基于小波变换和人工神经网络的电能质量扰动分类.doc

电力系统及其自动化专业毕业论文[精品论文] 基于小波变换和人工神经网络的电能质量扰动分类
关键词:电能质量扰动小波变换人工神经网络粒子群算法主成分分析核主成分分析
摘要:为了更好地分析和研究电能质量现象,找出引起电能质量问题的原因和采取针对性的解决办法,对电能质量扰动进行正确的分类识别,具有十分重要的意义。本文首先对电能质量问题作了介绍,对现有的电能质量扰动分类方法进行了深入分析和研究。然后利用小波变换(WT)、人工神经网络(ANN)、粒子群优化(PSO)算法、主成分分析(PCA)和核主成分分析(KPCA)等方法,对电能质量扰动进行分类识别。所做工作主要包括2个方面: (1)提出了基于小波变换和PSO-BP神经网络的电能质量扰动分类方法。针对传统BP算法采用梯度下降算法存在的易陷入局部极小、收敛速度慢等缺点,提出了引入PSO算法的神经网络BP改进算法,即PSO-BP算法。然后利用PSCAD/EMTDC软件仿真获得电能质量扰动波形数据,对其进行小波变换多尺度分析,得到各尺度上信号的能量组成特征向量,最后输入PSO-BP网络进行分类识别。仿真结果表明,该方法比BP神经网络收敛速度快,更容易达到训练要求。(2)提出了基于小波系数PCA+KPCA和概率神经网络(PNN)的电能质量扰动分类方法。针对直接用各尺度小波系数进行分类的方法中存在的输入量大、学习速度慢等缺点,提出了基于小波系数PCA+ KPCA的扰动特征提取方法。首先,建立扰动数学模型获得大量的波形数据,利用小波变换进行多尺度分解,得到各尺度的小波系数。然后,利用PCA+KPCA将小波系数降维后输入PNN进行分类。仿真结果表明,该方法不仅达到了减少输入量的目的,而且提高了特征提取速度,分类精度较高。本文提出的上述两种电能质量扰动分类方法,针对以往方法的局限性,分别在神经网络分类和特征提取两方面做了改进。仿真结果验证了上述方法在电能质量扰动分类问题中的可行性和有效性。
正文内容
为了更好地分析和研究电能质量现象,找出引起电能质量问题的原因和采取针对性的解决办法,对电能质量扰动进行正确的分类识别,具有十分重要的意义。本文首先对电能质量问题作了介绍,对现有的电能质量扰动分类方法进行了深入分析和研究。然后利用小波变换(WT)、人工神经网络(ANN)、粒子群优化(PSO)算法、主成分分析(PCA)和核主成分分析(KPCA)等方法,对电能质量扰动进行分类识别。所做工作主要包括2个方面: (1)提出了基于小波变换和PSO-BP神经网络的电能质量扰动分类方法。针对传统BP算法采用梯度下降算法存在的易陷入局部极小、收敛速度慢等缺点,提出了引入PSO算法的神经网络BP改进算法,即PSO-BP算法。然后利用PSCAD/EMTDC软件仿真获得电能质量扰动波形数据,对其进行小波变换多尺度分析,得到各尺度上信号的能量组成特征向量,最后输入PSO-BP网络进行分类识别。仿真结果表明,该方法比BP神经网络收敛速度快,更容易达到训练要求。(2)提出了基于小波系数PCA+KPCA和概率神经网络(PNN)的电能质量扰动分类方法。针对直接用各尺度小波系数进行分类的方法中存在的输入量大、学习速度慢等缺点,提出了基于小波系数PCA+ KPCA的扰动特征提取方法。首先,建立扰动数学模型获得大量的波形数据,利用小波变换进行多尺度分解,得到各尺度的小波系数。然后,利用PCA+KPCA将小波系数降维后输入PNN进行分类。仿真结果表明,该方法不仅达到了减少输入量的目的,而且提高了特征提取速度,分类精度较高。本文提出的上述两种电能质量扰动分类方法,针对以往方法的局限性,分别在神经网络分类和特征提取两方面做了改进。仿真结果验证了上述方法在电能质量扰动分类问题中的可行性和有效性。
为了更好地分析和研究电能质量现象,找出引起电能质量问题的原因和采取针对性的解决办法,对电能质量扰动进行正确的分类识别,具有十分重要的意义。本文首先对电能质量问题作了介绍,对现有的电能质量扰动分类方法进行了深入分析和研究。然后利用小波变换(WT)、人工神经网络(ANN)、粒子群优化(PSO)算法、主成分分析(PCA)和核主成分分析(KPCA)等方法,对电能质量扰动进行分类识别。所做工作主要包括2个方面: (1)提出了基于小波变换和PSO-BP神经网络的电能质量扰动分类方法。针对传统BP算法采用梯度下降算法存在的易陷入局部极小、收敛速度慢等缺点,提出了引入PSO算法的神经网络BP改进算法,即PSO-BP算法。然后利用PSCAD/EMTDC软件仿真获得电能质量扰动波形数据,对其进行小波变换多尺度分析,得到各尺度上信号的能量组成特征向量,最后输入PSO-BP网络进行分类识别。仿真结果表明,该方法比BP神经网络收敛速度快,更容易达到训练要求。(2)提出了基于