基于改进YOLOv5s的非侵入式负荷识别

负荷识别是非侵入式负荷监测的关键环节.针对原始电压电流轨迹特征选择有限、识别准确度低的问题,提出一种基于改进YOLOv5s(YOLOv5s是YOLOv5(you only look once的第5个版本)系列中预训练结构最小的模型)的非侵入式负荷识别算法.将坐标注意力(coordinate attention,简称CA)模块添加至YOLOv5s的主干网络,用双向特征金字塔网络(bi-directional feature pyramid network,简称BiFPN)取代YOLOv5s的常规特征提取网络.实验结果表明：相对于其他3种算法,该文算法有更高的负荷识别准确度.因此,该文算法具有有效性.     

长江干线客渡船横越模型与应用

为了防控客渡船横越长江干线航道的船舶碰撞风险,论文研究长江干线客渡船横越模型及应用问题。论文首先从客渡线通航环境、客渡船操纵性能、人员从业素质、避让特征四个方面分析了长江干线客渡船航行避让特征;结合内河避碰规则、良好船艺要求从交通冲突角度推导了长江干线客渡船横越模型,从客渡船穿越要求和发船频率两方面提出了客渡船安全营运要求。通过实测数据对长江干线客渡船横越模型和安全营运要求进行了验证,最后通过实例阐述长江干线客渡船横越模型的应用。研究结果表明：客渡船以有利的穿越间隙、穿越时机、穿越航速横越河道和以合适的发船频率营运,能有效降低客渡船与航道船舶流的碰撞风险。     

基于波束空间求根MUSIC算法电力系统谐波检测

针对传统电力系统中谐波检测方法存在的精确度低、抗噪性差等问题,本文将波束空间求根MUSIC算法应用于电力系统谐波检测. 该算法以信号空间为模型,用盖氏圆检测出信号源数,利用波束空间将阵列接收的数据通过变换得到波束空间的数据,再将波束空间的数据分解为噪声和信号子空间,由该两个子空间的正交性构造多项式,通过求解此多项式,得到信号的频率估计值,最后由扩展PRONY方法计算得到信号的幅值. 仿真实验验证和实际数据分析表明该算法在电力系统谐波检测中是切实可行的.      

点模式的概率松弛匹配法

文章提出了一种将谱图理论、特征点的局部特征和概率松弛法相结合的特征点匹配算法。该算法通过谱方法,求出特征点匹配的初始概率;利用特征点的结构特征和灰度特征,求得初始支持度;将初始概率、初始支持度与概率松弛迭代法相结合,获得匹配结果。实验结果表明,该方法能够达到较高的匹配效果。     

基于TAM谐波检测方法

针对传统谐波检测方法及其存在的问题,将TAM方法应用于谐波检测。该方法以信号空间模型为基础,结合子空间旋转不变性和最小二乘法实现了电力系统的谐波检测。首先求解采样信号数据矩阵的协方差矩阵,然后对协方差矩阵进行奇异值分解,利用最小二乘法的原理减少噪声影响,得到较为精确的频率和幅值估计参数。仿真实验结果表明：该算法精确有效...     

基于图的Laplace矩阵和非负矩阵的图像分类

文章将图的Laplace矩阵和非负矩阵分解方法结合起来,应用于图像分类.对不同的图像先提取其特征点,再对提取得到的特征点构造图的Laplace矩阵,将构造的矩阵进行非负矩阵分解后得到图像的特征向量,最后将特征向量输入到PNN分类器中,对图像进行分类.对模拟图像和真实图像进行了多组实验,结果证明了该算法应用于图像分类的准...     

基于复阻抗与支持向量机的电能质量扰动分类方法

电能质量扰动现象的准确分类是电能质量领域的热门课题.提出一种基于复阻抗和支持向量机的电能质量扰动分类方法.该方法首先从UCI(University of California,Irvine)数据库中分别提取出各电能质量扰动现象(电压暂降、电压暂升、电压中断、电压振荡、电压脉冲)的实际数据,通过Hilbert变换把扰动电压信号和扰动电流信号转换为相量形式,在此基础上得到复阻抗.接着通过复阻抗提取信号特征,组成特征向量,然后应用支持向量机分类器进行训练、测试和分类.最终对UCI数据库中大量实际扰动数据进行分类,分类取得了良好效果,此效果表明该方法具有一定的应用价值.     

基于TDFFCNN模型的电能质量扰动分类

为提高电能质量扰动(power quality disturbances,简称PQD)分类准确率,提出双模态特征融合的卷积神经网络(two-dimensional feature fusion convolutional neural network,简称TDFFCNN)模型,该模型包含2个轻量化子模型.子模型1运用全局最大池化,在大量降低数据量的同时学习电能质量扰动(power quality disturbances,简称PQD)时间序列的时序特征,以增加模型提取时序特征的能力;子模型2使用小卷积核与小步长为参数的堆叠单元提取图像振幅特征,对高中低层特征进行融合,以获得细节与结构性语义.实验结果表明：TDFFCNN模型具有较强的抗噪性能;相对于其他3种模型,TDFFCNN模型的平均准确率最高.因此,TDFFCNN模型具有更强分类性能.