本文關(guān)鍵詞：基于ELMD多尺度模糊熵和概率神經(jīng)網(wǎng)絡(luò)的暫態(tài)電能質(zhì)量識(shí)別

  更多相關(guān)文章： 暫態(tài)電能質(zhì)量 擾動(dòng)識(shí)別 總體局部均值分解(ELMD) 多尺度模糊熵(MFE) 概率神經(jīng)網(wǎng)絡(luò)(PNN)

【摘要】：電能是人們生活中不可或缺的部分,電能質(zhì)量的問(wèn)題也越來(lái)越受到社會(huì)高度重視,對(duì)其進(jìn)行有效的檢測(cè)和準(zhǔn)確的分類是改善和提高電能質(zhì)量的重要前提。本文從電能質(zhì)量定義和研究現(xiàn)狀出發(fā),在總結(jié)常用的擾動(dòng)識(shí)別方法基礎(chǔ)上,提出了一種基于總體局部均值分解(ELMD)多尺度模糊熵和概率神經(jīng)網(wǎng)絡(luò)對(duì)暫態(tài)電能質(zhì)量檢測(cè)與識(shí)別新的分析方法。首先,闡述了暫態(tài)電能質(zhì)量的基礎(chǔ)理論,包括電能質(zhì)量的概念以及電能質(zhì)量擾動(dòng)的分類,提出了對(duì)擾動(dòng)信號(hào)進(jìn)行消噪處理的必要性,并運(yùn)用小波消噪方法對(duì)其消噪處理。研究了局部均值分解方法(LMD)的基本原理以及在信號(hào)分解中的應(yīng)用,針對(duì)LMD分解出現(xiàn)的模態(tài)混疊問(wèn)題,引入了由噪聲輔助的總體局部均值分解(ELMD)方法。其次,在掌握模糊熵算法原理的基礎(chǔ)上,結(jié)合多尺度分析思想,引入用于度量不同尺度下信號(hào)復(fù)雜性的多尺度模糊熵(MFE)。然后利用ELMD分解與MFE相結(jié)合的方法提取擾動(dòng)信號(hào)的特征向量,所獲得的特征向量可以反映擾動(dòng)信號(hào)在不同頻率上的復(fù)雜度信息。因此由多尺度模糊熵值所構(gòu)建的特征向量為擾動(dòng)信號(hào)識(shí)別分類提供了依據(jù)。然后,在分析常見(jiàn)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型、性能指標(biāo)以及它們各自的優(yōu)缺點(diǎn)基礎(chǔ)上,對(duì)概率神經(jīng)網(wǎng)絡(luò)(PNN)進(jìn)行了研究分析。采用PNN作為擾動(dòng)信號(hào)識(shí)別的方法。通過(guò)仿真實(shí)驗(yàn)對(duì)常見(jiàn)神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行對(duì)比分析,進(jìn)一步證明了PNN在擾動(dòng)識(shí)別中的優(yōu)越性。最后,利用MATLAB軟件建立暫態(tài)電能質(zhì)量擾動(dòng)的仿真信號(hào)。運(yùn)用ELMD分解與Hilbert變換相結(jié)合的方法來(lái)完成擾動(dòng)信號(hào)的檢測(cè)定位。對(duì)擾動(dòng)信號(hào)的識(shí)別分類問(wèn)題,利用小波閾值去噪對(duì)其進(jìn)行預(yù)處理,同時(shí)結(jié)合ELMD多尺度模糊熵對(duì)信號(hào)進(jìn)行特征提取,并通過(guò)PNN完成識(shí)別分析。仿真結(jié)果表明:本文所提的方法能夠有效地用于暫態(tài)電能質(zhì)量擾動(dòng)的檢測(cè)與識(shí)別并且能達(dá)到良好的效果。
【關(guān)鍵詞】：暫態(tài)電能質(zhì)量 擾動(dòng)識(shí)別 總體局部均值分解(ELMD) 多尺度模糊熵(MFE) 概率神經(jīng)網(wǎng)絡(luò)(PNN)
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TM711;TP183
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-18
• 1.1 課題研究的背景及意義10-11
• 1.2 電能質(zhì)量擾動(dòng)問(wèn)題的研究狀況11-14
• 1.3 電能質(zhì)量的概述14-17
• 1.3.1 電能質(zhì)量的定義14
• 1.3.2 電能質(zhì)量擾動(dòng)的分類14-16
• 1.3.3 電能質(zhì)量標(biāo)準(zhǔn)16-17
• 1.4 本文主要研究的內(nèi)容17-18
• 第2章 總體局部均值分解算法研究18-31
• 2.1 局部均值分解算法概述18
• 2.2 LMD算法的原理及仿真18-26
• 2.2.1 小波閾值消噪的原理18-19
• 2.2.2 LMD算法原理及分解步驟19-21
• 2.2.3 LMD算法的仿真分析21-26
• 2.3 ELMD分解理論與仿真26-29
• 2.3.1 ELMD算法的基本思想26-28
• 2.3.2 仿真驗(yàn)證28-29
• 2.4 本章小結(jié)29-31
• 第3章 多尺度模糊熵的信號(hào)特征提取31-42
• 3.1 熵的概述31-32
• 3.1.1 熵的定義31
• 3.1.2 熵的性質(zhì)31-32
• 3.2 模糊熵的概念32-38
• 3.2.1 樣本熵32-33
• 3.2.2 模糊熵33-35
• 3.2.3 相關(guān)參數(shù)對(duì)模糊熵值的影響35-38
• 3.3 多尺度模糊熵38-41
• 3.3.1 多尺度模糊熵的概念38-39
• 3.3.2 暫態(tài)電能擾動(dòng)信號(hào)的特征提取39-41
• 3.4 本章小結(jié)41-42
• 第4章 概率神經(jīng)網(wǎng)絡(luò)的分析42-52
• 4.1 神經(jīng)網(wǎng)絡(luò)的概述42-43
• 4.2 常見(jiàn)的神經(jīng)網(wǎng)絡(luò)43-46
• 4.2.1 BP神經(jīng)網(wǎng)絡(luò)43-44
• 4.2.2 RBF神經(jīng)網(wǎng)絡(luò)44-46
• 4.3 概率神經(jīng)網(wǎng)絡(luò)的原理及結(jié)構(gòu)46-50
• 4.3.1 貝葉斯(Bayes)分類準(zhǔn)則46-47
• 4.3.2 Parzen窗函數(shù)47-48
• 4.3.3 PNN神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)48-49
• 4.3.4 PNN神經(jīng)網(wǎng)絡(luò)算法步驟49-50
• 4.4 PNN與BP、RBF神經(jīng)網(wǎng)絡(luò)的比較分析50-51
• 4.5 本章小結(jié)51-52
• 第5章 暫態(tài)電能質(zhì)量檢測(cè)與識(shí)別的仿真分析52-71
• 5.1 暫態(tài)電能擾動(dòng)的信號(hào)仿真52-53
• 5.2 暫態(tài)電能質(zhì)量擾動(dòng)信號(hào)的識(shí)別分類53-61
• 5.2.1 對(duì)擾動(dòng)信號(hào)前期預(yù)處理-消噪53-55
• 5.2.2 暫態(tài)電能質(zhì)量擾動(dòng)信號(hào)的ELMD分解55-57
• 5.2.3 基于多尺度模糊熵的特征值提取57-58
• 5.2.4 基于概率神經(jīng)網(wǎng)絡(luò)的不同擾動(dòng)信號(hào)的類型識(shí)別58-59
• 5.2.5 不同類型的神經(jīng)網(wǎng)絡(luò)識(shí)別性能比較分析59-61
• 5.3 暫態(tài)電能質(zhì)量擾動(dòng)信號(hào)的檢測(cè)定位61-67
• 5.4 工程應(yīng)用分析67-70
• 5.5 本章小結(jié)70-71
• 結(jié)論71-72
• 參考文獻(xiàn)72-77
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果77-78
• 致謝78

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 劉璨,姚錫凡;特征分區(qū)的不確定性及模糊熵評(píng)判研究[J];機(jī)械與電子;2005年07期

2 常遠(yuǎn);郝軼;黃曉津;李春文;梁記興;劉景源;;基于模糊熵的核電站瞬態(tài)識(shí)別方法[J];原子能科學(xué)技術(shù);2014年09期

3 王國(guó)鋒;蘆麗明;李言俊;張科;;基于模糊熵的紅外圖象分割方法[J];彈箭與制導(dǎo)學(xué)報(bào);2002年S1期

4 李俠;毛軍軍;湯義強(qiáng);;基于模糊熵的城市設(shè)施水平綜合評(píng)價(jià)分析[J];計(jì)算機(jī)技術(shù)與發(fā)展;2010年07期

5 谷令軍;周進(jìn);;一種基于模糊熵的相位編組提取直線的方法[J];儀器儀表用戶;2010年03期

6 田京;羅志增;;基于模糊熵的運(yùn)動(dòng)想像腦電信號(hào)特征提取[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年S1期

7 陳業(yè)華;黃元美;高峰;;基于模糊熵的聚類有效性分析[J];燕山大學(xué)學(xué)報(bào);2007年01期

8 王鳳山;黃育;劉猛;;基于兩階段模糊熵權(quán)的震災(zāi)搶修搶建價(jià)值評(píng)估模型[J];中國(guó)安全科學(xué)學(xué)報(bào);2010年11期

9 單鑫;張福光;劉士新;王新政;;艦載導(dǎo)彈配送路徑?jīng)Q策模糊熵物元模型[J];兵工自動(dòng)化;2012年05期

10 孫文邦;陳賀新;唐海燕;于光;;基于二維模糊熵的圖像非監(jiān)督變化檢測(cè)[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2011年05期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前6條

1 齊思剛;;基于模糊熵的模糊數(shù)運(yùn)算[A];模糊集理論與模糊應(yīng)用專輯——中國(guó)系統(tǒng)工程學(xué)會(huì)模糊數(shù)學(xué)與模糊系統(tǒng)委員會(huì)第十屆年會(huì)論文選集[C];2000年

2 胡應(yīng)平;;運(yùn)用模糊熵構(gòu)建協(xié)調(diào)模型[A];模糊集理論與應(yīng)用——98年中國(guó)模糊數(shù)學(xué)與模糊系統(tǒng)委員會(huì)第九屆年會(huì)論文選集[C];1998年

3 魏華;王志強(qiáng);張運(yùn)杰;;基于模糊熵的備擇邊緣細(xì)化方法[A];全面建設(shè)小康社會(huì)：中國(guó)科技工作者的歷史責(zé)任——中國(guó)科協(xié)2003年學(xué)術(shù)年會(huì)論文集（上）[C];2003年

4 吳川;朱明;楊冬;;基于最大模糊熵原則的低對(duì)比度圖像閾值選取法[A];第十一屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2003）論文集[C];2003年

5 李筠;祝勇;;誤差分布類型的模糊熵判別方法[A];第七屆青年學(xué)術(shù)會(huì)議論文集[C];2005年

6 何春;陸俊;;基于模糊熵方向特征的圖像邊緣檢測(cè)方法[A];圖像圖形技術(shù)研究與應(yīng)用(2010)[C];2010年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 鄭宗琳;基于高速列車走行部監(jiān)測(cè)數(shù)據(jù)的EEMD特征分析[D];西南交通大學(xué);2015年

2 董國(guó)新;基于ELMD多尺度模糊熵和概率神經(jīng)網(wǎng)絡(luò)的暫態(tài)電能質(zhì)量識(shí)別[D];燕山大學(xué);2016年

3 頓士君;基于腦電多尺度非線性分析的睡眠分期研究[D];燕山大學(xué);2016年

4 王旭堯;基于多元多尺度模糊熵的人體步態(tài)信號(hào)分類[D];燕山大學(xué);2016年

5 趙鳳;基于模糊熵理論的若干圖象分割方法研究[D];西安郵電學(xué)院;2007年

6 吳學(xué)謙;互模糊熵的改進(jìn)及其在心衰檢測(cè)中的應(yīng)用[D];山東大學(xué);2014年

7 張麗波;基于三角模糊熵的信息安全風(fēng)險(xiǎn)評(píng)估研究[D];黑龍江大學(xué);2013年

8 李世航;基于模糊熵的貸款組合決策模型[D];山東師范大學(xué);2014年

9 白禮虎;基于模糊互補(bǔ)判斷矩陣和直覺(jué)模糊熵的決策研究[D];安徽大學(xué);2013年

10 白雪;基于模糊優(yōu)化的模糊熵理論研究及應(yīng)用[D];哈爾濱理工大學(xué);2011年

，

本文編號(hào)：856141