| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 电能质量扰动问题的研究状况 | 第11-14页 |
| 1.3 电能质量的概述 | 第14-17页 |
| 1.3.1 电能质量的定义 | 第14页 |
| 1.3.2 电能质量扰动的分类 | 第14-16页 |
| 1.3.3 电能质量标准 | 第16-17页 |
| 1.4 本文主要研究的内容 | 第17-18页 |
| 第2章 总体局部均值分解算法研究 | 第18-31页 |
| 2.1 局部均值分解算法概述 | 第18页 |
| 2.2 LMD算法的原理及仿真 | 第18-26页 |
| 2.2.1 小波阈值消噪的原理 | 第18-19页 |
| 2.2.2 LMD算法原理及分解步骤 | 第19-21页 |
| 2.2.3 LMD算法的仿真分析 | 第21-26页 |
| 2.3 ELMD分解理论与仿真 | 第26-29页 |
| 2.3.1 ELMD算法的基本思想 | 第26-28页 |
| 2.3.2 仿真验证 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 多尺度模糊熵的信号特征提取 | 第31-42页 |
| 3.1 熵的概述 | 第31-32页 |
| 3.1.1 熵的定义 | 第31页 |
| 3.1.2 熵的性质 | 第31-32页 |
| 3.2 模糊熵的概念 | 第32-38页 |
| 3.2.1 样本熵 | 第32-33页 |
| 3.2.2 模糊熵 | 第33-35页 |
| 3.2.3 相关参数对模糊熵值的影响 | 第35-38页 |
| 3.3 多尺度模糊熵 | 第38-41页 |
| 3.3.1 多尺度模糊熵的概念 | 第38-39页 |
| 3.3.2 暂态电能扰动信号的特征提取 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 概率神经网络的分析 | 第42-52页 |
| 4.1 神经网络的概述 | 第42-43页 |
| 4.2 常见的神经网络 | 第43-46页 |
| 4.2.1 BP神经网络 | 第43-44页 |
| 4.2.2 RBF神经网络 | 第44-46页 |
| 4.3 概率神经网络的原理及结构 | 第46-50页 |
| 4.3.1 贝叶斯(Bayes)分类准则 | 第46-47页 |
| 4.3.2 Parzen窗函数 | 第47-48页 |
| 4.3.3 PNN神经网络的结构 | 第48-49页 |
| 4.3.4 PNN神经网络算法步骤 | 第49-50页 |
| 4.4 PNN与BP、RBF神经网络的比较分析 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 暂态电能质量检测与识别的仿真分析 | 第52-71页 |
| 5.1 暂态电能扰动的信号仿真 | 第52-53页 |
| 5.2 暂态电能质量扰动信号的识别分类 | 第53-61页 |
| 5.2.1 对扰动信号前期预处理-消噪 | 第53-55页 |
| 5.2.2 暂态电能质量扰动信号的ELMD分解 | 第55-57页 |
| 5.2.3 基于多尺度模糊熵的特征值提取 | 第57-58页 |
| 5.2.4 基于概率神经网络的不同扰动信号的类型识别 | 第58-59页 |
| 5.2.5 不同类型的神经网络识别性能比较分析 | 第59-61页 |
| 5.3 暂态电能质量扰动信号的检测定位 | 第61-67页 |
| 5.4 工程应用分析 | 第67-70页 |
| 5.5 本章小结 | 第70-71页 |
| 结论 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第77-78页 |
| 致谢 | 第78页 |