基于EEMD和SVM的电能质量扰动检测与分析研究

发布时间：2017-11-15 12:33

  本文关键词：基于EEMD和SVM的电能质量扰动检测与分析研究

  更多相关文章： 电能质量 Teager能量算子 总体平均经验模态分解 支持向量机 扰动识别

【摘要】：随着社会经济的快速发展,电力电子技术也越来越多的运用到我们的生产与生活当中,大量的非线性和冲击性负荷接入到电网中,使得电网的电压波形发生畸变,甚至会导致整个配电系统的频率发生波动。同时,以微型处理器为核心的电子设备和精密仪器对电能质量提出了更高的要求。因此,电能质量问题受到越来越多的电力部门和研究学者的关注。本文的主要创新和研究工作如下：1)利用电能质量扰动的数学模型,分析并研究了影响电能质量的几种主要因素,通过总体平均经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)与 Teager能量算子(Teager Energy Operator, TEO)对扰动信号的分解和能量特征提取,即可检测到电能质量扰动现象的发生,并获取电能质量扰动的能量特征数据。在以上能量特征的基础上,针对影响电能质量的几种因素,采用支持向量机(Support Vector Machine, S VM)对扰动类型进行分类与识别。2)考虑到经验模态分解(Empirical Mode Decomposition, EMD)方法中较为严重的模态函数混叠现象,采用总体平均经验模态分解方法,对电压信号进行抗混分解得到各阶模态函数,然后使用Teager能量算子来获取扰动信号的能量特征,根据计算获取到的扰动信号能量特征,即可检测出电能质量扰动现象的发生。3)在扰动信号的分类识别中,针对人工神经网络、贝叶斯分类器等在电能质量扰动信号的分类识别中存在的不足,将支持向量机引入到电能质量扰动识别中。通过分析对比径向基核函数、多项式核函数以及线性核函数对支持向量机扰动分类识别的影响,采用PSO算法和遗传算法优化径向基核函数最优参数,并将扰动信号的能量特征信息作为支持向量机的输入向量来进行扰动信号的分类和识别。仿真结果表明了本文中方法的有效性,总体平均经验模态分解准确度高于经验模态分解,在扰动信号检测过程中体现了文中所述方法的快速性与准确性。在分类与识别过程中,使用参数优化方法进一步表明了研究方法的可靠性。
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM711

【参考文献】

中国期刊全文数据库 前10条

1 丁世飞;齐丙娟;谭红艳;;支持向量机理论与算法研究综述[J];电子科技大学学报;2011年01期

2 赵静;何正友;钱清泉;;一种识别混合电能质量扰动的新方法[J];电力系统自动化;2011年03期

3 易吉良;彭建春;谭会生;;基于改进S变换估计电能质量信号的噪声水平[J];电网技术;2009年20期

4 徐永海;赵燕;;基于短时傅里叶变换的电能质量扰动识别与采用奇异值分解的扰动时间定位[J];电网技术;2011年08期

5 沈申生;杨奕;;小波包变换在电能质量扰动检测中的应用[J];高电压技术;2006年07期

6 周林;吴红春;孟婧;徐会亮;马永强;;电压暂降分析方法研究[J];高电压技术;2008年05期

7 袁帅;佟为明;;基于Hilbert变换和dq变换的电压暂降检测新方法[J];高电压技术;2009年05期

8 潘从茂;李凤婷;;基于小波变换的暂态电能质量的检测与识别[J];电测与仪表;2013年11期

9 陈春玲;许童羽;郑伟;姜凤利;郭丹;;多类分类SVM在电能质量扰动识别中的应用[J];电力系统保护与控制;2010年13期

10 徐健;张语R，

本文编号：1189794