基于小波變換的電纜故障預測定位系統(tǒng)數據融合(編輯修改稿)
2025-07-20 06:56 本頁面
【文章內容簡介】 Deposition Tree of Wavelet用db5小波對預處理后的70組原始信號e70分解到第6層。隨著分解層次從 1到6的加深，e70的發(fā)展趨勢從a1到a6變化著，且越來越清晰，如圖6所示。 從圖6可以看出，分解到第6層時，e70發(fā)展趨勢就已經清晰地顯示出來，實測數據中輸出數據與其理想值之間的誤差e70隨著測量次數的增加而單調減小。至此，就實現(xiàn)了用小波變換識別出原始信號誤差的發(fā)展趨勢的目的。圖6 用小波變換實現(xiàn)對有效實測信號e70發(fā)展趨勢的檢測 Detection of development trend of signal e70 by using wavelet transform提取小波分解中能清晰顯示有效實測數據e70發(fā)展趨勢的近似部分系數a序列{a}，對其進行歸一化處理，得序列{a}。根據序列{a}，構造序列, 使得bi=1ai 。取序列為有效實測數據的可信度序列，并作為有效實測數據的權值。另外，為簡化有效實測數據的權值的選取過程，根據有效原始信號誤差的發(fā)展趨勢可知，實測數據的可信度隨著測量次數的增加而增加。故有效實測數據的權值可以按照線性遞增的簡單方式選取。最簡單的方法，取前20個有效實測數據的權值為0，后50個有效實測數據的權值為1。4 數據融合前后系統(tǒng)故障預測誤差對比為實現(xiàn)三相電纜短路或接地故障的預測定位，選用具有非線性特性的BP神經網絡作為系統(tǒng)的模型[8]。網絡輸入是5維向量，故輸入層取5個節(jié)點。隱含層取6個節(jié)點。這里輸出層只選了1個節(jié)點，表示電纜的故障點距電纜一端的距離。神經網絡隱含層節(jié)點的作用函數取雙曲正切函數 （1）式中：x為輸入自變量；f為輸出函數。神經網絡輸出層節(jié)點的作用函數取線性函數 （2）式中：x為輸入自變量；f為輸出函數；a為線性系數。神經網絡的目標函數取誤差的L2范數之和, 則 （3）式中：yp(n)是在第p組樣本輸入時，經過n次權值調整后神經網絡的輸出；tp為檢測數據中的第p組系統(tǒng)輸出，即訓練樣本；e是模型輸出與教師信號之間的差值。若目標函數小于等于預先確定的任意小的正常數，即，算法結束。為了克服BP算法收斂速度不理想，且容易收斂于局部極小點的不足，采用LM數值優(yōu)化的改進BP算法。LM優(yōu)化方法的優(yōu)點是收斂速度快、收斂誤差小。為簡單起見，有效原始數據中的前20組數據的權值取0，后50組數據的權值取1。 即，只保留后50列數據作為系統(tǒng)建模的訓練樣本。圖7中綠色曲線是用融合后的數據建立的神經網絡模型對電纜故障距離的預報值，藍色曲線是預報誤差。圖7 用融合后的數據建立的神經網絡模型對電纜故障距離的預報(綠色)及預報誤差(藍色) Prediction (green)and its error (blue)of cable fault distance from nn model
研究報告相關推薦
鄂ICP備17016276號-1