基于改进小波阈值函数和奇异值分解的电能质量扰动检测定位

为了在噪声环境下准确提取电能质量扰动特征,本文提出基于改进小波阈值函数去噪和奇异值分解的电能质量扰动检测定位方法。首先构建改进小波阈值函数对含噪电能质量扰动信号降噪,利用经验模态分解的信号频带划分能力,实现降噪后扰动信号各模态的有效分离,再采用希尔伯特变换提取各模态幅值、频率等特征信息,同时基于奇异值分解实现对扰动信号的起止时刻的有效定位。最后分别采用不同类型的电能质量扰动信号进行仿真实验,实验证明本文提出的算法不仅具有良好的抗噪性能,同时具有较高的定位准确度和良好的鲁棒性。     

电力信号短时扰动的检测及自动分类

针对电力短时扰动信号具有非平稳、突发性的特点,应用小波变换的多分辨率分析特性检测扰动信号的特征参量,依据IEEE制定的短时电能质量扰动标准,提出了一种逐次逼近型的快速分类法。利用小波变换对扰动信号的奇异点进行检测,发现通过对扰动信号奇异点的检测可以准确地定位短时扰动的起始时刻、持续时间和扰动幅度。提出的逐次逼近型分类法,用一组8位二进制数逼近扰动的持续时间和扰动幅度两个参数,不仅可以将短时扰动信号按照IEEE制定的标准进行准确分类,而且还可以大大减少分类过程中的计算量,充分满足了电力信号监测的实时性要求。     

基于改进贝叶斯分类法的电能质量扰动分类方法

基于改进贝叶斯分类法提出了2种改进的暂态电能质量扰动分类方法。该分类方法保留了原贝叶斯分类法“最优分类”的性质，使原贝叶斯分类法转化为非参数分类法，扩大了分类法的适用范围，可对数量有限的交叉样本进行最优分类。采用交流暂态仿真软件对5种典型的电能质量扰动信号如电压振荡、电压中断等进行仿真和分类识别。对暂态电压扰动的分类结果表明，上述改进的暂态电能质量扰动分类方法分类特性良好、适用范围较广。     

基于MSD-Transformer的电压质量扰动分类方法

随着新型电力系统中的电压质量扰动（power quality disturbance,PQD）的日益复杂化,传统的分类方法面临着巨大挑战。为提升复杂PQD分类准确性,提出了一种基于多分辨率信号分解（multi-resolution signal decomposition,MSD）和Transformer模型的电压质量扰动分类算法。首先通过MSD对PQD信号进行信号分解,获取其时频特性;然后将信号分解结果输入Transformer模型,利用其多头注意力机制对特征进行高阶特征提取;在此基础上,通过softmax函数实现PQD信号的准确分类。在算例实验中,选取8种单一扰动信号和6种复合扰动信号,共计14种扰动源进行分类实验。实验结果表明,该方法不仅可以对上述PQD信号进行准确分类,而且还展现了在噪声环境中的强大鲁棒性。与传统方法相比,该方法大幅缩短了模型训练时间,显著降低了对专家经验的依赖,实现了PQD分类的高度自动化,为电压质量管理提供了一个高效、可靠的PQD分类方法。     

基于EEMD的HHT在电能质量多扰动分类识别中的应用

现有的电能质量扰动分类识别方法对电能质量多扰动的分类准确性和识别能力较低,本文提出了将基于聚类经验模态分解(EEMD)的希尔伯特—黄变换(HHT)应用于电能质量多扰动的分类识别方法。它依据电能质量多扰动信号就是在电能基波上叠加不同频率和不同幅值波形的特性,首先利用EEMD对含扰动信号分解得到信号的固有模态函数(IMF),滤除残余噪声后,将得到的IMF分量作为特征值对扰动进行分类,再对IMF进行Hilbert变换得到其瞬时频率和瞬时幅值,瞬时频率的突变点反映电能质量扰动的起止时刻,瞬时幅值反映电能质量扰动的幅度,根据对突变点的观测实现对各个扰动的准确识别。Matlab仿真分析结果表明,该方法能够准确的对电能质量多扰动的扰动类型进行分类,并确定电能质量各个扰动信号的时间、幅值和频率。     

基于改进HHT和决策树的电能质量扰动辨识

为了准确辨识电能质量扰动的类型,以实现电能质量问题的有效治理,提出一种基于改进希尔伯特-黄变换(Hilbert-Huang transform,HHT)和决策树的电能质量扰动辨识方法。该方法先采用改进的基于斜率的方法(improved slope based method,ISBM)抑制希尔伯特-黄变换算法的端点效应,然后利用改进的HHT方法进行电能质量扰动信号的分析;从得到的瞬时频率曲线中提取频率成分、扰动持续时间和扰动持续期间频率3个特征量,并从瞬时幅值曲线中获取扰动期间电压幅值;最后构建分类决策树,将这4个特征量作为判断依据,实现扰动信号的分类和识别。根据各类电能质量扰动信号的数学模型,产生大量的测试样本进行仿真测试,结果证明了该方法的有效性和准确性,并且与现有的2种扰动辨识方法进行对比,结果表明该方法具有更高的识别准确率,能准确辨识出电能质量扰动的类型。     

基于分段改进S变换的复合电能质量扰动识别

针对存在多种单一电能质量扰动的复合扰动分类识别问题,提出了一种基于分段改进S变换和RBF神经网络相结合的复合电能质量扰动识别新方法。首先对离散S变换进行了分段改进,将时域分辨率和频域分辨率进行分段处理,通过分析改进S变换得到的模时频矩阵,绘制了能够反映扰动信号不同突变参数的特性曲线。其次利用统计方法优化计算提取了10种用于模式识别的特征量,并用局部逼近的RBF神经网络设计了分类器对提取的特征样本进行训练和分类,最后在不同噪声环境下对5种单一扰动及谐波+电压暂降、电压暂降+闪变等6类复合电能质量扰动的分类识别进行了仿真验证。仿真结果表明,该方案时频处理、分类能力和学习速度等方面均优于普通改进S变换+全局逼近网络的方法,且鲁棒性强,能准确识别多种单一扰动及两种扰动同时存在的复合电能质量扰动。     

基于改进S变换和GA-SVM的电能质量扰动识别与分类

电能质量扰动的准确识别与有效分类是改善与治理电能质量问题的前提,针对当前电能质量扰动识别与分类存在的不足,提出一种基于改进S变换和遗传算法(genetic algorithm, GA)优化支持向量机(support vector machine, SVM)的电能质量扰动识别与分类方法。首先,在S变换高斯窗函数中引入调节因子,依据信号特征分频段选择调节因子,以提高电能质量扰动分析的时频分辨率。其次,结合S变换模时频矩阵提取时频特征曲线,构建电能质量扰动初始特征集。最后,基于遗传算法进行扰动特征优选和支持向量机参数优化,并利用GA-SVM完成电能质量扰动分类。对14种电能质量扰动的分类进行测试,验证所提方法的有效性与鲁棒性。     

基于多分辨率标准差及自组织映射网络的电能质量扰动分类识别

基于小波多分辨率分析和自组织映射网络,提出了一种电力系统电能质量扰动问题的分类识别方法.在多分辨率分析中,利用小波方程和尺度方程可以对信号进行多层分解.对各层信号进行统计分析得到标准差,相当于对分解后的信号进行了特征提取,可以反映信号的离散度并作为各层的特征值,且特征明显、数值量小.对得到的特征值,采用自组织映射网络进行聚类分析,就可以实现电能质量扰动类别的智能判断.仿真结果表明该方法判别精度高、速度快,可供电能质量问题的监测分析参考.     

基于掩膜分量的改进HHT方法在电能质量扰动信号定位中的应用

为克服EMD方法的缺点,提出了一种基于掩膜分量的改进HHT方法对电能质量进行检测.首先对信号进行神经网络预测延拓,并对延拓部分进行加窗处理,有效的抑制了端点效应在经验模态分解过程中带来的影响.然后用掩膜信号法对电能质量扰动信号进行分解,得到包含单一频率的精确的经验模态函数分量,再对各分量进行Hilbert变换,并对瞬时幅值求导就能确定出电能质量扰动的起止点.仿真结果表明,基于掩膜的改进HHT方法能有效克服端点效应和模态混叠对信号分解的影响,适用于各种暂态扰动的分析.     

基于改进PSO - WNN的电能质量扰动分类研究

提出一种基于改进粒子群算法和小波神经网络相结合的电能质量扰动分类方法.首先利用小波多分辨技术检测电能质量扰动信号,然后提取各类扰动能量特征向量,将此特征向量输入到优化后的小波神经网络进行识别,最后经改进粒子群小波神经网络得到电能质量扰动分类结果.实例仿真计算结果表明,方法可大大提高电能质量扰动分类识别能力.     

ITD算法在电能质量扰动信号特征量提取中的应用

针对电能质量扰动信号非线性特点,采用固有时间尺度分解算法(Intrinsic Time-scale Decomposition, ITD)准确快速地提取电能质量扰动信号的幅值、频率、相位、衰减因子、扰动起止时刻等特征量。首先利用固有时间尺度分解算法提取电压扰动信号的固有旋转分量(Proper Rotation Component, PRC)。然后对PRC分量进行Hilbert变换求取相位和瞬时频率,根据高频突变点得到扰动起止时刻;由包络函数得到扰动信号的幅值,并计算衰减因子。运用Matlab对单一和复合扰动信号进行仿真计算,结果表明该方法能准确地识别电能质量扰动信号的特征量,具有抗噪能力,验证了所提方法的实时性和可行性。     

采用小波多分辨率信号分解的电能质量检测

针对典型的电能质量扰动信号 ,提出了采用小波多分辨率信号分解的电能质量检测与时频分析方法 ,并提出一种新型的同步检波器。该方法将电能质量扰动信号分解到子频带中 ,在小波域上检测信号的时间、频率和幅度 ,具有突出信号时域、频域局部特征的能力 ,因此特别适用于短暂瞬时信号的检测与分析。仿真结果表明 ,该方法具有优异的检测性能 ,适用于电压凹陷、电压凸起、电压间断、短时间谐波失真、暂态谐波失真、电压闪变与波动等电能质量扰动信号的检测与时频分析。     

基于稀疏分解的复合电能质量扰动分类

针对复合电能质量扰动分类问题,提出了一种基于稀疏分解的分类新方法。该方法通过构建正余弦字典、脉冲字典将电能质量扰动信号分解为近似部分和细节部分,并从中提取了8个特征量。将特征向量输入改进支持向量机中可实现30种复合扰动的准确分类。基于MATLAB生成数据和真实电网数据的仿真结果表明:针对稀疏分解得到的特征向量,改进支持向量机的分类精度高于BP网络和极限学习机;文中方法对单一扰动及复合扰动均有较强的分类能力,且具有一定的抗噪声能力。     

Application of multiresolution signal decomposition for monitoringshort-duration variations in distribution systems

The multiresolution signal decomposition (MRA) technique is introduced as a powerful tool for detecting, classifying and quantifying the short duration variations in an electrical distribution system. Using the proposed technique, one will have the ability to measure the magnitude and duration of the signal during SDV events. Furthermore, the total harmonic distortion and the DC offset can also be measured. The information gained at different resolution levels and the measured values by the proposed technique can be used to distinguish among similar power quality phenomena and may help in finding the source of disturbance     

基于变分模态分解的电能质量扰动检测新方法

为了更加准确地提取扰动信号特征,提出了基于变分模态分解(VMD)的电能质量扰动检测新方法。该方法由VMD和希尔伯特变换(HT)2个部分组成。首先,对扰动信号进行傅里叶变换以确定VMD的预设分解尺度;然后,利用VMD将扰动信号分解为系列调幅-调频函数之和;最后,对每个调幅-调频函数进行HT,求取瞬时幅值和瞬时频率,进而确定扰动信号特征。较之希尔伯特-黄变换和局部均值分解方法,VMD方法不仅可分析不同时间支集的扰动信号,处理复合扰动和频率相近的奇数次谐波,也不存在模态混叠,获取的瞬时幅值和瞬时频率更加准确。仿真信号和变电站电容器组投入时的电压信号分析结果证明了所提方法的可行性和有效性。     

基于改进局部均值分解和概率神经网络的电压扰动识别

随着新能源技术的发展和普及，大量非线性用电设备接入电网对其电能质量产生了严重影响。为解决谐波扰动信号对电力系统带来的影响，提出将改进的局部均值分解LMD（local mean decomposition）和概率神经网络相结合，构造一种电压扰动分类器，对电力系统中的电压扰动信号进行识别分类。通过构造三角波形自适应地延拓扰动信号的方法抑制LMD的端点效应，应用改进LMD算法对扰动信号进行3层分解，得到具有电压信号幅频信息的乘积函数PF（product function）分量，将由PF分量构造的信号能量作为概率神经网络的输入，以识别和分类电压干扰信号。通过建立训练模型对电压扰动信号进行仿真实验，结果表明，该方法可以准确识别电压扰动信号，有助于提高电力系统中电压扰动信号的识别精度。     

电能质量的S变换仿真

针对电能质量扰动信号的特征,介绍了一种基于S变换的信号检测与分类的方法.该方法利用S变换模矩阵来检测电能质量扰动信号,并对其进行分类.对影响电能质量的8种扰动信号(电压凹陷、电压隆起、短时中断、电压尖峰、电压缺口、谐波、间谐波和瞬态振荡)进行了仿真.仿真结果表明,该方法可以准确地确定扰动发生时刻和持续时间,能够对电能质量扰动信号进行简单、直观地分类.     

一种基于PSO-SVM的电能质量扰动识别与分类的新方法

针对目前电网电能质量扰动识别与分类中采用的SVM分类器参数难以选择的问题,提出了一种基于粒子群(PSO)优化SVM的电能质量扰动识别新方法。利用MATLAB软件对实际电网中常见的5种扰动信号进行建模,将检测到的电压信号经复小波变换后作为PSO-SVM的输入样本进行训练和测试。仿真结果表明,该方法能够快速、可靠地对电能质量扰动进行识别与分类,对电网的电能质量监测具有较高的应用价值。