基于CEEMD和GG聚类的电能质量扰动识别

论文摘要

提出一种基于完备总体经验模态分解（complete ensemble empirical mode decomposition,CEEMD）和GG（gath-geva）聚类的电能质量扰动识别方法。CEEMD是一种对EEMD（ensemble empirical mode decomposition）的改进算法,其特点是向原始信号中以正负成对的形式加入白噪声,有利于减少重构信号中残余的辅助噪声;且在分解的每一个阶段都加入特殊噪声,计算一个唯一残差以得到每个IMF,因此分解的结果是完整的,优于EEMD。CEEMD不仅有效解决了EEMD的模态混叠的问题,同时也保留了EEMD处理非平稳信号的优势,再将CEEMD分解的IMF分量的互近似熵值作为特征向量输入到GG模糊分类器中进行电能扰动的分类识别。为了验证该方法的有效性,进行了仿真和实测实验,结果表明,该方法有较好的频谱分离效果,且仅需要较少的迭代次数,减轻了计算成本。

论文目录

文章来源

类型: 期刊论文

作者: 张淑清,乔永静,姜安琦,张立国,金梅,姚家琛,穆勇

关键词: 计量学,电能质量,扰动识别,总体经验模态分解,互近似熵,聚类

来源: 计量学报 2019年01期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 电力工业

单位: 燕山大学电气工程学院,国网冀北电力有限公司唐山供电公司

基金: 国家重点研发项目(2018YFB0905500),国家自然科学基金(51875498),河北省大智移云应用专项(18211833D),河北省自然科学基金(E2018203439,E2018203339,F2016203496)

分类号: TM711

页码: 49-57

总页数: 9

文件大小: 3397K

下载量: 155

相关论文文献

标签：计量学论文;  电能质量论文;  扰动识别论文;  总体经验模态分解论文;  互近似熵论文;  聚类论文;