基于ELMD多尺度模糊熵和概率神經(jīng)網(wǎng)絡(luò)的暫態(tài)電能質(zhì)量識別.pdf

1、電能是人們生活中不可或缺的部分，電能質(zhì)量的問題也越來越受到社會高度重視，對其進行有效的檢測和準確的分類是改善和提高電能質(zhì)量的重要前提。本文從電能質(zhì)量定義和研究現(xiàn)狀出發(fā)，在總結(jié)常用的擾動識別方法基礎(chǔ)上，提出了一種基于總體局部均值分解(ELMD)多尺度模糊熵和概率神經(jīng)網(wǎng)絡(luò)對暫態(tài)電能質(zhì)量檢測與識別新的分析方法。
　　首先，闡述了暫態(tài)電能質(zhì)量的基礎(chǔ)理論，包括電能質(zhì)量的概念以及電能質(zhì)量擾動的分類，提出了對擾動信號進行消噪處理的必要性，并運用

2、小波消噪方法對其消噪處理。研究了局部均值分解方法(LMD)的基本原理以及在信號分解中的應(yīng)用，針對LMD分解出現(xiàn)的模態(tài)混疊問題，引入了由噪聲輔助的總體局部均值分解(ELMD)方法。
　　其次，在掌握模糊熵算法原理的基礎(chǔ)上，結(jié)合多尺度分析思想，引入用于度量不同尺度下信號復(fù)雜性的多尺度模糊熵(MFE)。然后利用ELMD分解與MFE相結(jié)合的方法提取擾動信號的特征向量，所獲得的特征向量可以反映擾動信號在不同頻率上的復(fù)雜度信息。因此由多尺度模

3、糊熵值所構(gòu)建的特征向量為擾動信號識別分類提供了依據(jù)。
　　然后，在分析常見神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型、性能指標以及它們各自的優(yōu)缺點基礎(chǔ)上，對概率神經(jīng)網(wǎng)絡(luò)(PNN)進行了研究分析。采用PNN作為擾動信號識別的方法。通過仿真實驗對常見神經(jīng)網(wǎng)絡(luò)的性能進行對比分析，進一步證明了PNN在擾動識別中的優(yōu)越性。
　　最后，利用MATLAB軟件建立暫態(tài)電能質(zhì)量擾動的仿真信號。運用ELMD分解與Hilbert變換相結(jié)合的方法來完成擾動信號的檢測定位。