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

1、電能是人們生活中不可或缺的部分，電能質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量的重要前提。本文從電能質量定義和研究現(xiàn)狀出發(fā)，在總結常用的擾動識別方法基礎上，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)絡對暫態(tài)電能質量檢測與識別新的分析方法。
　　首先，闡述了暫態(tài)電能質量的基礎理論，包括電能質量的概念以及電能質量擾動的分類，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上，結合多尺度分析思想，引入用于度量不同尺度下信號復雜性的多尺度模糊熵(MFE)。然后利用ELMD分解與MFE相結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雜度信息。因此由多尺度模

3、糊熵值所構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)絡的結構模型、性能指標以及它們各自的優(yōu)缺點基礎上，對概率神經(jīng)網(wǎng)絡(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)電能質量擾動的仿真信號。運用ELMD分解與Hilbert變換相結合的方法來完成擾動信號的檢測定位。