基于自适应线性元件的周期误差分离研究

动态测量误差信号通常为多分量的非平稳信号,可能包含非周期性趋势项误差、周期性误差、随机误差等分量.为了更精确地修正误差,需将各误差分量分离出来.用神经网络自适应线性元件方法分解动态测量误差信号的周期性成分,通过一个动态测试仿真系统进行验证,并与EMD方法分解结果对比,得出神经网络自适应线性元件方法在分离周期性成分(特别...     

基于RLS自适应算法的APF电流检测

有源电力滤波器(APF)电流检测算法使用低通滤波器(LPF)提取基波有功直流分量,直流分量的提取精度直接影响着指令电流信号的计算精度。提出一种应用数字递推最小二乘法(RLS)替代模拟LPF的电流检测新方法。RLS自适应滤波算法是在采样周期内对整体采样序列进行滤波器权系数最优化搜索,即对权系数迭代中的步长寻优,从而准确地跟踪输入信号的直流分量。新方法以瞬时无功功率理论为电流检测依据,利用坐标、三角变换矩阵根据电网三相瞬时电流计算出电流瞬时有功、无功交/直流分量。应用Matlab软件编写RLS自适应滤波算法程序进行仿真,结果表明APF电流检测中采用数字RLS自适应滤波提取直流分量的方法是可行、有效的。     

采用改进Prony算法的电力系统故障暂态信号分析

为提高对含有谐波、间谐波和衰减直流分量的电力系统故障暂态信号的分析精度,提出基于改进Prony算法的暂态信号分析方法。Prony算法的模型具有能较准确描述故障暂态信号特征、直接提取信号频率的优点。先采用差分算法滤除衰减直流分量并对高频信号进行放大以提高Prony算法的分析精度,利用Prony算法对信号中含有的频率分量进行估计,以确定神经网络的神经元个数和训练的初始值。将各频率分量的频率作为神经网络训练待定的权值,同时估计各频率分量的频率和幅值。仿真结果证明了所提方法的快速性和有效性。     

盲信号分离在静止式中频电源故障分析中的应用

针对静止式中频电源故障信号含有间谐波,传统的信号处理方法难以对其进行有效分析的问题,提出将最新的盲信号分离(BSS)运用于电源故障分析中。根据故障信号的特点,采用基于负熵的快速独立分量分析(FastI-CA)算法解决了混叠信号的盲分离问题;采用主分量分析(PCA)进行预白化处理,减小噪声对分离精度的影响,再运用二阶盲辨识(SOBI)算法分离波动电压信号,得到各分离分量的频率估计。在此基础上通过求解超定方程组估算出故障信号分量幅值。仿真结果表明,FastICA和SOBI算法对中频电源故障信号分离的有效性和准确性。     

动态车辆称重系统的算法研究

汽车动态称重系统的算法研究是动态称重系统研究中的难点。为了提高动态称重系统的测量精度,对传感器在车辆非停车状态下所得短历程信号进行分析,利用巴特沃斯低通滤波器滤除噪声信号中的高频分量后;采用Levenberg Marquardt优化算法进行最小二乘法拟合,有效的抑制了低频周期随机干扰,实现了载荷的分离;通过载荷分离计算出车辆重量。实验表明,该算法能够提高动态称重系统的测量精度。     

局部放电在线监测中的自适应滤波方法

局部放电在线监测对保证电力变压器安全运行有重要意义,实现在线监测的关键是从强干扰中监测出微弱的放电信号。针对怎样抑制周期性干扰,文献中报道较多的是LMS自适应滤波方法,但该方法需调整参数多,对脉冲型干扰表现出不稳定性。为此,文中分别论述并比较了LMS算法和基于鲁棒RLS算法的自适应滤波方法的基本原理及实现方法。实验结果表明：鲁棒RLS算法较好地解决了LMS算法存在的问题,且能获得更高的信噪比,基本适用于局部放电在线监测。     

基于RLS算法的自适应噪声抵消系统研究

介绍了一种基于RLS算法的自适应噪声对消系统,说明了噪声对消系统的原理以及RLS算法的步骤与流程。通过实例仿真,得到了基于RLS算法的自适应噪声抵消系统仿真图。分析仿真结果得出,在单频干扰与宽带噪声干扰两种情况下,RLS自适应滤波器都能很好地消除干扰得到有用信号。证实了在通信语音信号处理中,用基于RLS算法的自适应噪声对消系统可以消除语音噪声,提高语音通信的信号质量。     

基于扩展时序距离法和自适应控制的超短期负荷预测

将扩展时序距离（ETD）算法与自适应控制中的递推最小二乘（RLS）算法相结合,提出了超短期负荷预测算法———RLS&ETD算法。该算法利用自适应控制的动态跟踪特性与ETD算法的周期性,与ETD算法相比,能更充分地利用数据。仿真实验的结果表明,RLS&ETD算法比ETD算法在精度、误差稳定性等方面均有所提高。     

消除非周期分量影响的改进傅里叶算法

傅里叶算法不仅具有滤除整数次谐波的能力,也具有很强的抑制非整数次谐波的能力,在电力系统信号分析中得到了广泛使用,但是传统傅里叶算法会受非周期分量的影响而产生较大的计算误差。在定量分析非周期分量可能造成的计算误差基础上,提出了一种改进傅里叶算法。先通过对两个不同工频周期下的采样值进行积分,计算出非周期分量参数,再从传统傅里叶算法的计算结果中将误差剔除。将泰勒级数的误差计算方法进行了拓展推导,并设置了应用条件以及优化措施,使改进傅里叶算法能够较好地兼顾速度与精度。分别采用静态模型信号和Matlab/Simulink仿真信号进行验证。结果表明,相比于传统傅里叶算法而言,改进傅里叶算法有效消除了非周期分量的影响,具有良好的计算精度和实用效果。     

一种滤除衰减直流分量的快速算法

针对全周傅氏算法在处理含有衰减直流分量的周期信号时会产生误差的问题,在全周傅氏算法的基础上提出了一种滤除衰减直流分量的快速算法,增加一个采样点,进行两次全周傅氏变换,经过理论推导,得到各周期分量的精确计算公式。并通过仿真证实,此算法具有速度快,精度高的特点。     

微机继电保护中滤除衰减直流分量的算法研究

全波傅氏算法是基于周期信号推导出来的,当采样信号中含有衰减直流分量时,将会产生误差。该文在全波傅氏算法的基础上,提出一种改进算法,仅增加一个采样点,通过两次非递归全波傅氏变换,消去衰减直流分量的影响。对微机保护中费机时的运算进行合理简化,以提高计算速度。仿真实验表明,改进算法具有消除衰减直流分量能力强,计算量小,速度快的特点。     

火力发电厂实用短路电流计算软件的开发

对火力发电厂进行建模,得出短路电流计算的计算机算法;利用C#编程开发出一个界面友好,具有数据导入和导出模块,能够对各种常见结构的火力发电厂的各个短路故障点发生短路后的短路电流进行计算的软件。经与专业短路计算软件作数据比较,短路电流周期分量、非周期分量、热效应计算结果均实现了较好的匹配,计算误差基本在5%以内。同时,本软件具有操作简便,执行效率高,应用性强的特点,可应用于常见接线形式火力发电厂设计中。     

改进的最佳平方逼近算法在电力系统中应用

介绍了最佳平方逼近算法的原理及其在电力系统中的应用。提出了一种改进的最佳平方逼近算法,不仅能准确、快速地计算出测量信号中的周期分量,计算精度受非周期分量影响小,而且通过简化正规矩阵计算,减少了计算量、提高了计算速度。对系统含有低频分量和不含低频分量2种情况进行了仿真,分别采用改进最佳平方逼近算法和最小二乘法计算电流基波和各次谐波,结果表明,在系统发生故障情况下,其对基波及各次谐波计算仍能保持较高精度,有效地提高了对电力系统测量信号的分析精度。     

简化DFT滑窗迭代算法在有源电力滤波器谐波检测中应用

介绍了一种在有源滤波控制器应用中基于简化离散傅里叶变换的谐波电流检测技术的设计和应用。检测中非线性负载产生的谐波电流成分,运算过程中应用了滑窗迭代算法,它能有效地提高系统的实时性、目标跟随特性和抗干扰性,并且具有计算量小、容易工程实现的特点。进行了滑窗迭代算法的Matlab仿真试验,结果表明该算法能准确计算出负载电流中的基波成分,误差小．实时性强,能满足实际应用需要。     

基于CEEMDAN-ZCR的光纤电流互感器非线性误差识别

针对光纤电流互感器(FOCT)漂移、变比波动等非线性误差问题,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)-过零率(ZCR)的光纤电流互感器误差识别算法。首先,利用CEEMDAN算法对光纤电流互感器输出电流信号进行分解,得到包含非线性误差特征的固有模态分量(IMF),构成原始误差向量数据集。然后,对比不同误差下的分量数量,利用ZCR算法计算不同误差下各个IMF分量的过零率指标,用于将IMF分类。最后,根据ZCR指标呈现出的特点,将IMF分量信号分为三类,并叠加重组为三个分量,构建出分解结果数量稳定的IMF分量信号,根据不同分量的特征实现误差识别。结果表明：基于CEEMDAN-ZCR的误差识别算法能够有效的识别两种误差,其中漂移误差特征主要集中在IMF中第三层,变比误差主要集中在IMF中第二层,验证了本方法的有效性。     

绝缘子交流泄漏电流中周期与陡脉冲分量分离方法的研究

绝缘子泄漏电流中有时会包含很陡的脉冲分量和周期分量,它们各自含有绝缘子污秽和闪络的丰富信息,将它们有效分离将能提高绝缘子泄漏电流的利用效果。笔者提出将两种滤波方法,即中值滤波算法和53H算法用于泄漏电流周期分量与陡脉冲分量的分离。分析了现有方法存在的不足后指出文中的两种方法能有效对信号中的突变点进行识别,而陡脉冲放电信号恰恰存在明显的突变点,因此在各种情况下能有效识别出泄漏电流信号中的陡脉冲分量,从而实现对周期分量和陡脉冲分量的较好分离。对实验测量所得多种情况下泄漏电流的分离验证了文中所提方法的有效性。同时分析了两种算法中窗长度对泄漏电流分离结果的影响,表明在较大的窗长度范围内两种算法都有较好效果。     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。