基于自适应高斯基神经网络的电力信号分析方法研究

《基于自适应高斯基神经网络的电力信号分析方法研究》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、中山大学硕士学位论文基于自适应高斯基神经网络的电力信号分析方法研究姓名：吴乐申请学位级别：硕士专业：检测技术与自动化装置指导教师：姜孝华20090523基于自适应高斯基神经网络的电力信号分析方法研究专业：检测技术与自动化装置硕士生：吴乐指导教簿：姜孝华教授摘要随着社会的发展，魄能已经成为～种不可缺少的能源，电能质量(powerqualit)，)也越来越弓l起人们的关注。影响瞧能质量的因素缀多，包括供电、用电设备等。电能质鬃扰动主簧有电压凸起、电压凹陷、电压间断、谐波、脉冲暂态和振荡暂态等。本论文主要研究探讨现代数字信号处理

2、方法雳予电熊豢量扰动的检测和识别，研究基于基函数神经网络的信号分解理论方法，提出了一种自适应修改确定隐神经元数及权值的盘适应基函数神经网络并媸予电能质量扰动的检测和识别。探讨了三角基函数神经网络方法，提出了神经网络权值计算的最小=乘算法和基于正交原理的能量投影方法，计算鬟小，易予实现。采用三角基函数乎睾经网络对常见的奄熊质量扰动信号进行识别的结果表明，在考虑干扰噪声情况下，扰动信号波形的麓别并不能缀好地识别扰动，蔼频谱分帑虽然熊区分一些扰动特征，但对瞬交脉冲僖号识别效果不理想。采用自适应高斯蒸神经网络用于电力信号的时频分析

3、，对电麓质量扰动的检测和识别效果较好，仿真结果验涯了该方法的可背性。关键谢：电能覆量扰动的检测与识鬟，高斯基能量投影，神经网络，最夺二黎，电能质量TheResearchofAdaptiveGuassianArtificialNeuralNetworkMethodanditsApplicationstoDetectiontoPowerQualityDisturbancesMajor：MeasuringTechnology&AutomatedEquipmentName：嘶zLeSupervisor：Prof．JiangXiao

4、huaABSTRACTWiththedevelopmentofsociety,electricityhasbecomeallindispensablesourceofenergy．Andtheelectricpowersystemquality(powerquality)hasalsobecomeallimportantissueworldwide．Powerqualityisallimportantcriterionwhichreflectsthequalityofelectricpowerprovidedbypower

5、supplydepartment．Powerqualitycanbeaffectedbythedevicesbothofpowersupplydepartmentandcustomers．Thereareseveralkindsofelectricpower’Sdisturbances，suchasvoltagesags，voltageswells，voltageinterruption，harmonic，transientimpulses，andtransientoscillation．Thispapermainlyst

6、udythemethodsofmodemdigitalsignalprocessingforpowerqualitydisturbancedetectionandidentification．Basisfunctionneuralnetworktheoryforsignaldecompositionisdiscussedandanadaptivebasisfunctionneuralnetworkisproposed．Theapplicationoftheadaptivebasisfunctionneuralnetwork

7、focusonthetriangularbasisfunctionneuralnetworkandtheadaptiveGaussianneuralnetwork．Twomethodsareproposedtocalculatetheweightsoftheseneuralnetwork：theleastsquaresmethod(LS)andtheenergyorthogonalprojectionmethod．Resultsofthetriangularbasisfunctionneuralnetworkusingfo

8、rpowerqualitydisturbancessignalrecognitionshowthatIIABSTRACTthedisturbancesignalwaveformsoutputbytheneuralnetworkcannotbeusedtoidentifythedisturbancetyp