长沙理工大学学报(自然科学版)
基于ILMD和神经网络的电压扰动识别分类
DOI:
作者:
作者单位:

作者简介:

通讯作者:

王旭红(1969-),女,湖南长沙人,长沙理工大学教授,博士,主要从事电力设备状态在线监测与故障诊断方面的研究。E-mail:348877201@qq.com

中图分类号:

TM935

基金项目:

国家自然科学基金资助项目(61473049)


Voltage disturbance signals identification based on improved LMD and neural network
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    为了识别电力系统存在的扰动信号,减少扰动信号对系统安全的影响,提出了一种改进局部均值分解法(Improved Local Mean Decomposition,简称ILMD)与BP神经网络相结合的电压扰动信号分类器对电压扰动进行识别分类。通过ILMD对电压扰动信号进行3层分解,得到包含电压原始信号频率、幅值的乘积分量(Product Function,简称PF),将PF分量构建的信号能量值作为BP神经网络的输入,实现对电压扰动信号的识别分类。通过对系统中4种典型电压扰动信号进行识别试验,结果表明,基于LMD和神经网络的电压信号分类器准确度高,并具有较高的工作效率。

    Abstract:

    In order to identify the disturbance signal in the power system and reduce the influence of disturbance signal on system security,a voltage disturbance signal classifier based on improved local mean decomposition and BP neural network is proposed. Disturbance signals are decomposed in three layers by LMD,obtaining product function components with amplitude and frequency information of the voltage signal. The signal energy value constructed by the PF components is as an input of the BP neural network to identify and classify the voltage disturbance signal. Experiments on the four typical voltage disturbance signals show that the signal classifier based on LMD and BP neural network has high accuracy and good working efficiency in voltage disturbance signals recognition and classification.

    参考文献
    相似文献
    引证文献
引用本文

王旭红,杨思阳,李良.基于ILMD和神经网络的电压扰动识别分类[J].长沙理工大学学报(自然科学版),2018,(3):85-93.
WANG Xu-hong, YANG Si-yang, LI Liang. Voltage disturbance signals identification based on improved LMD and neural network[J]. Journal of Changsha University of Science & Technology (Natural Science),2018,(3):85-93.

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2022-04-28
  • 出版日期:
文章二维码