研、理论分析、数值模拟和现场试验相结合的研究方法,从煤与瓦斯突出态势觉察、态势理解和态势预测等几个方面开展煤与瓦斯突出态势感知的深入研究。研究内容及成果为构建煤与瓦斯突出态势感知体系奠定理论基础,为瓦斯动力灾害的科学治理提供辅助决策。在分析煤与瓦斯突出过程及影响因素的基础上,通过理论分析、现场数据分析和数值模拟实验,分析了煤与瓦斯突出过程中,瓦斯涌出规律以及煤岩体破裂声发射的演化特征。结果表明,瓦斯涌出量、声发射信号都具有明显的突出前兆特征。提出了煤与瓦斯突出态势感知的基本任务,构建了局部态势感知和全局态势感知相融合的煤与瓦斯突出态势感知模型。提出了煤与瓦斯突出态势要素的选取应满足科学性、前兆性、实时性、可操作性、全面性和敏感性等原则。以赵各庄矿为例,选取瓦斯涌出及声发射实时监测信息作为主要的煤与瓦斯突出态势要素,将钻屑量、钻屑解吸指标、瓦斯压力、瓦斯含量等作为辅助态势要素,并对突出态势要素选取的可行性进行了分析论证。提出了基于压缩感知的煤与瓦斯突出态势要素有效信息提取方法。以不完全瓦斯涌出时间序列为研究对象,利用压缩感知实现了对缺失率小于30%的瓦斯涌出时间序列的修复。针对噪声背景下的煤岩体声发射信号提取问题,将压缩感知与小波去噪方法相结合,实现了噪声信号和有效煤岩体声发射信号的分离。研究煤与瓦斯突出灾变特征提取方法。提出了基于五点三次平滑处理与非线性分段相结合的瓦斯涌出时间序列趋势特征提取方法。将瓦斯涌出时间序列均值、趋势斜率、波动率等作为瓦斯涌出异常时间序列辨识指标,利用动态模式匹配距离结合层次聚类,实现了对包含突出灾变在内的瓦斯涌出异常时间序列的识别。研究了煤与瓦斯突出过程中声发射信号时域、频域和时频域特征,利用小波包能量谱和小波包能量熵提取声发射信号能量特征。结果表明,突出过程中,声发射信号呈现低频高幅值变化,能量向优势频段集中,小波包能量熵值降低等特征,提出将声发射信号能量熵值变化率作为煤与瓦斯突出前兆辨识指标。构建了煤与瓦斯突出态势评估指标体系,建立了基于信息融合的煤与瓦斯突出态势评估模型。为解决随机性、模糊性等不确定性因素对煤与瓦斯突出态势评估的影响,提出了基于云模型-改进证据理论的煤与瓦斯突出态势评估方法,利用云模型构建证据体的mass函数,采用组合加权的证据理论降低证据间冲突程度,以提高煤与瓦斯突出态势评估的准确性。提出基于机器学习的煤与瓦斯突出态势预测方法。利用天牛群算法(Beetle Swarm Optimization,BSO)优化长短期记忆网络(Long short-term memory,LSTM)的超参数组合,建立了基于BSO-LSTM的瓦斯浓度预测模型。分析掘进工作面瓦斯浓度时空相关性,从时空角度优化预测模型输入。结果表明,基于时空耦合的BSO-LSTM的瓦斯浓度预测模型预测精度较高,结合云模型-改进证据理论对瓦斯浓度预测结果进行基于瓦斯涌出监测信息的突出态势局部预测。就煤与瓦斯突出态势全局预测而言,将态势评估结果量化为态势值,建立基于混沌免疫粒子群(Chaos Immune Particle Swarm Optimization,CIPSO)优化的广义回归网络(Generalized Regression Neural Network,GRNN)的煤与瓦斯突出态势值预测模型,实现了煤与瓦斯突出全局态势的短期预测。工程测试结果表明,煤与瓦斯突出态势感知方法能够准确地感知掘进工作面所面临的煤与瓦斯突出危险威胁,采用瓦斯压力、瓦斯含量、钻屑量等指标验证了利用瓦斯涌出、声发射等实时监测信息感知掘进工作面煤与瓦斯突出态势的结果,进一步说明了煤与瓦斯突出态势感知方法可以提高煤矿防治煤与瓦斯突出灾害的能力,保障矿井安全生产。该论文有图91幅,表29个,参考文献188篇。
訾小娜[4](2020)在《配电网单相接地故障定位方法研究》文中研究表明随着配电网的规模越来越大,结构日趋复杂,发生单相接地故障时,故障点电流随之增加,若长时间带故障运行,可能会造成事故扩大。故障发生后,快速的实现故障定位并给予排除对配电网安全尤为重要,不仅可以减少用户的停电损失,而且可以提高配电网的供电可靠性。配电网发生单相接地故障后,产生的故障信息中包含着大量的特征数据,文中从稳态和暂态两个方面,对故障线路和非故障线路中的故障特征进行分析,详细地论述了故障在稳态过程中的电压电流特性和在暂态过程中的电流特性。本文中故障区段定位方法是以故障线路中暂态零序电流为基础,通过对小波分析理论进行论述,发现小波包变换能够把故障信号暂态特征在时频域中良好的表现出来。对故障线路中不同采集点处暂态零序电流分析时,发现故障点两侧节点暂态电流的幅值和频率明显不同于其他采集点。线路中故障点上游采集点电流幅值较大,频率分量以低频为主,而故障点下游电流幅值较小且频率分量主要以高频为主。基于以上特点,本文提出基于奇异相似度的配电网故障区段定位方法,通过小波包变换提取故障信号在特定频段的重构系数,结合奇异值分解和相关分析理论,定义了奇异相似度,用奇异相似度来度量不同相邻节点处暂态零序电流的差异程度,并通过与设置的阈值进行比较,判断出故障区段。本文通过对单相接地故障后的暂态行波分量特征以及线路行波特性进行分析,得出反向行波有利于实现对故障距离和位置的判断,确定出基于反向行波的故障测距方法。由小波变换的奇异性原理,可知小波变换的极值点对应于暂态行波信号的突变点,由此确定出初始反向行波与第二次到达母线的反射波的时间与极性,并根据反向行波的公式,确定出故障距离。对于文中故障区段定位和故障测距的方法,在改变故障初始角、过渡电阻、故障距离的条件下对其进行仿真分析,仿真结果验证了用这两种方法实现故障定位的可行性和适用性。
周学斌[5](2020)在《智能电网海量数据轻型化方法研究》文中研究说明随着我国智能电网全面快速发展,电网数字化、信息化程度越来越高,电网安全生产运行越来越依赖大量综合信息。智能电网对各类实时和非实时广域海量全景状态信息进行精确采集和高效传输,并实现“三流”融合、高度集成与共享,相比传统电网监测系统,智能电网广域监测范围、监测节点数、监测信息类型及监测信息量等明显增加。在智能电网向能源互联网演化进程中,新业务蓬勃发展使得电力通信网业务变得复杂多样化,业务逐层汇聚后通过电力通信网进行传输,对电力通信网提出了更高要求,且随着智能电网、信息系统、营销系统等发展产生了海量数据交互,带宽需求急剧上升,现有传输网络已无法满足,导致智能电网高级应用系统功能无法实现,严重影响电网安全、稳定运行。为满足智能电网对海量数据在线监测、传输、存储的需要,实现智能电网高级应用系统功能,确保电网安全、稳定、经济运行,本文针对智能电网海量数据传输和存储轻型化的需求,从压缩采样、基于低秩Hankel矩阵的非均匀采样、最少特征信息提取、轻型协议数据生成及原始海量数据还原等方面进行研究,论文的主要内容如下:(1)针对Ⅰ型信号(即数据含脉冲信号或振荡信号)提出一种采用压缩感知理论实现智能电网海量数据轻型采样的方法。电网发生扰动,基于事件触发机制对扰动发生前后一个观测时窗内数据进行在线录波,并完整采样记录,采用扰动检测方法精确定位扰动时间。然后,采用深度学习网络对数据进行快速模式识别,数据为Ⅰ型信号,数据各分量按照一定顺序选择强相关原子库进行稀疏分解,强相关原子库是根据数据分量的动态特性、数学模型构建的冗余原子库,可有效提升数据分量稀疏性,降低数据总稀疏度大小和优化测量矩阵规模,数据压缩采样数据量更少。为增强数据压缩采样实时性,通过设置内积常数以减少原子库子集的规模、采用智能算法加快原子匹配追踪、采用正交投影矩阵更新代替稀疏分解的最小二乘法避免多次求解逆矩阵等措施,降低数据分量稀疏分解的时间。最后,对脉冲数据分量采用信号共振稀疏分解(RBSSD)进行增强提取,对需监测的弱数据分量幅值进行增幅,并采用谐波滤除(HF)算法进行滤除,有效提高数据分量重构精度。通过算例分析,验证了对Ⅰ型信号进行压缩采样的精确性和有效性。(2)针对Ⅱ型信号(即数据只含类基波信号、短期变动信号),提出一种采用低秩矩阵填充理论实现智能电网海量数据轻型采样的方法。采用深度学习网络对数据进行快速模式识别,数据为Ⅱ型信号,数据由算子Ξ组成Hankel矩阵,基于低秩Hankel矩阵对数据进行非均匀采样,减少数据采样量。首先,对信号数据组成Hankel矩阵的低秩性进行了严格数学证明,得出智能电网海量数据具有低秩性。数据非均匀采样点由算子Ξ组成部分元素被观测待恢复的Hankel矩阵,采用矩阵填充恢复算法恢复矩阵,对恢复矩阵副对角线元素求平均值恢复信号,恢复信号相对误差满足要求时,将数据非均匀采样点的位置形成位串uv,可用于快速确定观测时窗后数据的非均匀采样点。最后,针对采用随机采样矩阵确定数据非均匀采样点存在随机性、计算量大等缺点,采用斜率差绝对值(AVGD)方法可快速确定数据非均匀采样点,低秩矩阵填充还可利用数据周期性、对称性、奇偶性等特征,简化确定数据非均匀采样点的计算。通过算例分析,验证了对Ⅱ型信号采用基于低秩Hanel矩阵的非均匀采样方法的精确性和有效性。(3)针对智能电网海量数据轻型传输,提出基于最少特征信息传输原理的智能电网海量数据轻型传输方法。数据为Ⅰ型信号,数据压缩测量值采用重构算法,对数据稀疏表示向量进行重构,稀疏表示向量经分析和插值修正得数据分量特征参数,提取特征参数和稀疏表示向量非零系数二者中参数少的为数据分量最少特征信息;数据为Ⅱ型信号,数据非均匀采样点由算子Ξ组成部分元素被观测待恢复的低秩Hankel矩阵,采用矩阵填充恢复算法恢复矩阵,并经矩阵奇异值分解得非零奇异值为数据最少特征信息。然后,定义特征模式分组编码和模式特征向量映射规则,利用融合技术将异构最少特征信息进行融合,采用采样值传输协议进行报文封装,生成遵循IEC61850-9-2标准的采样最少特征值轻型协议数据进行网络传输,实现通信网络数据标准化、高度集成与共享。通过设置虚拟局域标识(VID),避免数据帧大范围广播传输,造成网络风暴和堵塞,节省网络资源,采用动态带宽分配(DBA)算法对网络带宽进行动态分配,优先保证高优先级报文传输的实时性,减少传输时延和抖动,实现各类报文传输得到合理的网络带宽。最后,介绍轻型协议数据传输到信宿端,执行与信源端生成轻型协议数据相反的操作,通过对轻型协议报文解封、特征解析,根据模式特征向量映射规则重构或恢复模式分量,并叠加快速准确还原原始海量数据。通过算例分析,验证了基于最少特征信息传输原理的智能电网海量数据轻型传输方法的准确性和有效性。(4)基于OPNET网络仿真平台构建智能变电站通信网络模型,进行海量数据网络传输仿真实验,并对网络传输性能进行分析与评估,轻型传输可以有效减轻网络传输负荷,并降低传输延时。然后,对实验室搭建的轻型数据传输物理原型系统与传统数据传输系统进行对比模拟测试,轻型传输系统可以有效降低网络传输流量,传输数据压缩比随模拟采样频率增大而增大。网络仿真实验和物理原型系统动态模拟测试结果,均验证了本文提出的智能电网海量数据轻型化机制的可行性、可靠性及优越性。论文最后对本文结论进行总结,并对未来研究工作进行展望。
赖永发[6](2020)在《船舶电力推进系统故障诊断方法研究》文中认为随着永磁材料与先进控制技术的发展,以永磁同步电机作为推进电机的船舶电力推进系统已经广泛的应用于各种类型的船舶中。船舶电力推进系统是船舶的核心组成部分,其稳定运行关系到船舶的安全航行以及船上工作人员的安危。因此,对电力推进推进系统故障进行精准定位和排查对船舶的安全航行来说有极其重要的现实价值。本文以船舶电力推进系统中的常见故障作为研究对象,在Maxwell、Simplorer和Simulink仿真平台上搭建船舶电力推进系统正常及故障仿真模型,并获得原始故障数据,利用搭建的故障诊断模型对故障数据进行故障分类诊断。根据上述思路,本文做了如下研究:首先,研究船舶电力推进系统的工作原理,在此基础上,以“烟大轮”作为母型船,根据其船桨参数和以及永磁电机参数,在Maxwell、Simplorer和Sinulink仿真软件上搭建船电力推进系统仿真模型,以不同工况运行仿真模型,分析所建模型的合理性。其次,对船舶电力推进系统常见的故障机理进行深入分析,如:逆变器开关管开路、推进电机退磁、推进电机匝间短路、推进电机相间短路以及螺旋桨缠绕故障。在前面仿真模型的基础上搭建不同故障及其不同程度的17种故障仿真模型,故障数据用于后文的实验,并用FFT频谱方法分析故障模型的正确性。然后,建立特征提取模型,研究故障诊断中常用的特征向量提取方法:小波变化和小波包变换,由于小波包变换的在高频段频细分能力的优点,选其作为特征提取的方法,并针对小波包基选取随机盲目的缺点,利用最小信息熵的方法进行优选。故障数据经过优选小波包提取特征向量后,利用LDA降维算法实现特征样本的降维,用简单分类器验证特征提取过程的可行性。最后,研究BP神经网络和支持向量机(SVM)算法原理,在Matlab软件上搭建两者的算法模型,通过研究SVM可知其传统参数选取具有很大的盲目性,对此,应用GS、GA和PSO对SVM进行参数选优,通过诊断结果对比所建模型的优劣。
张明[7](2010)在《电能质量扰动相关问题研究》文中研究说明随着电力工业的发展,以及各种电力电子装置和冲击性负荷在电力系统中的广泛使用,由此各种扰动引起的电能质量(power quality, PQ)问题日益严重,因而电能质量越来越受到关注,同时也得到了比较深入的研究。但是对于电能质量扰动信号的去噪、压缩和分类等问题,目前还没有一种公认的方法,鉴于电能质量扰动问题的广泛性和当前分析方法的不足,有必要加强对电能质量扰动分析算法的研究。围绕电能质扰动相关问题,本文对涉及电能质量扰动信号的去噪、压缩、模式识别以及谐波分析和抑制等方面进行了研究,其主要内容如下:(1)设计了一种具有PQ扰动实时在线检测与分类功能的电能质量分析平台。该平台基于DSP和FPGA,实现了信号的采集、处理和显示。采用了一种简单和高效的PQ扰动分类方法,即基于规则基的决策树模式识别方法,同时提取五个典型的PQ扰动时频特征量作为决策树的输入量,实现了九种典型PQ扰动的辨识。最后,通过算法仿真及硬件平台验证,结果表明可以满足对PQ扰动分类的精度和实时性的要求。(2)提出了一种基于小波邻域阈值分类的自适应阈值电能质量信号去噪算法,首先结合所用小波函数,由模极大值小波域确定最佳邻域窗口尺寸;然后利用各个尺度携带信号信息的小波系数具有局部相关性,通过邻域阈值对小波系数进行分类:对分类后的“小”系数直接置零;对“大”系数则通过最小均方误差准则得到其估计。仿真实验结果表明该算法对实际电能质量信号去噪是有效的,在去噪性能上优于常用的多种自适应阂值去噪算法。(3)针对电能质量扰动数据的压缩问题,提出了一种基于谐波陷波滤波器的压缩方法。该数据压缩方法采用一种自适应信号处理方法来估计电能质量信号的基波和谐波分量的参数(幅值、频率和相位),并将它们与暂态分量进行分离,然后采用参数量化和小波变换技术分别对确定的正弦参数和残余信号进行压缩。利用实际电网中采集的各类电能质量扰动数据对方法进行了验证,结果表明本算法适用于各种波形特征的扰动信号,并且在保证压缩质量的前提下,可以获得较大的压缩比,具有一定的应用价值。JPEG2000是最新静态图像压缩的国际标准,虽然JPEG2000编解码器主要用于图像压缩,但是本文展示了其用于电能质量扰动数据的压缩。对于实际电网中采集的各类电能质量扰动信号,JPEG2000的压缩性能好于常见的一些压缩方法,该方法可以使用已有的JPEG2000编解码器的软硬件资源,特别可以省去专门的硬件开发成本。JPEG2000编解码器的一些优良特性,诸如精确的码率控制和累进式传输,也将得到保留。(4)S变换是连续小波变换和短时傅里叶变换的扩展,由于S变换很好的时频分析特性,非常适合分析电能质量扰动。而且基于模糊规则基的推理系统是容易升级和维护的,同时可升级的系统规则也是容易修改的。由此提出了基于S变换和模糊专家系统的电能质量扰动自动分类方法。实验结果表明使用相同的特征矢量作为输入,模糊专家系统的分类精度比神经网络提高了3%左右。熵是对系统不确定性程度的描述,为了提高小波包用于信号分析的性能,本文将小波包分析与熵相结合,充分利用二者的优点,来提取电能质量扰动的特征参数,并将这些参数作为特征向量,采用最小二乘支持向量机进行训练并辨识各类电能质量扰动。实验结果表明这是一种有效的、高精度的辨识方法。基于多域特征提取和自适应神经-模糊推理系统提出了一种新的电能质量扰动分类方法。首先基于波形包络阈值线对扰动进行检测;接着在时域、频域和小波域进行多域特征提取,选取扰动信号的基波均方根幅值、总谐波畸变率、次谐波幅值和小波包能量共同组成输入特征矢量;最后通过自适应神经-模糊推理系统对各类电能质量扰动进行分类。仿真结果表明该方法对特征不规则的待检电能质量扰动信号具有良好的柔性和适应性。(5)针对实际电力系统中可能同时存在多个振荡瞬态的情况,首先利用自适应陷波滤波器实现基波与振荡瞬态信号的分离以减少基波对奇异值分解结果的影响;再利用线性预测奇异值分解算法,估计出每单个振荡瞬态信号的起始幅值、起始相位、频率和衰减系数等参数。仿真实验的结果显示在多个振荡瞬态同时存在的情况下,用该方法估计多个振荡瞬态信号参数是可行的和有效的。(6)由于常规电量计量装置是基于正弦波设计的,因此在非正弦条件下进行测量必然带来一定的误差。本文采用改进的傅氏系数自适应组合估计算法来进行谐波检测与功率计算,该方法对非同步采样及初始值不敏感,实验表明一般经过约一个周期便能对非正弦信号进行实时跟踪,从而精确测量出电压与电流各次谐波的幅值及相位,从而实现功率的实时高精度计算。仿真实验验证了该算法的有效性。IEC标准推荐了谐波与间谐波的分析方法,但是无法满足进一步提升间谐波分析精度的要求。本文提出了可调分辨率的多重信号分类(multiple signal classification, MUSIC)算法通过调节因子改变MUSIC伪谱在目标区域的频率分辨率来提高分辨率,通过互相关的互谱计算来提高抗噪性能,以及设置阈值来估计信号中的谐波和间谐波频率,根据估计出的频率,利用AR (autoregressive model)模型参数估计方法估计出信号的幅值和相位。仿真实验验证了该算法的有效性。采用改进粒子群优化算法对无源滤波器组的参数进行优化设计,较为全面地考虑了无源滤波器的各滤波支路参数、无功功率补偿容量以及滤波后电网谐波含量等问题。同时参数摄动分析进一步验证了该算法的有效性。
张蕊[8](2009)在《电力系统数据压缩算法的研究与实现》文中认为电力系统数据压缩是目前新兴的研究课题,它随着电网规模的扩大、电力信息化的发展、基于广域信息的应用而变得越来越重要。小波变换具有良好的局部特性和空间—频率特性,因而被广泛应用于电力系统数据压缩领域。但是传统小波不能同时具有对称性、正交性、短支撑性、高阶消失矩等性质,在一定程度上影响了压缩效果。多小波的出现为解决这一问题提供了一条新方案,但目前研究的多小波压缩算法只是基于阈值压缩的,压缩方法有待改进。本文针对这一问题,对基于多小波的电力数据压缩算法及压缩数据的传输进行了深入地研究和实验:1、讨论了一些关于数据压缩及数据传输方面的定义、技术方法和评价指标等基本理论。2、深入研究了基于多小波变换的数据压缩,并在此基础上提出了一种新的无损压缩和有损压缩相结合的电力数据压缩算法。该算法对多小波变换得到的低频系数采用Huffman无损编码,对得到的高频系数,采用改进的零树编码和游程编码进行有损压缩。该算法不仅可以自由变换压缩比,还可以获得更优的压缩效果。3、对基于二维多小波变换的阈值和零树编码压缩算法进行了深入的研究和仿真。同时提出了一种压缩电能质量扰动数据的新方法,可以将故障数据进行周期截取和重组,再应用图像压缩中的多小波零树编码进行压缩。算法还采用了自适应Huffman编码对低频系数进行压缩,对零树编码的主扫描序列进行游程编码,大大提高了压缩比。4、采用基于GPRS技术的传输系统来完成电力系统数据的压缩与传输实验,设计实现了系统的两个组成部分——监测终端和控制中心基于客户端/服务器模式、TCP/IP协议的压缩数据通信功能。完成了系统中GPRS通信模块的选择、通信协议的选择、GPRS组网方式的选择和传输上层应用协议的设计。在此基础上完成了系统基于多小波变换的压缩和解压程序和GPRS数据传输程序的编写,并通过大量的实验对传输程序的可靠性和压缩算法的效果进行了验证。
李文军[9](2008)在《多小波和小波神经网络构造及其在电弧故障诊断中的应用研究》文中研究说明本文提出了多小波和小波神经网络构造方法及新的应用算法,首次将其应用于电弧故障信号分的时频分析、去噪、压缩及故障分类。在对多小波构造研究的基础上,给出了对称正交多小波构造算例及全插值双正交多小波构造算例。提出了一种多小波的提升分解构造算例,并在电弧故障信号的数据压缩中进行了应用。通过对多小波理论深入分析,提出了一种比较实用的多小波预处理方法,并对电弧故障信号的去噪性能进行了实验分析。提出了一种改进的多小波分解重构算法和一种多小波包系数削减的算法,用于对电弧故障信号的高频部分进行时频域细分。提出了一种基于多小波变换的时域窗口移动的电弧故障信号检测算法。对小波网络、多小波网络进行了深入的讨论,并对提出的小波网络、多小波网络的逼近能力进行了研究。提出了一种比较有效率的隐层节点数确定算法和参数初始化算法。提出了电弧故障特征向量的选择与提取方法,设计了一种用于电弧故障分类的小波神经网络结构,用以实现电弧故障与短路、单相接地等线路故障的正确识别和分类。
毕研秋[10](2007)在《电力系统数据压缩的算法研究及通信网络仿真》文中进行了进一步梳理电力系统数据压缩是目前新兴的研究课题,它随着电网规模的扩大、电力信息化的发展、以及广域信息的应用而变得越来越重要。近年来,大批新型自动监控和保护装置被应用于电力系统,一方面它们提高了电力系统运行管理的自动化和信息化水平,另一方面它们产生的大量数据以及对远程通信的需求,给电力系统的数据通信和存储造成了很大负担。数据压缩是解决这一问题的有效措施。研究和应用数据压缩技术对减少数据存储的负担,提高电力通信的实时性,加快电力信息化的发展,提高电力系统运行管理水平都具有重要意义。本文在认真总结前人研究成果的基础上,努力从电力专业角度出发来研究数据压缩问题,充分考虑数字采样后得到的电力波形数据自身特点,对数据压缩方法进行广泛深入的理论分析和应用研究,对电力数据的无损压缩和有损压缩都提出了有效的新方法。最后借助先进的通信网络仿真软件对电力通信网进行仿真,验证了采用数据压缩技术后所取得的良好效果。本文首先分析了Huffman无损数据压缩算法在电力数据压缩中的应用现状,指出Huffman算法存在压缩比小的缺点。通过充分考虑电力波形数据的幅值和出现概率特点,结合信息论中信息熵,指出对电力波形数据采用不同进制的字符编码能够影响压缩比,推导并验证了在Huffman算法中对常见的电力波形数据采用十六进制字符编码比十进制字符编码具有更好的压缩效果。为了进一步提高无损压缩的压缩比,本文借鉴通信理论中常用于语音信号有损压缩的增量调制法,提出了适合电力波形数据的高阶增量调制方法,并将其发展为一种压缩比很高的无损压缩算法。该算法采用高阶差分和还原运算,计算量小,能有效减小电力数据的幅值从而减少压缩编码所需字符数和比特数;特别适用于现代电力设备高采样率时采集的数字信号,而且输出的高阶差分序列有利于结合使用Huffman压缩算法。在电力数据有损压缩领域,本文针对发展前景良好的小波包压缩方法,分析了目前研究中存在的不足,提出应当注意研究各种熵函数以搜索最优小波包树,以充分发挥小波包方法不同于小波方法的特色和优势。本文指出目前常用Shannon熵搜索到的最优小波包树的压缩效果并不好,而threshold熵的效果更好。本文进一步借鉴通信理论中格状编码调制的研究思路,力图将传统小波包压缩算法中各阶段的分别优化统一为整体优化,提出了基于threshold熵的小波包统一阈值压缩方法。该方法在搜索最优小波包树阶段和取舍小波包系数阶段采用统一的阈值,从而保证搜索到的最优小波包树也就是保留小波包系数数量最少的树,因此压缩比很高,而且误差较小。仿真实验表明;与目前利用MATLAB提供的5种熵函数实现的小波包压缩算法相比,本文方法的压缩比最高,且压缩比相同时的重构误差较小。考虑到电力数据通信网络现状以及广域信息传输的需求,本文利用先进的通信仿真软件OPNET仿真了电力数据在变电站内的局域网通信以及变电站间的广域网通信,并以电能质量和继电保护数据的通信为例,分析不同类型通信网络的通信性能,计算数据通信的延时指标,对数据压缩技术提高电力通信实时性的效果进行了量化分析。
二、基于小波包变换和矢量量化的电力系统故障数据压缩(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于小波包变换和矢量量化的电力系统故障数据压缩(论文提纲范文)
(1)动态同步相量数据压缩方法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 IEEE标准和数据压缩分类 |
1.2.2 趋势提取的有损数据压缩 |
1.2.3 特征提取的有损数据压缩 |
1.3 本文主要内容 |
2 广域测量系统和数据压缩与重建 |
2.1 同步相量测量及动态同步相量数据特点分析 |
2.1.1 PMU同步相量测量原理 |
2.1.2 PMU动态同步相量数据的特点 |
2.1.3 同步相量数据压缩的必要性 |
2.2 WAMS系统结构和同步相量压缩需求分析 |
2.2.1 WAMS系统结构 |
2.2.2 WAMS中动态数据的压缩需求分析 |
2.3 数据压缩的一般流程和性能评价 |
2.3.1 数据压缩的一般流程 |
2.3.2 压缩性能评价 |
2.4 数据重建的一般流程和重建数据精度评价 |
2.4.1 数据重建的一般流程 |
2.4.2 综合矢量误差 |
2.4.3 归一化均方误差 |
2.5 本章小结 |
3 用于PMU子站的相量数据实时压缩方法 |
3.1 传统的旋转门压缩方法 |
3.2 复数域的PMU子站的相量数据实时压缩方法 |
3.2.1 实数域旋转门方法的复数域扩展 |
3.2.2 相量旋转门实时数据压缩方法 |
3.2.3 数据压缩实现流程 |
3.2.4 相量旋转门的压缩参数选择 |
3.3 相量旋转门压缩方法的数据重建 |
3.4 实例验证 |
3.4.1 用于PMU子站的相量数据压缩 |
3.4.2 与常用数据压缩方法对比分析 |
3.4.3 PMU子站的同步相量数据重建 |
3.5 本章小结 |
4 用于WAMS主站的相量数据压缩方法 |
4.1 传统的主成分分析方法 |
4.2 复数域的WAMS主站的相量数据压缩方法 |
4.2.1 相量主成分分析数据压缩方法 |
4.2.2 主成分个数选择 |
4.2.3 相量主成分分析方法的数据重建 |
4.3 实例验证 |
4.3.1 整体数据压缩对比分析 |
4.3.2 WAMS主站的同步相量数据重建 |
4.3.3 PSDT与 PPCA对比 |
4.4 本章小结 |
5 结论 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(2)基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 目前存在的问题 |
1.4 主要研究内容和创新点 |
1.5 论文组织结构 |
2 关键技术及相关工作 |
2.1 引言 |
2.2 机车综合无线通信设备工作原理 |
2.3 压缩算法 |
2.3.1 无损压缩技术 |
2.3.2 有损压缩技术 |
2.4 加密算法 |
2.5 特征提取方法 |
2.6 PHM技术 |
2.6.1 PHM系统体系结构 |
2.6.2 动车组PHM体系结构 |
2.6.3 动车组PHM技术架构 |
2.6.4 动车组PHM系统功能和目标 |
2.6.5 动车组PHM诊断技术 |
2.6.6 动车组PHM预测技术 |
2.7 小结 |
3 基于无损数据压缩及加密联合算法的研究 |
3.1 问题提出 |
3.2 相关研究 |
3.3 SRLE无损压缩算法 |
3.3.1 SRLE压缩处理 |
3.3.2 SRLE解压处理 |
3.4 混合加密算法 |
3.4.1 Logistic混沌加密算法 |
3.4.2 RSA加密算法 |
3.4.3 压缩加密联合算法 |
3.5 实验与结论 |
3.5.1 压缩性能分析 |
3.5.2 安全性能分析 |
3.5.3 复杂度及效率分析 |
3.6 小结 |
4 基于PHM技术的高铁车载通信装备故障诊断 |
4.1 问题提出 |
4.2 相关研究 |
4.3 基于高铁机车综合通信设备中故障诊断的研究 |
4.3.1 实验数据集 |
4.3.2 特征提取 |
4.3.3 无监督聚类 |
4.3.4 极限学习机故障识别模型 |
4.4 实验与结论 |
4.4.1 仿真实验验证 |
4.4.2 实测数据集实验验证 |
4.5 小结 |
5 基于PHM技术的高铁车载通信装备健康状态评估预测 |
5.1 问题提出 |
5.2 相关研究 |
5.3 基于锂电池的剩余使用寿命预测与健康状态监测 |
5.3.1 实验数据集 |
5.3.2 健康状况和健康指标 |
5.3.3 降噪处理 |
5.3.4 关键参数优化 |
5.3.5 注意力机制 |
5.3.6 遗忘机制的在线序列极限学习机 |
5.4 实验与结论 |
5.4.1 算法训练过程 |
5.4.2 在线监测部分 |
5.4.3 剩余使用寿命预测部分 |
5.5 小结 |
6 总结及展望 |
6.1 研究总结 |
6.2 未来展望 |
参考文献 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(3)煤与瓦斯突出态势感知方法研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 存在问题及不足 |
1.4 研究内容与技术路线 |
2 煤与瓦斯突出过程与突出态势感知 |
2.1 煤与瓦斯突出过程及影响因素 |
2.2 煤与瓦斯突出前兆信号特征分析 |
2.3 煤与瓦斯突出态势感知 |
2.4 本章小结 |
3 基于压缩感知的煤与瓦斯突出态势要素提取 |
3.1 煤与瓦斯突出态势信息的压缩感知 |
3.2 不完全瓦斯涌出时间序列处理方法 |
3.3 噪声背景下声发射信号提取方法 |
3.4 本章小结 |
4 煤与瓦斯突出灾变特征提取方法 |
4.1 基于趋势分析的瓦斯涌出异常时间序列辨识 |
4.2 煤与瓦斯突出声发射信号前兆特征提取 |
4.3 本章小结 |
5 基于信息融合的煤与瓦斯突出态势评估 |
5.1 煤与瓦斯突出态势评估模型 |
5.2 煤与瓦斯突出态势评估方法 |
5.3 本章小结 |
6 基于机器学习的煤与瓦斯突出态势预测方法 |
6.1 基于时空耦合的瓦斯浓度态势预测模型 |
6.2 基于广义回归网络的煤与瓦斯突出态势值预测模型 |
6.3 本章小结 |
7 煤与瓦斯突出态势感知的工程测试 |
7.1 煤与瓦斯突出态势要素获取及评估临界值的确定 |
7.2 煤与瓦斯突出态势评估方法验证 |
7.3 煤与瓦斯突出态势预测方法验证 |
7.4 本章小结 |
8 结论、创新点及展望 |
8.1 结论 |
8.2 创新点 |
8.3 展望 |
参考文献 |
查新结论 |
作者简历 |
学位论文数据集 |
(4)配电网单相接地故障定位方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.3 配电网单相接地故障定位方法 |
1.3.1 被动式故障定位方法 |
1.3.2 主动式故障定位方法 |
1.3.3 综合故障定位方法 |
1.4 本文主要工作 |
2 配电网单相接地故障特征分析 |
2.1 中性点不接地系统的稳态特征分析 |
2.1.1 稳态过程电压特征分析 |
2.1.2 稳态过程零序电流特征分析 |
2.2 中性点经消弧线圈接地系统的稳态特征分析 |
2.2.1 稳态过程电压特征分析 |
2.2.2 稳态过程零序电流特征分析 |
2.3 配电网单相接地故障的暂态特征分析 |
2.3.1 暂态电容电流 |
2.3.2 暂态电感电流 |
2.3.3 暂态接地电流 |
2.4 本章小结 |
3 基于奇异相似度的故障区段定位方法 |
3.1 小波分析 |
3.1.1 连续及离散小波变换 |
3.1.2 信号奇异性检测 |
3.1.3 小波包变换 |
3.1.4 小波基函数的选择 |
3.2 奇异相似度 |
3.2.1 奇异值分解 |
3.2.2 相关分析 |
3.2.3 奇异相似度的确定 |
3.3 故障线路暂态零序电流特征分析 |
3.3.1 单相接地故障线路特征 |
3.3.2 故障线路暂态零序电流仿真分析 |
3.4 配电网单相接地故障区段定位方法 |
3.5 仿真分析与验证 |
3.5.1 配电网单相接地故障仿真模型建立 |
3.5.2 配电网单相接地故障区段定位仿真分析 |
3.6 本章小结 |
4 基于反向行波的故障测距方法 |
4.1 配电网线路的行波特性分析 |
4.1.1 行波特性分析 |
4.1.2 线路的行波过程 |
4.1.3 线路行波的传播特点 |
4.1.4 三相线路的行波过程及相模变换方法 |
4.2 模极大值理论 |
4.3 配电网单相接地故障测距方法 |
4.3.1 反向行波的测距原理 |
4.3.2 行波测距的步骤 |
4.4 仿真分析与验证 |
4.4.1 配电网单相接地故障仿真模型 |
4.4.2 配电网单相接地故障测距仿真结果分析 |
4.5 本章小结 |
5 总结与展望 |
5.1 全文总结 |
5.2 后续工作展望 |
参考文献 |
个人简历、在学习期间发表的学术论文及研究成果 |
致谢 |
(5)智能电网海量数据轻型化方法研究(论文提纲范文)
论文创新点 |
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 课题国内外研究现状 |
1.2.1 数据采样技术研究现状 |
1.2.2 数据传输技术研究现状 |
1.2.3 电力信息通信技术研究现状 |
1.3 课题研究发展趋势 |
1.4 本文主要研究工作 |
第2章 智能电网海量数据轻型化机制研究 |
2.1 引言 |
2.2 海量数据轻型化机理分析 |
2.3 海量数据轻型化技术方案 |
2.3.1 海量数据轻型化机理分析及传输带宽分配策略 |
2.3.2 电物理量数据轻型采样 |
2.3.3 电物理量数据最少特征信息提取 |
2.3.4 多通信协议环境下轻型协议数据生成 |
2.3.5 轻型协议数据特征解析与数据还原 |
2.4 海量数据轻型化技术内核 |
2.5 海量数据轻型化机制可行性分析 |
2.5.1 可行性分析 |
2.5.2 可靠性分析 |
2.6 小结 |
第3章 智能电网海量数据压缩采样方法研究 |
3.1 引言 |
3.2 典型电物理量信号分析 |
3.2.1 电能质量概述 |
3.2.2 稳态电物理信号 |
3.2.3 暂态电物理信号 |
3.3 电能质量扰动检测 |
3.4 信号模式识别 |
3.4.1 长短时记忆网络LSTM |
3.4.2 LSTM网络模式识别 |
3.5 电物理信号稀疏表示 |
3.5.1 构建电物理信号原子库 |
3.5.2 快速原子稀疏分解算法 |
3.5.3 脉冲信号提取稀疏分解 |
3.5.4 弱信号提取及稀疏分解 |
3.6 海量电物理数据压缩采样方法 |
3.7 算例分析1 |
3.7.1 数据样本集构造 |
3.7.2 LSTM对样本全标注训练 |
3.7.3 电物理信号模式识别方法性能比较 |
3.7.4 电物理信号原子库构建 |
3.7.5 电物理信号扰动检测 |
3.7.6 电物理信号压缩采样 |
3.8 算例分析2 |
3.9 小结 |
第4章 智能电网海量数据基于低秩Hankel矩阵的非均匀采样方法研究 |
4.1 引言 |
4.2 电物理信号低秩矩阵填充 |
4.3 电物理信号量测数据低秩性证明 |
4.4 低秩矩阵填充理论 |
4.5 低秩矩阵填充恢复算法 |
4.6 电物理信号非均匀采样点确定 |
4.6.1 采用最优随机采样矩阵确定信号非均匀采样点 |
4.6.2 采用AVGD确定信号非均匀采样点 |
4.7 电物理信号轻型采样方法 |
4.8 算例分析 |
4.8.1 电物理信号轻型采样 |
4.8.2 主要间谐波轻型采样 |
4.9 小结 |
第5章 智能电网海量数据轻型传输方法研究 |
5.1 引言 |
5.2 最少特征信息提取 |
5.2.1 最少特征信息非零奇异值 |
5.2.2 最少特征信息稀疏表示非零系数或特征参数 |
5.2.3 谐波信号稀疏性分析 |
5.2.4 信号稀疏表示系数与特征参数关系 |
5.3 轻型协议数据生成机制 |
5.3.1 最少特征信息分组编码 |
5.3.2 模式特征向量映射 |
5.3.3 抽象通信服务映射 |
5.3.4 轻型协议数据生成 |
5.3.5 轻型协议数据传输服务模型 |
5.4 稀疏表示非零系数位置位串传输服务模型 |
5.5 数据传输带宽动态分配算法 |
5.6 轻型协议数据特征解析数据还原 |
5.7 算例分析 |
5.8 小结 |
第6章 智能电网海量数据轻型传输实验研究 |
6.1 引言 |
6.2 网络仿真实验研究 |
6.2.1 OPNET网络仿真平台 |
6.2.2 智能变电站通信网络结构 |
6.2.3 通信网络建模 |
6.2.4 网络仿真实验分析 |
6.3 模拟测试实验研究 |
6.4 小结 |
第7章 结论与展望 |
7.1 本文主要结论 |
7.2 后续工作展望 |
参考文献 |
攻读博士学位期间发表的科研成果目录 |
致谢 |
附录 模拟测试实验平台 |
(6)船舶电力推进系统故障诊断方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 船舶电力推进系统发展现状 |
1.2.2 故障诊断方法研究现状 |
1.2.3 船舶电力推进系统故障诊断方法研究现状 |
1.3 本文主要研究内容 |
第2章 船舶电力推进系统数学建模与控制 |
2.1 船舶电力推进系统的基本结构组成 |
2.2 永磁同步电机的数学模型 |
2.2.1 三相静止坐标系下的永磁同步电机数学模型 |
2.2.2 永磁同步电机的坐标变换 |
2.2.3 同步旋转坐标系下的永磁同步电机数学模型 |
2.3 永磁同步电机转子磁场定向矢量控制理论 |
2.3.1 三相电压型逆变器电压空间矢量 |
2.3.2 SVPWM算法原理及实现 |
2.3.3 永磁同步电机转子磁场定向矢量控制系统 |
2.4 船桨数学模型 |
2.4.1 船舶阻力特性 |
2.4.2 螺旋桨数学模型 |
2.4.3 船体与螺旋桨的相互作用 |
2.4.4 船桨动态数学模型 |
2.5 船舶电力推进系统联合仿真建模 |
2.6 本章小结 |
第3章 船舶电力推进系统常见故障机理分析 |
3.1 电压源型逆变器故障 |
3.1.1 逆变器故障原因分析及分类 |
3.1.2 逆变器故障仿真结果分析 |
3.2 永磁同步推进电机永磁体退磁故障 |
3.2.1 推进电机退磁故障机理 |
3.2.2 推进电机退磁故障数学模型 |
3.2.3 推进电机退磁故障仿真分析 |
3.3 永磁同步推进电机定子绕组匝间短路故障 |
3.3.1 推进电机定子绕组匝间短路故障数学模型 |
3.3.2 推进电机定子绕组匝间短路故障仿真分析 |
3.4 永磁同步推进电机单相、相间电气故障 |
3.5 螺旋桨缠绕故障 |
3.6 本章小结 |
第4章 船舶电力推进系统故障特征提取方法 |
4.1 小波包变换原理 |
4.1.1 小波变换 |
4.1.2 小波包变换 |
4.1.3 小波包频率混淆及频带错乱现象 |
4.1.4 基于小波包的船舶电力推进系统故障特征提取 |
4.2 基于优选小波包的船舶电力推进系统故障特征提取 |
4.2.1 信息熵 |
4.2.2 基于能量熵的小波包基函数优选 |
4.2.3 基于优选小波包的故障特征向量提取 |
4.2.4 验证最优小波包基函数 |
4.3 基于线性判别分析的故障特征向量降维 |
4.3.1 线性判别分析算法原理 |
4.3.2 线性判别分析法在故障特征向量降维的应用 |
4.4 本章小结 |
第5章 船舶电力推进系统智能故障诊断方法 |
5.1 BP神经网络分类算法 |
5.1.1 BP神经网络的基本结构 |
5.1.2 BP神经网络的算法原理 |
5.1.3 基于BP神经网络的电力推进系统故障诊断方法设计 |
5.2 SVM分类算法 |
5.2.1 线性SVM |
5.2.2 非线性SVM |
5.2.3 多分类SVM |
5.2.4 基于SVM的电力推进系统故障诊断方法设计 |
5.2.5 SVM与BP神经网络仿真实验对比分析 |
5.3 SVM的参数优化 |
5.3.1 网格搜索与交叉验证 |
5.3.2 遗传优化算法原理 |
5.3.3 粒子群优化算法原理 |
5.4 基于SVM参数优化的电力推进系统故障诊断方法设计 |
5.4.1 模型设计 |
5.4.2 仿真实验与结果对比 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读学位期间科研成果 |
(7)电能质量扰动相关问题研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 电能质量研究背景与意义 |
1.2 电能质量分析的国内外标准 |
1.3 电能质量研究现状和发展趋势 |
1.4 本文主要内容 |
2 电能质量分析平台的研究 |
2.1 引言 |
2.2 电能质量扰动在线辨识平台 |
2.3 本章小结 |
3 电能质量信号去噪算法 |
3.1 引言 |
3.2 基于小波邻域阈值分类的电能质量信号去噪算法 |
3.3 本章小结 |
4 电能质量信号压缩算法 |
4.1 引言 |
4.2 基于参数量化和小波变换的电能质量扰动数据压缩方法 |
4.3 基于JPEG2000的电能质量数据扰动压缩方法 |
4.4 本章小结 |
5 电能质量扰动分类 |
5.1 引言 |
5.2 基于S变换和模糊专家系统的电能质量扰动分类 |
5.3 基于小波能量熵和LS-SVM的电能质量扰动分类 |
5.4 基于多域特征提取和自适应神经-模糊推理系统的电能质量扰动识别 |
5.5 本章小结 |
6 振荡瞬态扰动的分析 |
6.1 引言 |
6.2 基于线性预测奇异值分解的振荡瞬态分析 |
6.3 本章小结 |
7 谐波分析及抑制 |
7.1 引言 |
7.2 基于傅氏系数自适应组合估计算法的谐波功率实时高精度计算 |
7.3 基于可调分辨率MUSIC算法的间谐波分析 |
7.4 基于改进粒子群优化算法的无源谐波滤波器组参数设计 |
7.5 本章小结 |
8 总结与展望 |
8.1 全文总结 |
8.2 未来展望 |
致谢 |
补记 |
参考文献 |
附录 攻读博士学位期间发表学术论文目录 |
附录 攻读博士学位期间参加的科研工作 |
(8)电力系统数据压缩算法的研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题目的和意义 |
1.2 国内外研究现状及存在的问题 |
1.2.1 电力数据压缩 |
1.2.2 电力数据传输 |
1.3 本文的主要研究内容 |
1.4 本文的创新之处 |
第二章 数据压缩及数据传输的方法与评价指标 |
2.1 数据压缩 |
2.1.1 数据压缩原理 |
2.1.2 压缩算法的分类 |
2.1.3 压缩效果的评价标准 |
2.2 数据传输 |
2.2.1 数据传输方式 |
2.2.2 数据传输的质量指标 |
2.2.3 电力系统通信技术介绍 |
2.3 本章小结 |
第三章 多小波嵌入式零树编码方法及电力数据的压缩 |
3.1 多小波基本理论 |
3.1.1 多小波的重要性质 |
3.1.2 几种常用的多小波比较 |
3.1.3 多小波的多分辨率分析 |
3.1.4 正交离散多小波变换 |
3.1.5 预处理方法及对多小波滤波器性能的影响 |
3.2 多小波阈值压缩算法 |
3.2.1 几种常用多小波变换的分解重构比较 |
3.2.2 压缩算法的实现过程 |
3.2.3 与单小波阈值算法压缩效果的对比 |
3.3 多小波零树编码在电力数据压缩中的应用 |
3.3.1 嵌入式小波零树编码 |
3.3.2 基于多小波的嵌入式零树编码算法的设计 |
3.3.3 压缩算法的几点改进 |
3.3.4 改进后压缩算法的流程 |
3.3.5 待编码数据的构成与误差来源分析 |
3.3.6 仿真实验及结果分析 |
3.3.7 新算法的优越性 |
3.4 本章小结 |
第四章 二维多小波嵌入式零树编码方法及电能质量信号压缩 |
4.1 图像压缩的基本理论 |
4.1.1 图像压缩概述 |
4.1.2 图像压缩方法 |
4.1.3 图像压缩的评价标准 |
4.2 基于多小波变换的图像压缩 |
4.2.1 图像的多小波变换 |
4.2.2 二维GHM多小波变换的仿真 |
4.2.3 基于多小波的图像压缩的实验与分析 |
4.3 多小波零树图像编码在图像压缩中的应用 |
4.3.1 压缩算法的实现 |
4.3.2 仿真实验及结果分析 |
4.4 二维多小波零树图像编码在电力数据压缩中的应用 |
4.4.1 压缩算法的流程 |
4.4.2 算法中的几个关键步骤 |
4.4.3 仿真实验及结果分析 |
4.5 本章小结 |
第五章 基于GPRS的电力数据远程传输的程序设计与实验 |
5.1 系统通信方案的设计 |
5.1.1 GPRS通信模块的选择 |
5.1.2 系统通信协议的选择 |
5.1.3 GPRS组网方式的选择 |
5.1.4 数据传输上层应用协议的设计 |
5.2 系统的软硬件开发平台 |
5.2.1 硬件开发平台的构架 |
5.2.2 软件开发环境 |
5.3 监测终端应用程序的开发与实现 |
5.3.1 基于多小波的数据压缩在VC6.0下的实现 |
5.3.2 GPRS数据传输底层功能的实现 |
5.4 控制中心应用程序的开发与实现 |
5.4.1 客户机/服务器模式 |
5.4.2 SOCKET编程原理 |
5.4.3 服务器应用程序的设计与实现 |
5.5 传输试验及结果 |
5.5.1 GPRS传输实验 |
5.5.2 还原压缩数据与原始数据对比 |
5.6 本章小结 |
结论 |
参考文献 |
致谢 |
研究成果及发表的学术论文 |
作者与导师简介 |
北京化工大学硕士研究生学位论文答辩委员会决议书 |
(9)多小波和小波神经网络构造及其在电弧故障诊断中的应用研究(论文提纲范文)
提要 |
第一章 绪论 |
1.1 多小波研究基础及发展 |
1.1.1 小波分析基础 |
1.1.2 多小波理论的发展 |
1.2 小波神经网络发展历史及研究的现状 |
1.3 电弧故障的研究背景 |
1.3.1 电弧故障信号检测的意义及现状 |
1.3.2 电弧故障信号的特点及分类 |
1.4 论文主要研究内容 |
第二章 多小波理论与电弧故障信号去噪 |
2.1 引言 |
2.2 多小波函数与多尺度分析 |
2.3 多小波的分解与重构 |
2.4 多小波与单小波的比较 |
2.5 基于多小波的故障信号去噪 |
2.5.1 故障信号的多小波预滤波分析 |
2.5.2 电弧故障信号的去噪 |
2.7 本章小结 |
第三章 多小波的构造方法研究 |
3.1 引言 |
3.2 正交与双正交多小波的构造 |
3.2.1 正交对称多小波的构造 |
3.2.2 全插值的双正交多小波的构造 |
3.2.3 构造算例 |
3.3 单小波的提升分解 |
3.4 多小波的提升分解与应用 |
3.4.1 多小波变换的提升分解 |
3.4.2 基于提升格式多小波的数据压缩 |
3.5 本章小结 |
第四章 基于多小波的电弧故障检测方法研究 |
4.1 引言 |
4.2 改进的多小波算法 |
4.3 多小波包的分析 |
4.4 多小波包系数削减算法 |
4.5 基于多小波包的电弧故障信号分析 |
4.6 基于移动时域窗的电弧故障信号检测方法研究 |
4.7 本章小结 |
第五章 小波神经网络的构造研究 |
5.1 引言 |
5.2 小波神经网络的数学基础 |
5.3 基于小波框架的小波网络研究 |
5.4 基于正交小波变换的小波网络研究 |
5.5 构造多小波网络 |
5.5.1 基于多小波框架的多小波网络 |
5.5.2 基于多小波连续变换的多小波网络 |
5.6 本章小结 |
第六章 小波网络在电弧故障诊断中的应用研究 |
6.1 引言 |
6.2 框架结构小波网络参数初始化 |
6.3 改进的小波网络隐层节点数确定方法 |
6.4 电弧故障识别方法研究 |
6.4.1 故障特征提取 |
6.4.2 基于小波网络的故障诊断 |
6.5 本章小结 |
全文总结 |
参考文献 |
攻读博士学位期间发表的学术论文 |
致谢 |
摘要 |
Abstract |
(10)电力系统数据压缩的算法研究及通信网络仿真(论文提纲范文)
C0NTENTS |
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究的内容和意义 |
1.2 电力系统数据压缩概述 |
1.2.1 数据压缩原理简介 |
1.2.2 电力数据的无损压缩方法综述 |
1.2.3 电力数据的有损压缩方法综述 |
1.2.4 电力数据的无损与有损压缩方法的结合 |
1.2.5 目前存在的问题和研究方向 |
1.3 本文的主要工作 |
第二章 电力数据的Huffman无损压缩研究 |
2.1 引言 |
2.2 Huffman无损压缩编码原理 |
2.3 Huffman压缩性能与电力数据字符编码的关系研究 |
2.3.1 电力波形数据特点和十进制字符编码的Huffman压缩性能 |
2.3.2 Huffman压缩性能与不同进制字符编码的关系研究 |
2.3.3 十六进制与十进制字符编码时的Huffman压缩效果对比 |
2.4 基于MATLAB的十六进制字符编码Huffman压缩算例分析 |
2.4.1 MATLAB简介 |
2.4.2 仿真波形数据 |
2.4.3 计算结果与分析 |
2.5 本章小结 |
第三章 基于高阶增量调制的电力数据无损压缩 |
3.1 引言 |
3.2 数据编码调制原理简介 |
3.2.1 脉冲编码调制(PCM)和差分脉冲编码调制(DPCM) |
3.2.2 增量调制(DM)和自适应增量调制(ADM) |
3.3 电力测量数据的高阶增量调制压缩算法 |
3.3.1 电力测量数据高阶差分时的特点 |
3.3.2 高阶增量调制压缩算法的基本原理 |
3.4 高阶增量调制算法用于电力波形数据压缩的性能分析 |
3.5 算例分析 |
3.5.1 仿真波形数据 |
3.5.2 计算结果与分析 |
3.6 本章小结 |
第四章 基于小波包理论的电力数据有损压缩 |
4.1 小波理论简介 |
4.1.1 小波理论的产生和发展 |
4.1.2 小波分析基本概念 |
4.1.3 小波的时频分辨性 |
4.2 小波包基本理论 |
4.3 基于小波包理论的电力数据压缩研究 |
4.3.1 小波包数据压缩研究的进展 |
4.3.2 最优小波包树和熵函数的选择 |
4.4 基于整体优化思想的小波包统一阈值压缩方法 |
4.4.1 整体优化的的研究思路 |
4.4.2 小波包统一阈值压缩方法的提出 |
4.5 算例分析 |
4.5.1 高压输电线路故障数据的压缩 |
4.5.2 低压配电线路故障数据的压缩 |
4.5.3 山东省济南市的实际电力负荷数据压缩 |
4.6 本章小结 |
第五章 基于OPNET的电力压缩数据通信仿真 |
5.1 OPNET通信网络仿真软件 |
5.1.1 OPNET仿真软件简介 |
5.1.2 OPNET网络通信仿真的主要步骤 |
5.2 电能质量数据的变电站内通信 |
5.2.1 概述 |
5.2.2 电能质量监测系统 |
5.2.3 电能质量数据传输的评估 |
5.3 基于OPNET的电能质量数据变电站内通信仿真 |
5.3.1 共享式10M以太网 |
5.3.2 交换式10M和100M以太网 |
5.3.3 考虑背景流量的交换式以太网 |
5.3.4 数据压缩前后的通信性能对比 |
5.4 广域保护数据的变电站间通信 |
5.4.1 集中式结构的特点 |
5.4.2 分布式结构的特点 |
5.4.3 网络式结构的特点 |
5.4.4 三种类型通信网络的响应时间分析 |
5.5 利用OPNET的广域保护数据变电站间通信仿真 |
5.5.1 仿真模型的建立 |
5.5.2 OPNET参数设置 |
5.5.3 仿真结果及分析 |
5.6 本章小结 |
第六章 结论 |
参考文献 |
致谢 |
攻读博士学位期间发表的学术论文 |
攻读博士学位期间的科研情况 |
附录 |
学位论文评阅及答辩情况表 |
四、基于小波包变换和矢量量化的电力系统故障数据压缩(论文参考文献)
- [1]动态同步相量数据压缩方法研究[D]. 严英. 北京交通大学, 2021
- [2]基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究[D]. 范家铭. 北京交通大学, 2020
- [3]煤与瓦斯突出态势感知方法研究[D]. 王雨虹. 辽宁工程技术大学, 2020
- [4]配电网单相接地故障定位方法研究[D]. 訾小娜. 郑州大学, 2020(02)
- [5]智能电网海量数据轻型化方法研究[D]. 周学斌. 武汉大学, 2020(03)
- [6]船舶电力推进系统故障诊断方法研究[D]. 赖永发. 武汉理工大学, 2020(08)
- [7]电能质量扰动相关问题研究[D]. 张明. 华中科技大学, 2010(08)
- [8]电力系统数据压缩算法的研究与实现[D]. 张蕊. 北京化工大学, 2009(S1)
- [9]多小波和小波神经网络构造及其在电弧故障诊断中的应用研究[D]. 李文军. 吉林大学, 2008(11)
- [10]电力系统数据压缩的算法研究及通信网络仿真[D]. 毕研秋. 山东大学, 2007(07)