复杂电能质量扰动事件区段定位方法研究

复杂电能质量扰动事件包含多个相关的基本事件和多个扰动事件源。在分时段进行扰动方向判别的基础上,提出一种基于测度加权模糊Petri网的复杂电能质量扰动事件源定位方法。基于扰动功率和能量分时段进行扰动方向判别,根据功率传输通路表确定可疑支路,综合扰动强度和扰动方向判别结果可信度给出了状态测度提取方法,最后应用测度加权模糊Petri网对可疑扰动事件源进行定位。算例结果表明,所提方法能够实现多基本事件、多扰动事件源的复杂电能质量扰动事件源定位,并具有较强的容错性能。     

基于Hoeffding Tree的电能质量在线扰动分类

为满足电能质量扰动事件的在线分类需求,提出了一种基于Hoeffding Tree的电能质量扰动在线分类方法。对电能质量在线扰动分类中的关键技术进行了研究,提出用小波变换和离散傅里叶变换相结合的判别方法检测电能质量扰动,该算法采用自适应滑动数据窗算法,能够根据扰动持续时间提取完整的扰动事件。以小波信号能量以及基波有效值构成特征向量,利用Hoeffding Tree算法构建增量式分类训练模型。仿真结果表明,所提方法的准确度和效率均满足电能质量扰动事件在线检测和分类的要求。     

基于深度学习的复合电能质量扰动识别方法

精准的电能质量扰动识别是对电能质量扰动事件发生后需要解决的主要问题之一,这对划分责任和加快电力市场化进程均具有重要意义,而海量的电能质量监测数据则为电能质量扰动识别提供了条件与机遇。不同的电能质量扰动类型,其电气特征上也存在区别,故可利用不同电能质量扰动波形之间的差异来区分电能质量扰动类型。结合深度学习理论,建立一种基于双向独立循环神经网络的复合电能质量扰动识别方法,通过提取电能质量扰动信号的本质特征量,建立输入序列与输出序列之间的内在对应关系,克服了分析结果对物理特征量的依赖性,提升了电能质量扰动识别准确率。实验结果表明,所提方法可以有效应对复合电能质量扰动的多样性问题,可以直接从原始的底层数据中自主学习复合电能质量扰动信号中所隐藏的本质特征量,识别准确率高。     

复杂电能质量关联扰动模式的可拓挖掘方法

在复杂电网环境下,监测系统检测到的多个电能质量扰动事件可能在因果时空等方面具有关联性。为全面深入解释扰动事件和扰动过程的内在关系,获得更全面的电能质量诊断信息,提出复杂电能质量扰动模式的概念,建立了挖掘电网中可能存在的复杂电能质量扰动模式的方法。根据扰动形成机理,给出4种基本事件关联类型;将可拓学理论引入扰动模式挖掘领域,建立电能质量扰动可拓学模型,构建事件发展相关网、扰动传导蕴含系、因果关系链及时空分层演绎图等4种复杂电能质量扰动模式挖掘方法,给出具体的挖掘步骤和挖掘算例。算例结果表明,提出的可拓学建模方法能够形式化描述电能质量问题及其复杂的逻辑关系,挖掘方法简便直观,可操作性强。     

基于数据驱动的多污染模式电能质量耦合性评估

为量化电网中不同电能质量变化规律下节点间扰动的相互影响,提出一种基于数据驱动的多污染模式电能质量耦合性评估方法。首先,利用频域分解构建周期性和随机性变化扰动模式,根据扰动的变化趋势和严重性,通过考虑局部极值点的分段线性拟合提取扰动模式特征。其次,提出模式距离度量法对各扰动模式特征实施模式匹配,分析不同模式下节点间扰动时间序列的耦合性,确定系统节点间扰动的相互影响。最后,采用IEEE 14节点系统进行仿真算例分析,通过对比常用的时间序列模式匹配方法,验证了所提方法的准确性和适用性。     

基于深度置信网络的电能质量扰动事件分类

为满足电能质量扰动准确分类的需求,提出了一种基于极大重叠离散小波变换(MODWT)和深度置信网络(DBN)的电能质量扰动分类方法。首先利用MODWT提出一种可靠的电能质量暂态事件检测算法,该算法无需设定检测阈值,可准确获取暂态事件的起止时刻。接着提取暂态事件的电压谐波成分并组成特征向量。然后用DBN分类器对扰动信号进行分类识别,DBN方法比常用的分类方法具有更高的分类准确率和更短的训练时间。通过应用于现场实测扰动数据表明:所提出的方法适用于多种类型的电能质量扰动检测,在少样本情况下具有优越的分类性能。     

多域分布式数据库的电能质量扰动事件记录关联规则挖掘

随着电能质量监测装置的广泛分布,将有大量电力扰动数据汇集至分布式数据库。为高效地处理电力扰动数据并全面深入挖掘扰动事件和扰动过程的内在联系,提出基于分布式数据库的关联规则挖掘方法。首先采用移动时间窗技术实现扰动数据预处理;然后在考虑数据库更新的情况下,提出一种分布式协同算法,该算法通过交换各数据库间的局部频繁项目集,实现扰动数据关联模式分布式挖掘。最后,利用实际电能质量监测数据,验证了文中     

基于第二代小波变换和离散隐马尔可夫模型的电能质量扰动分类

提出了一种将第二代小波变换和离散隐马尔可夫模型相结合的电能质量扰动分类方法.首先使用第二代小波变换对电能质量扰动信号进行时频分析,给出了一种基于模极大值的小波变换后处理方法,用以提取分析结果中表征扰动特征的模极大值,将这些模极大值组成扰动特征量组,经矢量量化后得到特征序列,然后将特征序列输入到由离散隐马尔可夫模型构建的分类系统中,实现对电能质量扰动的分类.在此基础上,给出了确定每类扰动定量指标的方法.仿真结果表明,该分类方法在强噪声环境下分类正确率高,且训练易收敛.     

配电物联网电能质量复合扰动检测研究

传统的电能质量复合扰动检测方法无法准确获取电能质量特征,电能数据滤波效果不理想,导致其存在识别率低、检测偏差大和检测效果差的问题。提出配电物联网电能质量复合扰动的检测方法。建立离散非线性系统和强跟踪滤波器,将其应用在配电物联网中,提取电能质量复合扰动特征;选取基波幅值的最大值和最小值、波动次数、渐消因子频度作为扰动特征,并将提取的特征输入支持向量机中,完成配电物联网电能质量复合扰动的检测。实验结果表明,所提方法可有效识别电能质量复合扰动,其检测结果偏差较小,且可精准获取电能质量复合扰动在配电物联网中的发生时刻和结束时刻,验证了所提方法的整体有效性。     

基于数据关联性分析的工业用户电能质量特征识别

随着电力电子型用电设备的大量使用，电网公共连接点上干扰源用户的类型和数量越发增多，使得其电能质量扰动指标特征和时空特征更为复杂。针对目前电能质量监测装置难以对每条馈线上各终端用户均实现专门监测，且无法识别馈线上多个用户各自电能质量特征等问题，提出一种基于多源数据关联分析的工业用户电能质量特征识别方法。首先，以指标限值和累积分布图拐点为依据，提取监测点电能质量时间序列的超标和波动的数值及其时段，得到谐波关键指标、电压偏差、负序电压不平衡度等指标的扰动时序数据；其次，提出一种基于导数动态时间弯曲的时序距离计算方法，分析扰动时段下监测指标与工业用户用电数据的相关性，依据不同指标关联度识别用户的电能质量特征；最后，基于多类型干扰源仿真和实测算例，验证所提方法的可行性，可实现不同工业用户的电能质量特征识别。     

基于离散小波变换和小波神经网络的电能质量扰动检测与分类方法

改善电能质量的前提和关键是准确迅速地对电能质量各扰动进行检测和分类。提出了一种电能质量检测与分类的新方法。电能质量事件经过采样后采用离散小波变换(DWT)进行去噪,获得高信噪比的信号,然后将信号进行分解并提取出8个最优特征向量。选取sym4小波作为母小波,采用基于小波神经网络的方法对电能质量扰动信号进行辨识,从而实现对电能质量扰动的检测与分类。最后,仿真结果验证了所提出方法的有效性与高准确度。     

基于多标签RBF神经网络的电能质量复合扰动分类方法

在径向基(RBF)神经网络和C-均值聚类算法的基础上,提出一种适用于电能质量复合扰动分类的多标签排位分类算法—多标签径向基函数法(ML-RBF)。首先,对常见的电能质量扰动及其组合而成的复合扰动进行离散小波分解,提取各层分解系数的规范能量熵作为特征向量;然后采用C-均值聚类算法将所得的特征向量映射为RBF神经网络的输入;最后通过RBF神经网络对该电能质量复合扰动类型进行预测。仿真实验结果表明,在不同的噪声条件下,ML-RBF可以有效分类识别电能质量复合扰动。     

基于卷积-长短期记忆网络的电能质量扰动分类

为了提高电能质量扰动分类准确率,针对扰动信号时序性的特点,采用了基于卷积-长短期记忆网络的电能质量扰动分类方法。首先,将扰动信号进行采样作为输入。然后,通过卷积神经网络(CNN)提取特征数据,再对提取到的特征数据以序列的形式作为长短期记忆网络(LSTM)的输入,对特征数据进行筛选更新。最后,再对输出的特征数据进行学习分类。仿真结果显示,该方法对电能质量扰动信号的平均分类准确率为99.6%,优于单一的CNN法和单一的LSTM法。     

基于PCA-LSTM模型的风电机网相互作用预测

随着风电在电力系统中渗透率不断提高,风电机组接入电网带来的机网相互作用问题已严重影响电网安全和电能质量,对风电机网相互作用进行研究意义重大。在TensorFlow深度学习框架下,提出一种基于长短期记忆(long short-termmemory,LSTM)网络的风电机网相互作用预测模型。首先,通过主成分分析法(principal component analysis,PCA)对多变量时间序列做筛选,降低数据维度。其次,用LSTM网络对选出的风电机网相互作用关联因素序列和风电实际输出序列之间的非线性关系进行建模,并通过实例与其他预测方法对比证明其具有更高的精确度和适用性。最后,对机网相互作用观测对象的预测数据进行Prony分析,通过实测数据验证采用观测对象预测值分析机网相互作用的可行性和有效性。     

电能质量预测与预警机制及其应用

提出了电能质量预测与预警机制,基于历史数据对未来阶段的电能质量状况进行预测与预警,使电能质量问题得到等级化分析。结合配电网的特点和现状,提出了适合于配网的基于线性回归模型、随机时间序列模型和灰色模型的优选组合预测模型,预测电能质量的未来状况。在此基础上,提出了电能质量的预警等级及其过程、构建预警机制、发布电能质量预警信息。最后,实例与应用分析验证了设计的电能质量预测与预警机制的实用性和有效性。     

基于SVM的电能质量扰动分类

电能质量扰动信号数据庞大,数据提取较难。本文对常见的电能质量扰动及其组合的复合扰动进行离散小波分解,提取PQ(Power Quality)扰动信号能量差作为特征向量,以此降低扰动分类的数据量。利用MATLAB软件产生PQ扰动训练和测试样本,在扰动样本中加入SNR=25d B的高斯白噪声,利用SVM对扰动样本进行分类,提出两步网格搜索法对SVM的参数进行优化。仿真实验结果表明,此分类方法具有较高识别率,证明该算法的准确性和鲁棒性。     

面向电力扰动数据分析的暂态扰动检测

面向电力扰动数据分析提出了一种暂态电力扰动检测方法。针对IEC推荐的暂态电能质量检测标准中波形对比法的缺陷,将改进型波形对比检测和有效值检测相结合,同时针对电压和电流数据进行检测,对暂态形式的电能质量及非电能质量扰动都具有较高的敏感性。通过应用于现场实测扰动数据表明,该方法能够有效检测出各类暂态电力扰动,较好的解决了检测灵敏度同所需数据量之间的矛盾,能够满足电力扰动数据分析对扰动检测的基本要求。     

基干预测机制下的电能质量扰动检测分析

进行电能质量扰动分析、扰动治理设备参数调整以及经济调度控制策略制定需要的准确实时可靠的数据信息,将基于全极点模型的线性预测优化算法（LPC）成功引入到电能质量扰动中.线性预测的电能扰动检测系统,其可以通过对样本数据信息自动学习获得误差最小的线性预测模型,以实现对电能质量扰动的在线分析检测.通过试验仿真分析表明,应用线性预测模型对电能质量扰动信号的检测和扰动起始时间、持续时间以及扰动工况点特性数据的提取是可行和有效的,该装置有很好的实用价值和应用前景.     

复杂电能质量扰动事件源定位方法

复杂电能质量扰动事件包含多个相关的基本事件和多个扰动事件源。在对复杂扰动事件的类型和时空特征进行分析的基础上,提出一种复杂电能质量扰动事件源定位方法。采用原子算法检测扰动事件,给出根据各基本事件的起止时间进行扰动区段划分的方法;采用叠加原理对瞬时功率进行分析,提出根据扰动能量的极性对各区段扰动事件源进行定位。算例结果表明,该方法能够实现复杂电能质量扰动事件源定位。     

基于稀疏自动编码器深度神经网络的电能质量扰动分类方法

针对智能电网日益突出的电能质量扰动问题,提出了一种基于稀疏自动编码器(SAE)深度神经网络的电能质量扰动分类方法。利用SAE对电能质量扰动原始数据进行无监督特征学习,自动提取数据特征的稀疏特征表达;通过堆栈式稀疏自动编码器(SSAE)进行逐层学习,获得电能质量扰动数据的深层次特征;将其连接到softmax分类器进行微调训练,并输出电能质量扰动事件分类结果。利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的抗噪声能力。仿真结果表明,所提方法能够准确地识别包含2种复合扰动在内的9种电能质量扰动信号,并且具有很好的鲁棒性。