基于改进的独立分量分析算法的谐波检测

论文摘要

近年来,随着经济和科技迅猛发展,由于电力系统中负荷日益增多以及非线性设备的大量使用,使得电力系统中谐波污染越来越严重。谐波所产生的污染不仅严重的干扰了电网的电能质量,同时也影响着人们日常的用电质量。为了有效的治理电力系统中的谐波,就需要对谐波进行检测,确定电网中所含的谐波成分。独立分量分析作为最近这些年兴起的一种高效的盲源分离方法,已经应用于图像处理、语音处理、地震信号处理等方面,但是在谐波检测方面的应用还不是很普遍。本文将独立分量分析方法引入到谐波检测中,从而为电力系统中的谐波检测问题提供了一种新的解决思路。主要研究内容如下：1.本文介绍了独立分量分析的研究背景和国内外发展的情况。给出了独立分量分析的概念以及在其求解过程中的一些基本知识。在此基础上讨论了基于负熵的FastICA算法和基于峭度的FastICA算法以及这两种算法各自的特点。2.本文介绍了基于负熵的FastICA算法,并在该算法的基础上,对算法进行了改进,提出了一种改进的基于负熵的FastICA算法并将其应用于谐波检测中。改进后的算法对牛顿迭代法进行了改进,使得改进后的算法满足三阶收敛,加快了收敛速度。通过仿真实验表明了改进的基于负熵的FastICA算法是明显优于基于负熵的FastICA算法的。3.本文介绍了基于峭度的FastICA算法,并在该算法的基础上,对算法进行了改进,提出了一种基于峭度的动态ICA算法并将其应用于谐波检测中。该算法是将峭度迭代关系式与基于峭度的FastICA算法相融合而得到的,改进后的算法克服了原有基于峭度的FastICA算法在每次迭代过程中都需使用整个样本数据的缺点,使得改进后的算法在每次迭代过程中只需使用每次迭代的单次样本数据即可,从而提高了算法的实时性。通过仿真实验表明了基于峭度的动态ICA算法是明显优于基于峭度的FastICA算法的。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 概述
• 1.2 独立分量分析的研究背景和意义
• 1.3 独立分量分析在国内的研究状况
• 1.4 本文工作及组织架构
• 第二章 独立分量分析算法
• 2.1 概述
• 2.2 ICA的基本概念
• 2.3 ICA求解过程中的基本知识
• 2.3.1 源信号的高斯性
• 2.3.2 K-L距离
• 2.3.3 互信息
• 2.3.4 最大熵原理
• 2.3.5 最大似然法
• 2.3.6 主分量分析
• 2.3.7 β距离
• 2.3.8 高阶累积量
• 2.3.9 微分熵
• 2.3.10 最大化非高斯性
• 2.3.11 先验知识
• 2.4 信号的预处理
• 2.4.1 信号中心化
• 2.4.2 信号的白化
• 2.5 ICA的基本算法
• 2.5.1 基于负熵的FastICA算法
• 2.5.2 基于峭度的FastICA算法
• 2.5.3 独立分量的提取
• 2.6 本章小结
• 第三章 改进的独立分量分析算法
• 3.1 改进的基于负熵的FastICA算法
• 3.2 改进的基于峭度的FastICA算法
• 3.3 本章小结
• 第四章 基于改进的独立分量分析算法的谐波检测
• 4.1 应用背景
• 4.2 谐波的来源和危害
• 4.2.1 谐波的来源
• 4.2.2 谐波的危害
• 4.3 谐波的检测方法
• 4.3.1 滤波器检测法
• 4.3.2 基于Fryze时域分析的谐波电流检测法
• 4.3.3 基于神经网络的谐波检测方法
• 4.3.4 基于开关函数的谐波检测方法
• 4.3.5 基于瞬时无功功率理论的谐波检测方法
• 4.3.6 基于傅里叶变换的谐波检测方法
• 4.3.7 基于Pisarenko和MUSIC法的谐波检测方法
• 4.3.8 基于小波变换理论的谐波检测方法
• 4.3.9 基于独立分量分析的谐波检测方法
• 4.4 仿真实验
• 4.4.1 改进的基于负熵的FastICA算法的谐波检测
• 4.4.2 基于峭度的动态ICA算法的谐波检测
• 4.4.3 两种改进算法之间的比较
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 攻读硕士期间发表的论文
• 攻读硕士期间参加的科研项目
• 致谢