基于字典学习的电能质量数据分析方法研究

发布时间：2023-03-25 01:29

　　随着越来越多的分布式电源、电动汽车和其它非线性设备连接到电网中,电网中出现了各种电能质量扰动问题。并且由于智能仪表和各种智能采集设备的投入使用,导致系统中产生了海量的电能质量数据。大量的电能质量数据不但给当前电力系统的数据传输和存储带来了巨大的负担,也使电能质量的分析更加复杂化。为了减少通信压力和存储容量紧缺的问题,应用较少的数据量实现对电力系统的有效分析是智能电网的发展趋势。电能质量数据的处理与分析对电网运行至关重要,如何运用更少的数据量对其进行更加快速准确的处理成为一个十分重要的问题。针对电力系统中节点数量较多的特点,本课题引入分布式压缩感知和字典学习对电能质量数据进行压缩和联合重构以减小数据传输量并加快数据处理速度。首先在PSCAD中模拟出分布式的IEEE14节点系统,利用此模型分析了电能质量数据的相关性和稀疏性。为了更好地使信号稀疏化,构造了适用于电能质量数据的分布式压缩感知学习字典。仿真结果表明,使用分布式压缩感知学习字典对电能质量信号进行稀疏化要优于使用传统的傅里叶基,并且使用分布式压缩感知可以在数据量减少1/3时,仍可以保证重构数据的精度,大大节省了系统的存储空间,同时也...

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究的背景及意义
    1.2 国内外研究现状
    1.3 论文研究内容与章节安排
第2章 分布式压缩感知和字典学习的理论基础
    2.1 压缩感知的基本原理
        2.1.1 稀疏表示方法
        2.1.2 观测矩阵设计
        2.1.3 重构算法
    2.2 分布式压缩感知理论
        2.2.1 分布式压缩感知信号模型
        2.2.2 联合稀疏模型
    2.3 字典学习理论
    2.4 本章小结
第3章 基于分布式压缩感知和学习字典的电能质量数据处理方法
    3.1 电能质量数据的相关性与稀疏性分析
        3.1.1 电能质量数据的相关性分析
        3.1.2 电能质量数据的稀疏性分析
    3.2 分布式压缩感知学习字典的设计
        3.2.1 分布式压缩感知学习字典构造步骤
        3.2.2 DCS学习字典主要参数
    3.3 仿真实验分析
    3.4 本章小结
第4章 基于单向表示字典学习的电能质量扰动识别方法
    4.1 单向表示字典学习的模型
        4.1.1 电能质量信号字典学习模型
        4.1.2 面向分类的的单向表示模型
    4.2 模型的优化
    4.3 实验结果与分析
        4.3.1 不同方法的性能对比
        4.3.2 实验验证
    4.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢



本文编号：3770255