大部分相量测量算法将信号相量作为一个静态模型,因此对电网中经常发生的电压幅值和相角波动特别敏感。基于标准频率下动态相量模型的泰勒加权最小二乘法(Taylor Weighted Least Squares,TWLS)不仅提供了相量值,还提供了相量导数值,可以提高对电网动态状况的监测。在此基础上,提出了一种基于基波频率值的改进泰勒加权最小二乘法。首先用非线性最小二乘法得到基波频率值。然后介绍了基于测量基波频率值的改进泰勒加权最小二乘法推导过程,并对该算法所涉及的窗函数、数据窗长度和泰勒多项式阶数进行分析选择。最后采用不同的信号模型和实际数据来检验算法的性能。仿真结果表明:提出的改进泰勒加权最小二乘法的测量精度满足要求。
最小均方(Least Mean Square, LMS)算法因其计算复杂度低、稳定性好的特点已广泛应用于谐波检测领域中。但为了避免权重偏移,进一步提高收敛速度,提出了一种基于线性约束最小均方(Linearly Constrained Least Mean Square, LCLMS)的谐波检测算法。该算法在LMS算法的基础上,对权重变量加入了一个线性约束条件,并应用于不同高斯白噪声环境下谐波、间谐波信号的幅值和相角参数评估。最后又在稳态信号、动态信号和电弧炉算例下检验了该算法的可行性。实验结果表明,该算法可以快速准确地检测不同环境下谐波的相关信息,且相比LMS算法有较快的收敛速度和较高的抗干扰能力。
基于BOF(Bag of features)图像检索算法对电气设备图像进行分类,首先,通过加速鲁棒特征(SURF)算法寻找特征点位置,构造高维特征描述算子对特征进行描述和统计。然后,利用K-means聚类算法处理特征描述算子,得到独立的视觉词汇并汇总为特定数目的码书。将码书中的特征描述算子进行量化和加权统计,用特征向量直方图表示整个图像。最后,用训练集图像的高维特征向量进行机器学习,对未知图像进行快速准确分类。将自然光条件下拍摄的电气设备图像和电气设备工作状态下的红外图像作为两个实验样本集进行分类测试,结果表明,该算法可对不同图像集实现快速准确分类,准确率可达95.59%。
