随着新能源技术的发展和普及,大量非线性用电设备接入电网对其电能质量产生了严重影响。为解决谐波扰动信号对电力系统带来的影响,提出将改进的局部均值分解LMD(local mean decomposition)和概率神经网络相结合,构造一种电压扰动分类器...随着新能源技术的发展和普及,大量非线性用电设备接入电网对其电能质量产生了严重影响。为解决谐波扰动信号对电力系统带来的影响,提出将改进的局部均值分解LMD(local mean decomposition)和概率神经网络相结合,构造一种电压扰动分类器,对电力系统中的电压扰动信号进行识别分类。通过构造三角波形自适应地延拓扰动信号的方法抑制LMD的端点效应,应用改进LMD算法对扰动信号进行3层分解,得到具有电压信号幅频信息的乘积函数PF(product function)分量,将由PF分量构造的信号能量作为概率神经网络的输入,以识别和分类电压干扰信号。通过建立训练模型对电压扰动信号进行仿真实验,结果表明,该方法可以准确识别电压扰动信号,有助于提高电力系统中电压扰动信号的识别精度。展开更多
文摘随着新能源技术的发展和普及,大量非线性用电设备接入电网对其电能质量产生了严重影响。为解决谐波扰动信号对电力系统带来的影响,提出将改进的局部均值分解LMD(local mean decomposition)和概率神经网络相结合,构造一种电压扰动分类器,对电力系统中的电压扰动信号进行识别分类。通过构造三角波形自适应地延拓扰动信号的方法抑制LMD的端点效应,应用改进LMD算法对扰动信号进行3层分解,得到具有电压信号幅频信息的乘积函数PF(product function)分量,将由PF分量构造的信号能量作为概率神经网络的输入,以识别和分类电压干扰信号。通过建立训练模型对电压扰动信号进行仿真实验,结果表明,该方法可以准确识别电压扰动信号,有助于提高电力系统中电压扰动信号的识别精度。
