基于自适应神经网络的谐波分析模型与算法

提出一种周期信号的谐波基函数神经网络模型及基于该模型的谐波分析算法.该算法将基波频率和谐波幅值相位共同作为权值参与学习调整,通过自适应测量原理估计各次谐波参数,算法的收敛性定理为学习率的选择提供了理论依据.对信号存在频率偏差和含有白噪声两种情况分别进行了仿真,结果表明该算法精度高、收敛速度快,适合于非同步采样和短数据下的电力系统谐波分析.     

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。     

基于分数阶小波变换的电力系统谐波检测方法

针对稳态和暂态谐波检测易受噪声干扰的问题,提出一种基于分数阶小波变换(fractional wavelet transform,FRWT)的电力系统谐波检测方法。首先,通过快速傅里叶变换(fast Fourier transform,FFT)检测出各频谱的频率,根据频率确定分解层数;其次,利用FRWT对信号进行分解和重构,实现基波与各次谐波分量的分离;最后,对各次谐波分量进行Hilbert变换(Hilbert transform,HT),获取各次谐波分量的频率和幅值检测结果以及暂态扰动的起止时刻。对多种谐波信号的仿真试验结果表明,FRWT方法可以有效实现对含噪信号中稳态和暂态谐波的检测,即使信噪比较低也能保证各项结果的检测精度,证明FRWT方法是检测谐波的一种有效新方法。     

基于GA-BP改进算法的配电网接地故障选线方法

针对采用单一故障信息的配电网接地故障选线方法存在的缺陷,提出一种基于遗传算法(GA)改进BP神经网络的融合选线算法。该算法分别采用5次谐波法、有功分量法和暂态能量法从零序电流信号中提取5次谐波分量、有功分量、暂态能量作为故障特征,并定义其故障程度,然后将这些故障程度作为模型的输入,利用故障稳态与暂态信息对接地故障不同的判别能力,并通过GA优化BP神经网络的权值和阈值,避免神经网络陷入局部极值,使得选线模型达到较高的精度。仿真结果表明,在采用真实录波数据作为样本的情况下,所提改进算法比BP神经网络算法的选线精度更高,满足配电网单相接地故障选线精度要求。     

基于经验小波变换的电力系统谐波检测方法

针对噪声干扰下的稳态以及暂态谐波检测问题,首次提出一种基于经验小波变换的电力系统谐波检测方法。首先利用经验小波变换从电力谐波信号中提取出一组具有紧支撑频谱的调幅-调频分量,实现各次谐波与基波信号的分离。接着对分离出的谐波分量进行Hilbert变换,从而获取各次谐波的幅值和频率检测参数以及暂态谐波的扰动起止时刻。对多类谐波信号的仿真结果表明,所提方法有效避免了传统Hilbert-Huang变换存在的模态混叠问题,即使在低信噪比下也能实现多频谐波信号的自适应分解,在确保各类参数检测结果精度的同时,兼具良好的噪声鲁棒性和检测实时性。     

小波分析在电力系统谐波相位检测中的应用

为了防止电力系统谐波危害,保证系统安全运行,必须确切掌握电力系统中谐波的实际情况,正确分析电能质量.根据电网谐波中既存在稳态谐波分量又有暂态谐波分量的特点,依据小波分析具有对非平稳信号的分析和处理能力及多分辨率的特性,将小波变换理论应用于电网谐波检测中,提出了利用小波变换实现测量信号各次谐波相位的方法.仿真算例表明,小波多分辨分析法能够正确地提取电力系统的谐波信号,利用小波分解的尺度系数能得到各次谐波的精确相位,验证了该方法的可行性.     

滤波器-神经网络的谐波检测方法

电网谐波的高精度检测是电能计量和电能质量评估的基础。针对神经网络的谐波检测算法中,计算精度受基波频率精度影响较大的问题,提出用数字滤波结合牛顿反插值算法得到高精度的基波频率,然后用线性神经网络算法检测电力系统各次谐波的频率、幅值和相位。计算结果表明,该算法在频率波动和白噪声干扰的情况下,依然能得到高精度的谐波参数信息,其精度远高于FFT算法与加汉宁窗的FFT算法,在电力系统谐波测量中有一定的应用价值。     

滤波器-神经网络的谐波检测方法

电网谐波的高精度检测是电能计量和电能质量评估的基础.针对神经网络的谐波检测算法中,计算精度受基波频率精度影响较大的问题,提出用数字滤波结合牛顿反插值算法得到高精度的基波频率,然后用线性神经网络算法检测电力系统各次谐波的频率、幅值和相位.计算结果表明,该算法在频率波动和白噪声干扰的情况下,依然能得到高精度的谐波参数信息,其精度远高于FFT算法与加汉宁窗的FFT算法,在电力系统谐波测量中有一定的应用价值.     

基于HF-HHT的暂态扰动信号分析

文中引入了一种基于高频谐波注入法的希尔伯特黄变换(HF-HHT),以此来克服经验模态分解在电力系统暂态扰动信号检测中出现的模态混叠现象.该方法通过设置注入高频信号的频率,结合HHT,对暂态扰动信号进行分析,达到了抑制模态混叠的目的 .HF-HHT的关键在于高频谐波注入频率的选取,文中通过理论分析和仿真实验得出有效且普适的频率选取原则:当注入高频谐波频率在以原信号高频成分的最大频率1/2倍为中心,上下波动在基波频率1/2倍范围内时,HF-HHT普遍有效.并对实测电能质量信号进行分析,验证了该方法在电力系统暂态扰动信号检测中的有效性和普适性.     

基于矩阵束和奇异值分解的间谐波检测算法

目前,电力系统中频率邻近的间谐波和含有暂态扰动的信号中的间谐波难以准确检测。针对上述两类间谐波成分,首先,采用矩阵束算法在噪声情况下对含有邻近间谐波的稳态信号进行检测。其次,对于含有暂态扰动的信号中的间谐波,提出了奇异值分解(SVD)和矩阵束算法相结合的检测方法。该方法运用SVD精准定位信号发生突变的时刻,将含暂态扰动的信号分解为多段平稳信号后利用矩阵束算法计算模态参数。通过对Matlab仿真数据和风机次同步振荡仿真信号的检测对上述方法的准确性进行了验证。进一步检测了某风电场双馈风机输出功率变化时定子电流中的谐波、间谐波参数,其结果与理论分析相符合,具有较强的实用性。     

深度学习与幅值特征相融合的低频采样非侵入式负荷辨识算法

非侵入式负荷监测中虽然高频采样能提高负荷辨识准确率,但对数据采集设备要求高,难以推广,因此,低频采样下负荷辨识方法成为研究热点。以低频采样下负荷投入时的暂态电流波形为特征,采用卷积神经网络算法实现负荷辨识,辨识结果发现CNN对暂态电流波形差异大的负荷辨识准确度高,但是对暂态电流波形相似的负荷识别准确率低,为解决这一问题,在卷积神经网络辨识的基础上,对暂态电流波形相似的负荷,以暂态电流幅值为特征作进一步辨识,以提高辨识准确率。通过使用实测数据进行验证,结果表明所提算法可以很好地克服低频采样下波形特征相似负荷识别准确率低的问题。     

基于改进EEMD与GA-BP的谐振接地故障选线方法

针对谐振接地系统发生接地故障,存在暂态信号特征辨识度低,且单一特征作为选线判据易受故障条件影响等问题,提出一种基于改进EEMD与GA-BP神经网络的故障选线方法。首先使用边界局部特征尺度延拓法加集合经验模态分解和多尺度排列熵算法的混合算法（MEEMD）分解暂态电流信号,各项分解指标说明MEEMD能准确区分高频特征分量和基频分量并有效改进端点效应和抑制模态混淆。然后提取重构的高频分量能量、方向以及裕度因子等特征并将其用来训练、测试GA-BP神经网络。结果表明所提出的选线方法有较高的准确率且不受线路类型、接地电阻影响,有较强的鲁棒性和容错性。     

基于纵横交叉算法的神经网络配电网故障选线研究

为了提高小电流接地系统单相接地故障选线的精度,提出一种基于纵横交叉算法优化RBF神经网络的故障选线新方法。利用Matlab/Simulink仿真单相接地得到一组零序电流信号,通过小波包变换和傅里叶变换从中提取出暂态特征值、有功分量以及五次谐波分量。再将提取得到的特征量作为神经网络的输入,用纵横交叉算法优化后的神经网络对故障特征值进行训练,实现故障选线。仿真中建立100组不同的故障样本,其中80组作为训练集,20组作为测试集。实验结果表明,与传统神经网络相比,CSO-RBF方法训练效果好,准确性高。     

基于改进遗传小波网络的电机故障诊断研究

用频谱分析方法提取了无刷直流电动机的正常工作状态和几种常见的故障(位置传感器一路故障、A相绕组断路故障和驱动开关断路故障)时的特征信号,进行了诊断算法研究,提出了用改进遗传算法优化小波神经网络参数的调整过程,并用改进遗传小波神经网络对无刷直流电动机进行故障诊断。仿真结果表明,与经典遗传小波神经网络、小波神经网络和BP神经网络等方法进行比较,该方法在无刷直流电动机故障诊断中具有更快的收敛速度和更高的诊断精度。     

Development and hardware implementation of a reliable protective relay data acquisition system

This paper proposes an intelligence based protective relay data acquisition system to correct current transformers and capacitive voltage transformers secondary waveform distortions. The protective relay data acquisition system receives voltage and current signals from current transformers and capacitive voltage transformers and prepares the inputs to the main board after some pre-processing. Current transformers and capacitive voltage transformers provide instrument level current and voltage signals to meters and protective relays in high voltage and extra high voltage systems. The accuracy and performance of protective relays in high voltage and extra high voltage systems are directly related to steady state and transient performance of current transformers and capacitive voltage transformers. Current transformers saturation and capacitive voltage transformers transient could lead to protective relay mal-operation or even prevent tripping. The key of the proposed scheme is to use artificial neural network to achieve the inverse transfer functions of current transformers and capacitive voltage transformers. Simulation studies are preformed and the impacts of changing different parameters are studied. Performance study results show that the proposed scheme is accurate and reliable. The proposed algorithm has also been implemented and tested on a digital signal processor board. Details of the implementation and experimental studies are provided in the paper.     

Data compression of the ECG using neural network for digital Holtermonitor

A data-compression algorithm for digital Holter recording using artificial neural networks (ANNs) is described. A three-layer ANN that has a hidden layer with a few units is used to extract features of the ECG (electrocardiogram) waveform as a function of the activation levels of the hidden layer units. The number of output and input units is the same. The backpropagation algorithm is used for learning. The network is tuned with supervised signals that are the same as the input signals. One network (network 1) is used for data compression and another (network 2) is used for learning with current signals. Once the network is tuned, the common waveform features are encoded by the interconnecting weights of the network. The activation levels of the hidden units then express the respective features of the waveforms for each consecutive heartbeat.     

基于遗传算法-BP神经网络优化的PID控制

利用遗传算法全局随机搜索能力,设计一种基于遗传算法的神经网络学习算法。对于非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为一种有效的控制策略。该文提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化。仿真结果证明了该算法的有效性。     

基于优化小波神经网络的输电线路行波故障测距

针对单端行波故障测距方法中故障点反射波与对端母线反射波的识别问题,提出了一种改进粒子群算法优化的小波神经网络的故障测距模型。提取保护安装处检测到的行波波头时间值与反向行波线模分量的李氏指数作为行波特征值,利用小波神经网络拟合行波特征值与输电线路故障距离之间的关系,构建小波神经网络故障测距模型,利用该模型可以直接得到输电线路的故障距离。在标准粒子群算法中引入遗传算法变异因子,利用改进后的粒子群算法作为小波神经网络的训练算法,优化小波神经网络的权值与阈值参数,加快了小波神经网络故障测距模型的收敛速度,并提高了输出结果的精度。仿真结果证明,该方法有效且可行。     

燃煤锅炉高效低NOx运行策略的实验研究

由于锅炉设备庞大、操作参数复杂和煤质多变，通过普通方法建立NOx排放特性的数学模型非常困难。借助正交实验法获取了某200MW燃煤锅炉的多工况运行数据，应用神经网络的非线性特性建立了该锅炉NOx排放的神经网络模型。通过引入成本系数，将NOx排放特性和反映锅炉效率的特征量统一起来，应用基于实数编码的遗传算法对锅炉高效低NOx运行特性进行建模并寻优。理论分析和实验结果表明：该方法可获得锅炉的最佳运行参数，为锅炉的经济与环保运行提供可靠的决策依据。     

Correction of saturated current transformers secondary current using ANNs

Current transformers (CTs) provide instrument-level current signals to meters and protective relays. Protective relays' accuracy and performance are directly related to steady-state and transient performance of CTs. CT saturation could lead to protective relay maloperation or even prevent tripping. This paper proposes the use of an artificial neural networks scheme to correct CT secondary waveform distortions. The proposed module uses samples of current signals to achieve the inverse transfer function of CT. Simulation studies are preformed and the influence of changing different parameters is studied. Performance studies results show that the proposed algorithm is accurate and reliable. The proposed algorithm has also been implemented and tested on a digital signal processor board. Details of the implementation and experimental studies are provided in this paper.