基于ELMD多尺度模糊熵和概率神经网络的暂态电能质量识别

发布时间：2017-09-15 11:05

  本文关键词：基于ELMD多尺度模糊熵和概率神经网络的暂态电能质量识别

  更多相关文章： 暂态电能质量 扰动识别 总体局部均值分解(ELMD) 多尺度模糊熵(MFE) 概率神经网络(PNN)

【摘要】：电能是人们生活中不可或缺的部分,电能质量的问题也越来越受到社会高度重视,对其进行有效的检测和准确的分类是改善和提高电能质量的重要前提。本文从电能质量定义和研究现状出发,在总结常用的扰动识别方法基础上,提出了一种基于总体局部均值分解(ELMD)多尺度模糊熵和概率神经网络对暂态电能质量检测与识别新的分析方法。首先,阐述了暂态电能质量的基础理论,包括电能质量的概念以及电能质量扰动的分类,提出了对扰动信号进行消噪处理的必要性,并运用小波消噪方法对其消噪处理。研究了局部均值分解方法(LMD)的基本原理以及在信号分解中的应用,针对LMD分解出现的模态混叠问题,引入了由噪声辅助的总体局部均值分解(ELMD)方法。其次,在掌握模糊熵算法原理的基础上,结合多尺度分析思想,引入用于度量不同尺度下信号复杂性的多尺度模糊熵(MFE)。然后利用ELMD分解与MFE相结合的方法提取扰动信号的特征向量,所获得的特征向量可以反映扰动信号在不同频率上的复杂度信息。因此由多尺度模糊熵值所构建的特征向量为扰动信号识别分类提供了依据。然后,在分析常见神经网络的结构模型、性能指标以及它们各自的优缺点基础上,对概率神经网络(PNN)进行了研究分析。采用PNN作为扰动信号识别的方法。通过仿真实验对常见神经网络的性能进行对比分析,进一步证明了PNN在扰动识别中的优越性。最后,利用MATLAB软件建立暂态电能质量扰动的仿真信号。运用ELMD分解与Hilbert变换相结合的方法来完成扰动信号的检测定位。对扰动信号的识别分类问题,利用小波阈值去噪对其进行预处理,同时结合ELMD多尺度模糊熵对信号进行特征提取,并通过PNN完成识别分析。仿真结果表明:本文所提的方法能够有效地用于暂态电能质量扰动的检测与识别并且能达到良好的效果。
【关键词】：暂态电能质量 扰动识别 总体局部均值分解(ELMD) 多尺度模糊熵(MFE) 概率神经网络(PNN)
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM711;TP183
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-18
• 1.1 课题研究的背景及意义10-11
• 1.2 电能质量扰动问题的研究状况11-14
• 1.3 电能质量的概述14-17
• 1.3.1 电能质量的定义14
• 1.3.2 电能质量扰动的分类14-16
• 1.3.3 电能质量标准16-17
• 1.4 本文主要研究的内容17-18
• 第2章 总体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 小波阈值消噪的原理18-19
• 2.2.2 LMD算法原理及分解步骤19-21
• 2.2.3 LMD算法的仿真分析21-26
• 2.3 ELMD分解理论与仿真26-29
• 2.3.1 ELMD算法的基本思想26-28
• 2.3.2 仿真验证28-29
• 2.4 本章小结29-31
• 第3章 多尺度模糊熵的信号特征提取31-42
• 3.1 熵的概述31-32
• 3.1.1 熵的定义31
• 3.1.2 熵的性质31-32
• 3.2 模糊熵的概念32-38
• 3.2.1 样本熵32-33
• 3.2.2 模糊熵33-35
• 3.2.3 相关参数对模糊熵值的影响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 暂态电能扰动信号的特征提取39-41
• 3.4 本章小结41-42
• 第4章 概率神经网络的分析42-52
• 4.1 神经网络的概述42-43
• 4.2 常见的神经网络43-46
• 4.2.1 BP神经网络43-44
• 4.2.2 RBF神经网络44-46
• 4.3 概率神经网络的原理及结构46-50
• 4.3.1 贝叶斯(Bayes)分类准则46-47
• 4.3.2 Parzen窗函数47-48
• 4.3.3 PNN神经网络的结构48-49
• 4.3.4 PNN神经网络算法步骤49-50
• 4.4 PNN与BP、RBF神经网络的比较分析50-51
• 4.5 本章小结51-52
• 第5章 暂态电能质量检测与识别的仿真分析52-71
• 5.1 暂态电能扰动的信号仿真52-53
• 5.2 暂态电能质量扰动信号的识别分类53-61
• 5.2.1 对扰动信号前期预处理-消噪53-55
• 5.2.2 暂态电能质量扰动信号的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 基于概率神经网络的不同扰动信号的类型识别58-59
• 5.2.5 不同类型的神经网络识别性能比较分析59-61
• 5.3 暂态电能质量扰动信号的检测定位61-67
• 5.4 工程应用分析67-70
• 5.5 本章小结70-71
• 结论71-72
• 参考文献72-77
• 攻读硕士学位期间承担的科研任务与主要成果77-78
• 致谢78

【相似文献】

中国期刊全文数据库 前10条

1 刘璨,姚锡凡;特征分区的不确定性及模糊熵评判研究[J];机械与电子;2005年07期

2 常远;郝轶;黄晓津;李春文;梁记兴;刘景源;;基于模糊熵的核电站瞬态识别方法[J];原子能科学技术;2014年09期

3 王国锋;芦丽明;李言俊;张科;;基于模糊熵的红外图象分割方法[J];弹箭与制导学报;2002年S1期

4 李侠;毛军军;汤义强;;基于模糊熵的城市设施水平综合评价分析[J];计算机技术与发展;2010年07期

5 谷令军;周进;;一种基于模糊熵的相位编组提取直线的方法[J];仪器仪表用户;2010年03期

6 田京;罗志增;;基于模糊熵的运动想像脑电信号特征提取[J];华中科技大学学报(自然科学版);2013年S1期

7 陈业华;黄元美;高峰;;基于模糊熵的聚类有效性分析[J];燕山大学学报;2007年01期

8 王凤山;黄育;刘猛;;基于两阶段模糊熵权的震灾抢修抢建价值评估模型[J];中国安全科学学报;2010年11期

9 单鑫;张福光;刘士新;王新政;;舰载导弹配送路径决策模糊熵物元模型[J];兵工自动化;2012年05期

10 孙文邦;陈贺新;唐海燕;于光;;基于二维模糊熵的图像非监督变化检测[J];吉林大学学报(工学版);2011年05期

中国重要会议论文全文数据库 前6条

1 齐思刚;;基于模糊熵的模糊数运算[A];模糊集理论与模糊应用专辑——中国系统工程学会模糊数学与模糊系统委员会第十届年会论文选集[C];2000年

2 胡应平;;运用模糊熵构建协调模型[A];模糊集理论与应用——98年中国模糊数学与模糊系统委员会第九届年会论文选集[C];1998年

3 魏华;王志强;张运杰;;基于模糊熵的备择边缘细化方法[A];全面建设小康社会：中国科技工作者的历史责任——中国科协2003年学术年会论文集（上）[C];2003年

4 吴川;朱明;杨冬;;基于最大模糊熵原则的低对比度图像阈值选取法[A];第十一届全国信号处理学术年会（CCSP-2003）论文集[C];2003年

5 李筠;祝勇;;误差分布类型的模糊熵判别方法[A];第七届青年学术会议论文集[C];2005年

6 何春;陆俊;;基于模糊熵方向特征的图像边缘检测方法[A];图像图形技术研究与应用(2010)[C];2010年

中国硕士学位论文全文数据库 前10条

1 郑宗琳;基于高速列车走行部监测数据的EEMD特征分析[D];西南交通大学;2015年

2 董国新;基于ELMD多尺度模糊熵和概率神经网络的暂态电能质量识别[D];燕山大学;2016年

3 顿士君;基于脑电多尺度非线性分析的睡眠分期研究[D];燕山大学;2016年

4 王旭尧;基于多元多尺度模糊熵的人体步态信号分类[D];燕山大学;2016年

5 赵凤;基于模糊熵理论的若干图象分割方法研究[D];西安邮电学院;2007年

6 吴学谦;互模糊熵的改进及其在心衰检测中的应用[D];山东大学;2014年

7 张丽波;基于三角模糊熵的信息安全风险评估研究[D];黑龙江大学;2013年

8 李世航;基于模糊熵的贷款组合决策模型[D];山东师范大学;2014年

9 白礼虎;基于模糊互补判断矩阵和直觉模糊熵的决策研究[D];安徽大学;2013年

10 白雪;基于模糊优化的模糊熵理论研究及应用[D];哈尔滨理工大学;2011年

，

本文编号：856141