現(xiàn)代社會(huì)的高速發(fā)展越來越依賴于電子設(shè)備,由電能質(zhì)量擾動(dòng)（Power Quality Disturbance,PQD）信號(hào)引起的設(shè)備故障,從而威脅到人們的生命財(cái)產(chǎn)安全已經(jīng)成為一個(gè)至關(guān)重要的問題。電能質(zhì)量的研究已引起了研究者和工業(yè)界的極大關(guān)注,電能質(zhì)量領(lǐng)域的識(shí)別和檢測(cè)方向逐漸成為許多研究者的課題。針對(duì)PQD信號(hào)種類繁多,組成復(fù)雜,特征提取不明確,分類精度低等問題,本文對(duì)PQD信號(hào)的特征提取、特征選擇、識(shí)別分類三個(gè)階段進(jìn)行了研究。（1）在特征提取階段,為了能夠從PQD信號(hào)中提取到更多具有代表性的特征,本文采用S變換、小波變換、希爾伯特黃變換提取特征向量。PQD信號(hào)經(jīng)S變換后,從模矩陣中提取出63個(gè)特征。通過小波變換對(duì)PQD信號(hào)進(jìn)行5層分解,并通過5層的細(xì)節(jié)系數(shù)提取55個(gè)特征。利用PQD信號(hào)的希爾伯特邊際譜提取7個(gè)特征。將這125個(gè)特征構(gòu)成原始特征集。（2）在特征選擇階段,為了精簡(jiǎn)特征向量,提高分類精度,本文采用了基于Relief F和基于分類回歸樹的特征選擇算法,并對(duì)他們的選擇結(jié)果進(jìn)行比較。Relief F算法通過計(jì)算每一個(gè)特征的權(quán)重值,篩選出權(quán)重值最大的特征,從而確定特征子集。分類回歸樹算... 

【文章來源】：西華大學(xué)四川省

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

子模型特征可視化圖

基于卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)分類算法52圖5.8子模型特征可視化圖Fig5.8sub-modelfeaturevisualization圖5.9特征融合之后的特征可視化圖Fig.5.9Featurevisualizationafterfeaturefusion5.3.7識(shí)別率比較圖5.10、圖5.11是FCNN在25dB和15dB的噪聲環(huán)境下的識(shí)別率曲線和損失曲線。對(duì)比單個(gè)子卷積神經(jīng)網(wǎng)絡(luò)得到的結(jié)果，可以看出FCNN在融合了三個(gè)子模型提取的特征后，魯棒性能良好，在測(cè)試集上的識(shí)別率、曲線穩(wěn)定性都得到提高。表5.1為不同信噪比下FCNN的識(shí)別率，可以看出FCNN在信噪比為25dB和15dB的較強(qiáng)噪聲環(huán)境下總體分類識(shí)別率仍然能保持在99%以上。從單一擾動(dòng)的角度分析，暫降和中斷的分類識(shí)別率較低，這是由于在噪聲環(huán)境下，暫降信號(hào)和中斷信號(hào)在空間特征上比較相似。采用FCNN算法，與文獻(xiàn)[63]和文獻(xiàn)[64]中的PQD分類算法進(jìn)行比較。首先，采用的數(shù)據(jù)模型及參數(shù)與文獻(xiàn)[63]中數(shù)據(jù)模型及參數(shù)完全相同，然后通過本文方法和文獻(xiàn)[64]方法驗(yàn)證此數(shù)據(jù)集。表5.2為不同方法的總體分類精度對(duì)比。由表5.2可知，30dB下的FCNN分類識(shí)別率為99.53%，而文獻(xiàn)[63]和文獻(xiàn)[64]的算法得到的識(shí)別率分別只有

【參考文獻(xiàn)】：
期刊論文
[1]局部倒頻譜編輯方法及其在齒輪箱微弱軸承故障特征提取中的應(yīng)用[J]. 張西寧,周融通,郭清林,張?chǎng)?  西安交通大學(xué)學(xué)報(bào). 2019(12)
[2]基于改進(jìn)S變換的超高頻局部放電信號(hào)特征提取及分類[J]. 龍嘉川,王先培,代蕩蕩,田猛,朱國(guó)威,黃云光.  高電壓技術(shù). 2018(11)
[3]采用不完全S變換的復(fù)雜諧波參數(shù)估計(jì)[J]. 易吉良,周曼,李中啟,李軍軍,賀力克.  電工技術(shù)學(xué)報(bào). 2018(S1)
[4]基于相空間重構(gòu)和卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)分類[J]. 陳偉,何家歡,裴喜平.  電力系統(tǒng)保護(hù)與控制. 2018(14)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)分類[J]. 瞿合祚,李曉明,陳陳,何樂.  武漢大學(xué)學(xué)報(bào)(工學(xué)版). 2018(06)
[6]基于生長(zhǎng)-修剪優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)分類[J]. 王慧慧,王萍,劉濤,張博文.  電網(wǎng)技術(shù). 2018(08)
[7]基于小波包優(yōu)選的模擬電路故障特征提取方法[J]. 袁莉芬,孫業(yè)勝,何怡剛,張悅,呂密.  電工技術(shù)學(xué)報(bào). 2018(01)
[8]基于EEMD的HHT在電能質(zhì)量多擾動(dòng)分類識(shí)別中的應(yīng)用[J]. 曹玲芝,劉俊飛,鄭曉婉.  電氣技術(shù). 2017(04)
[9]一種實(shí)時(shí)電能質(zhì)量擾動(dòng)分類方法[J]. 陳曉靜,李開成,肖劍,孟慶旭,蔡得龍.  電工技術(shù)學(xué)報(bào). 2017(03)
[10]一種新的電能質(zhì)量擾動(dòng)信號(hào)壓縮感知識(shí)別方法[J]. 曹思揚(yáng),戴朝華,朱云芳,陳維榮.  電力系統(tǒng)保護(hù)與控制. 2017(03)

博士論文
[1]現(xiàn)代電力系統(tǒng)電能質(zhì)量評(píng)估體系的研究[D]. 陶順.華北電力大學(xué)（北京） 2008

碩士論文
[1]電力系統(tǒng)電能質(zhì)量擾動(dòng)的檢測(cè)與識(shí)別研究[D]. 何巨龍.湘潭大學(xué) 2017
[2]基于相空間重構(gòu)與原子分解的電能質(zhì)量復(fù)雜擾動(dòng)分析方法[D]. 崔志強(qiáng).燕山大學(xué) 2017
[3]電壓暫降源識(shí)別方法研究[D]. 祁博.昆明理工大學(xué) 2014
[4]基于加窗功率譜估計(jì)的間諧波檢測(cè)方法研究[D]. 徐會(huì)亮.重慶大學(xué) 2008



本文編號(hào)：3529160