排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
针对实际电能质量扰动种类繁多、扰动信号差异不明显、存在多种混合扰动,导致识别电能质量非常困难的情况,提出一种基于极点对称经验模式分解方法（ESMD）和支持向量机（SVM）的电能质量混合扰动信号分类识别新方法。首先,对加入白噪声的混合扰动信号利用小波软阈值去噪处理|其次,利用ESMD将信号分解为不同信号分量,对每类扰动的不同信号分量分别提取样本熵和互样本熵特征值,所有分量特征值构成特征向量|最后利用SVM对扰动信号特征向量进行分类和混合扰动识别。研究表明,该方法对混合扰动识别正确率很高,是一个有效的方法。 相似文献
2.
针对电力负荷序列不稳定性、随机性等特点引起的电力负荷预测精度下降等问题,提出MEEMD加窗改进方法和GRNN组合的短期电力负荷预测模型。利用GRNN神经网络延拓方法对原始信号两端数据进行延拓,用余弦窗函数对延拓数据加窗处理后再进行MEEMD分解,用神经网络对各分量趋势进行预测,叠加各分量的预测结果得到负荷序列的最终预测结果。实验结果表明,MEEMD加窗改进分解预测的平均绝对误差、平均绝对值百分比误差和均方根误差分别为73.926 8、0.818 0%和82.930 1。基于MEEMD加窗改进方法和GRNN组合的电力负荷预测不仅能抑制端点效应,而且能解决模态混叠和伪分解问题,提高了短期电力负荷的预测精度。 相似文献
1