發(fā)布時(shí)間：2022-07-08 10:05

　　電能質(zhì)量是指電力系統(tǒng)供給用戶的電能品質(zhì)的優(yōu)劣,為了滿足人們?cè)谌粘９ぷ魃钪惺褂酶咂焚|(zhì)電能的需求,對(duì)電能質(zhì)量擾動(dòng)信號(hào)的分析和識(shí)別顯得尤其重要。本文在分析電能質(zhì)量擾動(dòng)檢測(cè)的研究現(xiàn)狀基礎(chǔ)上,針對(duì)電能信號(hào)的分解、特征向量矩陣的構(gòu)建以及分類識(shí)別等三個(gè)方面進(jìn)行研究,提出一種基于去趨勢(shì)多重分形（Multifractal detrended fluctuation analysis,MFDFA）及改進(jìn)極限學(xué)習(xí)機(jī)（Extreme learning machine,ELM）的電能質(zhì)量分析方法。首先,分析了幾種常見的時(shí)頻域分析方法的原理及特點(diǎn),指出其各自的局限。提出基于MFDFA的電能質(zhì)量擾動(dòng)信號(hào)特征提取方法。MFDFA方法從幾何層面上挖掘了電能擾動(dòng)信號(hào)的分形特征,將信號(hào)劃分為不重復(fù)的小段區(qū)間,使用最小二乘法對(duì)每一個(gè)小區(qū)間進(jìn)行趨勢(shì)擬合,確定區(qū)間的波動(dòng)函數(shù),得到信號(hào)的分形參數(shù)。通過廣義Hurst理論及信號(hào)的多重分形譜分析證明了電能質(zhì)量擾動(dòng)信號(hào)的多重分形特性。其次,對(duì)得到的分形參數(shù)進(jìn)行選擇,挑選出能表征信號(hào)特征的三個(gè)分形參數(shù)。為進(jìn)一步突出不同類型的擾動(dòng)信號(hào)特性,計(jì)算了多重分形譜的樣本熵和信號(hào)本身的能量熵,為電能... 

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景和意義
    1.2 電能質(zhì)量分析國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 特征提取方法及研究現(xiàn)狀
        1.2.2 模式識(shí)別方法及研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
第2章 電能質(zhì)量概述及擾動(dòng)類型
    2.1 定義及特點(diǎn)
    2.2 電能質(zhì)量國(guó)際標(biāo)準(zhǔn)
    2.3 擾動(dòng)類型及參數(shù)
    2.4 本章小結(jié)
第3章 電能質(zhì)量的多重分形特征
    3.1 分形及分形維數(shù)
    3.2 去趨勢(shì)多重分形分析原理
    3.3 電能質(zhì)量信號(hào)的多重分形特征
    3.4 本章小結(jié)
第4章 電能質(zhì)量信號(hào)的特征分析
    4.1 基于多重分形譜的特征分析
    4.2 分形參數(shù)的樣本熵的特征
        4.2.1 樣本熵基本原理
        4.2.2 樣本熵參數(shù)提取
    4.3 不同特征參數(shù)提取方法的對(duì)比
    4.4 本章小結(jié)
第5章 基于改進(jìn)極限學(xué)習(xí)機(jī)的分類識(shí)別方法研究
    5.1 極限學(xué)習(xí)機(jī)
    5.2 帝王蝶優(yōu)化算法
        5.2.1 帝王蝶優(yōu)化算法的提出
        5.2.2 MBO算法原理
        5.2.3 MBO優(yōu)化算法的步驟
    5.3 基于MBO改進(jìn)極限學(xué)習(xí)機(jī)分類方法研究
    5.4 改進(jìn)方法的性能驗(yàn)證
    5.5 本章小結(jié)
第6章 電能質(zhì)量擾動(dòng)信號(hào)分析實(shí)驗(yàn)
    6.1 電能質(zhì)量擾動(dòng)信號(hào)仿真數(shù)據(jù)
    6.2 MBO-ELM模型的建立
    6.3 實(shí)驗(yàn)分析
        6.3.1 仿真信號(hào)實(shí)驗(yàn)及分析
        6.3.2 工程信號(hào)實(shí)驗(yàn)及分析
    6.4 分類器性能對(duì)比
    6.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于可調(diào)品質(zhì)因子小波變換和隨機(jī)森林特征選擇算法的電能質(zhì)量復(fù)合擾動(dòng)分類[J]. 楊曉梅,郭林明,肖先勇,張家寧.  電網(wǎng)技術(shù). 2020(08)
[2]自適應(yīng)S變換與決策樹的電能質(zhì)量復(fù)合擾動(dòng)識(shí)別[J]. 陳力,宋曦,崔力心.  科技創(chuàng)新與應(yīng)用. 2019(27)
[3]基于改進(jìn)C4.5算法的新型車輛故障預(yù)測(cè)方法研究[J]. 戴銀娟,付石磊.  常熟理工學(xué)院學(xué)報(bào). 2019(05)
[4]基于雙分辨率S變換和學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)檢測(cè)方法[J]. 李建閩,林海軍,梁成斌,滕召勝,成達(dá).  電工技術(shù)學(xué)報(bào). 2019(16)
[5]基于VMD初始化S變換的混合動(dòng)力系統(tǒng)電能質(zhì)量擾動(dòng)檢測(cè)與分類[J]. 徐艷春,高永康,李振興,李振華,呂密.  中國(guó)電機(jī)工程學(xué)報(bào). 2019(16)
[6]微電網(wǎng)并網(wǎng)環(huán)境下電能質(zhì)量分析與研究綜述[J]. 王耿耿,孟高軍,孫玉坤,劉海濤.  電器與能效管理技術(shù). 2019(15)
[7]基于ESMD與SVM的電能質(zhì)量混合擾動(dòng)識(shí)別[J]. 楊曉楠,呂國(guó)強(qiáng),侯鵬飛,畢貴紅.  軟件導(dǎo)刊. 2019(11)
[8]基于PSO-SVM的直流配電網(wǎng)電能質(zhì)量擾動(dòng)辨識(shí)[J]. 吳建章,沙浩源,張宸宇,葉昱媛,佘昌佳,鄭建勇.  電力工程技術(shù). 2019(04)
[9]基于改進(jìn)HHT的主動(dòng)配電網(wǎng)電能質(zhì)量檢測(cè)方法[J]. 高靜,朱時(shí)雨.  東北電力技術(shù). 2019(07)
[10]希爾伯特-黃變換（HHT）在復(fù)合電能質(zhì)量擾動(dòng)分析中的應(yīng)用[J]. 于燕平,方林.  紅水河. 2019(03)



本文編號(hào)：3656826