基于傅氏系数自适应组合估计算法的谐波功率实时高精度计算

由于常规电量计量装置是基于正弦波设计的,因此在非正弦条件下进行测量必然带来一定的误差.采用改进的傅氏系数自适应组合估计算法进行谐波检测与功率计算,该方法对非同步采样及初始值不敏感,并能实时跟踪电压与电流的变化.实验表明一般经过约1个周期便能对受噪声和衰减直流分量污染的非正弦信号进行实时跟踪.从而精确估计出电压与电流各次谐波的幅值及相位,实现功率的实时高精度计算,并且根据输出误差采用变步长的递推最小均方差LMS(Least Mearl Square)自适应算法来改善跟踪性能.最后,给出了在计算机上的仿真测试结果,并将该算法和FFT算法进行了对比分析.仿真证明该算法具有精度高、收敛快且测试结果不受频率变化影响的优点.     

基于Bayes估计的双小波维纳滤波电能质量信号去噪算法

提出一种基于贝叶斯(Bayes)估计的双小波维纳滤波的电能质量信号去噪算法.该算法在第一个小波域采用基于Bayes估计的小波阈值去噪技术估计期望信号,在第二个小波域将含噪信号和估计信号分别进行小波变换,用估计信号的小波系数设计经验维纳滤波器,对含噪信号的小波系数进行维纳滤波再反变换,从而实现去噪功能.实验结果表明该算法比常用的小波阈值去噪方法及基于它们的双小波雏纳滤波算法去噪效果要好;当噪声强度逐渐增加时,该算法能够在诸算法中产生最大的信噪比.     

运行状态下变压器谐波损耗的估算

通过系统功率流的分析提出了一种变压器谐波损耗的快速估算方法。     

思想政治工作与构建社会主义核心价值体系

构建社会主义的核心价值体系，需发挥思想政治工作的导向作用，有助于统一全党与全社会的思想，共同投入社会主义的核心价值体系的建设中；需发挥思想政治工作的励志作用，调动全体人员的主动性与积极性，增强社会主义核心价值体系建设的活力；需发挥思想政治工作的凝聚作用，将社会主义的核心价值思想深入人心，打造社会主义核心价值体系建设的人文基础；需发挥思想政治工作的转化作用，积极将社会主义的核心价值体系转化成社会公众的集体意识与行为，凸显社会主义核心价值体系建设的现实价值；需发挥思想政治工作的开发作用，激发全体人民群众的创新精神，彰显社会主义核心价值体系建设的中国特色。     

广域测量系统在电力系统中的应用

介绍了广域测量系统及其总体构成,在此基础上介绍了广域测量系统在电力系统中的应用,并展望了其未来的发展动向.     

基于多域特征提取和自适应神经-模糊推理系统的电能质量扰动识别

基于多域特征提取（multi-domain feature extraction）和自适应神经-模糊推理系统（Adaptive Neuro-Fuzzy Inference system,ANFIS）提出了电能质量扰动类型识别的一种新方法。基于波形包络阈值线对扰动进行检测;在时域、频域和小波域进行多域特征提取,选取扰动信号的基波均方根（RMS）幅值、总谐波畸变率、次谐波幅值和小波包能量熵共同组成输入特征矢量;通过自适应神经-模糊推理系统对电能质量扰动类型进行识别。仿真结果表明,该方法与BP神经网络和最小二乘支持向量机相比平均识别准确率高,对特征不规则的待检电能质量扰动信号具有良好的柔性和适应性。     

采用线性预测奇异值分解的振荡瞬态分析

为改进振荡瞬态信号的分析方法以在短序列、低信噪比的情况下获得较好的正弦检测结果,针对实际电力系统中可能同时存在多个振荡瞬态的情况,首先利用自适应陷波滤波器实现基波与振荡瞬态信号的分离以减少基波对奇异值分解结果的影响;再利用线性预测奇异值分解算法,估计出每单个振荡瞬态信号的起始幅值、起始相位、频率和衰减系数等参数。仿真实验的结果显示在多个振荡瞬态同时存在的情况下,用该方法估计多个振荡瞬态信号是可行的和有效的。     

基于Bayes估计的双小波维纳滤波电能质量信号去噪算法

提出一种基于贝叶斯（Bayes）估计的双小波维纳滤波的电能质量信号去噪算法。该算法在第一个小波域采用基于Bayes估计的小波阈值去噪技术估计期望信号,在第二个小波域将含噪信号和估计信号分别进行小波变换,用估计信号的小波系数设计经验维纳滤波器,对含噪信号的小波系数进行维纳滤波再反变换,从而实现去噪功能。实验结果表明该算法比常用的小波阈值去噪方法及基于它们的双小波维纳滤波算法去噪效果要好;当噪声强度逐渐增加时,该算法能够在诸算法中产生最大的信噪比。     

基于小波邻域阈值分类的电能质量信号去噪算法

提出了一种基于小波邻域阈值分类的自适应阅值电能质量信号去噪算法.首先结合所用小波函数,基于模极大值小波域确定最佳邻域窗口尺寸;然后利用各个尺度携带信号信息的小波系数其分布具有"簇聚"性质及其小波系数具有局部相关性,通过邻域阈值对小波系数进行分类,对分类后的"小"系数直接置零,对"大"系数则采用一种具有局部强相关性的零均值高斯模型,通过最小均方误差准则得到其估计.仿真实验结果表明,该算法对实际电能质量信号去噪是有效的,在去噪性能上优于常用的多种自适应阈值去噪算法.     

基于多域特征提取和自适应神经-模糊推理系统的电能质量扰动识别

基于多域特征提取(multi-domain feature extraction)和自适应神经-模糊推理系统(Adaptive Neuro-Fuzzy Inference system,ANFIS)提出了电能质量扰动类型识别的一种新方法.基于波形包络阈值线对扰动进行检测;在时域、频域和小波域进行多域特征提取,选取扰动信号的基波均方根(RMS)幅值、总谐波畸变率、次谐波幅值和小波包能量熵共同组成输入特征矢量;通过自适应神经-模糊推理系统对电能质量扰动类型进行识别.仿真结果表明,该方法与BP神经网络和最小二乘支持向量机相比平均识别准确率高,对特征不规则的待检电能质量扰动信号具有良好的柔性和适应性.