基于小波與神經網絡算法的暫態(tài)電能質量信號分析.pdf

1、論文以五種常見的暫態(tài)電能質量現(xiàn)象即電壓驟降、電壓驟升、電壓中斷、振蕩暫態(tài)、脈沖暫態(tài)為主要研究對象，重點研究了小波算法在暫態(tài)電能質量信號檢測與分析中的應用，并結合人工神經網絡進行暫態(tài)電能質量的識別與分類。針對暫態(tài)電能質量的檢測和分析做了以下幾個方面的研究。 較為全面的介紹了電能質量的定義、分類以及國內外研究現(xiàn)狀。詳細闡述了目前常用的幾種暫態(tài)電能質量的檢測和分析方法、應用現(xiàn)狀及存在問題。 針對實際信號檢測中的消噪問題，改進了

2、基于小波包變換的軟閾值消噪算法。針對小波包分解在不同頻帶上的系數(shù)采用不同的閾值進行處理：對于高頻系數(shù)，采用基于Stein無偏似然估計原理的自適應閾值。對于低頻系數(shù)，采用固定閾值。仿真結果表明，與改進前算法相比，本文算法具有更好的消噪性能。 針對實際信號中的數(shù)據(jù)壓縮問題，本文提出了基于第二代小波變換的數(shù)據(jù)壓縮方法，對將第二代小波變換應用于暫態(tài)電能質量分析做了有益的嘗試。仿真結果表明使用第二代小波變換進行數(shù)據(jù)壓縮可以獲得較高的壓縮比

3、，但重構誤差偏大，如何在保持較高壓縮比前提下減小重構誤差還需進一步探討。 在信號消噪與壓縮的基礎上，根據(jù)暫態(tài)電能質量信號的非平穩(wěn)特性，對暫態(tài)電能質量信號進行小波包分解，提取信號奇異點。實現(xiàn)了精確的暫態(tài)電能質量信號擾動定位，獲取暫態(tài)電能質量信號的特征指標。 最后，論文將小波包變換與人工神經網絡技術相結合實現(xiàn)暫態(tài)電能質量信號的分類。對暫態(tài)電能質量信號進行小波包分解，提取出最能反映信號暫態(tài)特征的小波包系數(shù)能量。將小波包系數(shù)能量