保护测量回路是电力系统继电保护的基石,其误差评估对电网安稳运维举足轻重。针对保护测量回路静态隐藏误差可能诱发保护误动/拒动的风险且难以在线监测问题,提出了一种基于递推主元分析和改进灰狼算法优化极限学习机(recursive princip...保护测量回路是电力系统继电保护的基石,其误差评估对电网安稳运维举足轻重。针对保护测量回路静态隐藏误差可能诱发保护误动/拒动的风险且难以在线监测问题,提出了一种基于递推主元分析和改进灰狼算法优化极限学习机(recursive principal component analysis and extreme learning machine optimized by grey wolf optimization,RPCA-GELM)数据驱动的保护测量回路误差评估方法。首先基于电力系统正常运行下历史数据与实时数据,应用RPCA技术在线更新主元特征模型以缩短评估时间,进一步引入4种统计算法生成4类误差监测特征量,构建误差综合评判方法进行特征优选,提升误差评估准确率。然后针对模型评估精度取决于关键参数C、σ,引入国际无限折叠混沌映射策略对灰狼算法进行优化,以提升参数寻优精度和收敛速度,在此基础上结合ELM算法提出了基于GELM的保护测量回路误差评估方法。最后通过多组对比实验验证了所提方法能实现模型性能优化,且相对其他方法有效提升了保护测量回路误差评估准确率与精度。展开更多
近年来,鲁棒主成分分析法(Robust Principal Component Analysis,RPCA)被广泛应用到运动目标检测中,但该类方法未能有效利用运动目标的时空连续性先验,容易将动态背景误判为运动目标,且背景恢复精度不高.为此提出一种基于全变分-核回归...近年来,鲁棒主成分分析法(Robust Principal Component Analysis,RPCA)被广泛应用到运动目标检测中,但该类方法未能有效利用运动目标的时空连续性先验,容易将动态背景误判为运动目标,且背景恢复精度不高.为此提出一种基于全变分-核回归的RPCA运动目标检测方法.该方法以RPCA为基础,利用3维全变分模型增强前景的时空连续性,去除动态背景干扰,得到清晰完整的前景.同时,利用基于扩散张量的核回归对背景的时空相关性建模,去除噪声干扰,从而精确恢复背景.在多组公开数据集上的实验结果表明,该方法在动态背景、光照变化等复杂场景中能够较为精确地检测出运动目标和恢复背景.展开更多
提出一种改进的基于数据块更新的递归主元分析(recursive principal component analysis,RPCA)方法,对具有慢时变和多变量等特性的某型舰空导弹武器雷达发射机工作过程进行自适应监测。该方法在协方差矩阵的特征值分解中引入低秩奇异值...提出一种改进的基于数据块更新的递归主元分析(recursive principal component analysis,RPCA)方法,对具有慢时变和多变量等特性的某型舰空导弹武器雷达发射机工作过程进行自适应监测。该方法在协方差矩阵的特征值分解中引入低秩奇异值分解递归方法,实现负荷矩阵和特征值矩阵的递归计算;制定了均值、方差的更新策略;给出一种基于指数加权的控制限递归算法以提高RPCA的健壮性。实验证明该方法能自适应地跟踪过程时变并实时监测故障,同时有效地降低误警率。展开更多
鲁棒主成分分析(Robust principal component analysis,RPCA)模型中秩函数和L0范数的求解是非确定性多项式(Nondeterministic polynominal,NP)难问题,凸近似模型的求解通常会导致过收缩。本文结合加权方法和Lp范数提出了一种基于双加权L...鲁棒主成分分析(Robust principal component analysis,RPCA)模型中秩函数和L0范数的求解是非确定性多项式(Nondeterministic polynominal,NP)难问题,凸近似模型的求解通常会导致过收缩。本文结合加权方法和Lp范数提出了一种基于双加权Lp范数的RPCA模型,利用加权S p范数低秩项和加权Lp范数稀疏项分别对RPCA框架中的低秩恢复问题和稀疏恢复问题进行建模,使其更接近秩函数和L0范数最小化问题的解,提升了矩阵秩估计和稀疏估计的准确性。为了验证模型性能,本文利用图像的非局部自相似性,结合相似图像块组的低秩性与椒盐噪声的稀疏性,将双加权Lp范数鲁棒主成分分析模型应用于去除椒盐噪声过程中。定量与定性的实验结果表明,本文模型性能优于其他模型,同时奇异值过收缩分析也表明本文模型能够有效抑制秩成分的过度收缩。展开更多
文摘保护测量回路是电力系统继电保护的基石,其误差评估对电网安稳运维举足轻重。针对保护测量回路静态隐藏误差可能诱发保护误动/拒动的风险且难以在线监测问题,提出了一种基于递推主元分析和改进灰狼算法优化极限学习机(recursive principal component analysis and extreme learning machine optimized by grey wolf optimization,RPCA-GELM)数据驱动的保护测量回路误差评估方法。首先基于电力系统正常运行下历史数据与实时数据,应用RPCA技术在线更新主元特征模型以缩短评估时间,进一步引入4种统计算法生成4类误差监测特征量,构建误差综合评判方法进行特征优选,提升误差评估准确率。然后针对模型评估精度取决于关键参数C、σ,引入国际无限折叠混沌映射策略对灰狼算法进行优化,以提升参数寻优精度和收敛速度,在此基础上结合ELM算法提出了基于GELM的保护测量回路误差评估方法。最后通过多组对比实验验证了所提方法能实现模型性能优化,且相对其他方法有效提升了保护测量回路误差评估准确率与精度。
文摘近年来,鲁棒主成分分析法(Robust Principal Component Analysis,RPCA)被广泛应用到运动目标检测中,但该类方法未能有效利用运动目标的时空连续性先验,容易将动态背景误判为运动目标,且背景恢复精度不高.为此提出一种基于全变分-核回归的RPCA运动目标检测方法.该方法以RPCA为基础,利用3维全变分模型增强前景的时空连续性,去除动态背景干扰,得到清晰完整的前景.同时,利用基于扩散张量的核回归对背景的时空相关性建模,去除噪声干扰,从而精确恢复背景.在多组公开数据集上的实验结果表明,该方法在动态背景、光照变化等复杂场景中能够较为精确地检测出运动目标和恢复背景.
文摘提出一种改进的基于数据块更新的递归主元分析(recursive principal component analysis,RPCA)方法,对具有慢时变和多变量等特性的某型舰空导弹武器雷达发射机工作过程进行自适应监测。该方法在协方差矩阵的特征值分解中引入低秩奇异值分解递归方法,实现负荷矩阵和特征值矩阵的递归计算;制定了均值、方差的更新策略;给出一种基于指数加权的控制限递归算法以提高RPCA的健壮性。实验证明该方法能自适应地跟踪过程时变并实时监测故障,同时有效地降低误警率。
