小波基在低压电力线信道有色背景噪声建模中的应用研究

小波马尔科夫链法可用于低压电力线信道中有色背景噪声的建模,但小波基函数的不同会对噪声的建模精度产生较大影响。基于常用的几种小波基函数对同一组有色背景噪声分别开展小波马尔科夫链仿真建模,并计算了建模前后的功率谱密度及其均方根误差。研究结果表明,Daubecies、Biorthogonal和Haar小波基函数中Daubecies小波基函数的建模精度较高,Haar小波基次之,Biorthogonal小波的建模效果较差。在这3种小波基函数中,Daubecies小波可选为有色背景噪声进行小波马尔科夫链建模的最佳小波基函数。     

低压电力线通信信道噪声建模及仿真

噪声干扰是影响电力线通信可靠性的主要因素之一。搭建了电力线通信信道噪声测量电路,对低压环境电力线噪声进行了测量。根据实测数据,分别建立了背景噪声的自回归模型和脉冲噪声的改进马尔科夫模型,合成了电力线信道噪声,并进行了计算及仿真。结果表明：所建立的电力线通信信道噪声与所测量的实际噪声相比,背景噪声的功率谱密度几乎一致,脉冲噪声的统计规律误差很小,仿真合成的噪声图形与实测图形也有较好的相似度。     

光伏串列信道噪声特性研究与建模

为实现对每块光伏组件的工作状态进行监测,可运用以光伏组件串列为介质的载波通信技术实现,因此有必要掌握光伏串列的信道噪声特性。以某光伏电站实测的光伏串列信道噪声为对象,提出了一种粒子群优化BP神经网络的光伏串列信道噪声建模方法。实验与仿真结果表明：粒子群优化BP神经网络模型的预测输出和测试原噪声在功率谱密度及时域波形上有着一致的变化趋势,证明了该模型的有效性。相比较于小波神经网络和遗传算法优化的BP神经网络,粒子群优化的BP神经网络的预测均方根误差更小、精度更高。     

基于脉冲群的低压电力线噪声峰式马尔科夫链建模研究*

噪声干扰是影响低压电力线通信可靠性的主要因素之一。针对近年来国内外学者研究的噪声模型的不足,对一类具有自身特色噪声的模型进行了改进,建立了一种基于脉冲群的低压电力线噪声峰式马尔科夫链模型,并进行了仿真验证。仿真结果表明：只要噪声的幅值、宽度、间隔的状态足够多,脉冲群宽度和间隔的阈值设定合理,就可在这类噪声的建模基础上得到与实测噪声误差极小的仿真模型,且时域波形也有极高的相似度,为今后电力线通信信道噪声建模问题提供了切实可行的方案。     

基于最小二乘支持向量机和小波神经网络的电力线通信信道噪声建模研究

电力线通信是智能电网中的一种重要通信方式,电网中噪声干扰复杂,建立电力线通信信道噪声模型对于深入研究智能电网中低压电力线通信性能至关重要。针对低压电力线通信信道噪声特性,分别提出基于最小二乘支持向量机(LS-SVM)模型和小波神经网络模型在电力线信道噪声中的应用。为了验证并比较LS-SVM和小波神经网络模型对时变的低压电力线信道噪声建模的有效性,在室内和室外环境下对低压电力线通信信道的噪声进行测量,基于大量的测量数据,研究两个模型的准确度和效率。结果表明,两个噪声模型能够很好地仿真和适应时变的低压电力线通信信道,LS-SVM模型有更高的精度和更短的仿真时间。此外,提出的两个模型与传统的Markovian-Gaussian模型进行比较,结果表明,两个噪声模型有更高的精度和更低的复杂度,尤其是LS-SVM模型能够代替传统的Markovian-Gaussian模型,更适合用作低压电力线通信信道噪声发生器。该噪声模型的提出对研究在电力线通信系统和无线通信系统中内部和外部电磁源的电磁干扰有重要意义。     

低压电力线信道脉冲噪声的幅值与宽度特征

在低压电力线信道的各种噪声中,脉冲噪声可能会使通信系统引起瞬间误码率升高,严重影响了低压电力线通信可靠性。根据脉冲噪声的幅值和宽度与背景噪声的区别,即幅值相差10~50 d B,且脉冲宽度约为几十微秒到几毫秒的特性,在时域中,通过窗函数设定脉冲噪声门限值过滤低压电力线背景噪声,根据实测数据计算出信号噪声中的最大值和最小值,将信号变化范围划分为四组矩形窗函数,以识别出50~200 k Hz频率范围的脉冲噪声。     

基于虚拟仪器的电力线信道噪声发生器的设计

为了方便对中压电力线通信调制与编码硬件电路的调试,提出一种基于虚拟仪器技术的中压电力线信道噪声发生器的设计方法,利用该方法设计的噪声发生器可模拟产生电力线信道的背景噪声、随机突发噪声等。本设计利用MATLAB建立符合中压电力线信道噪声特性的噪声模型,以此模型为基础,通过MATLAB与LabVIEW混合编程,基于虚拟仪器采集卡输出参数可变的噪声,并通过功放电路输出。实验结果表明,该噪声发生器能够产生符合信道噪声特性的噪声信号,可以为实验室测试调制与编码硬件电路的性能提供便利。     

电力线通信信道背景噪声建模研究

噪声干扰是影响电力线通信可靠性的最主要因素之一.分析了电力线通信信道背景噪声,搭建了背景噪声测量电路,建立了实测背景噪声的AR模型,分别用奇异值分解法和Levinson-Durbin (LD)递推法计算其AR模型参数,并进行仿真比较分析.结果表明:利用奇异值分解法所求参数和利用LD递推法所求参数都是可行的,奇异值分解法所得参数模型较为复杂,但极为精确,适合电力线通信信道背景噪声的离线计算和分析;LD递推法所得参数模型极为简单,但丧失了较大精度,适合电力线通信信道背景噪声的在线快速生成.     

电力线通信信道背景噪声建模研究

噪声干扰是影响电力线通信可靠性的最主要因素之一。分析了电力线通信信道背景噪声,搭建了背景噪声测量电路,建立了实测背景噪声的AR模型,分别用奇异值分解法和Levinson-Durbin（LD）递推法计算其AR模型参数,并进行仿真比较分析。结果表明：利用奇异值分解法所求参数和利用LD递推法所求参数都是可行的,奇异值分解法所得参数模型较为复杂,但极为精确,适合电力线通信信道背景噪声的离线计算和分析;LD递推法所得参数模型极为简单,但丧失了较大精度,适合电力线通信信道背景噪声的在线快速生成。     

电力线通信信道噪声模型研究现状

噪声干扰严重影响电力线通信的可靠性.测量了电力线通信信道噪声,说明了目前国内外对电力线通信信道噪声模型的研究现状.对于背景噪声,建立其自回归模型的手段已较为成熟;对于脉冲噪声这种随机的时间序列,自回归模型已不再适合,有人建立了其持续时间与间隔之间的马尔科夫模型,但其完整模型尚在研究阶段.     

基于遗传小波神经网络的变电站内变压器噪声自适应抑制

为减少变电站噪声污染,针对变压器噪声控制问题,提出一种基于遗传小波神经网络的变电站内变压器噪声自适应抑制方法。首先,将变压器噪声进行小波神经网络建模,比较变压器实际噪声信号和模型输出噪声信号的大小。其次,根据残余噪声信号幅值绝对值,自适应选择遗传算法或者梯度下降算法作为小波神经网络中参数迭代的优化方法。最后,利用一种降噪综合性能评价策略,确定模型隐含层最优结构。通过3种不同模型的仿真,结果表明遗传小波神经网络模型对变压器附近的噪声信号有较好的抑制效果。     

基于小波变换的非正弦状态下三相异步电机功率测试

基于小波包变换自适应分解层数门限去噪算法是去除数字信号中白噪声的有效方法,仿真结果表明,该方法具有较好的去噪效果,尤其适合于像电机测试这样的强噪声背景下弱信号的检测.采用三角窗加权算法并结合小波包变换计算非正弦状态下三相异步电机有功功率、功率因数,其测量误差与相对频偏的平方成正比.该方法有实现简单,精度高,当相对频偏不大时,无须专门的同步措施可取得较高的测量精度.     

基于小波和BP神经网络的电能扰动分类新方法

电能质量扰动的分类包括特征向量提取和分类器构建2部分。基于小波和神经网络的分类方法大部分采用小波分解各层的能量分布作为特征向量,用单个神经网络给出分类结果,此类方法构建的分类器性能有待进一步提高。文章构建了一组基于小波变换的特征向量作为分类器的输入。通过基于最小二乘法的策略综合3个相互独立神经网络的输出以得到最后的判别结果。算例表明提出的分类器准确率高,在信噪比20 dB的情况下还可以达到93.18%的准确率。分类器能有效识别电压中断、电压暂降、电压暂升、谐波、振荡暂态和闪变6种常见电能质量扰动。     

基于小波包的马尔科夫方法在短期负荷预测中的应用

为了提高电力系统短期负荷预测的精度,提出了一种基于马尔科夫模型的组合预测算法。该算法利用双正交小波线性相位的特点,对负荷时间序列进行小波包多分辨分解。针对短时电力负荷具有较强随机波动性,采用软阈值方法检测和处理不良信号,用去噪后的信号建立模糊马尔科夫预测模型,通过将各负荷序列的预测值加以组合得到最终预测结果。经实际算例验证,该算法能有效地提高预测精度,具有良好的抗干扰和容错能力。     

基于小波变换和神经网络的暂态电能质量扰动自动识别

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法。先提取基波频段所在的小波系数将电压凹陷、电压凸起和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡。该方法利用小波和小波包各自的时频分解特点,实现了暂态电能质量扰动的自动检测和分类。经仿真分析,验证了此方法的准确性和高效性。     

基于特征提取的有源电力滤波器故障诊断方法

针对有源电力滤波器APF(Active Power Filter)的IGBT功率管易发生故障的问题,提出了基于故障特征提取的有源电力滤波器故障诊断方法。构建了APF故障仿真模型和基于小波包分析的故障特征提取方法,仿真分析了APF网侧电流波形,并运用小波包分析对IGBT故障时的网侧电流波形进行处理,提取了IGBT故障特征向量,最后运用神经网络对特征向量的分类来实现对APF的故障诊断。在APF故障诊断系统上进行测试,验证了该诊断方法的有效性和可行性。     

基于小波包分析的电力负荷预测算法

提出基于小波包分解和重构的电力负荷预测算法.算法使用具有线性相位的双正交小波对电力负荷数据进行小波包分解和重构,然后用神经网络直接对各尺度上的电力负荷分量进行预测,最后将各尺度上的预测值相加,得到实际负荷预测值.算例表明算法具有较高的预测精度,优于传统的BP神经网络,有利于分析不同时频区域的电力负荷特性,为更准确地建模和预测提供了条件.     

利用小波包变换实现噪声环境下特征信号的提取

电力系统暂态或故障时 ,电压电流信号包含了故障的信息 ,文中称包含了故障或暂态信息的电压和电流信号为特征信号 ,利用特征信号可以进行系统分析和故障检测 ,但是特征信号往往被淹没在大量的噪声信号中 ,这样给电力系统分析和检测带来困难。文中分析了电力系统中几种常见的噪声和特征信号的时频特性 ,简单介绍了小波包变换的理论和特点 ,分析了利用小波包变换来消除噪声 ,提取特征信号的理论 ,并通过实例验证了小波包良好的抗噪能力 ,为实现噪声环境下特征信号的提取提供了良好的分析方法 ,为电力系统分析和故障检测提供了良好的工具。