导读:本文包含了电能质量扰动论文开题报告文献综述及选题提纲参考文献，主要关键词:电能质量,S变换,特征选择,参数优化
电能质量扰动论文文献综述
王仁明,汪宏阳[1]（2019）在《基于IA-PNN的电能质量复合扰动特征选择及参数优化》一文中研究指出提出了一种基于S变换(ST)和免疫算法(IA)优化的概率神经网络(PNN)算法的电能质量复合扰动特征选择和参数优化混合方法。首先,引入了线型判别分析(LDA),将其最优方向作为特征权重对基于ST提取的原始特征进行降序重排,通过将特征选择过程线性化以方便进行优化;其次,基于特征选择和PNN窗宽调节因子的优化需要,改进了IA的亲和度计算方法;最后,使用改进后的IA进行PQD信号特征选择和PNN参数混合优化,并依据结果重构了IA-PNN分类器,并对含随机噪声PQD信号进行分类。试验结果证明,相比原PNN分类器,优化后的IA-PNN的分类精度得到了有效提高,同时总运行时间得到了降低,与DT和KNN相比,IA-PNN在性能上均有一定优势,体现出了新方法的有效性。(本文来源于《电力与能源》期刊2019年05期）
李梦婕[2]（2019）在《牵引供电系统电能质量扰动在线检测研究》一文中研究指出改进锁相环系统的电能质量检测的方法,可以有效检测目前常见的一些电能质量干扰问题。本文介绍了改进锁相环的系统研究结构,并借助模拟仿真软件将各个阶段的物理量作出有效的检测。结果:改进锁相环技术的合理应用可以有效的实现信号的分析检测,能够作为电力有源滤波可行性的先决条件,为电能质量检测提供了研究价值。(本文来源于《中外企业家》期刊2019年30期）
陈力,宋曦,崔力心[3]（2019）在《自适应S变换与决策树的电能质量复合扰动识别》一文中研究指出对于电能质量问题中的检测与识别,提出了一种改进窗宽调节因子的S变换算法和决策树算法相结合的电能质量复合扰动识别新方法。首先在离散S变换的基础上,通过引入窗宽调节因子对时频域分辨率进行改进,结合能量集中度对调节因子进行自适应求取。其次利用统计方法计算提取了8种用于模式识别的特征量,并构建了决策树算法的分类器对样本进行训练和分类,并对复合扰动在不同噪声下进行了仿真验证。仿真结果表明,该方案时频处理、分类能力和学习速度等方面均优于广义S变换且鲁棒性强,对于复合扰动的识别具有很好的效果。(本文来源于《科技创新与应用》期刊2019年27期）
李建闽,林海军,梁成斌,滕召胜,成达[4]（2019）在《基于双分辨率S变换和学习向量量化神经网络的电能质量扰动检测方法》一文中研究指出随着实际电网中非线性负荷以及冲击性负荷的不断增加,电能质量问题日趋严重。实现电能质量扰动信号的准确、快速检测对于查找电能质量问题根源、改善电能质量、确保电网安全、保障经济稳定具有重大意义。为此,提出一种基于双分辨率S变换和学习向量量化(LVQ)神经网络的电能质量扰动信号检测方法。算法先采用双分辨率S变换实现扰动信号特征向量的准确、快速提取。在获得扰动信号的特征向量后对各特征向量进行归一化处理并利用经过训练的LVQ神经网络对扰动信号进行分类识别。仿真和实际测试结果表明,该文提出的基于双分辨率S变换和LVQ神经网络的电能质量扰动检测算法具有训练速度快、分类准确率高、适合嵌入式实现等优点。(本文来源于《电工技术学报》期刊2019年16期）
徐艳春,高永康,李振兴,李振华,吕密[5]（2019）在《基于VMD初始化S变换的混合动力系统电能质量扰动检测与分类》一文中研究指出针对分布式能源(distributed energy,DG)接入配电网时电能质量(power quality,PQ)的监测问题,该文采用变分模态分解(variational mode decomposition,VMD)初始化S变换技术,对接入配电网的DG类型以及因操作事件改变而产生的不同特征PQ扰动进行检测并分类识别。首先,从PQ扰动信号中提取F1、F2特征量,作为接入混合动力系统分布式能源分类的标准;其次通过VMD初始化S变换,从S变换矩阵中提取F3～F7特征量作为模糊C均值(fuzzy c-means,FCM)聚类算法的输入,对每种分布式能源接入条件下由于操作事件改变引起的PQ扰动进行分类。在所提方法和现有方法之间进行百分比准确性比较,验证所提算法的有效性;最后提出电能质量评价指标,并在该指标下对9类扰动情况的电能质量影响因子进行评估。(本文来源于《中国电机工程学报》期刊2019年16期）
车辚辚,孔英会,陈智雄[6]（2019）在《基于最大方差展开法的电能质量扰动识别》一文中研究指出针对电能质量扰动(power quality disturbance,PQD)的复杂性,提出了一种基于最大方差展开(maximum variance unfolding,MVU)非线性流行学习的PQD特征提取方法,结合分类器算法完成了对PQD识别。对PQD信号进行小波分解得到信号的小波能量作为原始特征集;通过MVU算法对原始特征集进行压缩,由于在算法中引入核函数将非凸二次规划转化为凸半正定最优化问题,从而得到信息量更集中且很好保持训练数据分布边界的低维PQD特征;结合分类器算法完成PQD识别。实验结果表明,MVU算法约简后得到PQD特征向量,不仅有效降低了特征向量个数,而且对PQD的识别准确率高,有一定的工程应用前景。(本文来源于《系统仿真学报》期刊2019年08期）
杨晓楠,吕国强,侯鹏飞,毕贵红[7]（2019）在《基于ESMD与SVM的电能质量混合扰动识别》一文中研究指出针对实际电能质量扰动种类繁多、扰动信号差异不明显、存在多种混合扰动,导致识别电能质量非常困难的情况,提出一种基于极点对称经验模式分解方法(ESMD)和支持向量机(SVM)的电能质量混合扰动信号分类识别新方法。首先,对加入白噪声的混合扰动信号利用小波软阈值去噪处理;其次,利用ESMD将信号分解为不同信号分量,对每类扰动的不同信号分量分别提取样本熵和互样本熵特征值,所有分量特征值构成特征向量;最后利用SVM对扰动信号特征向量进行分类和混合扰动识别。研究表明,该方法对混合扰动识别正确率很高,是一个有效的方法。(本文来源于《软件导刊》期刊2019年11期）
吴建章,沙浩源,张宸宇,叶昱媛,佘昌佳[8]（2019）在《基于PSO-SVM的直流配电网电能质量扰动辨识》一文中研究指出直流配电网是未来配电系统发展趋势,为更好地针对性治理改善直流电能质量问题,推动直流配用电技术的发展,需要提出一种适用于直流电能质量扰动特征的辨识方法。文中剖析了直流配电网中4类电能质量问题的形成机理和扰动特征,并针对各类问题的特点提出了5种特征指标,以此作为辨识直流电能质量问题的特征要素。采用k-means聚类分析的方法对所提特征集的类内聚集性和类间分离性进行了验证。最后利用PSO-SVM分类器实现了直流电能质量事件的准确辨识,仿真算例验证了所提方法的准确性与有效性。(本文来源于《电力工程技术》期刊2019年04期）
吴文博,阿咪娜[9]（2019）在《基于压缩感知的电能质量扰动信号检测研究》一文中研究指出当前对于电能质量扰动信号的检测需要收集整理大量待检测数据,同时需要较大存储空间加以辅助,这对信号检测过程提出了更高的要求。为降低信号处理错误率,提出了基于压缩感知技术的电能质量扰动信号检测方法研究,通过建立创新型检测方法模型,经过与传统检测方法对比分析,证明了该方法准确性较高。(本文来源于《自动化应用》期刊2019年07期）
于燕平,方林[10]（2019）在《希尔伯特-黄变换(HHT)在复合电能质量扰动分析中的应用》一文中研究指出为准确分辨出电能信号中的扰动成份,进行电能质量治理,笔者通过对暂降+谐波、暂升+谐波、脉冲+谐波、暂升+波动、暂降+波动、脉冲+波动等6种双重扰动信号进行EMD分解,希尔伯特-黄变换,然后着重对信号的前2阶IMF,第1阶IMF的瞬时频率,希尔伯特谱进行分析。结果显示,EMD分解能分解出复合的扰动信号成份,第一阶的IMF分量的瞬时频率及希尔伯特谱能对扰动发生时刻、谐波成份进行较准确的分析。(本文来源于《红水河》期刊2019年03期）
电能质量扰动论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
改进锁相环系统的电能质量检测的方法,可以有效检测目前常见的一些电能质量干扰问题。本文介绍了改进锁相环的系统研究结构,并借助模拟仿真软件将各个阶段的物理量作出有效的检测。结果:改进锁相环技术的合理应用可以有效的实现信号的分析检测,能够作为电力有源滤波可行性的先决条件,为电能质量检测提供了研究价值。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
电能质量扰动论文参考文献
[1].王仁明,汪宏阳.基于IA-PNN的电能质量复合扰动特征选择及参数优化[J].电力与能源.2019
[2].李梦婕.牵引供电系统电能质量扰动在线检测研究[J].中外企业家.2019
[3].陈力,宋曦,崔力心.自适应S变换与决策树的电能质量复合扰动识别[J].科技创新与应用.2019
[4].李建闽,林海军,梁成斌,滕召胜,成达.基于双分辨率S变换和学习向量量化神经网络的电能质量扰动检测方法[J].电工技术学报.2019
[5].徐艳春,高永康,李振兴,李振华,吕密.基于VMD初始化S变换的混合动力系统电能质量扰动检测与分类[J].中国电机工程学报.2019
[6].车辚辚,孔英会,陈智雄.基于最大方差展开法的电能质量扰动识别[J].系统仿真学报.2019
[7].杨晓楠,吕国强,侯鹏飞,毕贵红.基于ESMD与SVM的电能质量混合扰动识别[J].软件导刊.2019
[8].吴建章,沙浩源,张宸宇,叶昱媛,佘昌佳.基于PSO-SVM的直流配电网电能质量扰动辨识[J].电力工程技术.2019
[9].吴文博,阿咪娜.基于压缩感知的电能质量扰动信号检测研究[J].自动化应用.2019
[10].于燕平,方林.希尔伯特-黄变换(HHT)在复合电能质量扰动分析中的应用[J].红水河.2019