基于CEEMD和GG聚类的电能质量扰动识别

来源：计量学报杂志2019年第1期北京时间：

作者：张淑清,乔永静,姜安琦,张立国,金梅,姚家琛,穆勇

摘要：提出一种基于完备总体经验模态分解(complete ensemble empirical mode decomposition,CEEMD)和GG(gath-geva)聚类的电能质量扰动识别方法。CEEMD是一种对EEMD(ensemble empirical mode decomposition)的改进算法,其特点是向原始信号中以正负成对的形式加入白噪声,有利于减少重构信号中残余的辅助噪声;且在分解的每一个阶段都加入特殊噪声,计算一个唯一残差以得到每个IMF,因此分解的结果是完整的,优于EEMD。CEEMD不仅有效解决了EEMD的模态混叠的问题,同时也保留了EEMD处理非平稳信号的优势,再将CEEMD 分解的IMF分量的互近似熵值作为特征向量输入到GG模糊分类器中进行电能扰动的分类识别。为了验证该方法的有效性,进行了仿真和实测实验,结果表明,该方法有较好的频谱分离效果,且仅需要较少的迭代次数,减轻了计算成本。

关键词：计量学; 电能质量; 扰动识别; 总体经验模态分解; 互近似熵; GG聚类

基金资助：国家重点研发项目(2018YFB0905500); 国家自然科学基金(51875498); 河北省大智移云应用专项(18211833D) ;河北省自然科学基金(E2018203439, E2018203339, F2016203496)