基于小波神经网络的时变谐波信号检测

电力系统中存在大量的由于非线性器件对电网电压电流整流、逆变而产生的时变谐波。该文提出使用小波神经网络(wavelet neural network,WNN)算法对这一类谐波进行检测。利用小波变换的时频聚焦特性可得出信号的时变信息;将小波对信号的自适应时频分割特性引入神经网络,提高神经网络的逼近和收敛性能;给出网络参数的选定方案;确定网络的训练算法;分析算法的时效性;并与其它检测方法做出比较。经仿真试验表明,该文所述的方法提高了检测的精度和效率。     

基于Harr小波的时变谐波检测

电力系统中,实际的波形总存在不同程度的非正弦畸变.文中利用Harr小波对时变谐波进行检测.不是用Harr小波将信号分解到不同的频带上,而是利用该小波基对时变谐波的幅值和相角进行逼近.给出了电力系统时变谐波检测算法的推导及流程.通过仿真分析与对比,验证了此算法的可行性和精度.     

小波变换、神经网络和小波网络的函数逼近能力分析与比较

基于对小波变换和神经网络之间内在联系的分析，利用神经网络不同激励函数的线性组合构造出了相应的小波函数，得出小波函数作为神经网络的激励函数与普通神经网络的激励函数在本质上是一致的结论，并引入了小波网络。通过对小波变换，神经网络和小波网络函数逼近能力的理论分析与比较，认为小波网络在函数逼近方面具有明显的优势，并且分别利用这3种方式对一典型函数进行了仿真逼近的验证。     

基于小波神经网络的PWM整流器电流检测算法

针对三相PWM整流器的d-q控制算法对网侧电流瞬时值进行高精度采样的要求,提出一种基于小波神经网络的网侧电流数字化检测算法.该算法结合了神经网络的函数逼近能力和小波变换的良好局部特性及多分辨率特性,使网络能根据数据的分布情况以不同的分辨率进行学习,从而使网络具有更灵活有效的函数逼近能力.仿真和实验结果表明,采用该方案进...     

基于小波神经网络的负载类型识别

结合小波变换和神经网络二者之间的优点,提出基于小波神经网络的负载模式识别的方法。其中小波函数代替非时变一般神经元隐层函数,用于提高网络对系统输入输出之间复杂关系的映射能力,相对于传统的模式识别方法,用小波变换对采集信号进行预处理,大大减少了神经网络的输入数目,从而简化了神经网络的结构和减少了它的训练时间。对实例电路识别结果表明,该方法能正确识别各种负载类型,准确率高。     

两种小波网络的函数逼近能力比较与应用

基于小波分析中小波变换的两个不同角度,分别介绍了两种不同的小波网络,并对这两种小波网络的构成、模型和函数逼近能力进行了讨论,给出了这两种小波网络对一阶梯函数逼近的仿真结果,得出第二种小波网络具有更好的函数逼近能力,最后介绍了这两种小波网络在信号分类器方面的应用,给出了各自学习模型和仿真结果。     

神经网络诊断变压器故障的新方法

介绍了一种用于信号分类识别的小波神经网络,其网络权值由小波函数集充当,并在学习过程中应用了共轭梯度法。将此小波神经网络用于变压器油色谱诊断,经仿真计算,证实它具有比ＢＰ网络更好的逼近性能,可以达到较高的准确率。     

两种小波网络的函数逼近能力比较与应用

基于小波分析中小波变换的两个不同角度,分别介绍了两种不同的小波网络,并对这两种小波网络的构成、模型和函数逼近能力进行了讨论,给出了这两种小波网络对一阶梯函数逼近的仿真结果,得出第二种小波网络具有更好的函数逼近能力,最后介绍了这两种小波网络在信号分类器方面的应用,给出了各自学习模型和仿真结果.     

小波网络在电力系统故障信号处理中的应用研究

从小波分析中对函数逼近表示的不同角度，分别介绍了3种主要的小波网络，并对这3种小波网络的构成、网络模型和学习算法等进行了详细介绍和比较，给出了它们之间的本质区别。在此基础之上，对小波网络在电力系统故障信号分类和故障数据压缩方面的应用进行了讨论，给出的相应数字仿真结果表明，小波网络在电力系统故障信号处理方面的应用是完全可行的。     

基于小波神经网络的电力负荷预测方法

分析了小波神经网络的特点，研究了在电力负荷预测中小波神经网络存在的优缺点及适用范围。通过对小波神经网络和BP神经网络的结构和算法进行理论分析，并对实际电力负荷预测算例进行对比研究，指出小波神经网络本身适合对波动性的信号进行预测，而且在神经网络节点数目相同的情况下，小波神经网络比BP神经网络具有更高的预测精度，因此采用小波神经网络有利于减少隐节点数目。还指出由于当前的连续小波神经网络主要使用传统BP神经网络的随机初始化方法和基于梯度的训练算法，因此存在收敛性差的缺点。     

短期电力负荷预测的小波神经元网络模型的研究

根据短期电力负荷预测的特点,提出一种负荷预测新算法－小波神经元网络负荷预测模型,它以非线性小波基为神经元函数,通过伸缩因子和平移因子计算小波基函数合成的小波网络,从而达到全局最优的逼近效果,同时有效地克服了人工神经元网络学习速度慢,难以合理确定网络结构,存在局部极小点的固有缺陷。经实例验证,该方法能有效地提高预测精度,可用于短期电力负荷预测。     

基于遗传小波神经网络的变电站内变压器噪声自适应抑制

为减少变电站噪声污染,针对变压器噪声控制问题,提出一种基于遗传小波神经网络的变电站内变压器噪声自适应抑制方法。首先,将变压器噪声进行小波神经网络建模,比较变压器实际噪声信号和模型输出噪声信号的大小。其次,根据残余噪声信号幅值绝对值,自适应选择遗传算法或者梯度下降算法作为小波神经网络中参数迭代的优化方法。最后,利用一种降噪综合性能评价策略,确定模型隐含层最优结构。通过3种不同模型的仿真,结果表明遗传小波神经网络模型对变压器附近的噪声信号有较好的抑制效果。     

基于小波变换与BP网络的舰船磁场信号检测

针对水中兵器探测舰船磁场信号时信噪比较低的问题,提出了一种小波变换结合反向传播(backpropagation,BP)神经网络的检测方法.根据舰船磁场信号的时频特征,首先对信号进行小波分解,提取最后一层的低频分量,滤除高频噪声;再采用BP神经网络对低频分量进行学习,提取舰船目标特征信号.将此算法应用于船模实测实验,结果...     

基于改进小波系数奇异值分解和小波去噪的低频振荡时变模式辨识

提出了一种基于连续小波变换(continuous walelet t r a n s f o r m , C W T )和奇异值分解( s i n g u l a r v a l u e decomposition,SVD)相结合的提升小波系数 SVD 辨识信号振荡频率和模式信息提取及信号去噪的新方法.克服了噪声较大或者密集模态时,小波脊线不清晰甚至会出现混叠和交叉难以提取频率的情况,根据提升的小波系数奇异值分解频率向量识别各阶振荡模式的频率.同时选用小波能量系数来识别主导振荡模式,用小波软阈值去噪和 SVD 分解后矩阵重构来进行信号去噪.CWT 可以处理含时变振荡模式的低频振荡信号,且对模式参数具有较高的辨识精度.仿真算例验证了算法的有效性和适用性     

基于小波网络的水轮发电机组自适应控制研究

由于水轮发电机组的动力学模型比较复杂，其动态模型解析式难以精确得到，因此依据小波的非线性逼近能力和神经网络的自学习特性，提出了一种基于小波神经网络自适应控制算法。文中系统由两个小波网络组成，分别实现水轮发电机组的在线辨识与控制。仿真试验表明，该系统比采用神经网络控制具有更好的控制效果。     

基于小波神经网络的中长期电力负荷预测

电力系统负荷预测是1项复杂的系统工程,其不仅涉及的领域广泛,而且不确定性的因素较多。文中在传统BP神经网络算法、改进型BP神经网络算法基础上,将BP神经网络与小波分析相结合,构建了小波神经网络模型,然后分别应用BP神经网络、改进型BP神经网络和小波神经网络对宁夏石嘴山地区电力负荷进行了中长期预测。通过对比分析表明,采用小波神经网络获得的预测数据比前2种方法获得的预测数据误差均要小。这说明了小波神经网络的预测结果更加准确,即采用BP神经网络与小波分析相结合的方法比单纯地采用BP神经网络算法进行电网负荷预测的效果更佳     

一种基于小波神经网络的模拟电路故障诊断方法

本文针对模拟电路提出了1种新的基于紧致型小波神经网络的故障诊断方法。该方法首先利用小波变换和主成分分析对故障信号进行预处理,然后用处理后的故障特征数据对小波神经网络进行训练和测试。仿真实验表明,该方法比普通神经网络方法训练速度更快,诊断准确率更高。