基于改进双曲S变换的电能质量检测

正对双曲S变换(Hyperbolic S transform,HST)的窗函数进行了改进,提出了改进HS变换扰动检测方法,分析了窗函数的参数变化对改进HS变换的影响。通过对含有谐波和间谐波的信号分别进行HS变换和改进HS变换比较,证明了该方法具有更好的分辨率和抗噪性能。利用改进HS变换分别对电压暂升、中断,电压波动,暂态振荡以及谐波加中断信号进行分析,仿真结果表明所提出的方法具有很好的抗噪性和暂态定位能力,适合对多种电能质量扰动信号的分析。     

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。     

基于分段改进S变换的复合电能质量扰动识别

针对存在多种单一电能质量扰动的复合扰动分类识别问题,提出了一种基于分段改进S变换和RBF神经网络相结合的复合电能质量扰动识别新方法。首先对离散S变换进行了分段改进,将时域分辨率和频域分辨率进行分段处理,通过分析改进S变换得到的模时频矩阵,绘制了能够反映扰动信号不同突变参数的特性曲线。其次利用统计方法优化计算提取了10种用于模式识别的特征量,并用局部逼近的RBF神经网络设计了分类器对提取的特征样本进行训练和分类,最后在不同噪声环境下对5种单一扰动及谐波+电压暂降、电压暂降+闪变等6类复合电能质量扰动的分类识别进行了仿真验证。仿真结果表明,该方案时频处理、分类能力和学习速度等方面均优于普通改进S变换+全局逼近网络的方法,且鲁棒性强,能准确识别多种单一扰动及两种扰动同时存在的复合电能质量扰动。     

基于形态滤波器预滤波的电压扰动检测方法

提出一种基于数学形态学滤波和求导法dq变换的电压扰动检测方法。首先为了减小待检测信号中脉冲、谐波等多种噪声对检测结果的干扰,利用自适应理论构建一种复合形态滤波器对含噪待检测信号进行预处理,然后利用多重直线形态滤波器改进的求导法dq变换对预处理后电压信号进行电压扰动检测,以快速准确地检测出待测电压的幅值、相位。搭建仿真模型,分别对自适应复合形态滤波器滤波流程、自适应复合形态滤波器性能、多重直线形态滤波器改进的求导法dq变换电压扰动检测性能进行仿真分析。最后搭建电压扰动发生硬件平台,对所提方法在扰动情况下的电压检测能力进行验证。     

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。     

一种电能质量多扰动分类中特征组合优化方法

针对电能质量扰动分类中冗余特征量造成分类器训练困难、分类准确率下降的问题,提出一种基于改进遗传算法的特征组合优化方法。该方法对信号进行小波变换,提取各层的改进小波能量熵作为原始特征,并构造一种基于欧氏距离的适应度函数,采用改进的自适应遗传算法对原始特征进行筛选和优化组合,形成用于电能质量扰动分类的最优特征组合。分别采用二分类-支持向量机法(Binary-SVM)、多标签径向基神经网络(ML-RBF)和多标签K近邻法(ML-KNN)对不同噪声情况下的电能质量单一扰动和混合扰动进行分类,仿真结果验证了所提特征组合优化方法能有效提高分类器的训练速度和分类准确率。     

电压暂降源自适应S变换辨识模型

电压暂降源的准确识别对改善电能质量具有重要意义。提出了一种基于自适应S变换和多级支持向量机的电压暂降源辨识方法,针对S变换时频分辨率有限的缺点,采用自适应窗宽调整因子动态调整S变换的窗函数宽度,满足不同暂降信号对时间与频率分辨率的不同需求。将自适应S变换用于暂降信号的分析,构建S变换模矩阵,将暂降信号分解到不同的时频子空间。提取6种特征构造多级支持向量机分类器,采用粒子群优化算法寻找最优参数,最后通过多级支持向量机实现电压暂降源的识别。仿真实验证明,该方法分类过程简单,识别准确率高。     

基于模糊自适应形态滤波器和S变换的暂态电能质量扰动检测

提出一种基于模糊自适应形态学滤波器与S变换结合的暂态电能质量扰动检测方法。该方法根据数学形态学理论和模糊控制原理构造一种模糊自适应形态学滤波器,对扰动波形进行预处理,以滤除信号中的随机、脉冲等多种噪声,可较好地保留信号的基本特征,对于滤波后的信号波形,利用S变换幅值包络线对暂态电能质量扰动起止时间进行检测。最后通过对噪声背景下含电压骤升、电压中断和电压骤降电磁暂态现象的电压信号进行仿真验证,结果表明该方法具有计算简单、快速和准确的特性和优点。     

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.     

Transmission line distance relaying using a variable window short-time Fourier transform

This paper presents a new approach for transmission line protection using a variable window short-time Fourier transform known as S-transform. The S-transform (ST) is a time–frequency spectral localization method, similar to short-time Fourier transform (STFT), but with a Gaussian window whose width scales inversely, and whose height scales linearly with the frequency. The change in spectral energy of the ST of the current and voltage signals provide the information regarding fault detection. After the fault detection, the impedance to the fault point is calculated using the estimated phasors of the faulted current and voltage signals which provide accurate results even with noisy conditions. Also, the fault location is calculated using polynomial curve fitting technique with a devised index obtained from the ratio of spectral energy of the voltage and current signals, respectively.     

基于BAS-SVM的配电网电压暂降源识别

电压暂降是电能质量问题的一种.为提高不同电压暂降扰动源的识别正确率,提出了一种基于天牛须搜索算法(beetle antennae search,BAS)和支持向量机(support vector machine,SVM)的电压暂降源识别方法.应用改进S变换提取不同电压暂降波形的相关幅值曲线和16个特征指标.通过天牛须搜...     

基于S变换的电压凹陷分类专家系统

提出了基于时频分析方法S变换的电压凹陷分类专家系统。分析了由故障、故障自清除、变压器激磁和感应电机启动等原因引起的电压凹陷在三相幅值凹凸性、谐波含量、幅值突变次数和相位跳变等方面的不同特征，利用S变换良好的时频分析能力提取并量化这些特征信息，并引入了幅度因子、谐波增量、幅值突变次数和最大相位增量等指标，由此建立专家系统推理算法和判别规则。采用二十进制转换分类方式输出分类结果。给出了对多级电压凹陷进行简单判别的方法。通过仿真和实际算例验证，该专家系统可对所考查的电压凹陷进行准确分类判别。     

基于S变换和时域分析的电能质量扰动识别

提出了一种基于S变换(S-Transform,ST)和时域分析的电能质量扰动自动识别方法,该方法利用信号的S变换幅值矩阵和时域信息快速提取与各类电能质量扰动相应的特征,并借助简单的规则树识别特定的扰动,避免了因训练样本不足引起的较大误差,提高了识别效率。仿真试验结果表明,该方法识别率高,抗噪能力强,适用于电能质量扰动监测和辨识系统。     

短时傅里叶变换和S变换用于检测电压暂降的对比研究

针对电压暂降的特征值检测问题,介绍了短时傅里叶变换(STFT)和S变换两种时频分析法,并对两种方法进行了对比分析。在STFT变换中选取不同窗宽的窗函数对同一电压暂降信号进行时频分解,分析不同窗宽对检测结果的影响。提出用时频等值曲线定位暂降的起、始时刻,用基频幅值曲线检测暂降幅值,用相位跳变曲线判定暂降发生时相位是否跳变。仿真结果表明,在STFT变换中窗口越小,检测结果越准确;与STFT变换相比,S变换的检测结果更准确,并且抗噪声能力强,有助于电能质量的治理。     

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。     

基于S变换和多级SVM的电能质量扰动检测识别

提出了一种基于S变换和多级支持向量机(SVMs)的电能质量扰动检测和识别方法.首先通过S变换对电能质量扰动信号进行时频分析,有效实现对各种扰动的检测输出.然后对检测输出进行时频特征提取,并通过一个N?1级支持向量机器分类器,最后实现N种电能质量扰动信号的分类识别.测试结果表明,该方法能有效识别参数大范围内随机变化的各种电能质量扰动,识别正确率高,且训练时间很短,实时性能好.     

基于最优组合赋权改进S变换的电压暂降检测方法

电压暂降是电能质量问题的一种,为了能更准确快速地对电压暂降进行检测分析,文章提出了一种基于改进S变换的电压暂降信号检测方法,利用基频幅值差分平方向量检测电压暂降信号的起止时刻,通过定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量五个指标得到其与改进S变换高斯窗调节因子的关系曲线,应用最优组合赋权法对该五项指标进行赋权,从而得到S变换的最优参数。仿真结果表明,通过文中提出的方法易于得到基频幅值差分平方向量曲线以及突变点曲线,从而更准确地定位暂降发生的起止时刻;相位跳变曲线能够更好地反映电压暂降的相位跳变情况;基频幅值曲线能够更准确地检测出电压暂降的暂降深度;时间幅值平方和均值曲线能更精确地反映电压暂降发生的起止位置。