基于BAS-BP分类器模型的电压暂降源识别

为提高不同电压暂降扰动源的识别正确率,对电压暂降进行有效治理,提出一种利用天牛须搜索(BAS)算法和反向传播(BP)神经网络构建BAS-BP分类器模型的电压暂降源识别方法。文中应用改进S变换提取16个特征指标,组成电压暂降源识别指标体系,为消除冗余信息对分类结果的影响,利用组合赋权法筛选出9个指标作为分类器的输入量。通过BAS算法对BP神经网络的初始权值和阈值寻优,构建BAS-BP分类器模型,实现对配电网不同类型电压暂降源的识别。仿真结果表明,该分类器模型具有一定的抗噪能力与适用性,并且与常规分类器模型相比,具有更好的分类效果。     

基于FFT与形态加权动态时间规整的电压暂降源辨识新方法

电压暂降源的准确辨识,有助于合理解决电压暂降问题和公正处理供用电纠纷。提出了一种基于快速傅里叶变换(FFT)与形态加权动态时间规整(SWDTW)的电压暂降源辨识新方法。首先分析了系统中可能出现的单一暂降源与复合暂降源所引起电压暂降波形特征。其次通过FFT方法分析信号谐波特征,构建并划分了特征波形库。然后针对传统的动态时间规整(DTW)方法中存在的不足之处,采用了一种基于形态特征的加权动态时间规整方法(SWDTW),用于对一维波形数据的相似度匹配。最后通过仿真证明,所述方法能有效实现电压暂降源的辨识,为电压暂降的有效治理以及相关纠纷问题的合理解决提供有力支持。     

基于GWO-SVM的电压暂降扰动源识别

针对电压暂降扰动事件发生频繁、扰动种类多样,难以有效识别扰动源的实际情况,结合电压暂降扰动信号的时-频特性、灰狼优化算法(GWO)和支持向量机(SVM)分类模型,提出了一种电压暂降扰动源识别新方法。通过S变换对电压暂降扰动信号进行多分辨率时-频分析,从S变换结果矩阵中提取出信号的特征曲线,建立6类电压暂降混合扰动信号的8个特征量。构建GWO-SVM一对余(OVR)分类器,以提取出的特征量作为输入,对扰动源进行分类识别。基于MATLAB/Simulink构建电压暂降模型,经仿真验证分析,该方法可以有效识别电压暂降扰动源,也为电压暂降扰动治理提供必要的技术支撑。     

变频调速器电压暂降耐受特性试验及量化方法研究Ⅰ:机理分析与试验方法

变频调速器(ASD)是电压暂降敏感负荷之一,其暂降耐受能力受到不同因素的影响。本文利用直流侧动态方程和异步电机动态方程,分析ASD电压暂降耐受特性受ASD自身(保护、控制方式)、负荷侧(负荷特性)以及源侧(暂降类型、电压暂降前/后电压幅值、暂降形状)因素的影响机理;在机理分析和现有标准测试项目与试验方案的基础上,提出一种基于源侧暂降特征、设备敏感机理和负荷特性的分区段全参数ASD电压暂降耐受特性试验方法,并针对ASD耐受特性曲线最左侧与时间轴垂直、水平部分向左下倾斜的特点,提出一种能够在一定程度上提高试验效率的测试点选择方法——改进封闭法。为量化变频器的电压暂降耐受能力提供基础,同时为标准制定、厂家设备制造和用户电能质量治理提供参考。     

基于μPMU和二分搜索法的辐射状配电网电压暂降源定位

快速准确地定位电压暂降源,对提高供电可靠性和明确供需双方责任具有重要意义。文中提出一种基于微型同步相量测量装置(micro-phasor measurement unit,μPMU)和二分搜索法的辐射状配电网电压暂降源精确定位方法,首先利用装设μPMU的分层电路求解暂降源电流,在各分层电路分别假设暂降源电流注入各母线节点,进而计算末端母线虚拟电压变化量,并与实测的末端母线电压变化量求误差,根据误差大小确定暂降源邻近母线。然后在暂降源邻近母线相邻区段的中点设置虚拟母线,利用二分搜索法快速缩小定位区间,实现暂降源的精确定位。最后在MATLAB中利用IEEE 33节点模型对文中方法进行验证,结果表明该方法对辐射状配电网中不同位置、不同类型的电压暂降源定位精度高,且具有一定的抗干扰能力。     

基于小波熵和概率神经网络的配电网电压暂降源识别方法

分析了短路故障、感应电动机启动和变压器投运引起电压暂降的原理及各类电压暂降的特征,提出一种基于小波熵(wavelet entropy,WE)和概率神经网络(probability neural network,PNN)的电压暂降源识别方法。提取信号的小波能谱熵和小波系数熵特征向量,并将其输入概率神经网络,实现电压暂降源的自动识别。利用Matlab/Simulink建立简单配电网的仿真模型进行验证,结果表明,基于小波熵和概率神经网络的方法能很好地识别电压暂降源。     

电压暂降扰动源电压空间矢量辨识法

分析了不同暂降扰动源产生的电压暂降的幅值、相位和谐波特征,提出一种基于电压空间矢量的电压暂降扰动源辨识方法。该方法先对三相电压信号进行αβ变换构造出电压空间矢量和零序分量,利用离散傅里叶变换(DFT)将电压空间矢量分解成正、负序两个旋转分量,构造出幅值、相位和谐波特征量,将三者相结合可对造成电压暂降的扰动源进行辨识。时变电压空间矢量在复平面轨迹的三维可视化的描述可以对电压暂降全过程进行全面表征。利用Matlab/Simulink建立简单配电网的仿真模型,结果验证了所提出方法的有效性和正确性。     

一种新的电压暂降事故源识别方法研究

电压暂降发生频率高、影响范围广、造成危害大。针对电力监测系统中带有事故源信息的电压暂降监测数据非常有限且不易获得的问题,提出了一种基于半监督支持向量机的电压暂降源识别方法。分析了各种电压暂降事故源,利用短时傅里叶变换(STFT)对电压暂降信号进行时频分析,提取出各类暂降特性参数,运用半监督支持向量机对其进行训练与识别,实现在少量带事故源标签电压暂降监测数据下电压暂降源的可靠识别。算例结果显示,在少量标签数据下半监督支持向量机比传统支持向量机具有更高的暂降源识别精度。     

基于EMD和IABC-SVM算法的复合电压暂降源辨识方法

针对配电网中线路短路故障、大型感应电动机启动以及变压器投切等单一电压暂降源和由单一电压暂降源组合而成的复合电压暂降源导致的电压暂降现象,在MATLAB/Simulink中搭建改进的IEEE 33节点配电网系统模型进行仿真分析和验证,提出一种先对电压暂降信号进行经验模态分解(empirical mode decompos...     

基于动态时间弯曲距离的电压暂降源辨识方法

为了实现对各类型电压暂降源的准确辨识,从波形相似性检测的角度提出了一种基于动态时间弯曲距离的电压暂降源辨识方法。通过仿真模型分析了基本电压暂降和经不同类型变压器传播后各类暂降的波性特征,构建了电压暂降类型与暂降原因及变压器类型的映射关系。利用9种电压暂降波形数据构建匹配库,采用动态时间弯曲距离法将实测的电压暂降波形数据与匹配库波形数据进行匹配分析,实现电压暂降源的辨识。仿真分析的结果表明,该方法能够对电网中出现的各种类型电压暂降进行辨识,具有较高的准确性和有效性,满足工程应用的需求。     

基于改进S变换的复合电压暂降源识别特征分析

电压暂降是较常见、影响较大的电能质量问题,识别电压暂降扰动源对改善和治理电压暂降具有重要意义。分析了由线路短路故障、感应电动机启动、变压器投入等单一电压暂降扰动源和复合电压暂降扰动源引起的电压暂降现象,提出采用改进S变换分析复合电压暂降扰动源识别特征。根据基频幅值曲线和2~5倍基频幅值和曲线,从统计量、熵和能量等方面构建电压暂降识别特征指标,将这些特征指标作为支持向量机的输入实现对不同类型电压暂降扰动源的分类识别。仿真结果表明,采用改进S变换构建电压暂降识别特征指标比标准S变换在电压暂降扰动源分类识别上效果更好。     

利用遗传支持向量机进行电压暂降信号识别

针对传统电力信号识别算法中特征选取的随意性,提出了一种基于遗传支持向量机(GA-SVM)的电压暂降信号识别方法。首先通过S变换时频分析法提取该信号识别需要的可能特征集,然后利用遗传算法的全局搜索特性得到优秀特征,最后通过多分类支持向量机实现暂降信号识别并验证选取特征的有效性。仿真结果证明,该方法能快速、有效识别出电压暂降信号类型。     

应用主成分分析约简电压暂降扰动源识别特征的方法

电压暂降是一种典型的电能质量扰动现象,准确识别引起电压暂降的扰动源类型是电能质量监测与管理的重要内容之一。为解决由于特征指标的相关性和冗余性而导致电压暂降扰动源识别准确率低的问题,提出一种基于主成分分析的电压暂降扰动源识别特征约简方法。通过分析单一电压暂降扰动源和复合电压暂降扰动源,利用小波系数从统计量、波形态、熵、能量等方面构建电压暂降特征指标。根据主成分分析方法对原始特征指标进行标准化处理,计算协方差矩阵并确定综合特征指标个数,最后得到约简后的综合特征指标。这些综合特征指标有效地消除了原始特征指标间的相关性和冗余性。采用常规方法构造分类器进行验证表明,约简后得到综合特征指标,不仅有效降低了输入到分类器中的特征向量个数,而且在不同噪声强度下对单一电压暂降扰动源和复合电压暂降扰动源的识别准确率明显高于利用原始特征指标进行的分类识别。     

基于HHT和特征离散化的电压暂降扰动源分类特征提取

特征提取是分类问题最关键的环节之一,针对电压暂降扰动源分类中分类特征的提取问题进行研究。首先基于希尔伯特—黄变换(HHT)和类别—属性关联程度最大化(CAIM)离散化方法提出了三种分类特征提取方案,然后分别在决策树(DT)、概率神经网络(PNN)和支持向量机(SVM)上进行了验证。仿真结果表明,基于HHT的特征提取方法可提取有效的电压暂降扰动源分类特征。而且特征的离散化处理可以在不降低分类精度的前提下,有效压缩训练样本集。同时增强分类算法的鲁棒性,对实现电压暂降扰动源的快速、准确识别具有重要的意义。     

计及雷击情况的基于PDT-SVM暂降源辨识方法研究

目前,电压暂降已成为影响最突出的电能质量问题之一,为有效分析雷击对电网暂降的影响程度,对雷击导致电压暂降的情况进行了详细分析,准确辨识了包括雷击导致暂降情况在内的4种暂降类型,为合理划分暂降责任提供重要依据。文中首先分析了雷击故障导致暂降的有效值波形与普通短路故障之间的区别,归纳了短路故障、雷击、变压器投切及感应电机启动4种暂降类型电压有效值波形的特点,引入5个暂降电压特征指标,并建立了暂降类型辨识特征矩阵。然后采用基于粒子群聚类优化的决策树支持向量机(PDT-SVM)分类器对4种暂降类型进行辨识。分类器的训练与测试数据均来自电网实测暂降电压数据,与工程实际密切贴合。最后,算例分析结果验证了算法的有效性和准确性。     

煤矿配电网电压暂降源辨识模型

针对煤矿配电网电压暂降信号特征提取困难和辨识准确率低的问题,应用小波熵结合支持向量机SVM(support vector machine)建立故障辨识模型,以故障信号的小波熵测度来表征故障特征,对电压暂降信号进行小波多分辨分析,选取采样序列的高频系数分量,计算其小波系数熵和小波时间熵,作为特征向量输入SVM,使故障信号特征更加明显,对故障源进行自动分类辨识。结果表明,与小波结合BP神经网络方法比较,无论在训练时间上还是在辨识准确率方面均有明显优势。     

Empirical mode decomposition with Hilbert transform for classification of voltage sag causes using probabilistic neural network

This paper employs Empirical Mode Decomposition (EMD) combined with Hilbert Transform (HT) to detect the voltage sag causes. Any power quality disturbance waveform can be seen as superimposition of various oscillating modes. It becomes necessary to separate different components of single frequency or narrow band of frequencies from a non-stationary signal to identify the causes which contribute to power quality disturbances. The main characteristic feature of EMD is that it decomposes a non-stationary signal into mono component and symmetric signals called Intrinsic Mode Functions (IMFs). Further, the Hilbert transform is applied to each IMF to extract the features. Then, Probabilistic Neural Network (PNN) classifier is constructed based on EMD which classifies these extracted features to identify the type of voltage sag cause. Three voltage sag causes are taken for classification (i) fault induced voltage sag, (ii) starting of induction motor and (iii) three phase transformer energization. A comparison of EMD with Wavelet Transform (WT) is made. The performance of PNN is compared with Multilayer Neural Network (MLNN) based on the above mentioned two methods. Simulation results show that the EMD method in combination with PNN is more efficient in classifying the voltage sag causes.