小波奇异熵在线路暂态保护和全线相继速动保护中的应用

利用小波信息熵的特点,将小波熵之一的小波奇异熵用于输电线路单端暂态量保护和全线相继速动保护中,提出了基于小波奇异熵的新型输电线路单端暂态量保护和全线相继速动保护方案.PSCAD/EMTDC仿真结果证明,文中提出的利用小波奇异熵构成的单端暂态量保护判据,不受故障位置、故障类型、过渡电阻及故障时刻的影响,具有良好的适应性和灵敏性.基于小波奇异熵的相继速动判据,克服了小波模极大值判据受被分析信号幅值的影响,具有更高的灵敏度,证明了小波信息熵技术在电力系统继电保护领域具有良好的应用前景.     

基于EMD奇异值熵的高压输电线路故障选相新方法

在对暂态电压信号进行经验模态分解(EMD)基础上,结合奇异值分解(SVD)及信息熵理论提出了利用高频暂态分量的奇异值熵实现故障选相。此方法对采集到的故障后电压信号求取EMD奇异值熵,并比较三相间熵值的大小来识别故障类型和判别故障相。基于Matlab环境,对一典型500 kV线路进行故障类型选相的仿真,结果表明该方法不受过渡电阻、故障位置、故障初始角和噪声强度等因素影响,能够快速准确识别各类故障。     

基于小波奇异熵和支持向量机的配电网故障类型识别

准确识别故障类型是实现配电网故障定位的前提。应用小波变换技术提取反映接地故障特征的零序电压低频信号能量,应用小波变换和信息熵相结合的方法提取三相电压的小波奇异熵。以零序电压低频能量和三相电压的小波奇异熵为输入特征量,以相别A、B、C和地G为输出量,建立了四输入四输出的SVM故障类型识别网络。应用ATP/EMTP搭建配电网仿真模型模拟了各种故障条件下的各种故障类型。仿真分析表明,该方法能够快速准确地识别各种故障类型,且不受过渡电阻、故障位置等的影响。     

基于小波奇异熵和支持向量机的配电网故障类型识别

准确识别故障类型是实现配电网故障定位的前提.应用小波变换技术提取反映接地故障特征的零序电压低频信号能量,应用小波变换和信息熵相结合的方法提取三相电压的小波奇异熵.以零序电压低频能量和三相电压的小波奇异熵为输入特征量,以相别 A、B、C和地G为输出量,建立了四输入四输出的SVM故障类型识别网络.应用ATP/EMTP搭建配电网仿真模型模拟了各种故障条件下的各种故障类型.仿真分析表明,该方法能够快速准确地识别各种故障类型,且不受过渡电阻、故障位置等的影响.     

基于小波奇异值和支持向量机的高压线路故障诊断

提出了基于小波奇异值（WSV）和支持向量机（SVM）的电力系统故障类型识别的新方法。利用WSV来量化故障特征,再与SVM结合进行故障类型识别。对故障线路三相电流信号进行小波包变换分解,获取故障信号的小波细节系数;利用相重构技术将小波细节系数向量形成系数矩阵,并对该矩阵作奇异值分解,获取小波奇异值;将小波奇异值向量输入到SVM分类器进行故障类型识别。仿真表明,对于不同的故障类型,其小波奇异值分布明显不同,而对于同一类型故障,其小波奇异值分布在不同的故障位置、过渡电阻的情况下仍保持很大的相似性。SVM具有训练样本少、训练时间短、识别率高等优点。     

基于小波奇异值和支持向量机的高压线路故障诊断

提出了基于小波奇异值(WSV)和支持向量机(SVM)的电力系统故障类型识别的新方法.利用WSV来量化故障特征,再与SVM结合进行故障类型识别.对故障线路三相电流信号进行小波包变换分解,获取故障信号的小波细节系数;利用相重构技术将小波细节系数向量形成系数矩阵,并对该矩阵作奇异值分解,获取小波奇异值;将小波奇异值向量输入到SVM分类器进行故障类型识别.仿真表明,对于不同的故障类型,其小波奇异值分布明显不同,而对于同一类型故障,其小波奇异值分布在不同的故障位置、过渡电阻的情况下仍保持很大的相似性.SVM具有训练样本少、训练时间短、识别率高等优点.     

高阶小波包奇异谱熵在故障选线中的应用研究

针对奇异熵对经高阻接地的不敏感性、经常导致选线失败的问题,提出了基于高阶累积量多分辨率奇异谱熵的方法。该方法有机地融合了小波包分解理论,奇异值分解理论和信息熵理论的各自优点,并充分体现信号的内在信息,有效地提取非线性特征分量和抑制高斯噪声,经高阶累计后包含了更多的选线信息。基于ATP的仿真结果表明：该故障选线方法能够快速识别故障线路,不易受到故障时刻、过渡电阻、故障位置等因素的影响,具有较好的适应性。     

高阶小波包奇异谱熵在故障选线中的应用研究

针对奇异熵对经高阻接地的不敏感性、经常导致选线失败的问题,提出了基于高阶累积量多分辨率奇异谱熵的方法.该方法有机地融合了小波包分解理论,奇异值分解理论和信息熵理论的各自优点,并充分体现信号的内在信息,有效地提取非线性特征分量和抑制高斯噪声,经高阶累计后包含了更多的选线信息.基于 ATP 的仿真结果表明:该故障选线方法能够快速识别故障线路,不易受到故障时刻、过渡电阻、故障位置等因素的影响,具有较好的适应性.     

改进的人工免疫分类算法在故障类型识别中的应用

提出将小波包变换和改进的免疫算法相结合,对输电线路故障类型进行识别。运用小波包将电压故障信号分解,提取三相的小波奇异熵作为免疫网络的抗原,利用免疫网络抗原-抗体识别原理进行故障类型识别。仿真结果表明：在相同实验条件下,与传统的ANN网络和SVM相比,该算法具有自适应连续学习的功能,对故障诊断系统可以连续不断的补充新样本。并且此故障类型识别方法不受系统运行方式、过渡电阻和故障位置等影响,具有较强的通用性,较高的精度,识别速度快和算法简单易实现。     

改进的人工免疫分类算法在故障类型识别中的应用

提出将小波包变换和改进的免疫算法相结合,对输电线路故障类型进行识别.运用小波包将电压故障信号分解,提取三相的小波奇异熵作为免疫网络的抗原,利用免疫网络抗原一抗体识别原理进行故障类型识别.仿真结果表明:在相同实验条件下,与传统的ANN网络和SVM相比,该算法具有自适应连续学习的功能,对故障诊断系统可以连续不断的补充新样本.并且此故障类型识别方法不受系统运行方式、过渡电阻和故障位置等影响,具有较强的通用性,较高的精度,识别速度快和算法简单易实现.     

小波熵证据的信息融合在电力系统故障诊断中的应用

电力系统中快速准确的故障诊断是事故后隔离故障元件、恢复系统正常运行的首要前提,具有重要意义。该文从信息融合的角度出发,提出利用多种小波熵测度的融合来解决电力系统故障诊断问题。小波熵测度由于结合了小波变换和信息熵理论的优势,能快速准确地提取线路故障特征,但由于故障的不确定性和多样性,依靠单一的小波熵测度诊断故障可能出现诊断困难或诊断失真等问题,因此提出采用D-S证据理论对多种小波熵进行信息融合,并采用范数加权平均的方法来建立基本可信度分配,以基本可信数的决策方法来实现故障模式诊断。基于EMTDC和Matlab的仿真证明,该方法能提高对故障诊断结果的支持度及故障诊断的准确性和实时性,是故障模式定量诊断的一种可行性新方法。     

近似熵算法在电力系统故障信号分析中的应用

在分析近似熵算法的物理本质及其在非平稳信号序列分析中所具备的独特优势的基础上，提出将近似熵算法引入到电力系统故障信号的特征提取中，为电力系统故障信号分析找到一个能定量描述故障信号特征的有效特征参数。通过对理想电力信号的仿真分析数据以及近似熵与信息熵的比较，逐一验证了近似熵算法在电力信号分析中的优势。近似熵算法在小电流接地系统故障信号特征提取仿真中的应用表明，该算法能够在短数据、小幅值等不利条件下，很好地实现故障信号特征的定量提取，是表征不同故障信息的有效参数，故将其引入到电力系统故障信号的分析应用中是切实可行的，并在此基础上展望了该算法在电力系统故障诊断领域的应用前景。     

基于小波能量熵和支持向量机的高压输电线路故障选相方法研究

提出了一种基于小波能量熵和最小二乘支持向量机( LS - SVM)的高压输电线路故障选相的新方法.首先对采集到的故障后三相电流信号进行合适的小波分解,得到特定时间窗口内的三相小波能量熵的累加值以及各相之间的比值.利用各相的小波能量熵累加值以及比值作为表征不同故障类别的特征向量,并输入到LS - SVM分类器.采用支持向...     

一种基于谐波小波的单相接地故障选线方法

为了提高配电网单相接地故障选线方法的精度和鲁棒性,重点分析了谐波小波的表达式及谐波小波变换算法,在这基础上提出了一种基于谐波小波的单相接地故障选线方法。该方法首先在线路出口处并联谐振滤波装置,改变线路出口处的特征阻抗,然后将采样到的故障信号运用谐波小波变换算法完成对暂态电流特征频带内电流成分提取,最后通过比较特征频带内暂态电流能量幅值及能量衰减系数实现故障选线、选相。仿真实验表明该方法选线精度高而可靠,具有较高的工程应用价值。     

用小波矩阵分析法进行函数的分解与重构

就傅氏级数和小波变换之间的关系进行较全面地讨论。并采用小波矩阵分析方法,使小波变换本质跃然于纸上。同时给出小波分解和小波重构的计算公式,应用变得十分容易。     

一种低压配电网载波通信信号分析的新方法

低压电力网的噪声成分复杂,随负荷变化在,且具有很强的非平稳特性。因此,如何有效地对接收的载波信号进行处理是个十分困难的问题。该文通过分析小波及小波包的特性,提出了一种可以解决这一困难的方法。小波分析是一种一维时频分析方法,它同时具有时域和频域的良好局部化特性及自动调节的时频窗,可以聚焦到信号的任意细节,但对高频信号的频域分辨率较低。小波包分析能够为信号提供一种更加精细的分析方法,它对小波分析中没有细分的高频部分进一步分解,并能够根据信号的特征,自适应地选择相应的频带,使之与信号频谱相匹配,从而提高了频率分辨率。该文对二者进行了分析比较,并将其应用于处理实际低压配电网中采集到的通信信号,得出了满意的结果。     

基于小波熵和小波熵权的电能质量扰动识别

电力系统中电能质量扰动信号的分类和识别一直是国内外众多学者研究的热点问题。小波分析是具有时频局部化特性的时频分析方法,在此基础上定义的小波熵具有较好的定量特征提取能力。基于此,在给出小波熵、小波相对熵和小波熵权的基本原理和定义的基础上,文章提出利用小波熵和熵权两种测度来分类和识别电能质量扰动信号,建立了各种扰动的仿真模型,对电压突降、突升、中断,振荡暂态、脉冲暂态、电压尖峰、缺口、谐波等扰动类型进行了系统的仿真分析。结果表明,不同类型扰动信号的小波熵及熵权具有不同的定性规律,小波熵及小波熵权对电能质量扰动具有一定的分类识别能力。     

奇异值分解和最小二乘支持向量机在电能质量扰动识别中的应用

基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。