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

《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》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文MASTERDISSERTATION论文题目基于ELMD多尺度模糊熵和概率神经网络的暂态电能质量识别作者姓名董国新学科专业检测技术与自动化装置指导教师张淑清教授2016年5月中图分类号：TH17学校代码：10216UDC：621.38密级：公开工学硕士学位论文基于ELMD多尺度模糊熵和概率神经网络的暂态电能质量识别硕士研究生：董国新导师：张淑清教授申请学位：工学硕士学科专业：检测技术与自动化装置所在单位：电气工程学院答辩日期：2016年5月授予学位单位：燕山大学ADissertationinDetectionTechn

2、ologyandAutomaticEquipmentTRANSIENTPOWERQUALITYIDENTIFICATIONBASEDONELMDMULTI-SCALEFUZZYENTROPYANDPROBABILISTICNEURALNETWORKSbyDongGuoxinSupervisor:ProfessorZhangShuqingYanshanUniversityMay2016燕山大学硕士学位论文原创性声明本人郑重声明：此处所提交的硕士学位论文《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》，是本人在导师指导下，

3、在燕山大学攻读硕士学位期间独立进行研究工作所取得的成果。论文中除已注明部分外不包含他人已发表或撰写过的研究成果。对本文的研究工作做出重要贡献的个人和集体，均已在文中以明确方式注明。本声明的法律结果将完全由本人承担。作者签字：日期：年月日燕山大学硕士学位论文使用授权书《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》系本人在燕山大学攻读硕士学位期间在导师指导下完成的硕士学位论文。本论文的研究成果归燕山大学所有，本论文的研究内容不得以其它单位的名义发表。本人完全了解燕山大学关于保存、使用学位论文的规定，同意学校保留并向有关部

4、门送交论文的复印件和电子版本，允许论文被查阅和借阅。本人授权燕山大学，可以采用影印、缩印或其它复制手段保存论文，可以公布论文的全部或部分内容。保密□，在年解密后适用本授权书。本学位论文属于不保密□。（请在以上相应方框内打“√”）作者签名：日期：年月日导师签名：日期：年月日摘要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

5、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

6、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

7、，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。关键词：暂态电能质量；扰动识别；总体局部均值分解(ELMD)；多尺度模糊熵(MFE)；概率神经网络(PNN)-I-燕山大学工学硕士学位论文AbstractElectricityasanindispensablepartinpeople'slife,thewholecommunityarepayingmoreandmoreattentionstothepowerqua

8、lityproblems.Improveandenhancethepowerqualityofimportantpremiseistoeffectivedetectionandaccurateclassification.Inthispaper,s