隨著國家經(jīng)濟與科技的雙重發(fā)展,越來越多新型電氣設(shè)施接入電網(wǎng),使得電網(wǎng)中的電壓和電流更容易產(chǎn)生擾動。這些擾動會縮短設(shè)備的壽命、提高線損率,甚至帶來嚴重的損失和后果。為了減輕電能質(zhì)量數(shù)據(jù)采集傳輸?shù)南?提高對擾動鑒別的智能性,本文將壓縮感知(Compressed sensing,CS)技術(shù)與卷積神經(jīng)網(wǎng)絡(Convolutional neural network,CNN)結(jié)合,有效地解決了這兩大問題。并且本文將重構(gòu)后的電壓信號映射為RGB圖片,實現(xiàn)了對單相與三相電能質(zhì)量擾動送入卷積神經(jīng)網(wǎng)絡分類的目的。本文的研究內(nèi)容可以概括為如下幾點:(1)用MATLAB中的函數(shù)仿真出正常信號和8種單相電能質(zhì)量擾動,并利用Simulink進行電路仿真,模擬產(chǎn)生10種三相電能質(zhì)量擾動數(shù)據(jù)。(2)使用壓縮感知技術(shù)對仿真的信號進行壓縮、存儲,便于傳輸;再使用正交匹配追蹤算法恢復原始信號。最后,將單相與三相電能質(zhì)量擾動均轉(zhuǎn)化為RGB圖片,分別制作成訓練集與測試集。(3)在python中使用tensorflow學習框架構(gòu)建出完整的卷積神經(jīng)網(wǎng)絡,并利用制作好的訓練集對整個網(wǎng)絡的參數(shù)進行優(yōu)化調(diào)整,最后再用測試集檢測系統(tǒng)分類...

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【部分圖文】：

圖2.8多神經(jīng)元組成的神經(jīng)網(wǎng)絡

輸入層隱藏層輸出層圖2.8多神經(jīng)元組成的神經(jīng)網(wǎng)絡絡正如其名，其參數(shù)更新的方式是通過誤差反學習的代表，即在已知輸入所對應的正確輸出網(wǎng)絡之所以能“學習”是因為它除了具有如公式反向傳播這個更為經(jīng)典的機制。k-1層第i個神經(jīng)元和第k層第j個神經(jīng)元之間播與反向傳播權(quán)....

圖3.1SimulinkLibraryBrowser(SLB)的界面

并模擬生成單相電壓擾動故障波形；另帶的Simulink搭建模型，再采樣獲取三相表2.1所示公式編寫代碼仿真即可，本節(jié)路的情況。MATLAB中，是的一種能夠利用圖形拖使用方便，功能多樣，應用領(lǐng)域也十分廣制仿真，也可以把仿真結(jié)果導至MATLAB到了簡便搭建的途徑。本文便....

圖3.3利用函數(shù)控制電壓源輸出模塊

由圖3.2可以看出各模塊之間的具體連接狀況。但對于三相諧波、三相電壓閃變故障不易由三相可編程電壓源直接設(shè)置生成，也不易由其他模塊接入控制，遂本系統(tǒng)采用圖3.3所示模塊代替三相可編程電壓源來實現(xiàn)。將Ramp按圖3.4進行設(shè)置，通過改變Fcn模塊中函數(shù)來實現(xiàn)對受控....

圖3.4Ramp的參數(shù)設(shè)置

圖3.3利用函數(shù)控制電壓源輸出模塊圖3.2可以看出各模塊之間的具體連接狀況。但對于三相諧波、三相不易由三相可編程電壓源直接設(shè)置生成，也不易由其他模塊接入控采用圖3.3所示模塊代替三相可編程電壓源來實現(xiàn)。將Ramp按圖3通過改變Fcn模塊中函數(shù)來實現(xiàn)對受控電壓....

本文編號：3986822