基于神经网络与特征融合的损伤诊断方法

为了能准确地诊断复杂结构损伤是否产生以及产生的位置和程度,提出了一种小波包分解、多传感器特征融合和神经网络模式分类相结合的结构损伤诊断方法。首先,用正交小波包对多个传感器采集的振动信号进行小波包分解,并计算每个频带上的相对能量;然后把这些传感器信号的小波包相对能量融合,构成神经网络分类器的输入特征向量,从而实现损伤的诊断和评价。研究结果表明:正交小波包分解的频带能量分布能够较好地反映结构的损伤特征;特征融合能够使不同传感器的信息相互补充,减小了损伤检测信息的不确定性,使诊断信息具有更高的精度和可靠性,提高了诊断准确率。     

基于RMT-CNN的电网短路故障定位研究

随着我国智能电网的快速发展,电网监测数据呈现多元化、高速化、海量化的趋势.为了充分挖掘电力大数据的潜在价值,实现电网内异常区域的自动识别与定位,本文研究了基于随机矩阵理论（random matrix theory,RMT）和卷积神经网络（convolutional neural networks,CNN）的电网异常事件定位方法.首先根据电网内部联系将电网划分为若干子系统,分区构建监测矩阵;然后采用RMT作为数据挖掘的特征提取方法,提取分区矩阵特征向量作为输入,根据电网监测数据和异常识别需求的特点搭建CNN模型;最后基于分区矩阵特征向量构建数据集,训练获得有效的异常事件自动定位CNN模型.以IEEE39节点电网模型三相短路故障为例,分析表明通过RMT提取特征向量的预处理方法能有效降低数据维度,提高CNN模型的故障定位准确率,分区RMT-CNN模型能有效定位电网内异常事件的发生地点,定位精度可达97.96%,精确率可达98.65%.