共查询到19条相似文献,搜索用时 111 毫秒
1.
2.
基于S变换的电能质量扰动支持向量机分类识别 总被引:64,自引:7,他引:64
采用s变换和支持向量机进行电能质量扰动的分类识别。作为连续小波变换和短时傅立叶变换的发展,S变换引入了宽度与频率成反向变化的高斯窗,具有与频率相关的分辨率。由于S变换具有良好的时频特性,因而非常适合于进行电能质量扰动信号特征提取。首先通过S变换进行扰动信号特征提取,然后构造支持向量机分类树进行扰动分类。算例表明该方案具有分类准确率高,对噪声不敏感,训练样本少等优点,是电能质量扰动识别的有效方法。 相似文献
3.
基于提升复小波的暂态电能质量扰动的检测与定位 总被引:6,自引:0,他引:6
针对暂态电能质量扰动信号的检测与定位,提出一种基于第2代小波变换的提升复小波的提升算法。通过Euclidean分解算法得到复小波提升方案;利用该方案对常见的几种扰动信号进行提升变换,将变换后的幅值和相位信息用于暂态电能质量扰动的定位检测及扰动幅度估计;并与第1代小波变换进行比较。仿真结果表明,所提算法具有简单、运行速度快、检测精度高等优点,能够准确定位暂态电能质量扰动信号和计算扰动信号的变化幅度。 相似文献
4.
基于小波熵和小波熵权的电能质量扰动识别 总被引:4,自引:0,他引:4
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。 相似文献
5.
针对暂态电能质量扰动信号特性,提出了一种基于S变换(S-Transfom)的信号分析法.S变换是由连续小波变换和短时傅立叶变换相结合发展而来,引入了宽度与频率成反向变化的高斯窗,不仅具有与频率相关的分辨率,更具有良好的时频特性,是一种有效的非平稳信号分析方法.通过算例验证了S变换在暂态电能质量扰动信号分析中,可提供有效、准确的分析结果. 相似文献
6.
7.
基于小波包除噪的电能质量扰动检测方法 总被引:33,自引:7,他引:33
小波包变换能够实现信号频带的均匀划分,在任意频率聚焦,是分析暂态电能质量扰动时频特性的良好工具。但是电气信号中的电磁噪声严重影响了小波包的检测特性。该文提出了一种小波包除噪算法。通过仿真验证,该算法可以消除扰动检测中的噪声影响,从而为噪声环境中电能质量扰动的检测和定位提供了良好的依据。 相似文献
8.
线调频小波变换是傅里叶变换和小波变换的一般情况,它具有更灵活的时频局部化特性.但连续线调频小波变换实质上是积分的数值计算,传统的方法是用多项式插值函数代替被积函数求积分.对电能扰动信号来说,计算的精度不高,影响检测效果.文中用连分式有理插值函数替代被积函数,提高了积分精度.最后,以三角样条小波函数作为线调频小波变换的母函数,并用线调频三角样条小波变换来检测和识别电能扰动,它的等高线可以清楚地显示出干扰发生时刻和持续时间. 相似文献
9.
线调频小波变换是傅里叶变换和小波变换的一般情况,它具有更灵活的时频局部化特性。但连续线调频小波变换实质上是积分的数值计算,传统的方法是用多项式插值函数代替被积函数求积分。对电能扰动信号来说,计算的精度不高,影响检测效果。文中用连分式有理插值函数替代被积函数,提高了积分精度。最后,以三角样条小波函数作为线调频小波变换的母函数,并用线调频三角样条小波变换来检测和识别电能扰动,它的等高线可以清楚地显示出干扰发生时刻和持续时间。 相似文献
10.
11.
12.
采用Meyer小波变换的电能质量扰动信号的检测与时频分析 总被引:1,自引:0,他引:1
论述了小波多分辩率信号分解,提出了采用基于小波多分辩分解的电能质量几种暂态干扰检测和时频分析。并用Meyer小波对暂态振荡、暂态脉冲、电压跌落、电压上升、电压中断、短时间谐波失真、暂态谐波失真和电压瞬变等电能质量干扰的检测进行了仿真实验,结果表明所提出的Meyer小波在时域和频域上都具有良好的检测性能,适合于短暂瞬变信号的检测与分析,并可用于其他时变的非平稳信号处理。 相似文献
13.
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。 相似文献
14.
基于小波变换的电力系统谐波分析 总被引:4,自引:0,他引:4
电力系统的谐波是影响电能质量的重要因素,本文论述了基于小波变换的谐波检测方法,将含谐波的电信号进行基于多分辨思想的正交小波变换,解决了时频同时局部化的问题,并提出单子带重构算法,改善了Mallat算法中的频率折叠问题。由于小波分析在时、频域内良好的局部性,使之在谐波的跟踪检测、进而抑制谐波对电力系统的不良影响方面具有十分重要的意义。 相似文献
15.
为有效提取变压器振动信号特征,提出了一种基于经验小波变换(EWT)的信号特征提取方法。首先利用EWT方法将不同工况的变压器振动信号分别分解为若干经验小波函数(EWF)分量;然后计算各分量Hilbert谱,通过时频表示直观反映不同工况变压器振动信号的频率特征信息;最后计算不同工况振动信号各EWF分量与原信号的相关系数,并提取相关度高的分量,根据其能量构建信号的特征矢量,实现对不同工况变压器振动信号特征提取的量化处理。仿真试验表明,该方法能有效提取变压器振动信号特征,且根据提取的特征矢量能够正确识别变压器绕组所属的不同工况。 相似文献
16.
Power quality disturbance classificationbased on time-frequency domain multifeatureand decision tree 下载免费PDF全文
Accurate classification of power quality disturbance is the premise and basis for improving and governing power
quality. A method for power quality disturbance classification based on time-frequency domain multi-feature and
decision tree is presented. Wavelet transform and S-transform are used to extract the feature quantity of each
power quality disturbance signal, and a decision tree with classification rules is then constructed for classification
and recognition based on the extracted feature quantity. The classification rules and decision tree classifier are
established by combining the energy spectrum feature quantity extracted by wavelet transform and other seven
time-frequency domain feature quantities extracted by S-transform. Simulation results show that the proposed
method can effectively identify six types of common single disturbance signals and two mixed disturbance signals,
with fast classification speed and adequate noise resistance. Its classification accuracy is also higher than those of
support vector machine (SVM) and k-nearest neighbor (KNN) algorithms. Compared with the method that only uses
S-transform, the proposed feature extraction method has more abundant features and higher classification accuracy
for power quality disturbance. 相似文献
17.
18.
提出了一种利用小波变换多尺度空间能量分布特征的自组织神经网络同调机组分群方法。首先改进了同调机群识别判据,然后利用小波变换的多尺度空间能量分布特征提取方法,对机组功角摇摆曲线提取特征,将时域特征、频域特征及小波能量特征构成的综合向量,作为增长型自组织神经网络的输入,通过调节阈值λ,得出不同精度的分群结果。最后在IEEE-39节点系统上对只考虑时频域特征和同时考虑小波能量特征、时频域特征的同调机组识别结果进行了对比分析,最终表明同时考虑小波能量特征、时频域特征的分群结果具有更高准确性。 相似文献