基于统计特征矢量符号值和聚类经验模态分解的短时电能质量扰动信号分析

研究了希尔伯特-黄变换(HHT)方法分析电能质量扰动信号的不足,提出了一种统计特征矢量符号化(SFVS)算法与聚类经验模态分解(EEMD)相结合的短时电能质量扰动信号分析方法。该方法采用循环周期比较的欧氏距离的边界检测算法来对电能质量扰动信号的突变时间进行检测,以突变时刻为边界点将原始电能质量信号进行划分,再用EEMD方法对区块划分信号进行分解,有效抑制模态混叠,以改善信号分解性能。测试结果表明,该方法能够实现突变时刻的准确检测,对电能质量扰动信号中的各种成分进行准确分析。

基于数据符号化表示和云模型的时序数据生成方法

为得到可靠的仿真数据,提出一种基于数据符号化表示和云模型的时序数据生成方法。首先用SFVS算法将原数据或是数据的先验知识(很多时候仅能获得相关领域的一些知识而非数据)表达为一个符号矢量,然后用定性定量转换工具——云模型利用符号矢量产生相应的时序数据。仿真实验表明,该方法产生的数据具有与原数据一样的结构特征、知识蕴涵,并具有可控的随机性、复杂性。