黄威博[1]（2021）在《模块化多电平柔性直流输电线路保护方法研究》文中研究表明柔性直流输电系统可独立调节有功功率、无功功率,为无源系统供电,并具有谐波水平低、输电方式灵活等优势,且无需无功补偿、无换相失败问题,可应用于灵活输电、异步联网、大规模新能源并网等领域,具有良好的推广前景。然而,由于电压源换流器拓扑的特殊性,直流线路故障时电流上升速度快、峰值大,这与电力电子设备过流能力弱的特点构成矛盾,同时常用的后备保护电流差动保护在速动性上较难满足柔性直流系统要求,且柔性直流输电系统不能像传统直流输电系统,通过控制触发角来实现故障自清除,因此,柔性直流线路保护与故障处理方法对于提高系统安全可靠运行性能具有重要意义。本文研究开始之时,正是柔性直流技术开始应用于输电系统之时,因此,本文的研究是在当时的柔性直流工程,以及国内外对其故障特征、保护方法研究的基础上展开的。以此为起点,本文从模块化多电平换流器柔性直流输电系统的稳态运行特征、故障暂态特征出发,研究了柔性直流输电线路的主保护、后备保护方法,故障处理方案,故障测距方法。论文主要工作内容包括以下几方面:（1）提出了一种基于小波熵的模块化多电平柔性直流输电（Modular Multilevel Converter based High Voltage Direct Current,MMC-HVDC）架空线路主保护方法。基于张北四端柔性直流输电工程,研究了系统稳态运行特性,详细分析了不同故障的故障机理、故障过程,分析了不同故障暂态特征,为主保护方法的研究奠定了基础。揭示了双极短路故障、单极接地故障、雷击干扰、雷击故障、区外换流器子模块故障、区外交流侧单相接地故障在时频分布上存在差异的机理,结合小波熵对紊乱信号具有强表征能力的特点,提出了基于小波熵的主保护方法,解决了不同场景下暂态时域波形相似、难以快速区分的问题。所提保护算法可满足柔性直流系统对主保护3ms动作的要求,具有良好的动作性能,能有效区分区内故障和区外故障,能准确识别区内不同故障类型。所提保护方法具有优良的耐受过渡电阻能力、抗干扰能力,且不受故障距离、子模块短路故障产生的暂态信号的影响,能适用于多端或两端柔性直流输电系统。（2）提出了基于限流电抗器两端电压六次谐波分量幅值比的后备保护方法。研究了双极短路故障时,不同阶段故障电流的时域、频域特征,揭示了在不同数量桥臂导通情况下,电压、电流六次谐波的产生机理,为保护原理研究奠定了基础。分析了线路等效阻抗随线路长度、频率、短路故障过渡电阻变化的机理,结合限流电抗器对谐波的衰减作用,提出了基于限流电抗器两端电压六次谐波幅值比的后备保护方法。研究了线路长度对所提保护方法的影响,利用测量阻抗容性、感性的特征,通过设置合理的整定值,有效区分故障区段,所提保护方法具有良好的耐受过渡电阻、抗干扰能力。（3）提出了全桥型模块化多电平换流器（Full Bridge MMC,FBMMC）柔性直流输电系统新型故障处理策略,当发生瞬时性故障时基于FBMMC直流故障穿越机理进行故障清除与恢复,当发生永久性故障时基于能量守恒原理进行故障测距与检修。结合全桥子模块的导通模式与运行特性,研究了全桥型模块化多电平换流器控制策略、子模块触发策略。分析了换流器闭锁前、闭锁后直流侧双极短路故障机理、FBMMC故障电流阻断原理,结合FBMMC直流故障穿越特性,提出了直流瞬时性故障清除控制策略。研究了系统永久性故障清除过程中,FBMMC闭锁后故障线路中储存的能量将回馈到换流器子模块电容的机理,解析了故障距离与回馈能量之间的数学关系,提出了基于能量守恒原理的故障测距方法,从机理上考虑了线路分布参数影响,不受采样频率影响,耐噪声能力强,适用于电缆线路,具有良好的测距精度。
周靖轩[2]（2021）在《基于深度学习的数字图像区域复制伪造检测算法研究》文中研究表明数字图像盲取证是近年来多媒体安全领域一个重要的研究方向。传统的图像盲取证技术通常利用人工提取伪造痕迹的统计特征来检测和定位图像的伪造区域。然而,随着图像处理软件功能越来越强大,伪造图像的操作越来越复杂和隐蔽,难以察觉的痕迹特征往往会被各种后处理操作破坏,给取证工作带来极大困难和严重问题。随着人工智能技术的发展,利用机器学习进行图像盲取证研究成为一种趋势,然而现有方法存在着检测视野单一、检测结果不稳定、在训练集表现良好在测试集表现较差等问题。本文利用深度学习技术研究面向区域复制伪造的图像盲取证方法。本文的主要工作如下:（1）分析和总结现有的图像区域复制伪造检测算法,对图像区域复制伪造进行建模,描述通用的图像区域复制伪造检测流程。实验分析卷积层和池化层对CNN视野的影响,分析算法检测不同尺寸的篡改区域所产生的问题并提出解决方案。对现有的区域复制伪造数据集进行扩充。（2）针对现有方法视野单一、不能兼顾大小视野等问题,提出了一种基于双分支网络的图像区域复制伪造检测算法。该检测网络由预处理模块、分支网络模块和融合模块组成。算法首先对图像进行了预处理,对图像尺寸进行归一化。分支网络模块使用双分支网络定位图像篡改区域,两个分支网络的特征提取器拥有不同的视野,使用距离度量凸显图像的篡改痕迹,使用解码器寻找篡改区域在图像中的位置。融合模块将双分支网络的结果拼接,并使用分类器对图像像素进行分类定位出篡改区域。实验结果表明,该算法不仅可以抵抗高斯噪声、几何攻击和JPEG压缩等攻击,针对不同大小的伪造区域也有一定的有效性。其中该算法在CASIAV2.0复制-移动篡改数据集上达到56.64%的精确率和61.24%的召回率,算法平均检测时间为1.36秒。（3）针对现有方法检测速度慢、检测精度低的问题,提出了一种基于二维CNN的图像区域复制伪造检测算法。该算法使用二维CNN提取图像特征,对提取的特征进行距离度量,将距离度量结果送入分类器判别图像的真实性。实验表明该算法可以端到端判别图像是否为区域复制伪造图像,并且检测速度快、检测准确率高,对几何攻击有一定的抵抗性。该算法在MICC-F 220数据集上可以达到98.5%的准确率。（4）针对现有方法在训练集表现良好在测试集表现较差的问题,提出了一种基于一维CNN的图像区域复制伪造检测算法。该算法结合传统方法提取特征的精准性和深度学习方法分类的精确性完成图像区域复制伪造检测。该算法使用双分支网络判别图像的真伪性,两个分支网络通过预处理获得不同尺寸的图像块特征,通过距离度量凸显图像篡改痕迹,最后将两个网络的距离度量结果送入一维神经网络提取图像距离度量的特征判别图像的真伪性。实验结果表明,双分支网络的检测结果优于任意一支单分支网络,算法对几何攻击抵抗性较强,检测结果稳定可靠。算法在MICC-F 220数据集上可以达到97.0%的准确率。
盖勤[3]（2021）在《基于深度学习的电能质量检测方法研究》文中研究说明随着电力电子技术的大规模应用、分布式发电和众多精密负荷的广泛接入,电网电能质量面临越来越多的新挑战。复杂多变的电能质量扰动不断威胁着电力用户的用电安全,电网中的电能质量问题已经成为科研人员的研究重点。在电能质量问题的研究中,电能质量扰动信号的正确识别有助于对扰动进行重现和溯源,进而实现扰动的分析和治理,对确保电力系统的安全稳定运行和改善系统的供电质量具有十分重要的意义。本文从深度学习的角度出发,开展了对基于深度学习算法的电能质量扰动分类识别的研究。论文的主要工作如下:阐述电能质量相关标准,搭建电能质量单一及复合扰动信号模型。介绍了7种单一电能质量扰动信号及5种复合扰动信号的产生原因与危害,并对这12种扰动信号进行仿真,获得扰动信号样本,为后续实现多种深度学习算法对电能质量扰动的识别分类提供特征数据集。研究基于深度残差网络的电能质量扰动识别方案。利用残差模块实现卷积神经网络结构的加深,从而解决深层分类网络的退化问题。探究深度残差网络模型参数配置对扰动分类识别的影响,确定适用于电能质量扰动识别的深度残差网络结构。算例结果表明深度残差网络能够改善既有网络的网络退化问题,并且具有更高的扰动识别准确率和噪声鲁棒性且网络的收敛速度更快。研究基于深度可分离卷积神经网络的电能质量扰动识别方法。利用可分离卷积实现在保证扰动信号识别精度的同时减少网络模型的计算量。使用深度可分离卷积神经网络与标准卷积神经网络对12种扰动进行分类识别,就两种网络模型的参数量、计算量以及准确率进行对比,结果表明深度可分离卷积神经网络的参数量与计算量均低于标准卷积网络,并且具有更高的噪声鲁棒性和准确率。研究基于W-GAN（Wasserstein距离生成对抗网络）的数据增强方案。利用W-GAN的对抗学习能力,解决因原始扰动信号数量不足导致识别网络泛化性能下降的问题。生成器与判别器进行多次对抗训练,逐渐学习到电能质量扰动信号的真实概率分布。利用已经训练好的生成器对扰动信号的小样本数据进行数据增强,并将真实扰动数据与生成的扰动数据结合作为训练集对网络进行测试,算例结果表明W-GAN能够有效地学习扰动样本的概率分布,提升模型的泛化能力。综上,本文研究了两种用于电能质量扰动识别的深度学习方法,分别从解决深层网络的退化问题以及减少网络模型的计算量、参数量出发,提出了深度残差网络和深度可分离卷积网络,这两种网络均有较高的识别准确率。针对可能存在的扰动样本不足问题提出了基于W-GAN的数据扩容方案,为小样本扰动数据的识别提供了新的研究思路。
朱佳琪[4]（2021）在《分布式光伏系统并网点电气监测研究》文中研究说明随着光伏产业的迅速发展,分布式光伏电站发电的电能质量及其可靠性为电网的安全可靠运行带来了新的挑战,光伏电站的实时监测系统应运而生且应用市场广阔。并网点电气监测技术是光伏电站实时监测系统的核心,其研究的难点一是信号去噪与电能质量分析,二是故障录波多阈值触发技术,针对这些问题本文进行了以下工作:1.本文设计了光伏电站实时监测方案,该监测系统集中数据采样层、处理层以及展示层,并对该三层系统进行详细介绍。其中对数据采样层,本文集中介绍了数据采集器的选型、数据采集原理以及基于小波阈值去噪的数据预处理方案,并将信噪比作为参考标准,对小波分解层数、阀值去噪方法、阀值的选择标准展开理论分析以及相关仿真实验,最后得出最佳去噪方案,得出了适合的并网交流信号去噪的小波变换参数值。2.对于数据处理层的电能质量分析模块中,本文设计了电能质量的具体分析流程,利用快速傅里叶变换（FFT）提取信号特征量,以及模极大值原理进行信号扰动分类,计算出电压变动频度、谐波畸变率、电压偏差数值等扰动参数,完成电能质量全过程分析。3.对于数据处理层中的故障录波功能,本文针对短时扰动可能造成录波误动的问题,基于故障录波单阈值启动算法,利用灰色关联度理论,提出了一种光伏电站中复合阈值触发的主动变频故障录波启动方法,该启动方式对当前故障录波判据中所用的常见模拟量分别进行抗误动和抗拒动关联度分析,获得针对每个模拟量的最佳抗误动和抗拒动因子,实现故障录波触发的复合阈值判断,最后提出基于单阈值和复合阈值的综合故障录波启动判据,实时进行系统采样频率的主动分级调整,实现高实时性、高准确性的故障录波功能。4.对于数据展示层,本文基于Labview设计了数据展示界面,该展示系统集中了数据管理、电能质量监测以及光伏发电运行监测模块,实现人机交互。
马永硕[5]（2021）在《基于改进GAN的谐波状态估计研究》文中研究说明近年来,随着我国社会、经济和科学技术的持续发展,电气自动化水平不断地提高,电力系统中的非线性电力和电子设备的数量持续增长,由谐波直接造成的电能质量问题持续增多。因此,为保障电网安全有效运行,准确估计电网中的谐波状态对有效治理谐波污染是至关重要的。传统谐波状态估计采用基于物理模型的机理分析方法,描述节点间耦合关系,通过已知监测点数据,包括谐波电压和谐波电流等,来估计未监测节点的谐波状态。但受到量测装置少、精确的谐波阻抗获取难、网络拓扑结构复杂以及电网运行方式变化等因素的限制,造成量测方程欠定、系统非全局可观以及节点间耦合关系难以准确提取等问题。与其他传统的机器学习方法相比,深度学习更加广泛地适用于高维、数据量较大的应用场景,其特点是利用批量训练的数据,通过迭代函数最小化损失来进行训练,反复调整深度神经网络各隐含层单元的权重参数,当输入输出与样本标签高度拟合时,它们之间的映射关系将固化为隐含层权重参数。基于数据驱动的关系提取方法避免了物理模型的弊端,可反映在电网高维、非线性、强时变等不确定因素影响下的节点间耦合关系。生成对抗网络因判别网络的加入,避免了损失函数设计的困难,与其他深度学习算法相比,能够生成更加清晰、更真实的目标数据。本文在传统生成对抗网络基础上,提出了基于pix2pix的双节点谐波状态估计方法和融合精炼网络的多节点谐波状态估计方法。模型基于节点对的批量真实样本数据,通过条件生成对抗博弈提取节点对之间的耦合关系,生成符合配电网量测数据特征的目标节点谐波数据。最终在固化节点对间耦合关系的基础上,基于监测节点数据准确估计目标节点的状态数据。本文利用PSCAD搭建了 IEEE 14节点仿真模型进行验证,实验结果表明,本文方法能够有效估算出目标节点谐波电流、谐波电压,实现了基于数据驱动的谐波状态估计方式,并通过抗噪性测试,验证了提出方法的抗干扰性和泛化能力。
李延峰[6]（2021）在《齿轮箱非平稳多分量信号的故障诊断方法研究》文中提出在工业过程中机械系统的安全性和可靠性决定了产品的质量,能否及时对故障进行识别和分类是保障系统安全运行并抑制故障恶化的关键。随着制造业数字化的快速发展,面对海量的数据,如何从中快速提取信号特征,再从中找到敏感特征集并对其进行准确识别分类,是高效发现机械系统故障,进而避免严重损坏发生的关键。而在工业生产中,作为传递动力的主要部件的齿轮箱,它的健康与否决定了机械系统能否高效的工作。齿轮箱由齿轮、轴承等多个部件装配而成,往往在变载荷、变转速的工况中运行,其振动信号具有非平稳性、非高斯性及非线性等特性,且包含各个部件的振动信息,成分复杂。对齿轮箱振动信号进行智能高效的故障诊断,则有必要对信号进行有效的信号分离,高效的提取特征信息和准确的故障分类。而这些难点的解决需要依据齿轮箱故障机理,结合其振动特性,利用信号处理算法自身的优势并根据齿轮箱运行特点来提出一系列适用于齿轮箱非平稳多分量信号的故障诊断方法。论文研究的主要内容和最终成果包括以下几个部分:（1）提出了基于同步压缩小波变换的谱峰检测自适应多脊提取的方法（SWT-AMRE）,该方法可以有效减少SWT算法的运行时间,为时频脊线的提取奠定了良好的基础;该方法可以自适应提取同步压缩小波变换的时频矩阵中的多个脊线;在不同噪声强度下,该方法能够保持较高的提取精度,SWT-AMRE与理论值的总体平均相对误差仅为2.92%,IF估计的平均相对误差比传统谱峰检测减少了约50%。（2）提出了基于DSWT-IMRE的VKF信号分离与特征提取方法,该方法利用DSWT-IMRE自适应获取高精度IF估计并使其值作为VKF滤波的瞬时频率参数,从而使复杂多分量非平稳信号能够直接在时域中实现信号分离,并转变为由多个平稳单分量信号和残余信息的信号组合;将各分量信号对应的IF估计作为参考频率,并对各分量信号分别进行阶比分析,同时对信号残余进行对角切片双谱分析,从而抑制高斯噪声并有效分离和提取振动信号中的故障特征。该方法在信号重构方面,相对误差比基于传统谱峰检测的VKF重构方法减少了约9%。（3）提出了基于VKF联合时域特征的循环GMM-FCM的模式识别方法,该方法将基于VKF的联合时域特征作为模式识别的特征集进行聚类分析,有效降低了特征集的维度;该方法能够对全局异常点和局部异常点进行检测,能够使分类边界更合理;该方法通过循环GMM算法自适应的确定FCM的类别数,能够使分类结果更准确,分类准确度达到98.77%。（4）搭建了功率流齿轮箱试验台并采集了无故障状态、点蚀过渡状态、齿面点蚀状态及复合故障状态等多种状态的齿轮箱振动信号。通过仿真和试验来验证了上述提出的方法的可行性、有效性、优越性和实用性,为齿轮箱非平稳多分量信号的故障诊断提供了研究基础。
亓源[7]（2021）在《基于PMU的次同步振荡智能识别与告警方法研究》文中认为随着电力工业的飞速发展,大量风电、光伏等新能源场站接入电网,引发新的次同步振荡问题。PMU在电网中的大量装设,为次同步振荡的在线实时监测提供了重要手段。然而,目前基于PMU的次同步振荡分析方法,存在频域分析计算量大、难以从海量数据中提取振荡特征、告警阈值难以有效确定等问题,无法较好地满足实际现场需求。因此,论文对次同步振荡提取了有效特征,提出了基于多支持向量机模型的次同步振荡快速识别方法,研究了振荡频率的初步辨识方法,提出了基于阈值自适应设置的次同步振荡告警方法。上述方法均基于PMU实测数据进行了测试,完成了实际软件开发,并已在我国西部电网的WAMS主站部署。针对如何从海量数据中提取有效的次同步振荡特征的问题,分析了大量PMU实测数据特点,提取了升降趋势周期性、包络线波动指数、平稳子序列长度三种用于次同步振荡识别的特征量,并进一步对现场数据模式进行了分析,将现场数据划分为18种模式,为实际现场的次同步振荡的识别提供了基础。针对如何在实际现场复杂场景下快速准确识别次同步振荡的问题,提出了一种基于多支持向量机模型的次同步振荡识别方法,根据所提特征估计干扰水平,自适应地选择分类器;针对新出现的振荡模式影响原分类器精度的问题,提出了一种基于增量学习的分类器自动更新方法。实现了在不同的扰动条件下次同步振荡的快速、准确识别,并达到了基于少量样本适应新的振荡模式的目的。为了在次同步振荡识别的同时能够进行振荡频率的初步辨识,为后续的告警提供数据基础,分析了所提特征与振荡频率的关系,提出了一种基于双频模型的次同步振荡频率初步辨识方法,实现了较小的计算量,保证了方法在实际系统中次同步振荡识别的同时快速实现的可行性。针对难以对次同步振荡告警阈值进行设置的问题,分析了振荡告警阈值与噪声干扰、能量累积、敏感频率和幅值衰减情况的关系,提出了一种基于幅值阈值和持续时间阈值自适应设置的次同步振荡告警方法,实现了基于振荡危险性的阈值的有效设定和及时、准确的振荡告警。
孙淙南[8]（2021）在《大蹄蝠领域冲突解决策略及其领域叫声的进化研究》文中进行了进一步梳理群居动物常常为了争夺有限的资源,个体间频繁的发生冲突,而激烈的冲突常导致受伤甚至是死亡,最终影响个体和群体的生存和繁殖适合度。然而,动物常常采用打斗评估策略和传递编码打斗能力信息的通讯信号来解决冲突,从而避免斗争的升级,减少打斗的代价。因此,阐明动物冲突的解决策略、通讯信号编码的信息内容及通讯信号的进化是动物行为学和进化生物学等研究领域的热点,也将为深入理解人类冲突行为以及人类语言的起源和进化提供科学依据。翼手目动物（俗称蝙蝠）常常为了争夺取食、求偶和交配以及栖息领域的拥有权,频繁发生冲突,并发出复杂多样的领域叫声。然而,对蝙蝠领域冲突解决策略、领域叫声编码的信息内容及领域叫声的地理进化研究甚为缺乏。本论文以雄性大蹄蝠（Hipposideros armiger）为研究对象,通过录制和分析其栖息领域冲突行为和领域叫声,并结合体型、优势等级、气候、地理、遗传因素和室内回放实验,试图揭示其在栖息领域争夺过程中的冲突解决策略、领域叫声编码的信息内容及其地理变化机制。动物常采用打斗策略来解决领域冲突,然而,目前对占据独特夜空生态位蝙蝠打斗策略的研究尚未见报道,不利于理解夜行性哺乳动物冲突解决过程。通过分析222只雄性大蹄蝠共111次打斗交互后发现,大蹄蝠有5种主要的领域行为展示包括耳动、抬头或转头、拍翼、拳击和扭斗。体重较大的个体获胜率显着高于体重较轻的个体,暗示体重是指示大蹄蝠资源占有潜力的重要指标。当冲突升级至有身体接触阶段,打斗时间显着负相关于输者的体重,而与胜者的体重无显着相关,表明大蹄蝠采用自我评估策略来解决冲突,且最有可能的自我评估策略为能量消耗战模型。人类甚至包括许多动物能够通过发声来表达个体身份和内在情绪的变化,目前有关蝙蝠领域叫声个体识别及声音表达情绪的研究较为缺乏。通过比较大蹄蝠在高低两种激进强度背景下发出的向上弯曲调频型（b UFM）领域叫声声学参数差异发现,相比低激进强度背景,大蹄蝠在高激进强度背景下会显着降低叫声的最小频率,增加频率带宽,同时谐波能量的分布由第二谐波转移至第一谐波,即包含情绪状态的信息。同时,个体间在声学结构参数上具有显着的差异,即包含个体身份的信息。回放实验结果表明个体能够利用b UFM叫声来识别不同的个体。这些结果暗示蝙蝠能够通过改变声音结构的细小变化来表达情绪状态和个体身份信息,并能够感知这些微小变化。发声权衡是衡量动物在声信号表现方面的能力,其特征是在音节带宽和音节重复速率之间存在一个权衡。目前,蝙蝠发声是否存在权衡仍不清楚。通过分析来自64只雄性个体的232个b UFM叫声声学参数后发现,音节重复速率显着负相关于频率带宽,表明存在发声表现权衡现象。此外,发声偏歧显着负相关于体重,表明b UFM领域叫声包含个体身体质量信息。这些结果暗示除了声音的频率和时间参数,声音的发声表现也能够反映个体身体质量信息。多信息假说认为,一个叫声中的不同音节类型包含个体的不同信息,然而,是否单一音节类型的声音能够编码不同类型的信息仍不清楚,特别是在领域冲突背景下。通过分析来自16只雄性个体的224个阶梯向上调频型（s UFM）领域叫声声学参数,同时基于1657次打斗交互确定个体的优势等级,发现s UFM叫声编码个体体重、优势等级和个体标签信息。回放实验显示个体能够利用s UFM叫声来识别不同的个体。这些结果意味着单一音节类型叫声本身也能够编码不同类型的信息并且能够被个体感知。动物的声信号普遍存在地理变化,虽然已有研究表明蝙蝠通讯叫声存在地理变化,但缺乏对通讯叫声波地理变化进化原因更加全面的研究以及缺乏通讯叫声种群间分歧对蝙蝠种群的影响。通过分析来自我国南部9个自然地理种群的b UFM叫声声学参数后发现,b UFM叫声的5个声学参数均存在显着的地理变化,大部分的变化来源于种群内个体间的变化（42～60%）。种群间领域叫声的分歧并不受体型、气候因子、文化漂变和遗传漂变的影响。回放实验结果显示,大蹄蝠能够基于b UFM叫声来辨别本种群的个体和外来种群的个体。这些结果暗示个体间叫声的识别可能促进了种群间领域叫声的差异,削弱了生态选择和漂变对种群间叫声分歧的影响。综上,本论文率先对翼手类蝙蝠的冲突解决策略进行系统研究,首次明确了蝙蝠的通讯叫声存在发声表现权衡的现象,亦是首次揭示了蝙蝠通讯叫声种群分歧影响了种群间个体的识别;对深入理解蝙蝠冲突解决过程、通讯叫声的适应性进化和感官驱动物种形成具有重要意义。
金航[9]（2021）在《基于脉冲涡流的油气井套管结构变形检测方法研究》文中指出油气井套管结构是保护井筒完整性与保障油气能源安全采集的关键部件,对其可能存在的变形缺陷进行及时可靠的检测是消除安全隐患、保障油气井高效生产的重要一环。脉冲涡流检测方法因其简便普适、灵敏高效、适用于过油管检测等优势,在油气井套管结构检测中受到越来越多的关注与应用。本文主要结合国家科技重大专项研发任务与实际工程应用需求,开展了基于脉冲涡流的油气井套管结构变形检测方法研究,重点围绕油气井套管结构变形脉冲涡流信号分析与检出方法、油气井套管变形类型判别方法和过油管方式下的套管结构变形检测方法展开研究,并利用实验井套管脉冲涡流检测数据进行了方法验证。论文的主要研究工作和创新点如下:（1）针对油气井套管微小变形的脉冲涡流响应信号变化特征微弱从而难以检出的问题,提出了基于堆叠式自动编码器的套管结构脉冲涡流检测信号分析方法和套管变形检出方法。对原始脉冲涡流检测信号进行预处理以后利用无缺陷套管的涡流检测数据训练堆叠式自动编码器的网络参数,构建检测信号重构模型,提取脉冲涡流响应信号与套管变形信息之间的非线性特征;将测试样本信号输入模型,计算输出的重构信号与输入信号间的重构误差,结合阈值法实现油气井套管结构的变形检出,为后续套管变形样本的类型判别研究奠定基础。（2）针对数据集分布差异条件下,脉冲涡流检测信号的传统特征提取方法泛化能力不足的问题,提出了基于最大均值差异的脉冲涡流检测信号特征提取和套管变形类型判别方法。在构建特征提取模型时,引入了最大均值差异作为域间损失,度量并限制特征向量的分布差异,提取表征套管变形类型信息的泛化性特征;然后通过与支持向量机分类算法结合建立油气井套管变形类型的分类判别模型,实现套管变形类型的识别。通过分布差异数据集的检测实验结果和对特征提取模型关键参数以及局限性的讨论,表明了该套管变形类型判别方法可以从特征层面减小分布差异,提高检测模型的泛化性能。通过对单一套管结构变形检出与类型判别方法的研究,为后续过油管方式下套管结构变形检测方法研究提供指导。（3）围绕油气井套管结构的过油管检测方式,提出了基于过油管检测数据的油气井套管检测信号回归预测方法,用于解决过油管方式下的套管结构变形检测问题。采用基于分段拟合的套管结构涡流检测信号近似方法,计算套管结构涡流响应曲线的拟合参数并将其作为回归模型的观测值;结合XGBoost回归算法建立基于过油管检测数据的油气井套管涡流响应信号回归模型,预测消除油管影响后对应的套管结构脉冲涡流检测信号,将过油管方式下的套管变形检测问题转化为对应单一套管结构的变形识别问题,为油气井套管结构的过油管检测信号处理提供了一种新的解决思路。通过回归预测模型的性能分析实验及套管变形过油管检测的应用验证实验对上述方法进行验证。总体而言,论文面向实际工程应用需求,主要围绕油气井套管结构的变形检测方法开展工作,重点研究了油气井套管结构变形脉冲涡流信号分析与检出方法、油气井套管变形类型判别方法和过油管方式下的套管结构变形检测方法。经实验分析与验证,所研究方法在油气井套管结构变形检测中表现出了一定的优势。研究工作对基于脉冲涡流技术的油气井套管检测方法研究具有借鉴意义,为油气井套管结构的无损检测与状态评估提供了技术支持。
许煜[10]（2021）在《微电网中谐波智能检测与抑制算法的研究》文中提出微电网作为一个具有分布式发电、储能和负荷等装置的具有很强灵活性的小型电力系统,可以提升能量的利用率,降低输电损耗,是应对目前资源短缺的有效途径。然而随着微电网电力电子设备的增多,微电网中的谐波含量也越来越多,会影响到其供电的可靠性和能源的利用效率。需要在设计微电网时对出现的谐波进行分析以优化网络结构,减少因网络结构设计不良而产生的谐波,并且需要高效可靠的谐波抑制方法来抑制掉电网运行时产生的谐波。本文从谐波检测与抑制两个方面入手,针对现有算法运算速度较慢、精度不够高的缺点提出了智能化的改进方案。在谐波检测部分本文提出了用于整次谐波和间谐波的神经网络算法。对于整次谐波检测,按照整次谐波展开式优化神经网络结构,将神经元的激励函数修改为正弦和余弦函数并将隐含层的计算移动到输入层中;对于间谐波检测,按照间谐波展开式中正弦和余弦成组出现且每组的角频率ω相同的特点,设计分组式神经元结构,并与变步长算法结合以缩短神经网络的训练时长。当微电网中存在谐波时专用的检测网络从微电网线路中选取若干组时间-电流（或电压）值作为神经网络拟合训练样本,拟合训练结束后从权值矩阵和偏置矩阵中计算出谐波的次数、幅值和相位。通过仿真对比,新的整次谐波检测算法在达到相同训练精度的前提下,迭代次数仅为原算法的4%;新的间谐波检测算法仅使用原算法迭代次数的38%便将训练精度提升了4倍。在谐波抑制部分,针对有源滤波器指令信号发生环节瞬时无功功率产生的指令信号精度不高的缺点,设计了将神经网络谐波检测法配合ip-iq检测法的并行检测方案,当有谐波输入或谐波信息发生变化时,神经网络检测算法对谐波信号进行采样、拟合,在其运算完成之前使用传统的瞬时无功功率算法生成指令信号,在运算完成后使用神经网络检测出的信息生成指令信号,从而提升指令信号的精度,提升抑制效果。针对有源滤波器指令信号跟踪控制环节滞环控制跟踪效果差,开关损耗大的缺点,本文提出了基于模糊控制的变环宽算法。该算法将实际信号与指令信号的斜率差和指令信号的二阶导作为模糊控制器的输入信号,按照指令信号和实际信号曲线变化的趋势以及对定频算法近似计算公式的修正补偿设计全新的控制规则。优化两路输入变量和输出变量的隶属度函数曲线,按照降低开关元器件通断频率波动的思想合理调节滞环比较器的环宽,最终在降低开关频率的同时也降低了总谐波失真THD.通过仿真对比,新的谐波智能抑制方案和传统滞环控制的有源滤波器方案相比,开关频率降低了3.4%,THD降低了2.3%.
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。
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。
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。
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 柔性直流输电线路保护方法研究现状 |
| 1.2.2 柔性直流输电线路故障处理方法研究现状 |
| 1.2.3 柔性直流输电线路故障测距方法研究现状 |
| 1.3 论文主要工作与章节安排 |
| 2 基于小波熵的MMC-HVDC系统线路主保护方法 |
| 2.1 柔性直流输电系统运行特性分析 |
| 2.1.1 基于MMC柔性直流输电系统工作原理 |
| 2.1.2 柔性直流输电系统稳态运行特性 |
| 2.2 柔性直流输电系统故障特性分析 |
| 2.2.1 半桥型MMC双极短路故障 |
| 2.2.2 半桥型MMC单极接地故障 |
| 2.2.3 故障仿真 |
| 2.3 故障暂态特征分析 |
| 2.3.1 系统结构 |
| 2.3.2 双极短路故障 |
| 2.3.3 单极接地故障 |
| 2.3.4 雷击干扰与雷击故障 |
| 2.3.5 区外故障 |
| 2.4 基于小波熵方法的暂态信号特征提取 |
| 2.4.1 小波熵定义 |
| 2.4.2 不同故障暂态的频谱差异分析 |
| 2.4.3 不同暂态特征的小波熵分析 |
| 2.4.4 故障距离对小波熵特征的影响分析 |
| 2.4.5 过渡电阻对小波熵特征的影响分析 |
| 2.4.6 故障时刻对小波熵特征的影响分析 |
| 2.5 保护方法 |
| 2.5.1 启动判据 |
| 2.5.2 区内外故障判据 |
| 2.5.3 双极短路故障判据 |
| 2.5.4 单极接地故障、雷击干扰和雷击故障的识别方法 |
| 2.5.5 保护方案流程图 |
| 2.6 仿真验证与分析 |
| 2.6.1 不同故障的保护动作结果 |
| 2.6.2 不同子模块故障数量的影响 |
| 2.6.3 不同过渡电阻的影响 |
| 2.6.4 不同故障距离的影响 |
| 2.6.5 不同噪声的影响 |
| 2.6.6 方法对比分析 |
| 2.7 本章小结 |
| 3 基于六次谐波的MMC-HVDC输电线路后备保护方法 |
| 3.1 故障频域特性分析 |
| 3.1.1 故障电流频段分布特征 |
| 3.1.2 六次谐波分量分析 |
| 3.2 区内外故障六次谐波差异分析 |
| 3.2.1 理论分析 |
| 3.2.2 仿真分析 |
| 3.3 保护方法 |
| 3.3.1 启动元件 |
| 3.3.2 双极故障判据 |
| 3.3.3 区内、区外故障判据 |
| 3.3.4 保护方法流程 |
| 3.4 线路长度对保护方法的影响 |
| 3.4.1 理论分析 |
| 3.4.2 仿真验证 |
| 3.4.3 保护适用场景 |
| 3.5 保护算法性能分析 |
| 3.5.1 过渡电阻对保护的影响 |
| 3.5.2 噪声干扰对保护的影响 |
| 3.5.3 单极接地故障 |
| 3.5.4 交流侧故障 |
| 3.5.5 方法对比分析 |
| 3.6 本章小结 |
| 4 FBMMC直流故障处理策略与能量守恒测距方法 |
| 4.1 FBMMC拓扑及控制策略 |
| 4.1.1 FBMMC拓扑及工作原理 |
| 4.1.2 FBMMC调制方式及控制策略 |
| 4.1.3 FBMMC运行特性 |
| 4.2 FBMMC直流故障机理及故障清除策略 |
| 4.2.1 FBMMC直流故障机理 |
| 4.2.2 FBMMC故障清除控制策略 |
| 4.3 瞬时性故障处理策略仿真验证 |
| 4.4 基于能量守恒原理的永久性故障测距方法 |
| 4.4.1 测距方法原理分析 |
| 4.4.2 测距方法实现 |
| 4.5 测距算法性能分析 |
| 4.5.1 采样频率对测距方法的影响 |
| 4.5.2 与R-L等效模型对比 |
| 4.5.3 考虑噪声影响的分析 |
| 4.6 测距算法在电缆线路中的适用性分析 |
| 4.7 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 后续工作展望 |
| 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 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究问题描述 |
| 1.2.1 图像区域复制伪造建模 |
| 1.2.2 图像区域复制伪造检测的基本流程 |
| 1.3 图像区域复制伪造检测研究进展 |
| 1.3.1 传统检测算法 |
| 1.3.2 基于深度学习的检测算法 |
| 1.4 本文主要研究内容和论文结构安排 |
| 2 相关理论基础 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积层 |
| 2.1.2 池化层和填充 |
| 2.1.3 卷积神经网络视野计算 |
| 2.2 距离度量 |
| 2.3 极复指数变换和奇异值分解 |
| 2.4 特征解码 |
| 2.5 本章小结 |
| 3 基于双分支网络的图像区域复制伪造检测算法 |
| 3.1 问题描述 |
| 3.2 基于双分支网络的图像区域复制伪造检测算法网络设计 |
| 3.2.1 分支网络设计 |
| 3.2.2 特征提取器设计 |
| 3.2.3 距离度量设计 |
| 3.2.4 特征解码器设计 |
| 3.2.5 融合模块设计 |
| 3.3 CNN视野实验与分析 |
| 3.4 实验设计与分析 |
| 3.4.1 图像集 |
| 3.4.2 训练过程 |
| 3.4.3 算法性能评估准则 |
| 3.4.4 实验结果展示与分析 |
| 3.5 本章小结 |
| 4 基于CNN的图像区域复制伪造检测算法 |
| 4.1 引言 |
| 4.2 基于二维CNN的图像区域复制伪造检测算法 |
| 4.2.1 网络总体架构设计 |
| 4.2.2 各模块设计 |
| 4.2.3 训练过程 |
| 4.3 基于一维CNN的图像区域复制伪造检测算法 |
| 4.3.1 分支网络设计 |
| 4.3.2 预处理模块设计 |
| 4.3.3 距离度量模块设计 |
| 4.3.4 一维CNN模块设计 |
| 4.3.5 融合模块设计 |
| 4.3.6 全连接层模块 |
| 4.3.7 训练过程 |
| 4.4 实验结果及分析 |
| 4.4.1 图像集 |
| 4.4.2 评估准则 |
| 4.4.3 实验结果展示与分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 本文的主要贡献 |
| 5.3 未来研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
| 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 传统电能质量扰动识别方法的研究现状 |
| 1.2.2 深度学习方法在电能质量扰动分类中的研究现状 |
| 1.3 本文的研究内容 |
| 2 电能质量标准及扰动模型 |
| 2.1 电能质量相关标准 |
| 2.1.1 国内相关标准 |
| 2.1.2 国外相关标准 |
| 2.2 电能质量扰动模型 |
| 2.2.1 电能质量单一扰动模型 |
| 2.2.2 电能质量复合扰动模型 |
| 2.3 本章小结 |
| 3 基于深度残差网络的电能质量扰动分类 |
| 3.1 卷积神经网络 |
| 3.1.1 卷积神经网络简介 |
| 3.1.2 卷积神经网络结构及分类原理 |
| 3.2 深度残差网络 |
| 3.2.1 深度残差网络结构 |
| 3.2.2 深度残差网络参数配置 |
| 3.3 算例分析 |
| 3.3.1 电能质量扰动信号数据集 |
| 3.3.2 深度残差网络模型 |
| 3.3.3 网络训练过程分析 |
| 3.3.4 不同模型结果对比 |
| 3.4 本章小结 |
| 4 基于深度可分离卷积神经网络的电能质量扰动分类研究 |
| 4.1 轻量化卷积神经网络 |
| 4.1.1 轻量化模型 |
| 4.1.2 轻量化方法 |
| 4.2 深度可分离卷积神经网络 |
| 4.2.1 深度可分离卷积 |
| 4.2.2 网络结构 |
| 4.3 算例分析 |
| 4.3.1 网络训练过程 |
| 4.3.2 不同模型结果对比 |
| 4.4 实验数据测试 |
| 4.4.1 电能质量数据生成与采集 |
| 4.4.2 电能质量数据预处理及识别效果验证 |
| 4.5 本章小结 |
| 5 基于W-GAN的电能质量扰动样本数据增强研究 |
| 5.1 W-GAN概述 |
| 5.1.1 生成对抗网络 |
| 5.1.2 W-GAN |
| 5.2 基于W-GAN的数据电能质量扰动数据增强 |
| 5.2.1 扰动信号样本 |
| 5.2.2 W-GAN的模型结构及参数设计 |
| 5.3 算例分析 |
| 5.3.1 网络训练过程 |
| 5.3.2 结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 光伏系统并网点电气监测研究现状 |
| 1.2.1 光伏监测发展研究现状 |
| 1.2.2 光伏监测系统方案 |
| 1.3 光伏电站电能质量分析关键技术 |
| 1.3.1 小波去噪技术 |
| 1.3.2 故障录波技术 |
| 1.4 论文研究意义 |
| 1.5 本文主要内容 |
| 第二章 光伏系统并网点电气监测方案设计 |
| 2.1 实时监测系统方案设计 |
| 2.2 数据采集层设计 |
| 2.2.1 信号采样与案例 |
| 2.2.2 光伏支路及逆变器数据采集 |
| 2.2.3 环境数据采集 |
| 2.2.4 电气数据采集 |
| 2.2.5 电参数方案总体设计 |
| 2.3 本章小结 |
| 第三章 数据预处理及电能质量分析 |
| 3.1 小波阈值去噪 |
| 3.1.1 数据预处理介绍 |
| 3.1.2 小波变换分析法 |
| 3.1.3 小波变换参数核定 |
| 3.2 电能质量分析 |
| 3.2.1 电能质量标准 |
| 3.2.2 电能质量分析方案 |
| 3.2.3 短时扰动监测方案 |
| 3.2.4 电能质量分析总流程 |
| 3.3 仿真分析 |
| 3.3.1 短时扰动识别仿真 |
| 3.3.2 电压变动仿真 |
| 3.3.3 谐波分析仿真 |
| 3.3.4 电压偏差仿真 |
| 3.4 本章小结 |
| 第四章 复合阈值触发的录波技术 |
| 4.1 故障录波多阀值触发原理 |
| 4.2 基于多阈值触发的故障录波方案 |
| 4.2.1 突变量启动算法及其仿真 |
| 4.2.2 有效值启动算法及其仿真 |
| 4.3 基于灰色关联度的复合阈值触发录波方案 |
| 4.3.1 灰色关联度原理简介 |
| 4.3.2 基于灰色关联度的复合阈值触发判据 |
| 4.3.3 故障变频录波 |
| 4.3.4 复合阈值触发录波仿真 |
| 4.4 本章小结 |
| 第五章 实时监测系统数据显示层设计 |
| 5.1 基于LABVIEW的显示层设计 |
| 5.2 监测系统的功能实现 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的专利 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 谐波状态估计的研究现状 |
| 1.2.2 深度学习的研究现状 |
| 1.2.3 生成对抗网络的研究现状 |
| 1.3 研究内容及工作安排 |
| 1.4 本章小结 |
| 第2章 研究基础 |
| 2.1 生成对抗网络 |
| 2.2 改进GAN网络 |
| 2.2.1 CGAN网络 |
| 2.2.2 pix2pix网络 |
| 2.3 谐波与谐波状态估计 |
| 2.3.1 谐波 |
| 2.3.2 谐波状态估计 |
| 2.4 本章小结 |
| 第3章 基于pix2pix的谐波状态估计方法 |
| 3.1 基于pix2pix的双节点谐波状态估计 |
| 3.1.1 基本原理 |
| 3.1.2 模型设计 |
| 3.1.3 二维同等信息变换 |
| 3.1.4 生成网络结构 |
| 3.1.5 判别网络结构 |
| 3.2 融合精炼网络的多节点谐波状态估计 |
| 3.2.1 基本原理 |
| 3.2.2 精炼网络 |
| 3.2.3 网络结构 |
| 3.3 本章小结 |
| 第4章 实验数据获取和算例验证 |
| 4.1 实验数据和环境 |
| 4.1.1 仿真实验 |
| 4.1.2 数据预处理 |
| 4.1.3 实验环境与训练参数 |
| 4.1.4 评估指标 |
| 4.2 双节点谐波状态估计算例验证 |
| 4.2.1 训练过程 |
| 4.2.2 实验结果 |
| 4.3 多节点谐波状态估计算例验证 |
| 4.3.1 训练过程 |
| 4.3.2 实验结果 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 非平稳多分量信号的分离与特征提取方法的研究现状 |
| 1.2.1 多分量信号分离方法的研究现状 |
| 1.2.2 非平稳信号的特征提取方法的研究现状 |
| 1.3 故障信号模式识别方法的研究现状 |
| 1.3.1 无监督异常检测的研究现状 |
| 1.3.2 模式识别方法的研究现状 |
| 1.4 本文主要研究思路和研究内容 |
| 1.4.1 本文研究的思路 |
| 1.4.2 本文研究的内容和具体章节安排 |
| 1.5 本章小结 |
| 第2章 齿轮箱的故障分析与试验设计 |
| 2.1 齿轮和滚动轴承的常见故障及故障特征分析 |
| 2.1.1 齿轮的常见故障及故障特征分析 |
| 2.1.2 滚动轴承的常见故障及故障特征分析 |
| 2.2 基于功率流齿轮箱试验台的试验设计 |
| 2.2.1 试验条件 |
| 2.2.2 试验方案 |
| 2.2.3 试验扭矩加载与采集记录的设计 |
| 2.3 齿轮接触疲劳失效的判定标准 |
| 2.3.1 齿轮接触疲劳失效的判别方法 |
| 2.3.2 齿轮接触疲劳失效判别准则 |
| 2.4 基于风电传动齿轮箱的试验设计 |
| 2.4.1 试验条件 |
| 2.4.2 试验方案 |
| 2.5 本章小结 |
| 第3章 基于SWT的谱峰检测自适应多脊提取的方法的研究 |
| 3.1 基于SWT的谱峰检测自适应多脊提取(SWT-AMRE)的理论 |
| 3.1.1 IF定义及谱峰检测理论 |
| 3.1.2 SWT定义与理论 |
| 3.1.3 SWT-AMRE的算法流程与创新 |
| 3.1.4 SWT-AMRE的具体算法实现 |
| 3.2 非平稳多分量仿真信号的分析 |
| 3.2.1 基于CWT和基于EMD的IF估计的比较 |
| 3.2.2 SWT-AMRE和基于CWT的IF估计的比较 |
| 3.2.3 SWT-AMRE和传统谱峰检测的IF估计的比较 |
| 3.3 齿轮箱非平稳多分量信号的试验验证 |
| 3.3.1 基于EMD和基于CWT的齿轮箱非平稳多分量信号IF估计 |
| 3.3.2 SWT-AMRE的齿轮箱非平稳多分量信号IF估计 |
| 3.4 SWT-AMRE的风电齿轮箱现场复合故障信号的IF估计 |
| 3.5 本章小结 |
| 第4章 基十DSWT-IMRE的VKF信号分离与特征提取的研究 |
| 4.1 基于DSWT-IMRE的VKF信号分离与特征提取方法的理论 |
| 4.1.1 DSWT的原理 |
| 4.1.2 DSWT-IMRE的原理 |
| 4.1.3 基于VKF信号分离与特征提取方法的理论 |
| 4.1.4 基于DSWT-IMRE的VKF信号分离与特征提取方法的算法实现 |
| 4.2 仿真分析基于DSWT-IMRE的VKF信号分离与特征提取的可行性 |
| 4.2.1 DSWT与SWT的仿真信号分析 |
| 4.2.2 DSWT-IMRE与SWT-AMRE的仿真信号分析 |
| 4.2.3 基于DSWT-IMRE的VKF信号分离与特征提取的仿真信号分析 |
| 4.3 仿真分析基于DSWT-IMRE的VKF信号分离与特征提取的优越性 |
| 4.3.1 基于DSWT-IMRE的VKF信号分离方法和EMD的仿真分析 |
| 4.3.2 基于DSWT-IMRE的VKF特征提取方法和转速阶比的仿真分析 |
| 4.3.3 基于DSWT-IMRE的VKF信号分离与特征提取的多转速仿真分析 |
| 4.4 实例分析基于DSWT-IMRE的VKF信号分离与特征提取的实用性 |
| 4.4.1 DSWT-IMRE与SWT-AMRE的实例信号对比分析 |
| 4.4.2 基于转速阶比分析和切片双谱的齿轮箱多种故障信号分析 |
| 4.4.3 基于EMD和切片双谱的齿轮箱多种故障信号分析 |
| 4.4.4 基于DSWT-IMRE的VKF信号分离与特征提取的齿轮箱信号分析 |
| 4.5 本章小结 |
| 第5章 基于VKF联合时域特征的循环GMM-FCM模式识别 |
| 5.1 分量信号的联合时域特征的选择 |
| 5.1.1 独立特征的试验 |
| 5.1.2 组合特征的应用试验 |
| 5.1.3 基于VKF的联合时域特征 |
| 5.2 基于VKF联合时域特征的循环GMM-FCM模式识别理论基础 |
| 5.2.1 GMM-EM与异常检测的原理 |
| 5.2.2 FCM理论 |
| 5.2.3 基于VKF联合时频特征的循环GMM-FCM模式识别的算法流程 |
| 5.3 基于VKF联合时频特征的循环GMM-FCM模式识别的试验数据分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要工作总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力系统扰动识别的特征提取方法研究现状 |
| 1.2.2 基于人工智能的电力系统扰动识别方法研究现状 |
| 1.2.3 次同步振荡(SSO)频率辨识方法研究现状 |
| 1.2.4 SSO告警方法研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 次同步振荡识别的特征提取与模式分析 |
| 2.1 引言 |
| 2.2 新能源高渗透地区PMU数据特点分析 |
| 2.3 适用于SSO识别的特征提取 |
| 2.3.1 升降趋势周期性 |
| 2.3.2 包络线波动指数 |
| 2.3.3 平稳子序列长度 |
| 2.4 SSO现场数据模式分析 |
| 2.5 本章小结 |
| 第3章 基于多支持向量机模型的次同步振荡识别方法 |
| 3.1 引言 |
| 3.2 支持向量机(SVM)分类器的基本原理 |
| 3.3 考虑多类干扰的多SVM模型 |
| 3.3.1 低频振荡(LFO)与SSO的辨别方法 |
| 3.3.2 基于干扰水平的分类器自适应选取方法 |
| 3.3.3 分类结果修正方法 |
| 3.4 基于增量学习的SVM分类器更新算法 |
| 3.5 基于多SVM模型的SSO识别方法流程图 |
| 3.6 PMU实测数据测试 |
| 3.6.1 无LFO情况下的SSO识别测试 |
| 3.6.2 有LFO情况下的SSO识别测试 |
| 3.6.3 基于增量学习的SVM分类器更新测试 |
| 3.7 本章小结 |
| 第4章 基于双频模型的次同步振荡频率初步辨识方法 |
| 4.1 引言 |
| 4.2 基于SSO特征的双频模型求解方法 |
| 4.2.1 连续升降点数序列长度 |
| 4.2.2 包络线极值点数 |
| 4.3 基于SVM学习的单/多频SSO辨别方法 |
| 4.4 PMU实测数据测试 |
| 4.4.1 振荡频率初步辨识测试 |
| 4.4.2 单/多频SSO辨别测试 |
| 4.4.3 计算量分析 |
| 4.5 本章小结 |
| 第5章 基于阈值自适应设置的次同步振荡告警方法 |
| 5.1 引言 |
| 5.2 基于SVM自动学习的SSO幅值阈值自适应设置方法 |
| 5.3 基于能量累积判据的SSO持续时间阈值自适应设置方法 |
| 5.3.1 能量累积判据 |
| 5.3.2 能量累积阈值调整方法 |
| 5.4 PMU实测数据测试 |
| 5.4.1 无害频率分量辨识测试 |
| 5.4.2 SSO告警测试 |
| 5.5 SSO智能识别与告警方法的软件设计与实现 |
| 5.5.1 SSO检测、告警后台 |
| 5.5.2 次同步振荡展示主界面 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 全文总结 |
| 6.2 下一步工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 动物社群冲突研究概述 |
| 1.1.1 动物领域冲突解决策略研究进展 |
| 1.1.2 动物声信号编码的信息内容 |
| 1.1.3 动物声信号地理进化研究 |
| 1.2 蝙蝠领域冲突及通讯叫声研究 |
| 1.3 蝙蝠通讯叫声进化研究 |
| 1.4 研究目标、内容、创新点及意义 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.4.3 创新点 |
| 1.4.4 研究意义 |
| 第二章 大蹄蝠领域冲突过程中的打斗评估策略 |
| 2.1 研究背景 |
| 2.2 材料和方法 |
| 2.2.1 样本采集与驯养 |
| 2.2.2 体型大小测量 |
| 2.2.3 打斗交互实验 |
| 2.2.4 打斗行为分析 |
| 2.2.5 统计分析 |
| 2.3 结果 |
| 2.3.1 打斗交互描述 |
| 2.3.2 体型大小对打斗成功率的影响 |
| 2.3.3 打斗升级水平的影响因素 |
| 2.3.4 体重与打斗持续时间关系 |
| 2.3.5 前臂长与打斗持续时间关系 |
| 2.4 讨论 |
| 2.4.1 体型大小指示资源占有潜力 |
| 2.4.2 大蹄蝠采取的打斗评估策略 |
| 2.4.3 发声对打斗交互影响 |
| 第三章 大蹄蝠不同激进强度背景下的叫声变化 |
| 3.1 研究背景 |
| 3.2 材料和方法 |
| 3.2.1 大蹄蝠样本采集与驯养 |
| 3.2.2 领域叫声和领域行为的录制与分析 |
| 3.2.3 回放文件编辑 |
| 3.2.4 习惯化和去习惯化回放实验 |
| 3.2.5 统计分析 |
| 3.3 结果 |
| 3.3.1 领域叫声参数变化 |
| 3.3.2 领域叫声个体标签和识别 |
| 3.4 讨论 |
| 3.4.1 领域叫声音节类型描述 |
| 3.4.2 大蹄蝠调节发声来表达情绪变化 |
| 3.4.3 大蹄蝠基于bUFM叫声进行个体辨别 |
| 第四章 大蹄蝠bUFM领域叫声发声表现权衡及其地理变化 |
| 4.1 研究背景 |
| 4.2 材料和方法 |
| 4.2.1 捕捉与饲养 |
| 4.2.2 领域叫声和行为的录制与分析 |
| 4.2.3 发声偏歧计算 |
| 4.2.4 发声一致性计算 |
| 4.2.5 地理变化影响因子调查 |
| 4.2.6 回放实验蝙蝠捕获与饲养 |
| 4.2.7 回放文件编辑 |
| 4.2.8 习惯化和去习惯化回放实验 |
| 4.2.9 统计分析 |
| 4.3 结果 |
| 4.3.1 发声表现束缚 |
| 4.3.2 发声表现重复性 |
| 4.3.3 发声偏歧与身体质量关系 |
| 4.3.4 发声一致性与身体质量关系 |
| 4.3.5 领域叫声地理变化的模式 |
| 4.3.6 领域叫声地理变化的影响因素 |
| 4.3.7 领域叫声种群间的辨别 |
| 4.4 讨论 |
| 4.4.1 大蹄蝠bUFM领域叫声发声表现 |
| 4.4.2 大蹄蝠bUFM领域叫声地理变化 |
| 第五章 大蹄蝠sUFM领域叫声编码多种信息 |
| 5.1 研究背景 |
| 5.2 材料和方法 |
| 5.2.1 样本采集与驯养 |
| 5.2.2 声音和行为的录制与分析 |
| 5.2.3 回放文件编辑 |
| 5.2.4 习惯化和去习惯化回放实验 |
| 5.2.5 优势等级确定 |
| 5.2.6 统计分析 |
| 5.3 结果 |
| 5.3.1 声学特征 |
| 5.3.2 体重与声学参数的关系 |
| 5.3.3 优势等级 |
| 5.3.4 优势等级与体重的关系 |
| 5.3.5 优势等级与声学参数的关系 |
| 5.3.6 发声标签和发声辨别 |
| 5.4 讨论 |
| 5.4.1 大蹄蝠体重影响sUFM叫声参数 |
| 5.4.2 大蹄蝠体重影响个体优势等级 |
| 5.4.3 大蹄蝠优势等级影响sUFM叫声参数 |
| 5.4.4 大蹄蝠基于sUFM叫声进行个体辨别 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 后记 |
| 在学期间公开发表论文及着作情况 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 无损检测技术概述 |
| 1.2.1 无损检测方法概述 |
| 1.2.2 脉冲涡流检测概述 |
| 1.3 国内外研究现状 |
| 1.3.1 脉冲涡流检测技术研究热点 |
| 1.3.2 金属管柱结构脉冲涡流检测研究现状 |
| 1.3.3 研究现状小结和需要进一步研究的问题 |
| 1.4 论文的主要研究内容 |
| 1.4.1 课题的提出 |
| 1.4.2 主要内容和章节安排 |
| 第二章 脉冲涡流检测技术基础 |
| 2.1 脉冲涡流检测技术原理 |
| 2.1.1 脉冲涡流检测系统结构 |
| 2.1.2 基于麦克斯韦电磁场理论的脉冲涡流检测原理 |
| 2.1.3 趋肤效应 |
| 2.2 油气井套管结构的脉冲涡流检测 |
| 2.2.1 油气井套管结构实验试件 |
| 2.2.2 套管结构脉冲涡流检测实验仪器 |
| 2.2.3 套管结构脉冲涡流响应信号分析 |
| 2.3 本章小结 |
| 第三章 油气井套管结构变形脉冲涡流信号分析与检出方法 |
| 3.1 引言 |
| 3.2 基于小波的脉冲涡流响应信号预处理方法 |
| 3.2.1 方法的提出 |
| 3.2.2 油气井套管结构脉冲涡流检测信号的干扰源分析 |
| 3.2.3 基于小波的信号消噪方法 |
| 3.3 基于堆叠式自编码器的脉冲涡流检测信号重构方法 |
| 3.3.1 方法的提出 |
| 3.3.2 自动编码器基本原理 |
| 3.3.3 堆叠式自编码器基本原理 |
| 3.3.4 基于堆叠式自编码器的脉冲涡流检测信号重构方法 |
| 3.4 油气井套管结构变形检出方法研究 |
| 3.4.1 问题的提出 |
| 3.4.2 3σ准则 |
| 3.4.3 基于重构误差阈值法的油气井套管结构变形检出方法 |
| 3.5 油气井套管结构变形检出实验与结果分析 |
| 3.5.1 检测实验 |
| 3.5.2 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 油气井套管结构脉冲涡流信号分析与变形类型判别方法 |
| 4.1 引言 |
| 4.2 基于最大均值差异的脉冲涡流响应信号特征提取方法研究 |
| 4.2.1 方法的提出 |
| 4.2.2 最大均值差异 |
| 4.2.3 基于最大均值差异的脉冲涡流响应信号特征提取算法 |
| 4.3 油气井套管变形类型判别方法 |
| 4.3.1 问题的提出 |
| 4.3.2 检测结果的统计学评价指标 |
| 4.3.3 支持向量机分类器原理 |
| 4.3.4 基于支持向量机的套管变形分类判别方法 |
| 4.4 油气井套管变形的分类判别实验 |
| 4.4.1 检测实验 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 过油管检测方式的套管结构变形检出与类型判别方法 |
| 5.1 引言 |
| 5.2 基于过油管检测数据的油气井套管检测信号回归预测方法 |
| 5.2.1 方法的提出 |
| 5.2.2 基于分段拟合的油气井套管检测信号近似方法 |
| 5.2.3 XGBoost回归算法原理 |
| 5.2.4 基于XGBoost回归的油气井套管检测信号预测方法 |
| 5.3 回归预测模型性能分析实验 |
| 5.3.1 检测实验 |
| 5.3.2 实验结果与分析 |
| 5.4 套管变形过油管检测方法的应用验证 |
| 5.4.1 基于过油管检测数据的油气井套管变形检出结果 |
| 5.4.2 基于过油管检测数据的油气井套管变形分类判别结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 攻读学位期间发表的学术论文与取得的其他研究成果 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的背景及意义 |
| 1.1.1 微电网结构简介 |
| 1.1.2 微电网中的电能问题 |
| 1.1.3 谐波对微电网的危害 |
| 1.2 国内外发展现状 |
| 1.2.1 微电网发展现状 |
| 1.2.2 谐波检测与抑制发展现状 |
| 1.3 本文主要研究内容 |
| 第二章 微电网中谐波的检测 |
| 2.1 神经网络的结构及特点 |
| 2.2 谐波信号的分类与判别方法 |
| 2.3 神经网络整次谐波拟合检测方法 |
| 2.3.1 神经网络结构针对整次谐波特点的改进 |
| 2.3.2 改进神经网络整次谐波拟合检测方法的仿真 |
| 2.4 神经网络间谐波拟合检测方法 |
| 2.4.1 神经网络结构针对间谐波特点的改进 |
| 2.4.2 改进神经网络间谐波拟合检测方法的仿真 |
| 2.5 本章小结 |
| 第三章 有源滤波器的原理与相关算法 |
| 3.1 有源滤波器的结构与原理 |
| 3.1.1 有源滤波器的结构模型 |
| 3.1.2 并联有源滤波器基本原理 |
| 3.2 有源滤波器的谐波检测 |
| 3.2.1 常见的谐波检测算法 |
| 3.2.2 瞬时无功功率理论 |
| 3.2.3 基于瞬时无功功率的i_p-i_q谐波检测法 |
| 3.3 有源滤波器补偿电流跟踪控制 |
| 3.3.1 常见的跟踪控制算法 |
| 3.3.2 两种传统控制方法的仿真 |
| 3.3.3 不同环宽的滞环控制波形对比 |
| 3.4 本章小结 |
| 第四章 有源滤波器的改进型变环宽跟踪算法 |
| 4.1 目前常见的变环宽控制思想 |
| 4.2 基于指令信号与实际信号斜率的变环宽控制 |
| 4.3 基于模糊控制器的双斜率变环宽控制 |
| 4.3.1 模糊控制器原理 |
| 4.3.2 输入信号类别的划分 |
| 4.3.3 控制规则的制定 |
| 4.3.4 隶属度函数曲线的确定 |
| 4.4 本章小结 |
| 第五章 微电网中谐波的抑制 |
| 5.1 微电网的谐波抑制方案 |
| 5.1.1 i_p-i_q检测算法的误差 |
| 5.1.2 谐波抑制方案的框架 |
| 5.2 非稳定状态下谐波抑制方案的仿真 |
| 5.3 稳定状态下谐波抑制方案的仿真 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 后续研究展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
