一种新的电压暂态信号检测方法

暂态电能质量扰动包括电压骤降、电压骤升以及供电瞬时中断问题,而据统计和案例反映,造成用户用电设备异常运行或停电的绝大部分因素是电压骤降问题.为了检测电压暂降信号的特征值,本文提出了一种小波包变换和平方检测相结合的新检测方法.该方法采用小波包变换对扰动信号奇异点进行检测,准确定位扰动的起始时刻和终止时刻;采用小波包变换对信号进行平方解调,以求解扰动信号幅值.算例研究表明:在含有多种暂态扰动的情况下,该方法可以实现对骤降信号特征值的检测.     

基于db4小波变换和双ARM Cortex-M的电能质量分析系统

研究并开发了基于双ARM Cortex-M平台、利用小波变换检测暂态扰动电信号的电能质量分析系统原型.首先利用Mallat算法对电能信号进行离散小波分解,计算并比较高频区间的模极大值,进而确定扰动发生时间点并进行录波.在双ARM Cortex-M硬件平台上对该检测扰动的算法进行验证,通过电压中断和暂态振荡两种输入信号模型对系统进行测试,结果表明系统能在2ms内检测到电信号的突变,能准确实时地检测到暂态扰动出现的时刻.     

小波模极大值原理在暂态电能质量扰动信号检测中的应用

对电能干扰信号进行准确检测是提高电能质量的重要前提,将具有时频局部化特性的小波变换用于暂态电能质量扰动信号的检测中。给出了利用小波分解最细尺度的模极大值实现扰动检测的实用判据,首次对实用判据应用中的几个关键问题（采样频率的确定、分解尺度的确定、母小波的选取、边界的处理等）进行了分析说明。利用MATLAB对电压暂降、振荡暂态、瞬时供电中断、脉冲暂态等暂态电能质量问题进行仿真试验研究。结果证明所用方法可以有效检测各种暂态干扰,精确度高。     

基于最小二乘支持向量机的电能质量扰动分类方法

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法。对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别。与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果。仿真实验验证了该方法对扰动分类的有效性。     

最小二乘支持向量机在电能质量扰动分类中的应用

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法.对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化:最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别.与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果.仿真实验验证了该方法对扰动分类的有效性.     

基于小波神经网络的电能质量扰动辨识

为了对电能质量进行有效的治理,以提高用电效率,有必要对电能质量扰动进行准确的分类。基于小波的时频分析特点和一种新型的小波神经网络,提出了一种电能质量实用分类方法。利用正交小波对信号进行多分辨率分析,提取各类电能质量变化的能量特征;利用小波神经网络对输入特征矢量进行识别,完成对电能质量的自动分类。研究表明,该方法能有效地区分电压骤降、电压骤升、电压中断、脉冲暂态4种电能质量问题。     

多类分类SVM在电能质量扰动识别中的应用

结合傅里叶变换良好的幅频特性、小波变换良好的时频特性和支持向量机优秀的统计学习能力,采用多类分类支持向量机进行电能质量扰动的分类识别。对电压骤升、电压骤降、电压中断、谐波、电压波动、暂态振荡、瞬时脉冲、频率偏差等八种常见电能质量扰动进行数学建模,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,将特征量输入到osu_svm进行电能质量扰动多类分类。算例表明该方案具有识别正确率高,训练样本数少,训练时间短,实时性好,对噪声不敏感等优点,是电能质量扰动识别的有效方法。     

多类分类SVM在电能质量扰动识别中的应用

结合傅里叶变换良好的幅频特性、小波变换良好的时频特性和支持向量机优秀的统计学习能力,采用多类分类支持向量机进行电能质量扰动的分类识别.对电压骤升、电压骤降、电压中断、谐波、电压波动、暂态振荡、瞬时脉冲、频率偏差等八种常见电能质量扰动进行数学建模,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,将特征量输入到osu_svm进行电能质量扰动多类分类.算例表明该方案具有识别正确率高,训练样本数少,训练时间短,实时性好,对噪声不敏感等优点,是电能质量扰动识别的有效方法.     

基于模糊自适应形态滤波器和S变换的暂态电能质量扰动检测

提出一种基于模糊自适应形态学滤波器与S变换结合的暂态电能质量扰动检测方法。该方法根据数学形态学理论和模糊控制原理构造一种模糊自适应形态学滤波器,对扰动波形进行预处理,以滤除信号中的随机、脉冲等多种噪声,可较好地保留信号的基本特征,对于滤波后的信号波形,利用S变换幅值包络线对暂态电能质量扰动起止时间进行检测。最后通过对噪声背景下含电压骤升、电压中断和电压骤降电磁暂态现象的电压信号进行仿真验证,结果表明该方法具有计算简单、快速和准确的特性和优点。     

配电网暂态电能质量扰动的定位与识别研究

针对配电网暂态电能质量扰动的非平稳性、突变性和短时持续性的特点,提出一种基于小波变换和BP神经网络的扰动定位与识别方法。首先对暂态电能质量扰动信号进行小波分解,提取其高频系数得到扰动时刻信息,然后利用模极大值对扰动突变点峰值进行定位检测,再用扰动信号的能量分布序列来构造特征向量并用BP神经网络设计扰动识别器。MATLAB仿真结果表明,该方法对暂态电能质量扰动信号起止时刻定位快速,精度较高,能有效地识别五种电能质量扰动,识别率高。     

基于离散余弦变换和小波变换的电能质量扰动信号检测方法

综合离散余弦变换和小波变换模极大值原理在时频分析中的优点,提出了基于离散余弦变换和小波变换的电能质量扰动信号检测方法.先通过离散余弦变换检测出各种基频干扰(电压暂降、电压暂升和电压间断)和各次谐波(包括暂态谐波),再利用小波变换模极大值原理检测出暂态振荡和暂态脉冲,并实现扰动时间和扰动幅值的测定.该方法具备较强的抗噪能力,仿真结果验证了该方法的有效性.     

基于Mallat算法和快速傅里叶变换的电能质量分析方法

提出了一种基于Mallat算法和快速傅里叶变换的电能质量分析方法。将小波消噪应用于采样信号,根据信号的突变点检测结果,将采用Mallat分解算法得到的第一层和第二层高频系数作为区分稳态和非稳态扰动的判据,进而求出扰动的持续时间。根据多分辨分析的频带划分原理,采用Mallat重构算法提取出了暂态扰动波形,并编制了可准确判别电压骤降、骤升和断电等短期变化扰动的识别子程序。对于稳态扰动,提出可将快速傅里叶变换作为区分谐波和闪变的一种手段。Matlab的仿真结果验证了该方法的准确性和有效性。     

基于小波变换和神经网络的暂态电能质量扰动自动识别

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法。先提取基波频段所在的小波系数将电压凹陷、电压凸起和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡。该方法利用小波和小波包各自的时频分解特点,实现了暂态电能质量扰动的自动检测和分类。经仿真分析,验证了此方法的准确性和高效性。     

基于小波变换和神经网络的暂态电能质量扰动自动识别

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法.先提取基波频段所在的小波系数将电压凹陷、电压凸起和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡.该方法利用小波和小波包各自的时频分解特点,实现了暂态电能质量扰动的自动检测和分类.经仿真分析,验证了此方法的准确性和高效性.     

电力系统中的暂态电能质量问题

暂态电能质量问题日益突出,越来越受到关注,文章从暂态电能质量的概念及其特征出发,对其进行了较为详细的分类,分析产生的成因以及对电网的影响和危害,并提出和阐述了基于D-FACTS技术的改善暂态电能质量的装置与措施:动态电压恢复器、静止无功发生器、固态断路器、统一电能质量控制器、超导磁能与UPS等;由于电压骤降、骤升与电压中断等已经成为系统可靠性分析和暂态电能质量研究的重要内容,制定相关国家标准已经迫在眉睫。     

基于小波变换和神经网络的暂态电能质量自动识别

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法。先提取基波频段所在的小波系数将电压凹凸和电压中断分别检测出来,然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡。该方法利用小波和小波包各自的时频分解特点,能有效地避免噪声的影响,实现了暂态电能质量扰动的自动检测和分类。经仿真分析,验证了此方法的准确性和高效性。     

广义内插小波在电能质量扰动信号分析中应用

广义内插小波(GIW)具有对称性、紧支撑性、双正交性、内插性和高阶消失矩等优点,并消除了分解初始化时的Mallat误差。介绍了GIW的基本概念和分解、重构算法。将GIW应用于电能质量扰动信号的分析,对电压骤升、电压骤降、局部跌落、瞬时断电、频率漂移和局部振荡进行了仿真,并比较了GIW、Bior 3.7、Coif3、Db 4等4种小波在电压骤升、局部跌落、局部振荡时的信号定位性能,结果表明:虽然选取的GIW的滤波器长度要大于其他3种小波,但其对突变信号定位的幅值和偏移点数等参数仍优于其他三者;检测突变信号时,选用紧支撑对偶、具有高阶消失矩的小波可以更精确地检测突变点。分析可知,GIW具有很好的综合性能指标,可以有效地检测出各种微小扰动。     

用以改善暂态电能质量的D-FACTS技术

暂态电能质量问题日益突出,越来越受到关注,文章从暂态电能质量的概念及其特征出发,对其进行了较为详细的分类,分析产生的成因和对电网的影响和危害,并提出和阐述了基于D-FACTS技术的改善暂态电能质量的装置与措施:动态电压恢复器、静止无功发生器、固态断路器、统一电能质量控制器、超导磁能与UPS等;由于电压骤降、骤升与电压中断等已经成为系统可靠性分析和暂态电能质量研究的重要内容,制定相关国家标准已经迫在眉捷。     

电能状态分析与防窃电的探讨

分析电能质量中的特征状态参量,总结了识别窃电的典型模式,并通过暂态电能质量分析,对其电压骤升骤降、电压短时中断、电流突变、有功功率、无功功率、功率因数等因素来确定窃电行为的方式。     

基于概率神经网络和双小波的电能质量扰动自动识别

对电能质量(PQ)扰动的自动识别是找出引起PQ问题根本原因的前提。提出了一种基于概率神经网络PNN(Probabilistic Neural Networks)和db10,db1双小波的PQ扰动自动识别方法。首先,利用db10小波对信号进行分解,将各层小波变换系数的能量和第1高频层模极大值情况作为PNN的输入矢量,判断扰动类型;然后,对信号进行傅里叶变换以检测信号中是否含有谐波;最后,对判断存在电压下降的信号进行db1小波分解,根据其低频层的模值区分电压下陷和电压中断信号。测试结果表明,该方法提高了识别正确率,且实现简单,能有效检测幅值较小的谐波。