第1章 非平稳信号处理中几个常见概念 1
1.1 引言 1
1.2 信号平稳性的矛盾 2
1.2.1 信号非平稳性的两种含义 4
1.2.2 非平稳信号与时变信号 5
1.3 瞬时频率的争论 5
1.3.1 傅里叶频率 6
1.3.2 瞬时频率 6
1.4 不确定性原理的讨论 13
1.4.1 量子力学中的不确定性原理 14
1.4.2 信号处理中的不确定性原理 14
1.4.3 不确定性原理的争论 22
1.5 本章小结 23
参考文献 23
第2章 傅里叶变换的不足及改进方法 25
2.1 引言 25
2.2 傅里叶变换及其不足 26
2.2.1 傅里叶变换的定义 26
2.2.2 傅里叶变换的物理意义 27
2.2.3 傅里叶变换存在的不足 28
2.3 傅里叶变换的第一类改进方法 33
2.3.1 短时傅里叶变换的定义 34
2.3.2 短时傅里叶变换的不足 34
2.3.3 Gabor展开的定义 35
2.3.4 Gabor展开的不足 36
2.4 傅里叶变换的第二类改进方法 37
2.4.1 Wigner-Ville分布的定义 37
2.4.2 Wigner-Ville分布的不足 37
2.4.3 Cohen类分布的定义 38
2.4.4 Cohen类时频分布的不足 39
2.5 傅里叶变换的第三类改进方法 39
2.5.1 小波的定义 39
2.5.2 小波变换的本质 42
2.5.3 小波变换的不足 43
2.6 小波变换的延伸 52
2.6.1 复小波 52
2.6.2 多小波 57
2.6.3 超小波 70
2.7 本章小结 73
参考文献 73
第3章 Hilbert-Huang变换研究现状及改进方法 79
3.1 引言 79
3.2 Hilbert-Huang变换及特性 80
3.2.1 Hilbert-Huang变换介绍 80
3.2.2 Hilbert-Huang变换的特点 87
3.3 Hilbert-Huang变换存在的问题 89
3.3.1 端点效应问题 89
3.3.2 模态混叠问题 89
3.3.3 筛分停止准则问题 90
3.3.4 样条拟合问题 90
3.4 端点效应的抑制 91
3.4.1 端点效应抑制方法综述 91
3.4.2 基于人工神经网络和镜像延拓相结合的端点效应处理方法 93
3.4.3 基于支持向量机和镜像延拓相结合的数据延拓方法 101
3.5 模态混叠的抑制 108
3.5.1 模态混叠抑制方法综述 108
3.5.2 差频法改善模态混叠 109
3.5.3 基于Fourier变换改善模态混叠 111
3.5.4 集合经验模态分解法改善模态混叠 115
3.5.5 高频谐波注入法改善模态混叠 116
3.6 Hilbert-Huang变换的拓展 127
3.6.1 LMD分解 127
3.6.2 HVD分解 131
3.6.3 CEEMD分解 134
3.7 本章小结 137
参考文献 137
第4章 Hilbert-Huang变换在电能质量分析中的应用 141
4.1 引言 141
4.2 电能质量检测与识别研究现状 142
4.2.1 电能质量扰动检测与识别概述 142
4.2.2 单一电能质量检测与识别研究现状 142
4.2.3 混合电能质量检测与识别研究现状 145
4.3 基于Hilbert-Huang变换的谐波与间谐波检测 154
4.3.1 基于Hilbert-Huang变换的谐波检测 154
4.3.2 电气化铁路实测谐波的检测 159
4.4 基于Hilbert-Huang变换的暂态扰动检测 170
4.4.1 基于EMD的暂态扰动检测 170
4.4.2 基于EEMD的暂态扰动检测 174
4.5 基于Hilbert-Huang变换的电能质量混合扰动识别 175
4.5.1 基于EEMD的电能质量混合扰动检测 175
4.5.2 基于时频多特征量的混合扰动识别 178
4.5.3 基于EEMD和多标签排位支持向量机的混合扰动识别 187
4.6 基于Hilbert-Huang变换拓展方法的电能质量扰动参数检测 199
4.6.1 基于改进的局部均值分解的电能质量扰动参数检测 199
4.6.2 基于希尔伯特振动分解的谐波与间谐波的检测 203
4.6.3 基于互补集合经验模态分解的电能质量扰动参数检测 205
4.7 本章小结 212
参考文献 212
第5章 Hilbert-Huang变换在电力负荷预测中的应用 217
5.1 引言 217
5.2 电力系统负荷预测概述 217
5.2.1 电力负荷预测的分类 217
5.2.2 电力负荷序列的特性 218
5.3 电力负荷预测的主要方法 219
5.3.1 多尺度分解方法 219
5.3.2 人工智能方法 220
5.3.3 组合预测方法 221
5.3.4 其他方法 222
5.4 EMD在短期电力负荷预测中的应用 223
5.4.1 电力负荷的EMD分解 225
5.4.2 EMD与人工神经网络的结合 227
5.4.3 EMD与支持向量机的结合 246
5.4.4 几种方法预测结果的比较 250
5.4.5 基于EMD的组合负荷预测 251
5.5 基于EEMD与SS-PSO结合的短期电力负荷预测方法 254
5.5.1 EEMD与SS-PSO结合的预测方案 254
5.5.2 SS-PSO原理 256
5.5.3 电力负荷序列的EEMD分解 259
5.5.4 电力负荷预测模型 263
5.5.5 电力负荷预测结果 263
5.6 计及风电并网的电力负荷预测 269
5.6.1 风电功率预测研究现状 269
5.6.2 短期电力负荷与风电功率数据的特性对比 271
5.6.3 基于PSO和灰色关联度的线性组合预测 280
5.6.4 短期电力负荷的预测结果及分析 284
5.6.5 风电功率的预测结果及分析 293
5.7 基于等效负荷预测模型的负荷预测 301
5.7.1 等效负荷的预测模型及整体思路 301
5.7.2 等效负荷的预测结果及对比分析 303
5.8 本章小结 306
参考文献 306