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

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。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪 论

1.1 课题研究的背景及意义

1.2 电能质量扰动问题的研究状况

1.3电能质量的概述

1.4 本文主要研究的内容

第2章 总体局部均值分解算法研究

2.1 局部均值分解算法概述

2.2 LMD算法的原理及仿真

2.3 ELMD分解理论与仿真

2.4 本章小结

第3章 多尺度模糊熵的信号特征提取

3.1 熵的概述

3.2 模糊熵的概念

3.3 多尺度模糊熵

3.4 本章小结

第4章 概率神经网络的分析

4.1神经网络的概述

4.2常见的神经网络

4.3 概率神经网络的原理及结构

4.4 PNN与BP、RBF神经网络的比较分析

4.5 本章小结

第5章 暂态电能质量检测与识别的仿真分析

5.1 暂态电能扰动的信号仿真

5.2暂态电能质量扰动信号的识别分类

5.3暂态电能质量扰动信号的检测定位

5.4工程应用分析

5.5 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢