基于 Hopfield 神经网络的谐波电流检测方法

在对各种谐波电流检测方法进行简单比较的基础上,提出了一种基于Hopfield神经网络(HNN)的谐波电流检测方法.该方法将HNN优化理论用于电力系统的谐波检测,自适应地准确检测出电网基波和各次谐波分量的幅值和相角.采样数据处理速度快,实时性好,网络不需要预先进行训练.仿真结果表明,该方法具有很好的实时性、较高的检测精度以及自适应跟踪负载电流变化的能力.     

一种基于神经网络的谐波电流抑制方法

在传统谐波注入法基础上提出一种神经网络自适应谐波电流抑制方法，根据自适应噪声抵消技术运用人工神经网络的自适应和自学习特性检测出谐波电流并注入电力系统，达到抑制谐波的目的。通过对一典型正弦电流的仿真研究结果表明，该方法是可行和有效的，它不但有较高的精测精度，而且能跟踪检测，根据环境的变化能自适应地调整神经网络的权值，以便正确地检测出线路的谐波电流。     

基于FPGA电力系统谐波检测

针对目前电力系统谐波检测方法都存在的一定的缺点与不足,分析了各种检测方法的利弊,提出了一种基于FPGA电力系统谐波检测的新方法,结合FFT谐波检测理论的特点,通过理论分析和硬件电路设计,实现了FFT算法的高测量精度检测.采用MATLAB的SimPowerSystems和Simulink模块对系统进行建模仿真,结果表明:该电力系统谐波检测的新方法,达到了高速度、高精度的算法要求,提高了系统的实时性,完全可以达到抑制谐波的目的,实验系统电流的谐波总畸变率由有源滤波器投入前的20.78%降至1.32%.     

基于IASO-CCNN的自适应电力谐波检测

谐波检测环节对谐波治理能力有着很重要的影响,神经网络由于可以快速逼近非线性所以被广泛应用于谐波检测,传统的神经网络用于谐波检测时会存在收敛速度慢,精度不高的缺点,在传统神经网络的基础上,提出了级连神经网络(CCNN)构架,并利用改进蚁群算法(IASO)进行优化,通过MATLAB仿真验证,该算法不仅可以在线学习实时检测谐波,在精度与收敛速度上的表现也优于传统方式。     

一种基于粒子群优化的极限学习机

极限学习机(ELM)是一种新型的前馈神经网络,相比于传统的单隐含层前馈神经网络(SLFN),ELM具有速度快、误差小的优点.由于随机给定输入权值和偏差,ELM通常需要较多隐含层节点才能达到理想精度.粒子群极限学习机算法为使用粒子群算法(particle swarm optimization,PSO)选择最优的输入权值矩阵和隐含层偏差,从而计算出输出权值矩阵.一维Sinc函数拟合实验表明,相比于ELM算法和传统神经网络算法,粒子群极限学习机算法依靠较少的隐含层节点能够获得较高精度.     

一种基于神经网络的自适应谐波电流检测法

根据信号处理中的自适应噪声抵消技术，提出了一种基于神经网络的自适应谐波电流检测方法。该方法适用于有源电力滤波器。仿真结果表明了这种谐波电流检测方法的有效性。     

一种基于AdaBoost的极限学习机分类方法

极限学习机是一种新型的单隐层前馈神经网络,在训练网络的过程中随机给定输入层权值和隐藏层偏差,所以训练速度非常快,但却导致了输出不稳定.提出了一种基于AdaBoost的极限学习机,把极限学习机作为AdaBoost的基本分类器,通过改变输入数据的权重,使得极限学习机的分类性能得到提升.实验结果表明了该方法与极限学习机和传统的神经网络相比,能够提高极限学习机的学习性能,并且使极限学习机输出更加稳定.     

前馈网络的一种高精度鲁棒在线贯序学习算法

基于离散傅里叶变换-极限学习机(DFT-ELM)提出了一种新的单隐层前馈神经网络在线贯序学习算法,命名为"在线贯序-离散傅里叶变换-极限学习机"(OS-DFT-ELM).该算法能够逐个或逐段学习数据,随着新数据的逐渐到达,单隐层前馈神经网络的内权矩阵和外权矩阵得到逐步调整.该算法与在线贯序-极限学习机(OS-ELM)相比,具有更高的精度和鲁棒性.同时,通过实验和分析,表明OS-DFT-ELM具有优良性能.     

单相无锁相环单次谐波电流检测方法

谐波电流检测是有源电力滤波器的重要环节,提出了一种单相无锁相环的单次谐波检测方法.分析了检测方法中由低通滤波器引起的检测误差,应用滑动均值滤波器提高了检测精度和响应速度,在单相系统中检测单次谐波电流并将其分解.理论分析和仿真结果表明:该方法具有良好的可靠性和优越性.     

有源滤波器的谐波检测算法及仿真实现

谐波电流检测的准确性是有源滤波器可靠运行的首要环节.在传统谐波检测算法的基础上采用一种基于三相瞬时无功功率理论的改进的ip-iq算法,并在MATLAB/simulink下进行建模仿真.结果表明,该谐波电流检测算法能够及时、精确的检测到负载产生的谐波电流,从而使控制装置产生的补偿电流能够精确得跟踪指令电流,最终达到精确补...     

遗传算法改进神经网络的电力系统谐波检测法

提出了将遗传算法与神经网络结合起来用于电力系统谐波幅值与相位测量的方法。根据电力系统谐波的特点,构造了用于谐波检测的神经网络模型,阐述了网络训练样本的形成方法。借助Matlab提供的遗传算法与神经网络算法工具箱,先用遗传算法对前馈神经网络进行全局训练,再用BP(back-propagation)算法进行精确训练。仿真结果验证了该方法的有效性和可靠性。通过与传统BP算法测量谐波的方法相比较,该方法具有训练速度快,不易陷入局部极值,测量精度高的优点。最后用未训练的样本检测训练好的神经网络,验证了该网络同时也具有较好的泛化能力。     

基于神经网络的输电线路故障识别方法

针对长期暴露在露天环境下输电线路容易发生开股、断股情况,提出了一种基于神经网络的输电线路故障识别方法,选择轻量级网络MobileNet训练模型与单发多盒探测器(single multibox detector,SSD)目标检测算法。建立导线故障样本缺陷库,对导线故障图片进行处理,在已有模型上对故障特征进行训练,调整超参数优化模型,对模型进行测试,最终将模型在嵌入式设备上进行部署。结果表明,与传统的Faster-RCNN结合VGG16网络模型相比较,大小为传统模型的1/23. 78,测试速度快了28倍,精确度为92. 60%。该系统不仅有较好的识别效果,而且满足实时性。     

一种基于瞬时无功功率的改进p-q谐波电流检测方法研究

针对传统的谐波检测算法在检测三相电压对称时效果良好而不对称时存在很大误差的问题,提出一种新型的既适用于三相电压对称系统又适合三相电压不对称系统的高精度改进p-q谐波检测方法.该谐波检测方法应用正负序解耦理论提取三相电压的基波正序电压分量,通过给定的谐波拟合精度与相对误差等指标进行相应的跟踪计算,从而实现谐波电流的准确检测.通过仿真和实验表明,提出的谐波检测方法与传统方法相比具有较大的优势,精度、有效性和抗干扰性能表现良好.     

基于神经网络平滑聚合机制的恶意代码增量训练及检测

为保证恶意代码变种检测模型的时效性,传统基于机器（深度）学习的检测方法通过集成历史数据和新增数据进行重训练更新模型存在训练效率低的问题。笔者提出一种基于神经网络平滑聚合机制的恶意代码增量学习方法,通过设计神经网络模型平滑聚合函数使模型平滑演进,通过添加训练规模因子,避免增量模型因训练规模较小而影响聚合模型的准确性。实验结果表明,对比重训练方法,增量学习方法在提升训练效率的同时,几乎不降低模型的准确性。     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

基于ART2神经网络的入侵检测方法

提出基于ART2神经网络的入侵检测方法.采集基于主机和基于网络的入侵特征数据,分析入侵行为的空间和时间关联性,并对入侵特征数据中的关联信息进行处理,提取入侵行为之间的关联性,降低入侵检测算法的复杂性;利用ART2算法的自学习能力、自组织能力、良好的稳定性和可塑性以及快速识别能力,实现对用户行为的近实时检测,取得了较高的检测准确率,在识别未知攻击方面具有较好的性能.     

基于孪生神经网络的小样本目标检测综述

目标检测是计算机视觉的基础任务之一，其主要任务是对图像中的目标进行分类和定位。小样本目标检测的目的就是利用极少数的训练样本实现对目标的检测，从而减少繁杂的标注工作，并实现在只有少量样本场景下的应用。现有的小样本目标检测方法主要包括基于孪生神经网络的方法和基于微调的方法，这些方法通过利用现有的包含大量样本的基类数据集和包含少量样本的小样本数据集的训练，使模型实现对小样本类别的分类和定位。重点调研了基于孪生神经网络的双分支小样本目标检测方法，简要介绍了基于微调的小样本目标检测方案，分析了这些方案的优缺点，指出现有的小样本目标检测方案虽不成熟，模型精度有待提升，性能评估方案也有待完善，但却有着十分广阔的应用前景，未来若能通过深入研究解决小样本目标检测的现有问题，其精度必将赶超传统目标检测。     

采用检测电源电流控制方式的串联型电力有源滤波器

分析了与并联型电力有源滤波器原理完全不同的、适用于补偿电压型谐波源的串联型电力有源滤波器的工作原理,阐明了其基于瞬时无功功率理论的检测电源电流控制方式,并据此提出了直流电压和ＰＷＭ 逆变器的控制方法．在此基础上研制了实验样机．实验结果验证了所提出的控制方法是有效的,并且表明串联型电力有源滤波器对电压型谐波源具有良好的谐波补偿能力．     

实时电流跟踪型并网逆变器谐波抑制方法

提出了一种改进的带非线性负载的三相并网逆变器谐波抑制方法,此方法不仅简单,而且与传统的谐波抑制方法相比具有较强的鲁棒性.利用检测电流的方式以及两个PI控制器的调节作用实现谐波电流的实时跟踪.通过Matlab/Simulink仿真结果表明提出的实时电流跟踪型并网逆变器谐波抑制策略不仅可以抑制非线性负载带给电网的谐波干扰,而且当负载大小变化后仍可以实现有效抑制.