小波分析在负载识别中的应用

运用小波分析对学生公寓用电负载的波形进行分析与讨论,通过计算各种负载及混合负载电流的能量和小波变换后不同层的能量及其比值,作为负载识别的依据,识别出大功率阻性负载与计算机,对杜绝学生违章用电及防止火灾有重大意义。     

基于HOG和SVM的非侵入式负荷识别

智能电网时代,准确高效的居民用电负荷评估对改善和调节电力网络的传输结构至关重要.对用户用电的电流、有功功率和谐波电流等数据进行数据预处理,基于对偶树复小波变换对数据降噪,建立基于HOG和SVM分类识别模型提取数据特征,并进行负荷识别.非侵入式负荷识别极大地降低数据收集和分析成本,对居民使用电器类型和数量的实时监测,为准确估算居民用电载荷提供可靠依据.     

基于变权欧氏距离的学习型智能插座设计

使用现有智能插座实现电器用电量的统计和电器待机功耗的消除,存在灵活性差、适用范围有限等问题,为此提出一种基于变权欧氏距离的学习型智能插座.先采用有限状态机方式提取有功功率和功率因素作为待测电器的特征值,再用变权欧氏距离从样本库中找出待测电器的类型,引入学习功能解决电器多样性问题,并用记忆原理处理陈旧的电器样本,在识别电器的基础上,统计各个电器的用电量和消除电器的待机功耗.测试结果表明,同一类型电器之间的相似度达80%以上,可识别出宿舍中大多数电器的类型,验证了该方法的有效性和可行性.     

公寓电器功率智能识别与用电安全控制器设计

针对学生公寓存在使用大功率违章电器的问题,为了用电安全与管理,设计了一个以单片机为核心能自动识别大功率电器并能限制其使用的智能用电控制器．互感器采样电流,经过电压形成电路,由TLC1543进行A／D转换,转换结果送入单片机进行数据处理．并介绍了系统的组成、主要模块的工作原理及程序流程图．     

浅谈家庭安全用电的重要性

随着人民生活的不断提高,各种电器蜂拥至人们的家庭中,家庭用电的总功率大幅上升。用电安全就显的尤为重要,稍有不慎,轻则产生人身安全问题,重则产生火灾,造成人们生命财产受到侵害。本文从家庭安全用电的重要性,常见故障及排除方法,介绍了家庭中如何安全用电。     

基于AVR单片机的恶性负载智能识别控制器设计

设计了一种基于AVR单片机的恶性负载智能识别控制器,详细介绍了设计思想、硬件电路和软件设计.通过测试发现,该控制器能自动监控违章电器,限制学校和企业宿舍内恶性负载电器设备的使用,从而消除用电安全隐患,延长电线使用寿命.     

基于单片机控制的学生公寓用电系统的设计

随着高校现代化、智能化学生公寓的兴建,学生公寓用电智能管理控制系统得到了广泛应用,利用AT89S52单片机控制学生公寓用电的数据采集、处理、显示以及对异常用电的自动处理;通过RS485串口实现上位机与单片机之间的通信对学生公寓用电系统进行管理;采用电脑集中查询与LED自动显示相结合的查询方式,可方便地查询每个房间的用电量、剩余电量。目前该系统运行稳定、可靠,实现了学生公寓用电的智能化控制和管理。     

基于肘关节表面肌电信号的负载识别

针对大多数肌电信号只进行特定肢体动作识别而没有对肢体进行外加负载识别的问题,提出一种基于表面肌电信号(surface electromyography, s EMG)的负载识别方法。首先,采用4通道表面电极采集肘关节在不同负载下的s EMG信号;然后,利用时域、频域特征提取方法对s EMG信号进行特征提取构成特征向量;最后,利用支持向量机(support vector maching, SVM)、BP神经网络和RBF神经网络对特征向量进行分类识别。结果表明以时域特征值识别,SVM的识别效果最佳,准确率为96.2%;以频域特征值识别,BP神经网络的识别效果最佳,准确率为87.5%;以时、频域组合特征值识别,RBF神经网络的识别效果最佳,准确率为90.4%。可见通过s EMG信号进行负载识别具有一定的可行性,为s EMG信号的广泛应用奠定基础。     

提高电力系统用电功率因数方法

电力系统中,负载多为感性用电设备,负载在吸收有功功率的同时,还需要大量的无功功率进行能量转换。若功率因数过低,会使电源利用率降低。提高功率因数,提高企业用电质量,最大限度的节约能源。     

电器对低压电力线载波通信信道特性的影响

为了深入分析和研究各类电器的负载阻抗特性及其对低压电力线载波通信信道特性的影响,提出一种基于矢量网络分析仪的时频2维电器阻抗测量方法,并通过该方法对各类电器在不同工作状态下的阻抗特性进行了测量,结合自下而上的电力线信道建模方法对接入不同类型电器负载的典型电力线信道场景的信道特性进行了理论分析。根据测量可得,相同的电器负载在不同空间位置分布对电力线信道特性造成的影响不同,不同的电器负载在同一位置对电力线信道特性造成的影响不同,且时变负载会导致接入该负载的电力线信道也呈现出时变特性。理论分析与测试结果表明,时频变的电器负载阻抗是影响低压电力线载波通信信道特性的关键因素之一。     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测的准确性对电力系统的实时运行调度至关重要.采用BP神经网络对电力系统负荷短期预测研究,根据影响电力系统的负荷因素如温度、天气等确定模型构成,同时利用遗传算法对BP神经网络进行优化.实例表明,利用遗传算法优化的BP神经网络在电力系统短期负荷预测中是有效的.     

一种智能型预测技术在电力系统中的应用

介绍一种基于BP神经网络的短期电力负荷预测技术,针对BP算法存在的缺陷进行优化,并将经过优化设计的遗传BP算法作为预测技术的核心算法,通过对几种BP网络预测网络的训练、测试验证结果分析比较,表明遗传BP算法的预测技术可以有效、准确的应用于短期电力负荷预测.     

改进的BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,分析传统BP算法的不足,提出一种基于Levenbery-Marquardt优化法的BP模型学习算法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同类型的负荷差异,并对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度。     

人工神经网络在电力系统短期负荷预测中的应用

根据电力系统短期负荷变化的特性,提出BP模型在实际负荷预测应用中的方法和步骤．对BP网络结构、样本空间、收敛性等作了有针对性的研究．结果表明：多层神经网络应用于电力系统短期负荷预测是可行和有效的．其预报结果比传统的负荷预测方法更准确、经济、效果更好．     

注意力机制下的EMD-GRU短期电力负荷预测

为进一步提高短期电力负荷预测精度,构建一种基于注意力机制的经验模态分解(EMD)和门控循环单元(GRU)混合模型,对时间序列的短期负荷进行预测.首先,对负荷序列进行EMD,将数据重构成多个分量;再通过GRU提取各分量中时序数据的潜藏特征;经注意力机制突出关键特征后,分别对各分量进行预测;最后,将各分量的预测结果叠加,得到最终预测值.仿真结果表明:相对于BP网络模型、支持向量机(SVR)模型、GRU网络模型和EMD-GRU模型,基于EMD-GRU-Attention的混合预测模型能取得更高的预测精度,有效地提高短期电力负荷预测精度.     

人工神经网络及其在电力短期负荷预测中的应用研究

电力系统负荷预测的精度将直接影响电力系统的经济效益和用电的安全和稳定.通过讨论短期负荷预测,来阐述Levenberg-Marquardt算法优于传统BP算法.并分别用BP算法和Levenberg-Marquardt算法对绥龙110 kV变电局所属供电网络远动采集来的负荷数据进行预测,来说明Levenberg-Marquardt算法优于传统BP算法.     

BP神经网络在IEEE802.4扩展协议优先级控制中的应用

模拟了IEEE802.4优先级扩展协议网络运转,通过设定各类帧的目标令牌循环时间值,得到网络运行平稳后各类优先级信息帧的平均发送值.然后以这些平均值作为BP网络的输入,以各类帧的目标令牌循环时间值作为BP网络的输出,训练BP网络,最后得到一个逼近函数.仿真实验表明,利用训练好的BP网络,可以得到满足网络负载的合理目标令牌循环时间值.     

基于Simulink的BP神经网络实现研究

BP神经网络是人工神经网络中的一个典型代表,但利用BP神经网络解决实际问题时,经常涉及到大量的数值计算问题,而运用计算机高级语言编程对BP神经网络模型进行仿真和辅助设计是件十分麻烦的事情,为了解决这个矛盾,Matlab中的Simulink提供了大量的可用于实现BP网络的模块,本文通过应用Simulink中的模块构建了一个BP网络,并通过一实例验证了所构建的BP网络的可行性.从而使应用BP网络来解决许多领域的实际问题变得非常方便和有效.     

采油控制系统神经网络建模和优化算法设计

油田抽油机普遍存在抽取能力大于油井实际负荷的问题,产生泵空或空捞现象,其结果增加了无效行程,浪费了大量电能,同时也增加了抽油设备的维护费用。针对这一问题,提出结合BP(Back Propagation)神经网络和遗传算法的采油控制系统。为了克服常规BP神经网络容易陷入局部极小和收敛速度慢的缺点,采用改进的非线性同伦BP神经网络进行采油模型辨识,并用遗传算法优化停机时间。在保证采油量的前提下,采油控制系统的节电率达25%以上,并可延长抽油机寿命30%左右,实现了抽油机采油的智能控制,经济效益十分显著。