针对高压直流输系统故障定位中精度不足问题,提出一种基于S变换奇异能量谱的直流输电系统故障定位方法.该方法采用S变换对故障前后一定时间窗的故障行波电压、电流模量信号组进行主频提取,解决了时频域直流输电故障行波信号主频率精确提取问题.但由于故障行波模量间存在耦合和折反射,导致系统各模量主频混叠,辨识困难,为了到达各模量主频辨识,采用奇异能量频谱对故障行波S变换矩阵降维、特征选取、幅值优化、精确分辨,定位系统故障位置.采用PSCAD建立双极直流输电模型对基于S变换奇异能量谱的直流输电系统故障定位予以仿真,结果表明系统定位最小误差率0.001 8%、平均误差率0.097 76%,是一种行之有效的高压直流系统故障定位方法.

该资源为试用版代码~ 一行代码快速实现特征提取！ 理论讲解：https://blog.csdn.net/fengzhuqiaoqiu/article/details/124979190?spm=1001.2014.3001.5501 function fea = genFeatureEn(data,featureNamesCell,options) % 特征提取函数 % 输入： % data：待特征提取的时域信号，可以是二维数据，行列方向不可出错 % options：其他设置，使用结构体的方式导入。 % featureNamesCell：拟进行特征提取的特征名称，该变量为cell类型，其中包含的特征名称为字符串，特征名称需要在下边列表中： % 目前支持的特征（2022.7.10，共8种）： % psdE：功率谱熵 % svdpE：奇异谱熵 % eE：能量熵 % ApEn：近似熵 % SampleEn：样本熵 % FuzzyEn：模糊熵 % PerEn：排列熵

计算emd分量的能量熵；imf与原信号的相关系数

利用VMD分解，计算每个模态的能量熵的程序。

信号特征提取时，能量熵+尺度熵等多种熵特征提取代码

对于信号进行三层分解，并对于第三层信号进行熵值判断，熵值越大代表故障信号越突出

一行代码快速实现特征提取！ 理论讲解：https://blog.csdn.net/fengzhuqiaoqiu/article/details/124979190?spm=1001.2014.3001.5501 function fea = genFeatureEn(data,featureNamesCell,options) % 特征提取函数 % 输入： % data：待特征提取的时域信号，可以是二维数据，行列方向不可出错 % options：其他设置，使用结构体的方式导入。 % featureNamesCell：拟进行特征提取的特征名称，该变量为cell类型，其中包含的特征名称为字符串，特征名称需要在下边列表中： % 目前支持的特征（2022.7.10，共8种）： % psdE：功率谱熵 % svdpE：奇异谱熵 % eE：能量熵 % ApEn：近似熵 % SampleEn：样本熵 % FuzzyEn：模糊熵 % PerEn：排列熵 % enveEn：包络熵

小波包能量熵及系数重构可视化matlab程序，数据是excel形式的，直接需改excel文件即可。本程序带详细每一步的注释，初学者一看就懂，很容易换成自己的数据或是修改相关参数。 理论描述：小波包分解（wavelet packet decomposition，WPD）能够同时在低频和高频带内对信号进行分解，并自适应地确定不同频段上信号的分辨率，且各分解频带内信号相互独立、无冗余、不疏漏[。小波包分解层数越多，分辨率越高，包含故障信息越丰富。但层数过多会造成计算复杂且分析速度慢。一般需要根据实际需要和相关实验选取分解层数以及小波基函数。能量熵表示信号中出现的状态数目的可能性及相应概率，可用来评估信号的复杂性，可用来描述电信号、轴承等振动信号的特征变化。 适用人群：信号处理，机器学习，深度学习研究者对信号进行特征分析以及特征提取。 本代码为matlab代码，在matlab2020上编写。

移动自组织网络（MANET）是由移动节点组成的非基础结构网络。 由于移动节点的电池电量有限，因此它们对于在MANET中高效使用能源非常重要。 为了最大化MANET的寿命，应通过一条路由发送流量，该路由可以避免节点能耗低，同时使总传输功率最小。 本文提出了一种基于能量熵的最小功率因数MANET中的多径路由算法（EEPMM）。 通常建议增加数据传输的可靠性或提供负载平衡。 在仿真实验中，我们就网络寿命和传输数据包时的能耗而言，将EEPMM路由协议与SHM和MEA-DSR路由协议进行了比较。 性能结果表明，该方案对于MANET中的节能通信具有很好的适应性。

小波包分解与重构多种特征提取MATLAB代码 内容概要：该资源为博主自己编写，内含小波包分解与重构，小波包分解与重构后的频谱分析，小波包升降采样，小波包能量熵，小波包能量，小波包能量占比三种特征提取方法，内含封装好的特征提取函数，内含详细代码注释，更换输入数据就可直接运行，可直接更换小波包基函数，可直接生成特征向量，。 理论描述：小波包分解（wavelet packet decomposition，WPD）能够同时在低频和高频带内对信号进行分解，并自适应地确定不同频段上信号的分辨率，且各分解频带内信号相互独立、无冗余、不疏漏[。小波包分解层数越多，分辨率越高，包含故障信息越丰富。但层数过多会造成计算复杂且分析速度慢。一般需要根据实际需要和相关实验选取分解层数以及小波基函数。能量熵表示信号中出现的状态数目的可能性及相应概率，可用来评估信号的复杂性，可用来描述电信号、轴承等振动信号的特征变化。 适用人群：信号处理，机器学习，深度学习研究者对信号进行特征分析以及特征提取。 本代码为matlab代码，在matlab2020上编写。