【正文】 散化。 Z，采樣率b0 0. 由于離散二進小波變換是對連續(xù)小波變換的伸縮因子和平移因子按一定規(guī)則采樣而得到的，因此，連續(xù)小波變換所具有的性質(zhì)，離散二進小波變換一般仍具備。 雖然經(jīng)典的傅里葉變換可以反映出信號的整體內(nèi)涵，但表現(xiàn)形式往往不夠直觀，并且噪聲會使得信號頻譜復(fù)雜化。人的話音如果去掉高頻成分，聽起來與以前可能不同，但仍能知道所說的內(nèi)容；如果去掉足夠的低頻成分，則聽到的是一些沒有意義的聲音。通過不斷的分解過程，將近似信號連續(xù)分解，就可以將信號分解成許多低分辨率成分。 圖34 小波變換示意圖部分matlab代碼：clc。 s = leleccum。)。db139。, cd1, 39。 figure。初始電源信號39。 title(39。 plot(cd1)。subplot(2, 2, 4)。 title(39。小波分解將信號分解為近似分量和細(xì)節(jié)分量，它們在應(yīng)用中分別有不同的特點。相鄰層之間各神經(jīng)元進行全連接，而每層各神經(jīng)元之間無連接，網(wǎng)絡(luò)按有教師示教的方式進行學(xué)習(xí)，當(dāng)一對學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生連接權(quán)值（Weight）。這些神經(jīng)元如同人的神經(jīng)細(xì)胞一樣是互相關(guān)聯(lián)的。在這個過程中，誤差通過梯度下降算法，分?jǐn)偨o各層的所有單元，從而獲得各單元的誤差信號，以此誤差信號為依據(jù)修正各單元權(quán)值，網(wǎng)絡(luò)權(quán)值因此被重新分布。BP 神經(jīng)網(wǎng)絡(luò)的信息處理方式具有如下特點：1）信息分布存儲。諾依曼計算機的工作速度，但是在很多問題上卻可以做出快速的判斷、決策和處理，這是由于人腦是一個大規(guī)模并行與串行組合的處理系統(tǒng)。這與現(xiàn)代計算機的脆弱性形成鮮明對比。絕大部分的神經(jīng)網(wǎng)絡(luò)模型都采用BP神經(jīng)網(wǎng)絡(luò)及其變化形式。2）模式識別：用一個待定的輸出向量將它與輸入向量聯(lián)系起來。 BP網(wǎng)絡(luò)的優(yōu)點以及局限性BP神經(jīng)網(wǎng)絡(luò)最主要的優(yōu)點是具有極強的非線性映射能力[19]。BP 神經(jīng)網(wǎng)絡(luò)通過預(yù)先存儲信息和學(xué)習(xí)機制進行自適應(yīng)訓(xùn)練，可以從不完整的信息和噪聲干擾中恢復(fù)原始的完整信息。另外， BP 神經(jīng)網(wǎng)絡(luò)具有優(yōu)化計算能力。動量法因為學(xué)習(xí)率的提高通常比單純的梯度下降法要快一些，但在實際應(yīng)用中還是速度不夠，這兩種方法通常只應(yīng)用于遞增訓(xùn)練。對于非線性系統(tǒng)，選擇合適的學(xué)習(xí)率是一個重要的問題。對那些快速訓(xùn)練算法，缺省參數(shù)值基本上都是最有效的設(shè)置[18]。網(wǎng)絡(luò)隱層神經(jīng)元的數(shù)目也對網(wǎng)絡(luò)有一定的影響。下面來做一個matlab的仿真，假設(shè)電網(wǎng)參數(shù)波形類似于函數(shù)：g(x)=1+sin(k*pi/4*x)，實現(xiàn)對該非線性函數(shù)的逼近。p=[1:.05:8]。)；title(39。時間39。)。n=3。purelin39。對于初始網(wǎng)絡(luò)，可以應(yīng)用sim（）函數(shù)觀察網(wǎng)絡(luò)輸出。39。未訓(xùn)練網(wǎng)絡(luò)的輸出結(jié)果39。)。同時繪制網(wǎng)絡(luò)輸出曲線，并與原函數(shù)相比較，結(jié)果如圖37所示。訓(xùn)練后得到的誤差變化過程如圖38所示。（開始訓(xùn)練網(wǎng)絡(luò)）TRAINLMcalcjx, Epoch 0/50, MSE , Gradient TRAINLMcalcjx, Epoch 3/50, MSE , Gradient TRAINLM, Performance goal met.從以上結(jié)果可以看出，網(wǎng)絡(luò)訓(xùn)練速度很快。39。39。xlabel(39。仿真輸出39。這說明經(jīng)過訓(xùn)練后，BP網(wǎng)絡(luò)對非線性函數(shù)的逼近效果比較好。1）頻率參數(shù)設(shè)為k=2，當(dāng)隱層神經(jīng)元數(shù)目分別取n=n=6時，得到了訓(xùn)練后的網(wǎng)絡(luò)輸出結(jié)果如圖310，311所示。由此可見，n取不同的值對函數(shù)逼近的效果有很大的影響。再介紹了國內(nèi)外在電力參數(shù)計算發(fā)展情況的基礎(chǔ)上，簡要分析了目前電力參數(shù)計算方法各自的優(yōu)劣點以及幾種算法的仿真驗證。參考文獻[1] 楊存祥，宋鏡波，王發(fā)群，等．基于DSP 的電力參數(shù)檢測系統(tǒng)的研究．[J]廣東輸電與變電技術(shù)，2007(5)[2] 胡廣書．?dāng)?shù)字信號處理．[M]清華大學(xué)出版社，2003[3] 著孫洪等．譯．?dāng)?shù)字信號處理—基于計算機的方法．[M]電子工業(yè)出版社，2006[4] 徐科軍，張瀚，陳智淵．TMS320X281xDSP 原理與應(yīng)用．[M]北京航天航空大學(xué)出版社，2006[5] 鄭紅，王鵬等．DSP 應(yīng)用系統(tǒng)設(shè)計實踐．[M]北京航空航天大學(xué)出版社，枕善居．RS232 技術(shù)文摘．[J]串口通信技術(shù)，2001[6] .[M]北京水利電力出版社，1985[7] Liu WHE,WuFE, of parameter errors from measurement residuals in state estimation[J].IEEE Trans. On Power Systems,1992,7(1)[8] [D].成都 西南交通大學(xué)，2005[9] 張艷萍，[J].長沙電力學(xué)院學(xué)報，2000，PP39~41[10] Alsac O,Vempati N,Stott B,Monticelli stateestimation [J] .IEEE Trans on PowerSystems ,1998 ,13 (3) : 10691075[11] Nino C E , Velez2Reyes M. Dealing with Ill Condi2tioning in Recursive Parameter Estimation for a Syn2chronous Generator [A] . IEEE Indust rial Elect ron2ics [C] . IECON 2006232nd Annual Conference ,2006[12] 韓安太，劉峙飛．.DSP 控制器原理及應(yīng)用．[M]清華大學(xué)出版社，1998[13] Monticelli A , Wu F F. Network Observability : Theory[J] . IEEE Trans . PAS , 1985 , 104 : 104221048[14] Jun Zhu , Ali A. Identification of Network Parameter Errors [J] . IEEE Trans. on Power Systems , 2006 ,21 (2) : 5862592[15] 竺煒，唐穎杰，周有慶，等．基于改進Prony 算法的電力系統(tǒng)低頻振蕩模式識別[J]．電網(wǎng)技術(shù)，2009，33(5)：4447．Zhu Wei，Tang Ying jie，Zhou You qing，et al．Identification of power system low frequency oscillation mode based on improved Prony algorithm[J]．Power System Technology，2009，33(5)：4447(in Chinese)[16] 鄭濤，劉萬順，吳春華，[J]. 電力系統(tǒng)自動化，2002，27（23）：5155[17] 鄭君里,楊行峻.《人工神經(jīng)網(wǎng)絡(luò)》. 北京: 高等教育出版社,:1530[18] 郝中華.《B P神經(jīng)網(wǎng)絡(luò)的非線性思想》. (4)[19] 巨軍讓，卓戎.《B P神經(jīng)網(wǎng)絡(luò)在Matlab中的方便實現(xiàn) 》.(1)[20] Neural Network Tolbox User’s, The MathWorks. Inc,2003:1627[21] Matlab user’s Guide. The ,2003:2327[22] Neural Network Toolbox. Mathworks,2007:113[23] 王成山，王繼東．基于小波包分解的電能質(zhì)量擾動分類方法[J]．電網(wǎng)技術(shù)，2004，28(15)：7882[24] 肖冰，梁軍，等．Hilbert變換在電壓閃變檢測中的應(yīng)用[J]．繼電器，2005, 33(15):6265[25] 楊奕，沈申生．小波包變換在電能質(zhì)量擾動檢測中的應(yīng)用[J]．高電壓技術(shù)，2005,32(7):116119[26] 鄒其洪.《MATLAB教程》. 電子工業(yè)出版社，2005[27] 吳友宇.《數(shù)字信號處理》. 東南大學(xué)出版社，2008[28] 吳錫龍.《信號與系統(tǒng)》.高等教育出版社，2004[29] [J].電網(wǎng)技術(shù)，1997，PP64~66[30] [J].電測與儀表，2000，PP10~12[31] 張艷萍，[J].長沙電力學(xué)院學(xué)報，2000，PP39~41致謝在即將完成學(xué)業(yè)之際，我要衷心的感謝那些曾經(jīng)關(guān)心過我和幫助過我的人，不論在學(xué)習(xí)過程中還是在生活當(dāng)中，如果沒有他們?yōu)槲遗艖n解難，就不會有我今天的順利畢業(yè)。在此，學(xué)生謹(jǐn)向?qū)煴硎咀畛绺叩木匆夂妥钪孕牡母兄x!其次，要感謝計算機科學(xué)與技術(shù)學(xué)院所有的領(lǐng)導(dǎo)和老師，他們?yōu)槲业膶W(xué)習(xí)和生活提供了很大的方便和有利條件，是我的學(xué)業(yè)能夠順利完成。感謝我尊敬的父母，他們用博大的胸懷、勤勞的雙手和幾十年的心血養(yǎng)育了我，是他們樸實無私的奉獻和所傾注的愛與關(guān)懷使我能夠在學(xué)校專心完成學(xué)業(yè)。最后，我要特別感謝我的家人和同學(xué)。劉老師深厚的學(xué)術(shù)造詣、堅持不懈的探索精神以及對學(xué)術(shù)前沿的敏銳的洞察力，使學(xué)生終身受益。交流采樣算法精度高、實時性好，隨著微機技術(shù)的飛速發(fā)展和采樣算法的深入研究，必將得到廣泛的應(yīng)用，從而大大提高通信電源監(jiān)控系統(tǒng)的智能化和自動化水平。隱層神經(jīng)元數(shù)目越多，則BP網(wǎng)絡(luò)逼近非線性函數(shù)的能力越強。 圖312 當(dāng)n=6時訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果 圖313 當(dāng)n=8時訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果其中 “ ” 代表要逼近的非線性函數(shù)曲線；“‥‥‥ ” 代表未經(jīng)訓(xùn)練的函數(shù)曲線；“―――” 代表經(jīng)過訓(xùn)練的函數(shù)曲線；3）頻率參數(shù)設(shè)為k=8，當(dāng)隱層神經(jīng)元數(shù)目分別取n=n=15時，得到了訓(xùn)練后的網(wǎng)絡(luò)輸出結(jié)果如圖314，315所示。網(wǎng)絡(luò)非線性程度越高，對于BP網(wǎng)絡(luò)的要求越高，則相同的網(wǎng)絡(luò)逼近效果要差一些；隱層神經(jīng)元的數(shù)目對于網(wǎng)絡(luò)逼近效果也有一定影響，一般來說，隱層神經(jīng)元數(shù)目越多，則BP網(wǎng)絡(luò)逼近非線性函數(shù)的能力越強。繪制網(wǎng)絡(luò)輸出曲線，并與原始非線性函數(shù)曲線以及未訓(xùn)練網(wǎng)絡(luò)的輸出結(jié)果曲線相比較，比較出來的結(jié)果如圖39所示。)。訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果39。:39。figure。 (網(wǎng)絡(luò)訓(xùn)練時間設(shè)置為50)=。步驟3：網(wǎng)絡(luò)訓(xùn)練應(yīng)用train（）函數(shù)對網(wǎng)絡(luò)進行訓(xùn)練之前，需要預(yù)先設(shè)置網(wǎng)絡(luò)訓(xùn)練參數(shù)。仿真輸出原函數(shù)39。xlabel(39。:39。figure。trainlm39。tansig39。隱層神經(jīng)元數(shù)目n可以改變，暫設(shè)為n=3，輸出層有一個神經(jīng)元。ylabel(39。)。plot（p，t，39。 基于BP神經(jīng)網(wǎng)絡(luò)逼近函數(shù)步驟1：假設(shè)頻率參數(shù)k=1，繪制要逼近的非線性函數(shù)的曲線。 BP網(wǎng)絡(luò)在電力參數(shù)采樣中的應(yīng)用 問題的提出BP網(wǎng)絡(luò)由很強的映射能力，主要用于模式識別分類、函數(shù)逼近、函數(shù)壓縮等。尋優(yōu)的過程與初始點的選擇關(guān)系很大，初始點如果更靠近局部最優(yōu)點，而不是全局最優(yōu)點，就不會得到正確的結(jié)果，這也是多層網(wǎng)絡(luò)無法得到最優(yōu)解的一個原因。相反，學(xué)習(xí)率過小又會造成訓(xùn)練時間過長。當(dāng)然，感知器和線性神經(jīng)網(wǎng)絡(luò)能夠解決這類網(wǎng)絡(luò)問題。不過，