基于BWD谱峭度的暂态电能质量扰动分类识别

根据暂态电能质量扰动的内在特性和谱峭度的特点,提出一种基于巴特沃斯分布(BWD)的谱峭度计算新方法,并与支持向量机相结合应用于暂态电能质量扰动识别。该算法采用BWD谱峭度方法计算暂态脉冲和暂态振荡2类扰动信号的谱峭度,选取谱峭度的最大值、最小值和均值作为特征量,输入PSO优化参数的SVM进行训练测试。通过PSCAD/EMTDC获得仿真数据,并分析之。结果表明,基于BWD谱峭度方法能够有效提取扰动特征量,且具有良好的抗噪性能。利用SVM分类器在小样本和叠加有其他扰动,能有效识别两类扰动,识别率较高。     

基于CWD谱峭度的暂态电能质量扰动识别

针对现有的暂态电能质量扰动识别过程复杂、易受噪声影响的问题,提出基于CWD的谱峭度与有效值相结合的电能质量扰动识别算法。该算法通过CWD谱峭度值将扰动信号分为暂态脉冲、暂态振荡和幅值类扰动3类,将电压暂升、暂降和中断这3种幅值类扰动看作一类,再通过计算幅值类扰动的有效值区分暂升、暂降和中断。该算法不需要使用任何分类器,极大地简化了算法流程,减少了计算时间。仿真结果验证了理论分析的正确性。     

一种基于谱峭度的局部放电信号提取新方法

针对局部放电信号中受到的平稳随机型干扰和窄带周期型干扰,提出了一种基于谱峭度的局部放电信号提取方法。首先求取出含噪局部放电信号的谱峭度,然后根据谱峭度设计自适应带通Wiener滤波器。对经过滤波器滤波后的信号进行小波平滑去噪,提取出更加精确的局部放电信号。分别采用所提方法和小波阈值去噪方法提取局部放电信号,结果表明,所提方法能够很好地抑制平稳随机型干扰和窄带周期型干扰,且各个性能指标都优于小波阈值去噪方法。     

电能质量复合扰动分类的研究进展

针对电能质量复合扰动的识别问题,通过举例分析复合扰动信号,讨论了复合扰动的特点。详细综述国内外电能质量复合扰动分类的研究现状,将其研究方法分为单标签分类和多标签分类两大方面,分别对这两个方面中目前采用的思想和方法进行讨论。在单标签分类中,分别从直接分类、S变换+分类器、小波变换+神经网络、支持向量机和其它方法五个方面进行复合扰动分类讨论。在多标签分类中,分别从分类思路、分类策略和标签相关性等方面对该方法进行了讨论。最后,分析了电能质量复合扰动识别目前存在的问题,对其研究进行了展望。     

基于多标签Rank-WSVM的复合电能质量扰动分类

该文提出一种多标签排位小波支持向量机(rank wavelet support vector machine,Rank-WSVM),并将其应用于电能质量复合扰动分类中。Rank-WSVM将小波技术与多标签排位支持向量机(Rank-SVM)结合,利用小波的优良特性提高分类器的整体性能。首先,对电能质量扰动信号进行离散小波分解,计算 Tsallis 小波熵作为特征向量;然后利用所提出的 Rank-WSVM 多标签分类器进行分类。仿真结果表明,在不同噪声条件下,该方法有效改善了Rank-SVM的分类性能,可有效识别电压暂降、电压暂升、电压短时中断、脉冲暂态、振荡暂态、谐波和闪变等电能质量扰动及其组合而成的复合扰动。