申请/专利权人：温州大学

申请日：2021-06-11

公开（公告）日：2024-03-15

公开（公告）号：CN113361427B

主分类号：G06F18/10

分类号：G06F18/10;G06F18/213;G06F18/214;G06F18/24;G06N3/04;G06N3/08;G06N3/126

优先权：

专利状态码：有效-授权

法律状态：2024.03.15#授权;2021.09.24#实质审查的生效;2021.09.07#公开

摘要：本发明公开了一种基于WT与GA‑PNN的复合电能质量扰动分类方法，主要包括如下步骤：1、电能质量扰动信号输入；2、电能质量扰动信号预处理；3、电能质量扰动信号特征值提取；4、电能质量扰动信号分类5、电能质量扰动信号分类结果输出。本发明的复合电能质量扰动信号分类方法，利用小波阈值对电能质量扰动信号进行预处理；采用最大峰值、最小峰值、能量平均偏差为特征量构成特征向量；采用优化PNN神经网络作为分类器。本发明的复合电能质量扰动信号分类方法不仅能识别单一扰动信号，还能识别多种复合扰动。

主权项：1.基于WT与GA-PNN的复合电能质量扰动分类方法，其特征在于：包括如下步骤：a、建立电能质量扰动信号；b、采用小波阈值法对电能质量扰动信号进行预处理，包括：b1、采用小波变换方法对电能质量扰动信号进行分解，得到各层的小波细节系数；b2、采用硬阈值函数处理各层的小波细节系数；b3、将处理后的各层的小波细节系数进行重构，得到处理后的电能质量扰动信号；c、确定电能质量扰动信号特征向量；c1、选取处理后的电能质量扰动信号的极大峰值Amax、极小峰值Amin和平均偏差Amean；c2、采用小波多分辨率分析处理后的电能质量扰动信号，提取特征量；c3、将极大峰值Amax、极小峰值Amin、平均偏差Amean和提取特征量构成特征向量；d、将步骤c中构成的特征向量当做测试集输入到GA-PNN分类器中进行训练，以训练完成的GA-PNN分类器完成电能质量扰动信号的识别；步骤b1中，小波变换方法具体指：∫xtψj,kdt＝∫ftψj,kdt+∫εtψj,kdt；式中，j、k分别为伸缩因子和平移因子；ψj,k为小波尺度函数；xt为电能质量扰动信号；ft为无噪声的电能质量扰动信号；εt为噪音信号；上式对应的小波系数表达式为：dj,k＝uj,k+ej,k；式中，dj,k为电能质量扰动信号xt的各层小波细节系数，uj,k为无噪声的电能质量扰动信号ft的小波变换后各层小波细节系数，ej,k为噪声信号εt的小波变换后各层小波细节系数。

全文数据：

权利要求：

百度查询： 温州大学 基于WT与GA-PNN的复合电能质量扰动分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD