基于EMD去噪和S变换结合的电能质量扰动分析

针对电能质量扰动分析问题,提出了一种基于改进EMD去噪和S变换结合的电能质量分析方法.对所获取信号进行EMD分解,选取其中高频信号IMF分量进行小波阈值去噪,依次重构高频信号IMF分量和原信号,对重构信号做S变换处理,提取电能质量扰动特征,根据S变换的时间、频率、幅值等特征分析电能质量扰动具体情况,判断扰动时间和扰动类型.仿真实验结果表明,通过改进EMD去噪和S变换的结合,可有效去除信号中的噪声分量,提高噪声干扰下电能质量扰动分析的准确率.     

基于S变换的电能质量扰动支持向量机分类识别

采用s变换和支持向量机进行电能质量扰动的分类识别。作为连续小波变换和短时傅立叶变换的发展，S变换引入了宽度与频率成反向变化的高斯窗，具有与频率相关的分辨率。由于S变换具有良好的时频特性，因而非常适合于进行电能质量扰动信号特征提取。首先通过S变换进行扰动信号特征提取，然后构造支持向量机分类树进行扰动分类。算例表明该方案具有分类准确率高，对噪声不敏感，训练样本少等优点，是电能质量扰动识别的有效方法。     

广义S变换在电能质量扰动识别中的应用

针对电能质量扰动信号检测和定位问题,提出一种基于广义S变换的动态电能质量的识别方法.首先推导广义S变换的离散公式,并把典型扰动变换到相空间中,从不同角度提取扰动相空间中的特征量,判断扰动高频奇异点,对所得的结果进行分析并与S变换进行比较.结果表明,广义S变换比标准S变换更具有灵活的时频聚焦性.不仅能有效地检测到电压幅值的瞬时变化,而且能准确判断频率的变化,特别是高次分量.此外,在间谐波和相位检测方面效果良好.     

基于S变换和分类树的电网暂态电能质量扰动分类辨识

针对暂态电能质量的检测分析,分别在强弱两种噪声背景下运用S变换的不同方法对暂态多扰动信号进行定位检测.对于暂态多扰动的分类辨识,运用了基于S变换和分类树相结合的暂态电能质量多扰动分类辨识方法,首先运用S变换对暂态多扰动信号进行时频分析,然后提取扰动信号的特征量,最后生成用于对暂态多扰动信号进行分类的决策树分类辨识方法,...     

基于改进S变换估计电能质量信号的噪声水平

提出了基于改进S变换估计电能质量信号噪声水平的方法。该方法根据能量聚集度的概念确定了改进S变换的时频分辨率。同时定义了与白噪声改进S变换功率谱相关的统计量,利用其分布特性检测电能质量信号能量在改进S变换时频面的分布区域,并采用迭代算法消除电能质量信号能量对噪声估计的影响,根据改进S变换时频面只含噪声区域的功率谱实现了对噪声方差的估计。仿真结果表明,当采样率达到一定程度时,采用该方法估计噪声方差有很高的可信度。     

基于S变换的暂态电能质量扰动检测

针对暂态电能质量扰动信号特性,提出了一种基于S变换(S-Transfom)的信号分析法.S变换是由连续小波变换和短时傅立叶变换相结合发展而来,引入了宽度与频率成反向变化的高斯窗,不仅具有与频率相关的分辨率,更具有良好的时频特性,是一种有效的非平稳信号分析方法.通过算例验证了S变换在暂态电能质量扰动信号分析中,可提供有效、准确的分析结果.     

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.     

基于广义S变换的短时电能质量扰动的模糊模式识别

针对电能质量的短时扰动的分类问题,提出了一种基于广义S变换和模糊模式识别的短时电能质量的分类方法.先对扰动信号作广义S变换得到模时频矩阵,再从该矩阵中提取4种统计量特征值,然后利用模糊模式识别方法的最大隶属度原则对扰动信号进行归类,从而实现对短时电能质量扰动信号的自动分类.仿真测试结果表明,该方法识别正确率高且对噪声不敏感,适用于实际应用.     

采用广义S变换的电能质量扰动免疫分类算法

针对电能质量扰动分类问题,提出了一种基于广义S变换和人工免疫算法相结合的电能质量扰动分类新方法。给出了广义S变换的定义,对比了信号经广义S变换和S变换后的变换结果,推导了一维广义S变换实现过程,给出了调节因子λ随信号中频率组成不同而进行自适应取值的方法。分类过程中,首先使用广义S变换提取出各种扰动信号的特征量形成抗原,然后对不同扰动样本按照提出的免疫分类算法步骤进行训练形成可以分类的抗体,计算抗体和待分类的抗原之间的欧氏距离并用最近邻法则输出最终分类结果。仿真实验结果表明广义S变换比S变换精度高,采用的分类方法能够实现电能质量扰动的自动分类,且对噪声不敏感,分类正确率很高。     

基于广义S变换的短时电能质量扰动信号分类

提出一种基于广义S变换的短时电能质量扰动信号分类方法。首先对短时电能质量扰动信号进行广义S变换,得到模矩阵,再从模时频矩阵中提取5种统计量特征值,然后利用决策树对扰动信号进行归类,从而实现对短时电能质量扰动信号的自动分类。仿真结果表明,该方法识别正确率高,且对噪声不敏感,适用于实际电网电能质量扰动信号的分析。     

基于S变换图像灰度量化的短时电能质量扰动识别分类

针对短时电能质量扰动分类大多依赖分类器,分类准确率不高这一难题,提出了基于S变换模时频矩阵灰度图像法。首先对常见的几种扰动进行S变换分析,得到模时频矩阵,再应用数字图像灰度方法,将模矩阵各元素值用灰度图方式表示,分析其灰值分布特征,引入灰度期望和灰度方差两指标,量化灰度图像灰值分布,并根据量化结果建立扰动标准判据,实现扰动分类。仿真实验表明,该方法不依赖于分类器,能准确地对扰动进行分类且对噪声不敏感,是一种有效的短时电能质量分类方法。     

Power quality disturbance classificationbased on time-frequency domain multifeatureand decision tree

Accurate classification of power quality disturbance is the premise and basis for improving and governing power quality. A method for power quality disturbance classification based on time-frequency domain multi-feature and decision tree is presented. Wavelet transform and S-transform are used to extract the feature quantity of each power quality disturbance signal, and a decision tree with classification rules is then constructed for classification and recognition based on the extracted feature quantity. The classification rules and decision tree classifier are established by combining the energy spectrum feature quantity extracted by wavelet transform and other seven time-frequency domain feature quantities extracted by S-transform. Simulation results show that the proposed method can effectively identify six types of common single disturbance signals and two mixed disturbance signals, with fast classification speed and adequate noise resistance. Its classification accuracy is also higher than those of support vector machine (SVM) and k-nearest neighbor (KNN) algorithms. Compared with the method that only uses S-transform, the proposed feature extraction method has more abundant features and higher classification accuracy for power quality disturbance.     

利用S变换与变尺度模板标准化的短时电能质量扰动分类

提出一种利用S变换与变尺度模板标准化的短时电能质量扰动分类方法。首先利用S变换对扰动信号进行时频分析;然后以最小二乘法选取最佳缩放尺度,通过变尺度方法标准化不同持续时间、幅值的扰动特征,在此基础上建立唯一的、时间尺度和频宽分辨率统一的各类扰动标准模板,作为识别扰动类型的直接判据;最后通过模板匹配的方法实现扰动分类。该方法不使用任何人工智能分类器,分类原理简单,过程明确,且可用于不同时间长度的扰动分类。Matlab仿真和实际试验结果显示,该方法能准确地对扰动进行分类且对噪声不敏感,是一种有效的短时电能质量扰动分类方法。     

基于变尺度标杆的短时电能质量分类法

短时电能质量扰动特征取决于其频率特征和持续时间,S变换被认为是最适合于分析短时扰动的方法之一。提出了基于S变换的不同类型扰动标杆相似度识别不同持续时间扰动的方法。基于双线性插值的尺度变换建立同类扰动不同持续时间的标杆,该扰动标杆涵盖了同类扰动的不同特征;对被测扰动信号进行S变换,经过尺度变换后统一为与标杆维数相同的矩阵,依据相似度最大原则对扰动类型进行识别。该方法无需额外的分类器,过程简单有效。仿真证明,该方法对噪声不敏感,能较好地解决不同持续时间的电能质量扰动信号的识别问题。     

基于改进多层前馈神经网络的电能质量扰动分类

电能质量扰动分类是电能质量控制的重要工作之一,主要工作包括信号特征提取和分类器构造两个阶段。采用S变换与改进的多层前馈神经网络相结合,提出一种新的电能质量扰动分类方法。首先利用S变换对原始数据进行处理,提取具有代表性的4类典型特征以表征不同种类的扰动类型的特性,之后使用拟牛顿法和自适应因子改进传统的多层前馈神经网络,将特征作为改进的多层前馈神经网络的输入向量,实现自动的分类识别。实验表明,新方法减少了噪声对分类准确率的影响,学习能力强,能够有效的识别电压暂降、电压瞬升、电压中断、暂态震荡、谐波等5种电能扰动。     

基于S变换模时频矩阵相似度的短时电能质量扰动分类

提出了一种基于S变换模时频矩阵相似度的短时电能质量扰动分类方法。首先,建立各种扰动的标准模时频矩阵,然后计算扰动信号模时频矩阵与标准模时频矩阵的相似度,按照相似度最大的原则将扰动分类。该方法直接利用S变换结果,而不用增加其它算法或变换,原理简单、计算方便。仿真结果显示,该分类方法在不同噪声水平下均能达到满意的分类正确率,是一种有效的短时电能质量扰动分类方法。     

基于S变换的高压直流输电故障诊断

在研究采用S变换提取的信号的幅频特性和相频特性基础上,提出了一种基于S变换的高压直流输电故障诊断方法。通过对故障信号进行S变换(一种可逆时频局部分析方法,能有效提取信号的时频特征)后,提取故障特征量,融入构建的故障识别指数,利用识别指数所在值域来判断故障类型。该方法已经在高压直流系统各类型故障中进行了仿真测试,表明是有效可行的。     

利用S变换时频等值线图与幅值包络向量实现电压凹陷的分类

提出了一种基于S变换的电压凹陷分类方法.该方法基于各种电压凹陷在三相幅值凹凸性、凹陷持续阶段特定谐波成分以及幅值突变次数等方面的不同特征,通过应用具有良好时频分析能力的S变换提取这些特征,并采用修正一阶中心矩、时频等值线图、相位变化曲线等环节实现对电压凹陷的分类.分类过程简明,可对故障、故障自清除、感应电动机起动以及变压器励磁等多种原因引起的电压凹陷进行正确分类.仿真验证了该方法的有效性.