摘要 | 第5页 |
ABSTRACT | 第5-7页 |
第一章 绪论 | 第11-19页 |
1.1 课题研究的目的与意义 | 第11-12页 |
1.2 电能质量概述 | 第12-14页 |
1.2.1 电能质量的定义与分类 | 第12-14页 |
1.2.2 电能质量标准 | 第14页 |
1.3 国内外研究现状 | 第14-15页 |
1.4 暂态电能质量现象检测与分析方法 | 第15-17页 |
1.5 本文所研究的内容 | 第17-19页 |
第二章 小波分析原理 | 第19-31页 |
2.1 小波变换 | 第19-24页 |
2.1.1 小波变换基本原理 | 第19-20页 |
2.1.2 连续小波变换 | 第20-21页 |
2.1.3 离散小波变换 | 第21页 |
2.1.4 二进制小波变换 | 第21-22页 |
2.1.5 常用的小波 | 第22-24页 |
2.2 多分辨分析与Mallat快速算法 | 第24-28页 |
2.2.1 多分辨分析 | 第24-26页 |
2.2.2 Mallat快速算法 | 第26-28页 |
2.3 小波包分析 | 第28-29页 |
2.4 小波分析在电能质量检测中的应用 | 第29-30页 |
2.4.1 奇异点检测 | 第29页 |
2.4.2 信号压缩与消噪 | 第29-30页 |
2.4.3 特征提取 | 第30页 |
2.5 本章小结 | 第30-31页 |
第三章 基于小波变换的暂态电能质量扰动信号分析 | 第31-55页 |
3.1 电能质量暂态分类 | 第31-34页 |
3.2 小波变换在扰动信号分析中的应用 | 第34-37页 |
3.2.1 小波基函数的选取 | 第34-36页 |
3.2.2 分解层的确定 | 第36-37页 |
3.3 扰动信号的消噪 | 第37-44页 |
3.3.1 消噪原理 | 第38页 |
3.3.2 小波变换消噪算法 | 第38-41页 |
3.3.3 算法仿真 | 第41-44页 |
3.4 扰动信号的检测与定位 | 第44-48页 |
3.4.1 小波变换模极大值法检测信号突变点 | 第44-45页 |
3.4.2 检测算法仿真 | 第45-48页 |
3.5 暂态电能质量扰动信号特征量的提取 | 第48-54页 |
3.5.1 信号的分解分析 | 第49-52页 |
3.5.2 能量分布计算 | 第52-54页 |
3.6 本章小结 | 第54-55页 |
第四章 改进PSO-WNN分类器模型 | 第55-73页 |
4.1 粒子群优化法 | 第55-58页 |
4.1.1 基本粒子群法 | 第55-56页 |
4.1.2 粒子群优化法算法步骤 | 第56-57页 |
4.1.3 粒子群优化法的优缺点 | 第57-58页 |
4.2 改进粒子群算法 | 第58-60页 |
4.2.1 基于量子理论的粒子群算法 | 第58-59页 |
4.2.2 量子粒子群优化算法的步骤 | 第59页 |
4.2.3 本算法的主要优点 | 第59-60页 |
4.3 人工神经网络 | 第60-63页 |
4.3.1 人工神经元模型 | 第60页 |
4.3.2 神经网络特性 | 第60-62页 |
4.3.3 人工神经网络的分类 | 第62页 |
4.3.4 神经网络的学习方法 | 第62-63页 |
4.4 小波神经网络模型 | 第63-67页 |
4.4.1 小波神经网络算法 | 第63-65页 |
4.4.2 网络参数的确定 | 第65-66页 |
4.4.3 小波神经网络的优点 | 第66-67页 |
4.5 改进PSO优化小波神经网络 | 第67-70页 |
4.5.1 改进算法原理 | 第67页 |
4.5.2 QPSO-WNN算法步骤 | 第67-68页 |
4.5.3 算法的比较 | 第68-70页 |
4.6 本章小结 | 第70-73页 |
第五章 实例分析 | 第73-81页 |
5.1 分类原理概述 | 第73-74页 |
5.2 样本的仿真 | 第74-76页 |
5.3 基于QPSO-WNN的暂态电能质量扰动信号分类 | 第76-79页 |
5.3.1 特征量的提取 | 第76-77页 |
5.3.2 基于QPSO-WNN的分类 | 第77-79页 |
5.4 本章小结 | 第79-81页 |
第六章 结论与展望 | 第81-83页 |
6.1 结论 | 第81页 |
6.2 展望 | 第81-83页 |
参考文献 | 第83-87页 |
致谢 | 第87-88页 |
附录1 攻读硕士学位期间发表的学术论文 | 第88页 |