核心词：
煤矿电缆 煤矿电缆型号 电缆型号 煤矿 电缆 型号 吊挂 标准化 冷 补 规定 载流量 计算 敷设 接线 标准 矿用 生产 厂家 矿用电缆 指向牌 的 悬挂 排名 目录：
1、煤矿电缆型号在模型训练时间方面2、电缆型号在相同的训练样本和测试条件下3、煤矿电缆型号局部放电是电气绝缘系统中的一种自然现象4、煤矿电缆此外 图3基于本文的识别算法流程图,本文采用MATLAB进行编码,煤矿电缆型号主要从两个方面进行比较:特征、基于本文特征的识别精度、多重分形特征、单一分形特征;分别采用提出的AOS-ELM算法、OS-ELM算法、ELM算法、传统SVM算法、BP神经网络算法进行模式识别,电缆型号煤矿电缆型号并对识别结果进行统计分析。不同放电波形有不同的分形维数,但目前的文献大多是基于灰度维数的计算。本文引入短时分形维数直接提取脉冲信号的特征,然后结合频谱多重分析特征作为样本训练特征集。本文提出的基于特征结点的aOS-ELM平均识别率为98%。在实际工程应用中,会有大量的数据集,不可能一次性得到。因此,实验室将收集300套数据,并将其分为3批样本集。文献中采用分形特征和支持向量机对GIS绝缘缺陷进行模式识别。基于PRPD灰度图提取4个分形特征并导入SVM进行模型训练。同时,加入正则项1/λ,煤矿电缆提高了在线学习的处理能力和算法的稳定性。谱的多重分形维数由公式、、、、、计算,电缆型号当Q=8时,正半轴和负半轴的分形维数变化趋于稳定时的值。
煤矿电缆型号在模型训练时间方面
而在模型训练时间方面,aOS-ELM改进了OS-ELM中矩阵逆的计算方法,大大提高了训练时间。
电缆型号在相同的训练样本和测试条件下
在相同的训练样本和测试条件下,SVM和BPNN的训练速度是ELM、OS-ELM和AOS-ELM的10000倍,而AOS-ELM是ELM和OS-HalfELM。
煤矿电缆型号局部放电是电气绝缘系统中的一种自然现象
局部放电是电气绝缘系统中发生的一种自然现象,且包含复杂的形状和表面,
矿用电缆因此采用分形理论提取局部放电,煤矿电缆型号文献中使用的局部放电频谱图均具有分形维数和孔隙特征,并提取特征输入到神经网络模型进行训练。由图4c)可以看出,AOS-ELM、OS-ELM、ELM、SVM和BPNN对气隙放电的识别准确率分别为97%、96%、94%、85%和78%。本文考虑了脉冲本身的特性和频谱的细节特征。从识别结果可以看出,煤矿电缆本文特征的识别率高于单一特征和多重分形特征。
煤矿电缆此外
此外,本文还增加了现场采集的四种规律脉冲干扰作为缺陷识别样本库。若r=N0,煤矿电缆计算初始输出权值矩阵;如果,电缆型号计算初始输出权值矩阵,其中,,。局部发射光谱包含丰富的信息,因此经常从二维或三维光谱中提取局部发射特征,常用的特征提取方法有统计特征、分形特征、小波特征、矩特征等。
因此,本文提出的方法可以在保证识别率的同时,提高模型的训练时间。缺陷类型识别的步骤和流程如图3所示。假设我拿什么?小到足以覆盖整个图网格中包含的信号的点为N(网格中的信号点)。本文提出了基于PRPD谱的箱体维和信息维作为GIS放电缺陷模式识别的识别特征。电缆绝缘缺陷的形式多种多样,不同类型的缺陷PD的形式也不同,煤矿电缆对设备安全运行的影响和绝缘的危害程度也是不同的。结合本文提出的特征,SVM的平均识别率为82%。为了使算法能够有效区分新旧样本数据,本文在模型训练中选择了改进的OS-ELM。该方法不仅能区分新旧样本数据,而且提高了模型训练时间,煤矿电缆型号有效地降低了求解逆矩阵的计算复杂度。目前,利用在线学习方法对电力设备局部放电进行识别的研究较少,因此本文提出的方法对电力设备局部放电缺陷分类具有重要的指导意义。
猜您兴趣
首页
QQ