传统的分析和辨识电能质量扰动波形的方法基于对扰动波形的连续记录,需要观察记录大量的数据,使得这一工作显得十分繁重.电能质量分析仪电能质量扰动波形的识别实质上是一个模式识别问题.电能质量扰动识别包括许多扰动种类,扰动的特征边缘也可能重叠,分析和辨识很困难,而利用信号分析技术的成果,尤其是小波变换,人工神经网络和证据数学理论,在小波域用一组多层人工神经网络来进行辨识,并用投票框架或D-S证据理论综合网络输出,能较好地解决电能扰动波形的自动辨识问题.

利用小波变换,人工神经网络和证据理论进行电能质量扰动波形的识别,是在小波域用一组多层神经网络来的,用Dempster-Shafer证据理论综合网络的输出,并由分类器提供已辨识的扰动波形的信任度谐波分析仪.

是基于小波神经网络方法在波形识别中的总体框架,表明态度了基于小波的神经分类器的理论框图由预处理,处理和后处理阶段组成.分类器的输入是时域扰动信号,然后将时域电能质量扰动波形在被输入神经网络之前被转换到小波域,并以二元正交小波变换来实现以同步时频信息的形式检测和抽取扰动特征和扰动信号的斜率与坡度,这些提取的信息有助于神经网络区分扰动事件.处理阶段包括了一组以小波变换系数作为输入信号的多层人工神经网络,需用后处理过程来综合多层神经网络的输出,以便决定扰动的类型,并为决策提供一个信任等级.输出是扰动的类型和其相应的置信度.小波变换法可以检测和抽取扰动特征,学习矢量量化网络,学习总结特征和决策制定.它还可以与其他专家系统结合来简化电能质量扰动的识别,并可以被安装于配电馈线来检测电能质量问题,估计扰动的统计特征谐波测试仪.

了解详细资料请点击:http://