基于自适应互补LMD和RVM的电能质量检测与分类

• 作 者: 李子旋
• 出 处: 中国矿业大学
• 发表日期: 2004年期
• 关键词: 经验模态分解 电能质量 局部均值分解 相关向量机 分类识别

电能是现代社会使用最广泛的能源之一,经济社会的发展,大批电力电子设备不断地接入电网,导致电能质量逐渐恶化。准确且及时检测出扰动问题的参数并识别其扰动类型,是解决电能质量问题的关键。本文在前人工作基础上,对电能质量扰动问题的检测和分类进行了研究。主要内容和成果如下:首先介绍了电能质量扰动检测常用的方法以及各自的优缺点,综合考虑将希尔伯特黄(HHT)作为本文电能质量扰动检测的方法。HHT算法在处理非线性、非稳态信号的处理以及自适应等方面有一定的长处,但仍存在着一些缺点,因此本文的主要工作是对HHT在应用中的问题进行分析和研究,提出改进方法并将其应用在电能质量检测与分类领域。其次研究了EMD的改进算法EEMD、CEEMD及LMD。这些算法虽然对传统的EMD算法有一定的改进,但是EEMD和CEEMD都有集总分解次数和加入噪声的幅值需要人为经验确定的缺点,而LMD存在一定的模态混叠和虚假分量。为此结合改进算法提出了基于自适应互补的局部均值分解(ACLMD)算法,并将改进的方法运用在电能质量扰动分析中。通过仿真实验验证所提方法既可以有效提取出电能质量扰动的各个特征参数,也可以精确地定位扰动发生和截止的时间,且具有良好的抗噪性能。最后,针对扰动问题分类,结合相关向量机(RVM)的分类特性,提出了一种基于自适应互补LMD与RVM结合的电能质量扰动分类识别方法。先使用ACLMD方法处理电能质量扰动信号,获得一系列不同局部特征时间尺度的PF分量,取保存了大部分信息的前四个分量,进行特征值的提取,处理后输入PSO-RVM分类器中。基于Matlab平台验证了该算法的准确性,从仿真实验结果中可得,基于ACLMD的特征提取方法可以准确地得到各个扰动的特征量信息,PSO-RVM可以通过扰动的特征信息对含有不同信噪比的各种扰动信号进行精确地识别,并具有一定的抗噪性。