基于独立分量分析的谐波检测

长期以来,谐波治理一直是电能质量控制的重要组成部分, 而准确的检测又是有效治理和分析谐波的前提和基础。将谐波的问题视作盲源分离问题,并将该领域中广泛使用的独立分量分析法运用到检测算法中。通过构建适当的虚拟观测源,从观测信号中分离出基波和各次谐波分量。实验结果表明,该方法在实时性要求不高的情况下可准确检测谐波。     

基于独立分量分析的谐波检测

长期以来,谐波治理一直是电能质量控制的重要组成部分,而准确的检测又是有效治理和分析谐波的前提和基础.将谐波的问题视作盲源分离问题,并将该领域中广泛使用的独立分量分析法运用到检测算法中.通过构建适当的虚拟观测源,从观测信号中分离出基波和各次谐波分量.实验结果表明,该方法在实时性要求不高的情况下可准确检测谐波.     

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。     

一种谐波阻抗未知条件下的谐波源定位方法

针对谐波阻抗难以准确获取的情况,提出种谐波阻抗未知条件下的谐波源定位方法。通过可观性分析及象征导纳矩阵,得到量测配置点。将谐波电压作为量测量,采用独立分量分析算法对谐波电流进行估计。通过次序辨识算法解决谐波源电流估计的序列问题,且根据目标函数小值的寻优,对谐波源位置进行定位。为验证提出方法的有效性,在IEEE-14节点系统上进行了仿真测试,通过方差、相关系数2个评价指标得知,提出的方法能对谐波源进行准确估计和定位。     

基于核独立分量分析的谐波责任划分

为了更加准确地划分公共连接点的谐波责任,提出了一种基于核独立分量分析划分谐波责任的方法。首先采用核主分量分析算法对观测值进行白化和去均值处理,观测值的非高斯性增强;然后利用独立分量分析算法对处理后的观测值进行盲源分离,得到谐波电流和谐波阻抗估计值;最后根据谐波责任计算公式求得各谐波源对关注母线的谐波责任。在IEEE14节点配电系统上进行仿真测试,结果表明,本文方法与仅用独立分量分析方法相比,本文所提方法估计结果更准确。     

断路器操动状态声音辨识的优化算法的研究

为解决基于声信号分析的高压断路器在线诊断故障中外界环境干扰问题,提出了一种声音扰动信号辨识的盲源分离方法。首先利用改进的势函数法进行源数估计,然后通过集合经验模态分解(EEMD)算法得到多个IMF分量,重构形成符合聚类源数的多维信号,并利用拟牛顿法优化快速独立分量分析算法,实现声音信号的盲源分离;最后根据包络特征比对获取断路器状态辨识的合闸声音信号分量。实验结果证明,文章提出的方法能够在信源信息未知情况下,从混叠声音信号有效地提取断路器操动产生的有用声信号。     

基于独立分量分析和互信息的多谐波源定位

针对独立分量分析算法在谐波源定位中估计得到的各次谐波电流与谐波源电压不存在固定的对应关系,提出了一种基于独立分量分析(ICA)算法和互信息(MI)理论的多谐波源定位方法。独立分量分析算法用于估计由谐波源产生的谐波电流大小;互信息理论根据估计得到的谐波电流和母线电压之间的相关信息程度,精确确定多谐波源的位置。为了验证此方法的可行性,在PSCAD环境中,对有多个谐波源的IEEE-14母线网络进行了仿真。结果表明,这种方法在对电网参数未知的情况下,能够准确判断出多个谐波源的位置。     

谐波源辨识研究的现状和发展

针对电网中正确的辨识和定位谐波源,并确定公共联接点处系统侧与用户侧的谐波责任这一电能质量研究的基础问题,介绍了谐波源的性质及其建模,叙述了谐波源辨识问题的研究现状,讨论了各种识别谐波源以及定量确定谐波责任的理论和技术方法,分析了其发展方向,提出建立一种激励机制下的谐波管理标准来治理谐波污染的必要性,并指出了该方面有待解决的问题.     

数字化主动配电网的多谐波源谐波责任划分方法

电网中公共连接点的谐波污染是多个谐波源共同作用的结果,为了更准确地划分公共连接点各个谐波源的谐波污染责任,提出了一种基于快速独立分量分析(FastICA)的多谐波源谐波污染责任划分方法。首先,准确划分谐波污染责任的前提是准确估算背景谐波和谐波传递阻抗,提出的方法可以基于FastICA完成背景谐波和谐波传递阻抗的估算;然后将各谐波源在PCC产生的谐波电压分量在PCC总谐波电压上矢量投影,计算得到各个谐波源的谐波责任;最后完成谐波污染责任划分。     

基于特征值分解和快速独立分量分析的谐波/间谐波检测方法

针对电力系统谐波污染问题,提出了基于特征值分解和快速独立分量分析(FastICA)的谐波/间谐波检测算法。该方法在不需要任何先验知识的情况下,将单道电力系统混合信号通过时间延迟构造出多道观测信号,对其自相关函数进行特征值分解确定原谐波/间谐波信号中源信号频率成分的个数,确定观测信号矩阵的阶数,再利用FastICA算法对谐波/间谐波信号中各个频率成分进行分离提取,借助频谱分析得到各个成分的频率估计。在此基础上,借助最小二乘法对谐波/间谐波信号进行幅值和相位估计。通过仿真实验与其他经典算法比较,充分说明了所提出算法的可行性、准确性和有效性。     

基于独立分量分析的电力系统瞬时电压畸变信号判别方法

提出一种基于独立分量分析(independent component analysis,ICA)的瞬时电能质量扰动信号检测与判别方法。利用ICA可将相互独立的源信号从其线性混合信号中分离出来的特点,以负熵作为衡量信号独立性的目标函数,通过优化此函数,得到一种固定点算法：FastICA算法,用此算法对包含瞬时电能质量扰动信号的电网电压信号进行计算,可分离出与扰动相对应的信号。对于不同类型的扰动,分离出的信号具有不同的波形特征,根据这一特点,可对扰动进行判别并确定其位置和持续时间。仿真试验结果表明,该方法对瞬时电压跌落、瞬时电压上升、瞬时脉冲、瞬时电压中断、谐波等多种瞬时电压畸变信号有较好的检测与判别效果。     

基于ICA和MI的谐波源识别研究

把电力系统谐波源识别问题抽象为盲源分离问题。运用独立分量分析和互信息论,提出了一种电网多谐波源识别的新方法。独立分量分析法用于重构谐波电流,互信息论用于谐波源的定位。为证明所述方法的正确性,运用IEEE39节点建立仿真来识别多谐波源。结论证明在网络参数未知的条件下,所提出的方法能准确识别多个谐波源的位置。     

电力系统谐波溯源方法综述

电力系统谐波溯源是谐波评估和治理的前提和基础.结合国内外谐波溯源的发展现状,从PCC点谐波电流和谐波电压责任划分两个角度,明确指出谐波溯源三个层面问题对应的物理和数学含义,并详细分析了戴维南和诺顿等效电路模型在解决谐波溯源问题时的不同与相同之处.从定量和定性分析两个层面,结合两种电路模型对上述各种溯源方法实现的关键问题、难度进行总结.根据当前电网技术的新发展,对谐波溯源需要进一步开展的研究进行了探讨.     

用户侧谐波源对PCC谐波水平的影响与区分

按照谐波源定位理论判断的结果,主要谐波源消失后反而可能加剧公共耦合点(PCC)处的谐波水平。从用户侧谐波源对PCC谐波电压、谐波电流的影响着手,提出了助增/助减谐波源的概念,并定义了区分助增/助减谐波源的综合判据,通过算例和IEEE测试系统进行了计算和仿真。所提出的助增/助减谐波源的概念和综合判据弥补了目前谐波定位理论的不足,对谐波治理方案的制订具有重要意义。     

谐波源的识别及其与非谐波源的分离方法

通过对线性和非线性负荷的电压-电流特性的比较研究,指出了线性负荷和非线性负荷的本质区别在于:线性负荷的谐波电流仅是本次谐波电压的线性函数,而非线性负荷的谐波电流则是各次谐波电压的复杂函数; 应用谐波源的简化模型,在供电电压基波相角为零时,谐波电流的实部和虚部可分别表示为各次谐波电压实部和虚部的线性多项式,且其中由本次谐波电压引起的谐波电流只占很小 的比例。从该原理出发,提出了一种新的谐波源识别方法,它不仅能识别综合负荷中是否含有谐波源,而且能够精确地分出线性与非线性负荷各自吸收的谐波电流。文中还给出了应用最小二乘方法进行识别的具体步骤,并以一个综合负荷的计算与分析结果验证了所提谐波源识别方法的有效性。     

基于独立分量分析的谐波估计和消除

从盲源分离的角度对谐波估计和消除方法进行了探讨 ,提出了基于独立分量分析的谐波消除新方法。新方法的特点是在消除谐波干扰的同时 ,有效地保护有用信号成分不被破坏。文中通过实测数据对新方法进行了验证 ,并与传统陷波谐波消除方法进行了比较 ,取得了较理想的效果。     

基于形态滤波和独立分量分析的轴承故障盲分离

针对独立分量分析（ICA）对噪声较为敏感及滚动轴承故障信号的调制特性,提出一种基于形态滤波与ICA相结合的方法。该方法首先对观测信号进行形态滤波以突出故障特征同时消除其他干扰源,然后应用ICA分离形态滤波后信号。对滚动轴承外圈内圈复合故障信号进行实验研究,结果表明该方法能够有效识别分离滚动轴承故障特征。     

基于独立分量分析的工频通信中的谐波干扰消除

双向工频通信系统是一种基于配电网络的通信系统。通信信号在配电网中传输时,其背景信号中必然含有大量的谐波成分,这会给通信信号的检测带来极大的困难。该文根据双向工频通信的信号特征,提出了基于独立分量分析的谐波消除方法。该方法在消除谐波干扰的同时,有用信号成分几乎不被破坏。通过Matlab对此方法进行了验证,取得了良好的效果。     

Large‐scale super‐Gaussian sources separation using Fast‐ICA with rational nonlinearities

Independent component analysis (ICA) is one of the most powerful methods for solving blind source separation problem. In various ICA methods, the Fast‐ICA is an excellent algorithm, and it finds the demixing matrix that optimizes the nonlinear contrast function. There are three original contrast functions in the Fast‐ICA to separate super‐Gaussian and sub‐Gaussian sources, and their respective derivatives are similar to nonlinearities used in neural networks. For the separation of large‐scale super‐Gaussian sources, however, the contrast functions and the nonlinearities are not optimal owing to high computational cost. To solve this potential problem, this paper proposes four rational polynomial functions to replace the original nonlinearities. Because the rational polynomials can be quickly evaluated, when they are used in the Fast‐ICA, the computational load of the algorithms can be effectively reduced. The proposed rational functions are derived by the Pade approximant from Taylor series expansion of the original nonlinearities. To reduce the error of approximation, we make the behaviors of rational functions approach that of the original ones within an effective range as well as possible. The simulation results show that the Fast‐ICA algorithms with rational nonlinearities not only can speed up the convergence but also improve the separation performance of super‐Gaussian blind source separation. Copyright © 2016 John Wiley & Sons, Ltd.