一种小波神经网络的电能质量信号去噪新方法

电力系统中电能质量信号往往含有大量的噪声,这在很大程度上影响检测结果。引入小波神经网络对电能质量信号进行去噪处理,对小波神经网络去噪的原理进行了推导。针对谐波、电压骤升、骤降,电压中断等常见的电能质量信号,对其进行了去噪的仿真研究。结果表明：这种消噪模式可以改善电能质量信号信噪比门限的影响。利用小波神经网络对电能质量信号进行消噪处理,可以取得理想的消噪效果,同时能较好地保留电能质量信号的特征信息。     

小波熵自适应阈值的电能质量信号去噪新方法

针对电能质量信号去噪问题,提出改进的小波熵自适应阈值去噪法。利用小波变换分解电能质量信号,计算小波分解后信号子带区间的小波熵,将小波熵和自适应阈值相结合确定高频系数阈值门限,采用改进折中指数阈值函数对电能质量信号去噪处理,最后重构降噪后的电能质量信号。通过对四种典型带噪电能质量信号(电压突降信号、暂态振荡信号、电压中断信号、谐波信号)去噪处理,并与无偏风险阈值、极大极小阈值的去噪性能比较,对比可知在输入信噪比为20dB时,对于不同的电能质量信号,改进的小波熵自适应阈值去噪法的输出信噪比是最大的。     

基于改进小波阈值的电能质量扰动信号去噪算法

针对传统软、硬阈值函数在阈值处不连续或存在恒定误差等问题,本文提出了基于小波变换的改进阈值去噪算法,在小波阈值去噪的基础上改进了通用阈值和阈值函数,通过峰和比PSR来估计出每层小波细节系数的有效信息与噪声的分布,使得修正因子可以根据每层噪声分布的不同自适应的修正阈值.之后提出了一种新的阈值函数,其能更有效地保留信号的扰...     

电能质量信号的小波阈值去噪

为了改善电能质量信号的去噪效果,在分析软、硬阈值法的基础上.提出一种改进的去噪方法.该方法融合软、硬周值法的不同特点,通过调整参数获得较优的小波系数的阈值估计,使得改进的阈值函数介于软、硬阈值函数之间,有效克服了采用硬阈值法去噪效果不佳,软阈值法过渡光滑使信号失真的缺点.仿真结果表明,该方法在去噪的同时减少了信息的损失,SNR、RSME等性能指标较之软、硬阈值法均有明显的提高.     

电能质量信号去噪中小波选取特点的研究

有效滤除电能质量信号中的噪声是电能质量检测的重要前提,然而小波特性却对去噪效果有着很大的影响。针对此问题,文中给出了一种可调阈值函数,通过对可调参数的控制,可以使得该阈值函数在软硬阈值函数之间变动,兼具两者的优点。在深入研究小波的正交性、支撑长度、正则性、消失矩阶数、对称性等特性的基础上,提出为达到最好的去噪效果小波选取应满足的五个特点。采用db 5、haar、bior 2.2、rbio 3.1四种小波对电压暂降、暂升、中断、振荡、谐波扰动信号进行四尺度分解,计算噪声标准差的基础上进一步引入算子修正阈值,利用提出的新阈值函数对小波细节系数进行去噪处理,分析小波逆变换重构信号的细节,并计算出去噪后的信噪比和均方误差,实验结果表明在不同噪声强度干扰下,db 5小波都具有最佳的去噪效果,这证明了所提出的电能质量信号去噪中小波选取应该遵循的五个特点的正确性和可靠性。     

一种平稳小波变换改进阈值函数的电能质量扰动信号去噪方法

含噪电能质量扰动信号分析的前提是准确找到突变点信息,对信号进行去噪的同时,又必须保留突变点特征。针对此问题,选取平稳小波变换分解信号,并利用提出的改进阈值函数对信号进行去噪。将含噪的电能质量扰动信号进行多层平稳小波变换,逐层估计平稳小波变换细节系数中噪声的均方差σ_j,计算各层阈值σ_j2lnk~(1/2)并根据信号、噪声的小波系数在不同尺度上的分布特点,通过ln(j+1)对各层阈值进行修正,结合改进的阈值函数分别对各层小波系数进行处理。利用尺度系数和处理后的小波系数进行重构,得到去噪后的信号。仿真结果表明,改进的阈值函数去噪方法能够较好地滤除噪声并保留突变点特征,从处理后的小波系数中可以清晰地观察到扰动的起止时刻,并能够分辨出暂态振荡与谐波干扰。     

电能质量信号的小波软阈值去噪方法

基于DONOHO的软阈值去噪方法,提出了一种改进的小波软阈值算法。该算法利用高斯白噪声的正态分布特点、3Σ法则和小波变换系数的分布特点,在有效去除白噪声的同时较好地保留了信号的局部特征,且不受采样点数的影响。MATLAB仿真表明,该法在较强白噪声干扰下仍能有效去噪,较之无偏风险、固定阈值、启发式阈值、极大极小值等去噪方法更为有效,特别适于强噪声背景下弱信号的提取。     

基于信号相关性和小波方法的电能质量去噪算法

提出了一种基于小波原理的电能质量信号去噪算法。基于软阈值原理的小波去噪算法在电能质量信号检测中得到很好的应用。但其存在阈值计算受噪声强度的缺点 ,当信号被强噪声“淹没”时 ,该方法仍然会失效。本文在对电力信号进行小波空间中的自相关性关系分析的基础上 ,结合软阈值算法和小波原理 ,构造了能有效地处理各种电能质量信号的去噪算法 ,该算法能弥补传统软阈值算法的缺陷 ,较好地解决了保护信号局部特征与抑制噪声之间的矛盾。计算结果表明上述检测算法是有效的。     

基于小波混合阈值方法的电能质量信号去噪

基于小波变换的阈值去噪是滤除采样信号中白噪声的有效方法.在实际应用中,阈值的选取和对小波系数的处理方法是影响其去噪效果的2个重要因素.软硬阈值方法各有其优缺点.将两者结合起来的混合阈值方法可提高去噪算法的性能.在分析软硬阈值方法各自的优缺点后,结合正态分布的规律和信号、噪声的小波系数在不同层上的分布特点,提出了能自适应确定临界尺度的软硬阈值结合的混合阈值去噪方法.对采样信号进行小波变换,根据各层小波系数能量的最小值,确定临界尺度.对小于或等于临界尺度的层数上的小波系数用软阈值方法处理,对大于临界尺度的层数上的小波系数用硬阈值方法处理,这样处理能减小信号能量损失.对尺度系数和处理后的小波系数进行重构,得到去噪后的信号.仿真实验表明.混合阈值方法去噪性能稳定,在不同信噪比下都能有效地去除白噪声,较好地保留了原信号的局部特征,且方法简单,计算量小.     

电能质量信号去噪方法研究

电能质量信号中除了分析电能质量信号有用的信号外,还包含大量的噪声信号.介绍对现有电能质量信号去噪方法进行的分类;对近年来兴起的具有很好发展潜力的几种电能质量信号去噪方法进行描述;对其优缺点进行了总结;对今后电能质量信号去噪的研究方向进行了展望.     

基于小波和神经网络的电能质量扰动信号数据压缩

在小波变换数据压缩方法和神经网络数据压缩技术的基础上,提出了将小波和神经网络应用于电能质量扰动信号数据压缩的方法。利用小波时域和频域的双重分辨率和神经网络的非线性函数逼近能力,以压缩比、均方误差为压缩效果的评价指标,对实际扰动信号进行数据压缩。采用样条小波和径向基神经网络数据压缩方法,以一个实例,给出了电能质量扰动信号的压缩仿真过程,给出了各类(电压凹陷、突起、尖峰、闪变及瞬态振荡)电能质量扰动信号的仿真分析结果。结果表明,该电能质量扰动信号数据压缩方法,压缩后得到的均方误差为-16.1397 dB,压缩效果良好。     

基于小波消噪的混沌神经网络径流预报模型

水文要素时间序列中的噪声不仅影响水文混沌特性识别,更影响径流预测精度。本文基于小波消噪理论对水文序列中的噪声进行了处理,并利用混沌理论中的相空间重构技术计算出饱和嵌入维数作为混沌神经网络输入层节点数,将小波技术、混沌理论和神经网络方法结合起来对汛期日径流进行了预测。与消噪前相比,模型结构从7-10-1简化到6-8-1,预测合格率从77.56%提高到85.32%,平均绝对百分比误差从12.52%减少到10.86%,由此表明水文系列中的噪声会影响预测模型的参数和精度,本文所建立的模型是值得借鉴的。     

基于小波变换和神经网络的暂态电能质量扰动自动识别

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法。先提取基波频段所在的小波系数将电压凹陷、电压凸起和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡。该方法利用小波和小波包各自的时频分解特点,实现了暂态电能质量扰动的自动检测和分类。经仿真分析,验证了此方法的准确性和高效性。     

基于小波变换和神经网络的暂态电能质量扰动自动识别

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法.先提取基波频段所在的小波系数将电压凹陷、电压凸起和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡.该方法利用小波和小波包各自的时频分解特点,实现了暂态电能质量扰动的自动检测和分类.经仿真分析,验证了此方法的准确性和高效性.     

基于小波变换能量分布和神经网络的电能质量扰动分类

提出了基于小波变换能量分布和BP神经网络的电能质量扰动的自动分类方法.利用小波变换对电能质量扰动信号进行多分辨分析,计算各分解层能量分布,求出该能量分布与标准信号能量分布差值并将其作为信号特征量,通过一个3层BP网络得到扰动的类型.该方法将小波变换系数转化为能量分布,减少信号特征的数量,从而简化了神经网络结构.测试结果表明,即使在较强噪声信号背景下,该方法对电能质量扰动类型的识别率仍可达到94.5%,证明了该方法的有效性.     

Study of a new method for power system transients classification based on wavelet entropy and neural network

The detection and classification of transient signals are widely applied in many fields of power system. The study of transient signal detection and classification is a sustaining focus of researchers as well as a difficult issue. There are still many problems needed to be solved in this area. Based on the wavelet transform (WT), the idea of entropy and weight coefficient is introduced, and the wavelet energy entropy (WEE) and wavelet entropy weight (WEW) are defined in this paper. The distribution picture of WEE and WEW along with scales are presented for the first time. PSCAD/EMTDC models for six types of transients, namely breaker switching, capacitor switching, short circuit fault, primary arc, lightning disturbance and lightning strike fault, are constructed. With WEE and WEW, the eigenvectors for the six transients are established and a model which uses the eigenvectors as the input of the BP (back-propagation) neural network is set up to realize the classification of these transients. The simulation has been executed based on a 500 kV transmission line model in China and the results show that feature extraction based on WEE and WEW can effectively discover the useful local features. With the help of neural network classifier, it has effective classifying result. This method is applicable in the power system.     

基于小波阈值去噪的改进方法

语音信号是非平稳信号,利用小波的时频域局部化特性,通过小波变换对语音信号进行去噪处理,在经典的硬、软域值去噪方法的基础上,提出一种新的算法,并比较这3种算法的优劣。最后进行仿真实验,用MATLAB软件提取一段纯净的语音信号,并叠加高斯白噪声,对带噪信号分别用以上3种算法进行去噪处理,实验证实了该算法较其他算法更加有效。     

基于小波和神经网络的电能质量辨识方法

本文提出一种新的基于小波和神经网络技术的电能质量辨识方法。对各种电能质量信号进行时域、频域和幅值分析,并从小波变换结果中提取与信号时域、频域和幅值量相关的几个特征量来表征不同电能质量信号。将这些特征量作为神经网络的输入可以实现电能质量的辨识。计算结果表明该方法的有效性和准确性。     

基于小波神经网络的自动调焦方法研究

现有的对焦评判规则一般都缺乏考虑人的主观因素,因此其成像系统的调焦效果难以有进一步的改善。采用基于遗传算法的优化BP网络完成图像质量模式识别的功能,即用神经网络去拟合图像经小波分析后提取的特征值到图像质量之间的映射关系,该映射有效的改善了调焦效果。同时由于遗传算法具有更好的鲁棒性,用遗传算法代替BP算法来搜索神经网络的连接权,可解决BP网络陷入局部极小问题。利用小波变换对目标进行多分辨率分析,从而模拟人眼的多频率通道分解现象,同时利用基于遗传算法的BP神经网络完成图像质量模式识别的功能,可以有效提高调焦效果。