基于预测机制的电能质量扰动检测方法研究

通过对现有各种扰动监测算法的研究和比较,提出了一种基于线性预测机制的时间域电能质量扰动检测方法.将待分析的电网信号通过由线性预测机制得到的误差预测滤波器,当电网中发生电能质量扰动时,预测信号波形会在扰动发生及结束时刻产生突变,使得所提检测算法能够及时检测到电网中发生扰动信号的起始时刻和持续时间.仿真和试验结果表明了所提方法能准确检测电压暂升、暂降等变化相对缓慢且延续时间也相对较长的暂态扰动信号,对电压骤降等变化时间极为短暂的瞬时性扰动信号依然具有良好的监测效果.     

基于DDRTS的电能质量实时仿真平台

正确检测和分析电能质量扰动对治理和改善电能质量具有重要意义.基于数字动态实时仿真系统DDRTS构建了电能质量实时仿真与分布式监测平台.该平台应用DDRTS提供的电磁暂态仿真软件进行电能质量扰动实时仿真,通过高速接口设备将电网各节点的仿真数据实时输出给电能质量监测装置.利用该仿真测试平台可实现各种电能质量扰动的实时仿真,进行电能质量检测和分析方法的验证以及电能质量监测装置和分布式监测系统的性能测试.     

基于预测机制的电能质量扰动检测方法研究

通过对现有各种扰动监测算法的研究和比较,提出了一种基于线性预测机制的时间域电能质量扰动检测方法。将待分析的电网信号通过由线性预测机制得到的误差预测滤波器,当电网中发生电能质量扰动时,预测信号波形会在扰动发生及结束时刻产生突变,使得所提检测算法能够及时检测到电网中发生扰动信号的起始时刻和持续时间。仿真和试验结果表明了所提方法能准确检测电压暂升、暂降等变化相对缓慢且延续时间也相对较长的暂态扰动信号,对电压骤降等变化时间极为短暂的瞬时性扰动信号依然具有良好的监测效果。     

S变换在电能质量扰动分析中的应用综述

结合国内外采用S变换应用于电能质量扰动分析的现状,对基于S变换的电能质量扰动检测、识别以及其他方面的应用进行了分类和总结.分析了S变换结合各种人工智能与数学工具在进行电能质量扰动分析时的优势和不足,介绍了近年来利用广义S变换、改进S变换和双曲S变换等其他形式S变换在电能质量扰动分析中的应用情况.最后对S变换应用于电能质量扰动分析的发展趋势以及值得进一步研究的问题进行了展望.     

基于DDRTS的电能质量实时仿真平台

正确检测和分析电能质量扰动对治理和改善电能质量具有重要意义。基于数字动态实时仿真系统DDRTS构建了电能质量实时仿真与分布式监测平台。该平台应用DDRTS提供的电磁暂态仿真软件进行电能质量扰动实时仿真,通过高速接口设备将电网各节点的仿真数据实时输出给电能质量监测装置。利用该仿真测试平台可实现各种电能质量扰动的实时仿真,进行电能质量检测和分析方法的验证以及电能质量监测装置和分布式监测系统的性能测试。     

电能质量预测与预警机制及其应用

提出了电能质量预测与预警机制,基于历史数据对未来阶段的电能质量状况进行预测与预警,使电能质量问题得到等级化分析。结合配电网的特点和现状,提出了适合于配网的基于线性回归模型、随机时间序列模型和灰色模型的优选组合预测模型,预测电能质量的未来状况。在此基础上,提出了电能质量的预警等级及其过程、构建预警机制、发布电能质量预警信息。最后,实例与应用分析验证了设计的电能质量预测与预警机制的实用性和有效性。     

矩阵分解在暂态电能质量扰动检测方面的应用

针对暂态电能质量问题日益突出的实际情况,提出了基于矩阵分解技术的暂态电能质量扰动检测方法。首先将一维电能质量扰动信号构造成Hankel矩阵,根据矩阵奇异值分解原理完成对扰动信号的线性分离,然后分析各层分量信号所含信息的价值,确定用第三层分量信号中的突变信息来检测扰动信号的发生、截止时刻。仿真结果表明,该方法有效易行。     

基于小波变换和分形理论的电能质量扰动监控系统

介绍了实时电能质量扰动监控系统的结构,详细说明了该系统硬件和软件各个构成模块的工作原理。为实现实时在线监控电能质量扰动,首先需检测出扰动信号,然后进行分析处理。在扰动检测模块中,采用自适应线性神经元实现了对各种扰动的检测,将检测出的扰动信号送入分类模块,采用离散小波多分辨率分析提取不同尺度下的能量分布特征,同时采用分形几何学提取局部方差维数,将二者结合共同构成扰动信号的特征矢量。将提取的特征矢量送入概率神经网络实现网络训练和扰动分类。通过模拟数据测试,该系统的分类率可达到90%。另外,该系统是在CAN总线变电站自动化系统上实现的,通过调整数据的传输格式也可将其应用到其它传输平台的变电站,实现对电能质量扰动的监控。     

基于ASW-ESPRIT的电能质量扰动分析

针对ESPRIT算法无法分析非平稳电能质量扰动的问题,提出了一种基于自适应滑窗-旋转不变子空间算法（Adaptive Sliding Window ESPRIT,ASW-ESPRIT）的时频分析方法。该方法首先根据非平稳电能质量扰动信号特征,采用自适应滑窗对信号数据进行分块,然后利用ESPRIT算法对每块中的数据进行处理,检测出频率和幅值信息,接着联合所有窗口的分析结果,从而得到整个信号的时频率分布信息。最后对电能质量干扰的非平稳信号进行了仿真实验,实验结果表明,所提出的方法适合动态电能质量扰动检测,具有实际应用前景。     

近似线性相位复小波的电能质量扰动检测

分析了利用小波方法对电能质量扰动检测的局限性.从完全重构滤波器组出发,探讨了小波与完全重构滤波器组的关系,并在Daubechies所得结论的基础上提出了用近似线性相位正交紧支对称复小波的构造方法,将其应用于微小电能质量扰动信号检测.仿真结果表明,利用该类复小波的相位信息和恰当的组合信息可准确检测出电压微小扰动的突变点,且该类复小波能采用Mallat算法,具有良好的实时性.     

基于卡尔曼滤波和深度置信网络的复合电能质量扰动分类

针对实际电能质量扰动数据大、识别多重扰动精度不高的问题,提出了一种基于自适应最大似然卡尔曼滤波和深度置信网络相结合的电能质量扰动识别方法.首先,该方法使用自适应最大似然卡尔曼滤波对含有噪声的原始扰动信号进行去噪.然后,通过深度置信网络对去除噪声的扰动信号进行训练、分类,以此实现电能质量扰动类型的识别.最后,在20类不同...     

基于循环神经网络的电能质量扰动识别

针对电能质量扰动信号识别算法复杂、识别率低等问题,提出一种将长短时记忆神经网络应用于电能质量扰动信号识别分类的新方法。首先在 Tensorflow中搭建长短时记忆神经网络,建立电能质量扰动信号分类模型。其次利用分类模型对电能质量扰动信号原始数据进行有监督学习,提取扰动信号的深层次特征,并将其连接到Softmax分类器输出各扰动信号的识别率。最后将电能质量扰动信号通过递归图生成的二维轨迹图像作为分类模型的输入,通过训练模型实现扰动信号的分类。仿真结果表明,该分类模型对电能质量扰动信号的一维和二维表示均有较好的分类准确率,可以有效识别7种单一扰动和6种复合扰动信号。     

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。     

三相电能质量扰动信号压缩方法研究

提出了一种基于压缩传感的三相电能质量数据压缩新方法。首先,将时间t内的三相电能质量扰动信号转换为3t时间内的一维信号;然后,将传统的多频带融合问题理论应用于压缩感知稀疏基设计中,构造稀疏基;最后,选取高斯随机矩阵作为观测矩阵,OMP算法作为重构算法,重构三相电能质量扰动信号并利用MATLAB进行仿真。实验结果表明,该方法可以有效压缩三相电能质量数据,实现三相电能质量扰动信号同时处理,并同时检测出多项性能指标参数。     

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。     

一种电能质量异常数据剔除的有效方法

海量的电能质量数据常存在异常数据,会干扰电能质量数据分析,甚至带来错误的分析结果。为此,提出一种新的电能质量异常数据剔除方法,用于电能质量在线监测数据及测试数据中的异常数据发现。对于电能质量稳态数据,首先是根据各指标的业务取值范围对数据进行初判,找出整体异常数据,分析其数据曲线的斜率变化率,滤除曲线的异常点;其次是根据各数据之间的业务关系对数据进行相互校验,完成电能质量稳态数据的异常剔除。对于电能质量扰动波形数据,采用基于S变换的方法对待筛选数据和异常模板库进行对比,与异常模板库中信号相近的扰动波形,认为是异常数据,从而完成电能质量扰动波形数据的异常剔除。该方法已用于某省级电能质量监测系统中,实践证明该方法有效、可行。     

基于侧输出融合卷积神经网络的电能质量扰动分类方法

针对传统电能质量扰动分类方法分类准确率低、人工选择特征困难等缺点,提出了一种基于深度学习的侧输出融合卷积神经网络用于电能质量扰动信号分类.首先,对电能质量扰动信号进行预处理,使输入信号数据标准化,有利于提升所提方法的收敛速度和精度.在传统卷积神经网络中引入侧输出融合结构,通过组合卷积低、中和高层的信息进行特征融合,以更好地对输入信号进行分类.针对实测数据不足和信号数据类型分布不均衡等问题,采用数据增强的方法对信号进行处理.仿真和实测数据验证表明,所提方法可以自动进行特征提取和优化,具有分类速度快、分类准确率高等优点.     

基于最佳小波包基的电能质量暂态数据压缩

针对电能质量暂态扰动数据高频分量频率高(最高达到MHz)的特点,在小波压缩技术的基础上,提出将基于最佳小波包基的数据分析方法应用于电能质量数据压缩,利用最佳小波包基的快速搜寻算法对高、低频分量同时进行分解,再对扰动数据进行压缩重构,并将其与基于小波变换的数据压缩方法进行仿真比较。结果表明,在压缩比大致相同的情况下,得到数据的失真率比传统小波的压缩方法低。     

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。     

一种基于重排二次型时频分布的电能质量检测新方法

电能质量扰动信号是一种典型的非平稳信号,采用二次型时频分布能够获得其时间频率联合特性。提出一种基于重排二次型时频分布的电能质量检测新方法,首先采用瞬时无功功率理论和广义形态滤波器将电能质量信号的基波成分和扰动成分分离,再利用重排二次型时频分布对扰动分量进行分析,从而获得时频聚集型更好的扰动分量的时频联合分布,直观地表达出扰动信号的时频特性。仿真算例验证了此方法对各种常见电能质量扰动和交叉电能质量扰动的检测和特征提取是有效的。