典型文献
基于特征向量筛选和双层BPNN的电能质量扰动识别方法
文献摘要：
在电能质量扰动识别过程中,由于对扰动信号进行特征提取时存在冗余,因此会导致识别模型结构复杂、训练困难、识别准确率低.针对上述问题,提出了一种基于补充经验模态分解(complementary ensemble empirical mode decomposition method,CEEMD)和双层前馈神经网络(double-layer back propagation neural network,DBPNN)的识别与分类新方法.首先利用CEEMD得到本征模态函数(intrinsic mode function,IMF);其次通过皮尔逊相关系数和能量熵确定扰动信号在不同频段中表征的差异性和具体分布情况,并利用该差异性对IMF进行筛选,以减少冗余;最后根据不同扰动的频率特性,建立针对性的DBPNN,分别识别扰动信号的所属频段和扰动类型.仿真结果表明,与传统的电能质量扰动识别方法相比,所提优化筛选方法的特征向量冗余更低,DBPNN识别模型的复杂度更低,训练时间更短;CEEMD-DBPNN平均识别准确率达97.78％,与传统神经网络的识别结果相比提高了 7.52％,与向量机的识别结果相比提高了 9.23％.
文献关键词：
电能质量扰动;特征提取;时频分析;经验模态分解;神经网络
中图分类号：
作者姓名：
贺虎成;辛钟毓;王琳珂;谭阜琛;孔晨再
作者机构：
西安科技大学电气与控制工程学院,西安710054;国网晋中市榆次区供电公司,晋中030600
文献出处：
引用格式：
[1]贺虎成;辛钟毓;王琳珂;谭阜琛;孔晨再-.基于特征向量筛选和双层BPNN的电能质量扰动识别方法)[J].高电压技术,2022(04):1237-1250
A类：
DBPNN
B类：
特征向量,电能质量扰动,扰动识别,识别过程,扰动信号,识别模型,模型结构,识别准确率,经验模态分解,complementary,ensemble,empirical,mode,decomposition,method,CEEMD,前馈神经网络,double,layer,back,propagation,neural,network,识别与分类,本征模态函数,intrinsic,function,IMF,皮尔逊相关系数,能量熵,频段,频率特性,优化筛选,筛选方法,训练时间,时频分析
AB值：
0.319459
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
