电能质量信号去噪的研究(杨茂)(1)

《电能质量信号去噪的研究(杨茂)(1)》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、本科毕业设计（论文）开题报告题目：电能质量信号去噪的研究学生姓名杨茂学号1207040410教学院系电气信息学院专业年级电气工程及其自动化2012级指导教师赵万明职称副教授单位西南石油大学1电能质量信号去噪研究的目的、意义1.1研究目的与意义电能是一种方便清洁的二次能源，在促进科技发展、推动社会进步和提高人们生活水平屮发挥着不可替代的作用。新能源及新型电力负荷迅速发展，推动电力工业由传统的集屮供电模式向分散相结合的模式发展。电力系统容量变的更大、更复杂，影响供电安全性与可靠性的因素也不断增加。研究电能质量信号去噪问题，针对电能质量信号在采集过程含有大量的噪声，给电能质量分析带来困难，因此要对电

2、能质量信号进行去噪处理。传统去噪方法不能同时解决去噪和突变点信息保留Z间孑盾的问题,导致去除噪声的同时损失了更多的原始信号信息。近年来，随着人们生活水平的提高，许多用电设备对电能质量更加敏感，因此对电能质量捉出了越来越高的耍求。由于电力线路、电子电力设备安装位置和干扰等可能使电力信号产生噪声，电力信号小的噪声会对电能质量分析方法效果产生相当大的干扰，有时甚至会使它们失效，所以当噪声比较大时，电能质量分析过程将会失去它原冇的意义，因此去噪在电能质量检测屮的关键问题，是后续各种研究工作的基础。1.2研究现状国内外对屯能质量去噪问题已经开展广泛而深入研究和探讨，产生了大量的去噪方法。传统的去噪方法分

3、为线性滤波技术和非线性滤波技术两种。线性滤波去噪技术数学处理简单，理论基础完善，同吋易丁采用FFT和硬件实现等优点，在去噪领域占有十分重要的地位。线性滤波对加性高斯噪声有较好的过滤作用，但是对脉冲信号和突变点特别敏感，因此当滤波窗中含冇突变点时，滤波效果受突变点影响程度相当大，而且影响可能扩散到其附近的点，所以对突变点检测准确性不高。非线性滤波技术根据输入信号序列来建立一种非线性映射关系，这样可以将某一特定的噪声映射为零同吋保留信号的重要特征，这样在一定程度上克服线性滤波器的缺陷。早期主要采用中值滤波器进行非线性滤波，但是中值滤波器缺乏统一、完善的理论指导，不能对中拖尾和短拖尾分布噪声进行很好

4、的过滤，而口如果拖尾越短，那么滤波能力越差，I大I此不能满足屯能质量检测要求。为了改善屯能质量信号的去噪效果，近年来，涌现人量新的去噪方法，例如神经网络、专家系统、模糊逻辑和小波变换等技术，它们在信号处理过程中均有各自的优势，但也存在各自的不足。神经网络要求训练样本大，专家系统要求建立完备的专家知识库，都不能解决同时处理好去噪和保留突变信息的难题。小波变换是一种时频分析方法，非常适合于非平稳信号的分析，在电能质量检测领域已经得到了广泛的应用。在小波变换应用屮，H前主耍有硬阈值和软阈值去噪方法，硬阈值算法因其自身缺陷而不适用于实际场合，所以当而主要是软阈值去噪方法，其中小波去噪的效果与阈值选择有

5、着直接的联系。如果阈值选择不当，在进行去噪的同时,把电能质量信号的一些重要的突变信息也去消掉了，去噪后的电能质量信号受到影响。2毕业论文任务概况选题冃的：电力系统现场采集的电能质量数据往往被各种噪声所干扰，为此，需要对所采集的数据进行滤波，以消除噪声的干扰。工作任务：分析电力系统中常用的信号去噪方法，学习小波变换以及小波去噪的相关知识，在MATLAB下实现对受到干扰的电能质量信号的去噪处理。3主要研究内容及研究方法3.1小波分析小波分析的基本方法是运用Mallat塔式算法，对信号进行降阶分解。该算法在每一尺度卜将信号分解成概貌分量和细节分量。注:Mallat算法是关于正交小波的快速算法，在小波

6、分析中占据着十分重耍的地位。运用Mallat算法可以实现信号的快速分解和重构。信号s(t)的分解过程是从j+1尺度到j尺度逐步分解的，其分解公式为：Cjn=ECi+，hk-2n(3-1(3-2)dJn=ECk+，Sk-2keZ式中，C5和伽分别为笫j层的笫n个尺度系数和小波系数。3.2小波变换(wavelettransform,WT)小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）

7、频率的局部化分析，通过伸缩平移运算对信号（函数）逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。小波变换是一种变尺度时频分析方法。对于任意函数f（t）eV0,可以将其分解成大尺度逼近部分和细节部分，然后将大尺度逼近部分再进行下一步分解，不断重