李云峰
- 作品数：8 被引量：51H指数：5
- 供职机构：湖南大学电气与信息工程学院更多>>
- 发文基金：国家自然科学基金湖南省研究生科研创新项目更多>>
- 相关领域：自动化与计算机技术电气工程电子电信机械工程更多>>
- 基于自适应TLS-ESPRIT和改进全相位多密集谱间谐波检测被引量：16
- 2020年
- 针对含多密集谱间谐波参量准确提取难题,提出基于自适应TLS-ESPRIT和改进全相位谱分析的多密集谱间谐波检测方法。首先构建多密集谱间谐波输入信号Hankel矩阵并进行奇异值求解,提出奇异值相邻增长比构建自适应TLS-ESPRIT算法,据此确定含多密集谱间谐波输入信号频率分量,提取输入信号频率信息,推导全相位谱分析峰值谱线与频偏关系式,计算多密集谱间谐波幅值信息,遵循全相位谱分析"相位不变"特性获得相位信息,并开发基于虚拟仪器架构的间谐波参数检测实验平台。仿真表明,所提方法在单一密集谱、多密集谱、间谐波幅值波动及噪声干扰情况下均可准确检测间谐波频率、幅值和相位,相比传统检测方法具有更高检测准确度,实测结果满足GB/T 24337—2009间谐波测量要求。
- 蔡星月高云鹏李云峰朱彦卿李文博
- 关键词：间谐波虚拟仪器
- 自适应辛几何模态分解和短时能量差分因子在电能质量扰动检测中的应用被引量：8
- 2022年
- 针对电网中电能质量扰动信号在强噪声环境下扰动时刻难以准确检测问题,该文提出一种基于自适应辛几何模态分解(SGMD)和短时能量差分因子的电能质量扰动检测算法。基于自适应SGMD改进传统SGMD的滤波重构环节,准确重构电能质量扰动信号,计算重构信号的短时能量,推导基于短时能量的无参自适应阈值算式,构建短时能量差分因子,据此开发基于虚拟仪器的电能质量扰动检测平台,以实现电能质量扰动准确实时检测。仿真和实测结果表明,该文提出的算法在噪声环境下对单一扰动、复合扰动与过零扰动,均能有效地检测扰动起止时刻,且能有效地克服扰动幅值波动对检测结果的影响,相较于现有检测算法,其测量结果更加快速准确。
- 李云峰高云鹏蔡星月朱彦卿吴聪
- 关键词：电能质量扰动自适应阈值抗噪性
- 多目标优化时域卷积神经网络的窃电行为高准确检测算法
- 2024年
- 随着当前用户用电行为的多样性及窃电行为隐蔽性的增加,窃电检测检出率高的同时误检率也增加,致使现有算法难以满足高准确窃电稽查的工程实际需求,对此该文提出多目标优化时域卷积神经网络的窃电行为高准确检测算法。首先基于时域卷积神经网络构建深度模型,引入侧输出融合结构提取用户用电信息的高低维特征,并通过注意力机制进行特征融合,提高模型窃电检测准确率;然后通过两阶段训练模型参数,第一阶段基于传统梯度下降算法优化模型权重与阈值,第二阶段基于窃电检测的混淆矩阵建立准确率、检出率与误检率3个维度的目标函数,采用第三代非支配排序遗传算法(non-dominated sorting genetic algorithm,NSGA-Ⅲ)进行模型优化训练,提高窃电检出率并降低误检率,据此建立多目标优化时域卷积神经网络的窃电行为高准确检测算法,并开发窃电检测实验平台实际验证所提算法;最后通过电网实测数据与实验平台验证,结果表明该文所提算法在降低误检率的同时提高10%检出率,比现有算法检出率提高同时误检率降低,更符合当前工程应用高准确窃电的检测实际需求。
- 李云峰高云鹏张蓬鹤杨艺宁陈康
- 关键词：窃电检测误检率检出率TCN
- 机器人逆运动学差分自适应混沌粒子群求解被引量：5
- 2017年
- 采用D-H法通过连杆坐标系变换矩阵建立机械臂运动控制模型,该模型呈现非常严重的非线性特性,传统方法难以求解。由于动态差分算法具有很强的全局搜索能力,而粒子群算法具有精确的局部搜索能力的特点,融合改进的动态差分算法和粒子群算法,并引入混沌映射初始种群和粒子群学习因子与惯性权重的自适应算法,提出多子群分层差分自适应混沌粒子群算法。该算法采用的多子群分层结构能提升个体共享群体信息的能力,底层利用动态差分算法进行全局搜索,顶层精英群利用改进的粒子群算法进行局部搜索。仿真试验和实际应用表明该算法在稳定性、搜索成功率以及收敛精度有显著提高,能有效解决机器人逆运动学模型的求解。
- 谢宏向启均陈海滨张小刚杨鹏张爱林李云峰
- 关键词：逆运动学混沌粒子群差分算法
- 基于深度自编码器高斯混合模型的窃电行为检测被引量：11
- 2022年
- 针对用户侧窃电检测背景下无监督方法的适用性,研究如何解决特征提取和异常检测间的解耦问题,提出基于深度自编码器高斯混合模型(Deep Auto-encoder Gaussian Mixture Model,DAGMM)的用户窃电行为检测方法。首先对数据进行增广迪基-福勒检验,获取具有平稳性的用电数据维度。然后通过压缩网络提取数据潜在特征,利用估计网络及高斯混合模型获取反映异常程度的样本能量。最后基于端对端的学习方式对网络参数联合优化以避免模型解耦,将样本能量超过异常阈值的用户识别为窃电,据此实现用户窃电行为检测。实验结果表明,基于深度自编码器高斯混合模型的窃电行为检测方法受窃电样本影响小,提取的特征可有效反映用户用电规律,具有更高的检测准确率。相比于现有方法,其检出率、误检率、F1测度及AUC等评价指标均有显著提高。
- 刘钊瑞高云鹏郭建波李云峰顾德喜文一章
- 关键词：窃电行为无监督学习解耦
