基于深度学习的电能质量扰动识别
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 电能质量的基本概念 | 第9-10页 |
| 1.2.1 电能质量的定义 | 第9页 |
| 1.2.2 电能质量扰动类型 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 电能质量扰动分析方法的国内外研究现状 | 第10-12页 |
| 1.3.2 深度学习方法的国内外发展现状 | 第12-13页 |
| 1.4 论文的主要工作及内容安排 | 第13-15页 |
| 第2章 电能质量扰动信号分类识别的传统方法概述 | 第15-29页 |
| 2.1 引言 | 第15页 |
| 2.2 电能质量特征提取方法 | 第15-22页 |
| 2.2.1 傅里叶变换及短时傅里叶变换 | 第15-16页 |
| 2.2.2 小波变换 | 第16-19页 |
| 2.2.3 S变换 | 第19-20页 |
| 2.2.4 希尔伯特-黄变换 | 第20-22页 |
| 2.3 电能质量特征选择方法 | 第22页 |
| 2.4 电能质量分类识别方法 | 第22-25页 |
| 2.4.1 决策树方法 | 第22页 |
| 2.4.2 BP神经网络方法 | 第22-24页 |
| 2.4.3 支持向量机方法 | 第24-25页 |
| 2.5 基于传统电能质量扰动识别方法的仿真实验 | 第25-28页 |
| 2.5.1 实验设计 | 第27页 |
| 2.5.2 结果分析 | 第27-28页 |
| 2.6 小结 | 第28-29页 |
| 第3章 基于降噪堆栈自编码算法的电能质量扰动识别 | 第29-40页 |
| 3.1 引言 | 第29-30页 |
| 3.2 堆栈自编码算法 | 第30-32页 |
| 3.2.1 自编码器 | 第30-31页 |
| 3.2.2 堆栈自编码 | 第31-32页 |
| 3.3 降噪堆栈自编码 | 第32-33页 |
| 3.4 基于降噪堆栈自编码的识别方案 | 第33-34页 |
| 3.5 实验仿真 | 第34-39页 |
| 3.5.1 实验设计 | 第34-37页 |
| 3.5.2 结果分析 | 第37-39页 |
| 3.6 小结 | 第39-40页 |
| 第4章 基于深度置信网的电能质量扰动识别 | 第40-49页 |
| 4.1 引言 | 第40页 |
| 4.2 受限玻尔兹曼机 | 第40-44页 |
| 4.3 深度置信网 | 第44-45页 |
| 4.4 基于深度置信网的识别方案 | 第45页 |
| 4.5 实验仿真一 | 第45-46页 |
| 4.5.1 实验设计 | 第45-46页 |
| 4.5.2 结果分析 | 第46页 |
| 4.6 实验仿真二 | 第46-48页 |
| 4.6.1 实验设计 | 第46-47页 |
| 4.6.2 结果分析 | 第47-48页 |
| 4.7 小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 攻读学位期间的研究成果 | 第57页 |
