WNN在短期电力负荷预测中的应用

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,结论证明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。     

非线性阈值自调整小波图像去噪方法研究

为解决小波变换阙值去噪方法中阙值的合理选取,提出一种基于非线性阙值自调整小波变换的图像去噪方法。在传统小波阈值去噪方法的基础上,结合神经网络的非线性双曲线正切函数和BP训练方法,首先对含噪图像进行二进小波分解,然后对分解系数进行小波重建,并将重建系数在BP神经网络中采用最速梯度下降法进行优化处理,得到最优阈值,最后对阈值处理的重建系数进行叠加,得到原始图像信号的估计值,即去噪后的图像信号。仿真实验表明,该方法具有较好的重建图像视觉效果,信噪比（SNR）和峰值信噪比（PSNR）均比传统小波阈值方法提高了1～2dB。     

电力市场下负荷分析与预测优化方法的研究

在电力市场环境下,负荷的分类和预测至关重要。为了提高预测的速度与精度,提出了运用粒子群与误差反向传播(BP)神经网络相结合的预测方法 (POS-BP法)和模型。并根据某市电业局电力负荷数据建立了模型,运用PSO-BP算法对次日负荷进行了预测。从预测结果看该方法收敛速度快、预测精度显著提高。应用于电力市场分析及预测有很好的效果和前景。     

遗传算法优化小波阈值对水质光谱数据的去噪研究

针对紫外-可见光谱法水质检测系统易受到仪器本身和外界环境的噪声干扰, 所测得的光谱数据存在大量系 统和杂散光噪声的问题, 在对紫外-可见光谱法水质检测系统的噪声源分析的基础上提出将遗传算法应用于小波阈值 优化的去噪方法, 并与小波软阈值、 SG 平滑和中值滤波方法进行了对比。为评价去噪效果, 对同一浓度的邻苯二甲 酸氢钾标液的紫外-可见光谱数据进行去噪实验。在采用遗传算法选取小波最优阈值对标液进行去噪处理的同时, 还 采用传统小波软阈值去噪、 SG 平滑和中值滤波去噪作为对比。为验证该算法的实际可行性, 进一步用这四种方法对 某地排水沟和某污水处理厂排水口的实际水样光谱进行去噪处理。实验结果表明: 基于遗传算法的小波阈值去噪效 果良好, 相较于传统的小波软阈值去噪、 SG 平滑和中值滤波的方法, 信噪比分别提高了 2.2994、 5.7066、 2.6155 dB, 均方根误差分别减小了 0.0028、 0.0087、 0.0033, 峰值信噪比分别提高了 2.0837、 5.2569、 2.7375 dB。基于遗传算法 的小波阈值去噪算法不仅抑制了光谱数据中的噪声, 同时也提高了系统精度, 为紫外-可见光谱法水质光谱去噪处理提 供了一种新的解决办法。     

用于电力数据管理分析的负荷预测与异常检测

构建了一个电力数据管理分析系统,并设计了电力负荷预测算法和异常数据检测算法问题.首先,针对BP神经网络在预测电力负荷存在的因初始权值与阈值设置影响估计精度的问题,提出利用粒子群优化BP神经网络网络参数,提高了预测算法的收敛速度与预测精度;然后,针对电力数据异常检测算法效率较低的问题,提出了基于改进谱聚类的异常数据检测算...     

小波变换在电力电子装置信号消噪中的应用

对于电力电子装置信号中的噪声,传统的利用傅里叶去噪方法很难将有用的高频部分与噪声造成的高频干扰而区分开来。小波变换能够解决这一难题,从而能够很好的还原信号。利用小波消噪的四种阈值去噪方法对含噪信号进行处理,然后对比这四种方法的信噪比和平方根误差后选出最好的去噪方法。MATLAB仿真结果表明应用小波变换对电力电子装置信号消噪处理,能够很好地还原原信号特征。     

小波包多阈值法在地震信号去噪中的应用研究

地震信号中通常含有各种干扰噪声,严重影响了地震资料的信噪比和分辨率,小波包变换是地震资料去噪的有效方法之一。针对传统小波包阈值去噪不明显和存在失真的问题,提出一种基于多阈值函数的小波包地震信号去噪方法。对地震波信号进行小波包分解,并对小波包分解系数按照频率大小的顺序进行排列,根据分解的系数处于不同频带选取不同的阈值准则进行去噪处理,对得到的系数进行重构,可有效地去除地震信号中的噪声。对仿真地震信号以及实际地震信号进行小波包多阈值去噪处理,实验结果表明,该方法较好地去除了干扰噪声保留了有用信号,去噪效果明显且失真小,有效地提高了地震资料的分辨率。     

基于MRA+LMBP模型对电力系统短期负荷预测的研究

电力系统负荷预测是实现电力系统安全、经济运行的基础,有着重要的意义。以某地区购网有功功率的负荷数据为背景,给出了小波神经网络——MRA(小波多分辨率分析) LMBP(L-M优化算法的BP模型)组合负荷预测模型对电力系统短期负荷进行预测。仿真结果证明组合模型比单纯使用神经网络负荷预测模型提高了预测精度,尤其是在一定程度上提高了每日峰值负荷的预测精度,具有良好的应用前景。     

负荷预测中基于小波分析的伪负荷数据的处理

论述了小波分解与重构法和非线性小波变换阈值法两种小波去噪方法。论述了一种应用于短期负荷预测中的伪数据处理方法:首先,利用小波变换将负荷序列投影到不同的尺度上;然后,在不同的尺度域分别计算模极大值,并根据负荷以天为周期波动的特性对模极大值进行处理;最后,通过小波重构得到去除伪数据的负荷序列。对实际负荷数据的计算表明了该方法的有效性。     

基于小波去噪和时频分析的智能电表量测数据挖掘研究

为提升智能电表量测数据挖掘效果,该文研究一种基于小波去噪和时频分析的智能电表量测数据挖掘方法。应用小波变换阈值去噪方法对数据集进行去噪,通过惩罚策略选择阈值后,对存在噪声的数据集进行运算,获取去噪后的数据集,根据去噪后的小波系数与存在噪声的小波系数获取最优阈值函数;利用自适应最优径向高斯核时频分析方法,有效将最优阈值函数的数据集分离为自分量信号与互分量信号,精准挖掘智能电表仿真模型数据库内数据,完成智能电表量测数据信息的输出。实验结果表明,所研究方法去噪效果较好,相对误差保持在2%以内,挖掘精度维持在96%以上,应用性能较好。     

基于改进小波去噪的EEMD—HHT信号处理方法

传统小波去噪虽然可在一定程度上去除噪声对原始信号的干扰,但去噪效果并不理想。针对传统小波去噪中存在的问题,提出一种改进的小波去噪方法,并将改进小波去噪与EEMD-HHT有机结合,进而提出一种基于改进小波去噪的EEMD—HHT信号处理新方法。基于MATLAB软件,分别利用EEMD-HHT方法、基于传统小波去噪的EEMD-HHT信号处理方法和基于改进小波去噪的EEMD-HHT信号处理方法对外圈故障滚动轴承进行故障诊断试验,试验结果与理论计算结果对比分析表明,基于改进小波去噪的EEMD-HHT信号处理方法最为有效。     

平移不变小波变换在遥测数据去噪中的应用

有效去除遥测数据中的噪声,对数据的正确判读和后续处理具有重要意义。通过对遥测数据进行研究,为抑制去噪时在信号奇异点处产生的伪吉布斯现象,采用平移不变小波去噪处理遥测数据。针对传统小波阈值函数存在的缺陷,采用新阈值函数的平移不变法改善降噪效果。仿真结果表明,平移不变小波变换去噪方法提高了信噪比,降低了均方根误差,证明了该方法的有效性。     

BP神经网络在电力负荷中的应用

介绍了小波变换和BP神经网络理论,根据分析所用负荷数据的特点,采用两种理论结合的方法,对电力系统中长期负荷进行预测.     

基于自适应分解级数小波去噪的TDOA估计算法研究

在无源时差(Time Difference of Arrival, TDOA)定位技术中，针对现有基于广义互相关时差估计方法对目标信号波形相关度要求高、信号受噪声干扰严重时其时差估计精度难以满足实际需求等问题，提出一种具有自适应分解级数的小波去噪预处理时差估计方法。对待处理信号进行多级小波分解，计算分解后各级系数向量的能量贡献率累加和(Energy Contribution Rate Cumulative sum, ECRCs),以满足ECRCs不小于80%的最小分解级数作为小波去噪的分级参数。结合计算的自适应分解级数及小波去噪方法对待处理信号进行自适应去噪处理，结合广义互相关算法对处理后信号进行峰值分析，得到两信号的时差值。通过仿真信号及甘肃某地实测的TDOA数据进行分析验证，结果表明，所提方法可有效提升时差估计精度及稳定性，尤其信号受噪声干扰较大时具有一定优势。     

基于改进型BP神经网络的电网负荷预测

考虑到传统的线性电网负荷预测方法的预测精度无法满足现代电力电网管理系统的要求,使用更适用于电力电网负荷的预测任务的非线性BP神经网络算法建立预测模型。由于常规的BP神经网络存在容易陷入局部最优解以及收敛效率低等问题,该文使用模拟退火算法对BP神经网络权值训练算法进行优化,提高预测模型的收敛效率和自学习能力。通过实例对所研究的预测模型进行分析,结果表明,所研究的改进型BP神经网络的训练次数和训练耗时均低于常规神经网络,具有更高的收敛精度,同时改进型BP神经网络预测模型的预测误差明显降低,具有较好的工程应用价值。     

基于小波变换与BP神经网络的模拟电路故障诊断

利用小波与改进算法的BP神经网络相结合的方法进行模拟电路故障诊断,该方法使用小波分解作为预处理工具,对信号进行消噪和小波分解,然后提取特征信息,进行归一化处理,并作为BP神经网络的输入样本进行模式识别。该方法减少了神经网络的输入维数,提高了收敛速度和辨识故障的能力。仿真结果表明,该方法能准确快速地定位故障,且可有效地进行故障识别、改善神经网络结构以及提高故障诊断精度与速度。     

基于Elman神经网络的电力负荷预测模型研究

为提高电力负荷预测精度,文章采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点。     

基于MATLAB小波去噪方法及应用研究

在实际的计算机控制系统中,采样信号不可避免的受到各种噪声和干扰的污染,使得由采样信号辨识得到的系统模型存在偏差妨碍了系统控制精度的提高。Donoho和Johnstone提出的小波去噪算法对去除高斯白噪声非常有效。我们对此在MATLAB环境下做了详尽的探讨及仿真实验研究,得到一些实际应用经验,并利用傅立叶变换/反变换和小波阈值去噪方法对电厂机组调速级压力运行数据进行了去噪对比实验,结果表明小波去噪方法能取得较好的去噪效果,为后续系统模型辨识打下良好的基础。     

基于神经网络的电力系统负荷预报

电力系统实现经济运行的前提必须是迎合电力负荷的需要、这对电力系统的安全稳定运行有重要意义。BP神经网络是一种具有强大的非线性映射能力的人工神经网络,在解决复杂的非线性问题中普遍得到应用。比如将BP神经网络应用于电力系统负荷预算将有效提高电力公司的发电效率,但BP神经网络极易陷入局部极小值以及收敛速度慢等问题。因此对BP神经网络改进算法进行研究,得出了用于电力符合预算的模型训练速度及预测误差,结果表明,改进的算法对负荷预测是行之有效的。     

提升小波与能量检测联合优化下的频谱感知方法北大核心CSCD

传统的频谱感知方法易受噪声波动的干扰,而且在低信噪比的无线通信条件下检测精度较差。通过结合提升小波去噪与动态门限能量检测算法,能有效提高传统频谱感知方法的抗噪声性能和检测精度。首先对含噪信号进行奇偶抽样,分解信号,去除噪声部分,再重构为去噪新信号,然后通过能量检测方法来统计信号的能量积累,设置动态门限,最后以动态门限判断用户信号是否存在。提升小波去噪能够有效地去除采样信号中的噪声,减少噪声对能量检测法检测精度的影响,动态门限能根据噪声波动进行调整来适应复杂的噪声环境。仿真结果表明,提升小波去噪结合动态门限能量检测算法相比于传统的频谱感知要有更优的检测精度。此方法不但提高了其对不确定噪声的抵抗性,使之能适应复杂的通信环境,而且提高了频谱感知过程的可靠性。