基于压缩感知和深度学习的电能质量扰动识别研究

目录

声明

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 电能质量扰动特征提取研究现状

1.2.2 电能质量扰动分类研究现状

1.2.3 深度学习在电能质量扰动识别的研究现状

1.2.4 压缩感知在电能质量扰动识别的研究现状

1.3 主要工作及章节安排

第2章 电能质量扰动概述

2.1 电能质量定义及标准

2.1.1 电能质量定义

2.1.2 电能质量标准

2.3 扰动信号灰度处理

2.4 本章小结

第3章 基于CNN的电能质量扰动识别

2.2 电能质量扰动信号数学模型

2.2.1 单一扰动

2.2.2 复合扰动

3.1 神经网络简介

3.2 CNN网络结构

3.2.1 卷积层

3.2.2 池化层

3.2.3 全连接层

3.2.4 Softmax分类器

3.2.5 CNN训练方法

3.3 基于CNN的扰动识别

3.3.1 模型构建

3.3.2 识别方案

3.4 实验仿真

3.4.1 扰动信号数据集

3.4.2 模型训练

3.4.3 分类结果

3.5 本章小结

第4章 基于CNN-BiLSTM的电能质量扰动识别

4.1 基本理论

4.1.1 RNN基本结构

4.1.2 LSTM基本结构

4.1.3 BiLSTM基本结构

4.2 基于CNN-BiLSTM的扰动识别

4.2.1 模型构建

4.2.2 识别方案

4.3 实验仿真

4.4 本章小结

第5章 基于压缩感知与深度学习的电能质量扰动识别

5.1 引言

5.2 压缩感知理论框架

5.2电能扰动信号重构

5.2.1 扰动信号稀疏表示

5.2.2 观测矩阵选择

5.2.3重构算法

5.3 扰动信号重构仿真

5.3 实验仿真

5.4本章小结

第6章 结论与展望

6.1 结论

6.2 展望

致谢

参考文献

攻读学位期间的研究成果