小波熵理论及其在电力系统中应用的可行性探讨

电力系统采集的丰富实时数据包含系统模型的复杂性和不确定性,从这些数据中挖掘和融合出一个或系列普适量来检测系统的故障或稳定性至关重要。章分析了小波熵(Wavelet Entropy)在电力系统故障检测与判别中应用的可行性,探讨了基于小波分析理论的小波熵概念,提出了两种小波熵的定义和计算方法,仿真验证了小波熵可以用在输电线路的故障检测中,探讨了小波熵理论在电力系统故障检测与判别、系统故障分类等应用中的前景。     

电力暂态信号小波分析的后处理方法研究

由于电力系统暂态信号经小波变换后信息繁多,需要研究对小波分解的大量信息进行恰当后处理和自动特征提取的方法。文章从定量分析的角度介绍了小波分析后处理的概念,探讨了几种电力系统暂态信号小波变换后的特征提取方法,即后处理方法,包括模极大值与奇异性分析、能量分布分析、小波系数聚类分析、小波系数统计分析、小波熵分析,以及将其用于电力系统故障检测和分类的物理意义。对一种新型后处理方法小波奇异谱熵在频变系统中的应用进行了仿真分析,结果表明该后处理方法可应用于电力系统设备和线路的故障检测。     

基于最优小波包基的电动机故障信号的消噪与检测

现场采样获得的电动机故障信号通常会含有很多的噪声，如果对噪声不能加以有效地消除。那么故障特征信息的提取将会受到很大的影响。该文通过对基于shannon熵的最优小波包基的快速搜索算法的探讨，提出了基于最优小波包基的电动机故障信号的消噪与检测方法，通过实例分析，验证了基于最优小波包基的信号消噪声效果要优于小波方法或普通小波方法的消噪效果，通过对消噪后的故障信号进行分析，提取出了故障特征信息，检测结果表明，在故障检测前先采用最优小波包基方法对故障信号进行消噪，有利于提高电动机故障检测的准确性。     

基于多尺度能量统计和小波能量熵测度的电力暂态信号识别方法

电力暂态信号的检测与分类在电力系统暂态保护、电能质量分析等诸多领域得到广泛的应用,暂态信号的有效特征提取是信号分类识别的基础和前提条件。在介绍了电力系统暂态信号的多尺度表示及定义用于特征提取的2种小波分析处理方法(能量统计分析和小波能量熵分析方法)的基础上,建立了单相接地短路、开关操作、电容投切、一次电弧和雷击等5种暂态类型的EMTDC仿真模型,利用能量统计分析和小波能量熵分析方法给出了5种暂态信号在不同状态下随尺度的分布规律。仿真结果表明,部分暂态信号的多尺度能量统计特征和小波能量熵测度的分布表现出一定规律性,是一种有效的特征提取方法,具有一定的可聚类和信号识别能力。该方法为故障信号的分类提供了新的思路。     

基于小波熵的直流系统环网接地故障诊断

针对直流系统中环网对接地故障检测的影响,在传统低频信号注入法的基础上提出了一种新的基于小波熵理论的直流系统环网接地故障检测方法。该方法利用小波分析具有时频局部化特性和熵能对系统状态表征的特点,将小波分析和熵结合起来完成信号的特征挖掘。通过低频信号注入,采集环网状态,计算小波熵作为系统的特征参数,以小波熵来识别不同情况的接地故障。仿真分析证明,小波熵能够反映环网发生接地故障前后的系统变化,用小波熵来提取环网故障信息并进行故障识别是一种行之有效的方法。     

基于小波熵的直流系统环网接地故障诊断

针对直流系统中环网对接地故障检测的影响,在传统低频信号注入法的基础上提出了一种新的基于小波熵理论的直流系统环网接地故障检测方法.该方法利用小波分析具有时频局部化特性和熵能对系统状态表征的特点,将小波分析和熵结合起来完成信号的特征挖掘.通过低频信号注入,采集环网状态,计算小波熵作为系统的特征参数,以小波熵来识别不同情况的接地故障.仿真分析证明,小波熵能够反映环网发生接地故障前后的系统变化,用小波熵来提取环网故障信息并进行故障识别是一种行之有效的方法.     

小波奇异熵及其在高压输电线路故障选相中的应用

泛化的信息熵目前已在数据挖掘、信号识别和故障诊断等领域得到了广泛有效的应用。小波熵是一种典型的泛化熵测度，其在电力系统故障检测和识别中的应用具有巨大的潜力。探索各类小波熵算法的机理及其所揭示的电力系统现象本质是进一步开拓其应用的前提。对于小波熵算法之一的小波奇异熵，该文在研究小波变换、奇异值分解及信息熵理论的基础上，分析了其应用原理和本质。基于对小波奇异熵的研究，将其应用于高压输电线路的故障相识别，并提出了基于故障暂态的故障选相判据和方案。基于PSCAD/EMTDC的故障仿真结果表明：该故障选相方案能快速准确地识别各类故障，并且不易受到故障时刻、过渡电阻、故障位置等因素的影响，具有较好的适应性。     

基于暂态电流小波熵权的输电线路故障选相方法

在暂态电流信号小波分析结果的基础上，借鉴熵权的概念，给出了小波熵权的定义，提出一种利用高频暂态分量的小波熵权实现故障选相方法。该方法直接利用电流互感器的暂态高频电流，使用小波提取暂态信号特征，对提取的信号特征计算其沿尺度分布的权重，得到暂态信号的小波熵权，由此构造故障选相判据进行选相。基于EMTDC和MATLAB环境，利用该方法对某一典型500 kV线路进行各种故障类型选相的仿真分析，分析表明该方法具有高速、准确的特点，且不受过渡电阻、故障时间及故障位置等因素的影响，具有一定的实用价值。     

小波包分解在电机故障诊断中的应用

针对常用的时域和频域分析在诊断电机故障时存在不能同时诊断出故障时间和类型的问题，在分析电机故障特征的基础上，利用时频两域都具有表征信号特征能力的小波，对采集来的电机振动信号进行小波包分解，利用分解的小波系数，在各个频段上进行小波信号重构，并计算信号各个频段的能量特征值，提取故障特征，诊断故障发生的时间和故障类型。经仿真验证，小波包分解能将故障信号有效划分到不同的频段内，而且时域和频域局部化特性好，能有效地诊断出电机故障，具有良好的理论意义与工程应用价值。     

基于小波熵神经网络的直流系统环网接地故障检测

直流系统环网是接地故障检测中的一个关键因素。针对直流系统中环网对接地故障检测的影响,基于小波熵理论,提出一种新的检测环网接地故障的方法。该方法利用小波分析具有时频局部化特性和熵能对系统状态表征的特点,将小波分析和熵结合起来完成信号的特征挖掘。通过低频信号注入,采集环网状态,计算小波熵作为系统的特征参数,运用这些特征参数作为输入样本,训练BP神经网络,建立神经网络故障检测系统,以实现智能化的故障识别。仿真分析证明,环网发生接地故障前后的小波熵具有显著差别。     

基于小波能谱熵的tanδ在线监测数据规律研究

针对在线监测电容型设备的绝缘特性变化规律以及受外界因素影响的情况不明确,难以发现其变化来确定设备绝缘状况的问题,提出了基于小波能谱熵理论的数据规律分析方法。该方法利用小波分析具有时频局部化的特性和信息熵对系统状态表征的特性,将小波分析与熵结合起来对信号进行特征挖掘。计算小波能谱熵作为系统的特征参数来识别不同信号的变化趋势并将与tanδ变化最接近的因素作为主导因素来分析。实例分析表明,上述熵值能够反映在线监测tanδ和外界因素的系统变化,以此为参量来分析趋势并进行故障诊断是一种行之有效的方法。     

Applying wavelet entropy principle in fault classification

The ability to detect and classify the type of fault plays a great role in the protection of power system. This procedure is required to be precise with no time consumption. In this paper detection of fault type has been implemented using wavelet analysis together with wavelet entropy principle. The simulation of power system is carried out using PSCAD/EMTDC. Different types of faults were studied obtaining various current waveforms. These current waveforms were decomposed using wavelet analysis into different approximation and details. The wavelet entropies of such decompositions are analyzed reaching a successful methodology for fault classification. The suggested approach is tested using different fault types and proven successful identification for the type of fault.     

小波包能量熵神经网络在电力系统故障诊断中的应用

提出了一种基于小波包能量熵神经网络的电力系统故障诊断方法。对采集到的故障后电压信号进行3层小波包分解,提取小波包能量熵,然后构造信号的小波包特征向量, 并以此向量作为故障样本对3层BP神经网络进行训练,实现智能化故障诊断。ATP和Matlab仿真结果表明该方法有效可行。     

煤矿配电网电压暂降源辨识模型

针对煤矿配电网电压暂降信号特征提取困难和辨识准确率低的问题,应用小波熵结合支持向量机SVM(support vector machine)建立故障辨识模型,以故障信号的小波熵测度来表征故障特征,对电压暂降信号进行小波多分辨分析,选取采样序列的高频系数分量,计算其小波系数熵和小波时间熵,作为特征向量输入SVM,使故障信号特征更加明显,对故障源进行自动分类辨识。结果表明,与小波结合BP神经网络方法比较,无论在训练时间上还是在辨识准确率方面均有明显优势。     

小波网络在电力系统故障信号处理中的应用研究

从小波分析中对函数逼近表示的不同角度，分别介绍了3种主要的小波网络，并对这3种小波网络的构成、网络模型和学习算法等进行了详细介绍和比较，给出了它们之间的本质区别。在此基础之上，对小波网络在电力系统故障信号分类和故障数据压缩方面的应用进行了讨论，给出的相应数字仿真结果表明，小波网络在电力系统故障信号处理方面的应用是完全可行的。     

基于线调频小波变换的电机故障信号消噪方法

电机故障信号包含大量白噪声和有色噪声 ,消噪是故障信号分析、诊断、处理的前过程 ,消噪的效果直接影响到后期工作。小波变换在电力系统的故障信号处理中得到广泛地应用 ,然而 ,小波变换只能消除白色噪声 ,对有色噪声不起作用。线调频小波变换是窗口Fourier变换和小波变换的推广 ,它不仅具有小波变换良好的时频局部性特点 ,而且它的时频窗口比小波变换的时频窗口更加灵活。本文应用线调频小波变换对电机故障信号进行消噪 ,效果明显。线调频小波变换在电力系统故障信号处理方面必将得到广泛的应用     

Wavelet Packet Entropy and RBFNN Based Fault Detection,Classification and Localization on HVAC Transmission Line

The article presents a technique for fast and accurate detection, classification and localization of faults on the high voltage transmission systems considering the alternator's dynamics and the effect of transformers. The systems have been simulated by ATP/EMTP software and three phase fault currents at one end of the transmission line are recorded with a sampling frequency of 50 kHz. The fault signals are decomposed by wavelet packet decomposition (WPD) up to 3^rd level with mother wavelet db6 to calculate wavelet packet entropy (WPE) which has the ability to measure the uncertainty of fault signals during feature extraction. A properly designed radial basis function neural network (RBFNN) trained with these features can recognize, classify and locate faults faster as it utilizes only half cycle data after fault initiation. This technique has been verified for different fault categories, fault impedances and fault inception angles (FIA) at different locations for two different transmission systems. The investigated results demonstrate that the wavelet packet entropy is very powerful for extracting the features from the fault signals and RBFNN is very accurate for classification and localization of faults on the transmission line including locations close to the generator's end.