基于局部均值分解的暂态电能质量扰动检测方法

局部均值分解(LMD)是一种新的非线性、非平稳信号时频分析方法,可以将复杂的多分量信号分解为若干个乘积函数(PF)的线性组合,并通过所有PF分量的瞬时频率和瞬时幅值组合,得到原始信号的时频分布。采用波形匹配延拓对LMD进行改进,改善其端点效应问题,并用直接法求取PF分量的瞬时频率,将其应用于暂态电能质量扰动的检测分析。LMD可以有效地对扰动的起止时刻进行定位,具有较高的瞬时频率和瞬时幅值检测精度。仿真结果表明了LMD方法用于暂态电能质量扰动分析的可行性和有效性。     

基于LMD的电压闪变分析

为实现电压闪变的准确检测,提出了基于局部均值分解(local mean decomposition,LMD)的分析方法。将复杂的多分量信号分解为若干个乘积函数(production function,PF)的线性组合,并通过所有PF分量的瞬时频率和瞬时幅值组合,可以得到原始信号的时频分布。首先对电压闪变信号进行LMD分解,用得到的瞬时幅值分量来确定电压闪变的幅值。然后对得到的纯调频信号进行Hilbert变换,求取瞬时频率,由瞬时频率的突变点定位闪变的起止时刻。仿真结果表明了LMD方法用于电压闪变分析的准确性和可行性。     

基于LMD和Hilbert变换的电压暂降检测方法

为了准确获得电压暂降幅度、频率成分以及扰动起止时刻等信息,将一种基于局部均值分解(Local Mean Decomposition,LMD)和希尔伯特(Hilbert)变换的时频分析新方法应用于电压暂降扰动检测中。新方法先通过LMD分解得到原始信号的乘积函数(Product Function,PF),PF分量的包络函数即瞬时幅值,再对PF分量进行Hilbert变换可得其瞬时频率。电压暂降特征信息可从瞬时幅值和瞬时频率中提取出来,从而实现电压暂降的检测。将新方法应用到两种电压暂降信号的仿真分析中,并与LMD法的分析结果进行比较。仿真结果证明了该组合方法检测电压暂降的有效性和准确性。     

基于改进LMD的电能质量扰动检测新方法

介绍了一种新的非线性、非平稳信号分析方法——局部均值分解(local mean decomposition,LMD),分析了LMD用于扰动信号检测时的优缺点及原因。在此基础上,提出一种改进的局部均值分解(improved local mean decomposition,ILMD)电能质量扰动检测及时频分析新方法,该方法由LMD和希尔伯特变换(Hilbert Transform,HT)2部分组成。先用LMD提取信号的乘积函数(product function,PF),由PF分量的调幅函数可得信号瞬时幅值;再对PF分量进行HT求取瞬时频率。ILMD方法可有效定位发生扰动的起止时刻,克服LMD在定位能力上的不足。与采用希尔伯特黄变换(Hilbert Huang transform,HHT)方法相比,ILMD具有瞬时幅值函数端部失真小、瞬时幅频曲线波动小和幅值与频率检测精度高等优点。仿真信号和500 kV变电站电容器组投切时的电压信号分析结果证明所提方法的可行性和有效性。     

基于IEEMD与LS-SVM组合的短期风电功率多步预测方法

针对组合预测方法中经验模态分解(EMD)部分存在处理非线性和非稳态信号的不足,提出了一种改进的集总经验模态分解(IEEMD)与最小二乘支持向量机(LS-SVM)模型相结合的短时风电功率预测方法。该方法首先通过对加噪辅助分解方法噪声准则的研究,推导出加噪方式采用正负成对形式可以有效消除分量中的残余噪声,且确定加噪幅值和分解次数采取固定值:0. 014 SD和2次。然后将原始数据通过IEEMD方法分解成一系列固有模态函数,运用游程判定法进行筛选重构成高中低频三种频段,并对不同频段的分量建立LS-SVM多步预测模型,最后将预测值自适应叠加作为最终的预测结果。通过仿真实验和实测风电功率实验验证了所提方法在预测精度上具有一定优势,为短时预测方法提供了一种新思路。     

基于Akima-LMD和GRNN的短期负荷预测

传统局域均值分解(LMD)对极值点采用了滑动平均值处理得到局域均值函数和局域包络函数,易造成分解的分量过平滑而影响精度。为了减小过平滑影响,采用Akima插值法代替滑动平均值法处理局域函数来改进LMD算法,针对电力系统负荷序列的非平稳性和非线性,利用改进LMD算法进行序列分解得到若干分量,再利用广义回归神经网络(GRNN)预测各个分量的趋势,叠加各分量趋势得到负荷序列总趋势。GRNN神经网络较传统神经网络训练速度快、精度高,能很好地预测非线性序列。算例分析表明,改进LMD结合GRNN的方法较经验模态分解(EMD)结合GRNN的方法在短期电力负荷预测中有更高的预测精度。     

基于LMD和TEO的电能质量扰动检测分析

分析了局部均值分解LMD(local mean decomposition)在扰动检测中时间定位不足的原因,提出了基于LMD和Teager能量算子TEO(Tteager energy operator)的电能质量扰动信号检测分析方法。该方法由LMD和Teager能量算子2部分组成。首先利用LMD将电压信号分解成若干个乘积函数PF(product function),再用Teager能量算子解调PF分量得到信号的瞬时幅值包络和瞬时频率。根据时频图频率突变点,可以有效地检测扰动发生的起止时刻。与LMD相比,所提出的方法具有频率、幅值检测准确,定位能力强,端部失真小等优点,能有效检测分析非平稳电能质量扰动信号。     

基于遗传算法和神经网络的分时段风速预测方法

为提高风速预测的准确性,提出一种分时段GA-BP(遗传算法优化BP神经网络)的风速预测方法,以遗传算法来优化BP神经网络,并将原始数据进行分时段处理,改善训练样本的相似程度。基于matlab进行了仿真验证,结果表明:遗传算法优化BP神经网络使其预测结果的平均相对误差降低,准确性提升;原始数据分时段处理后,预测准确性进一步提升。     

小波分解层数及其组合分量对短期风速多步预测的影响分析

针对风速时间序列的规律性和随机性双重特征,将小波分解和RBF神经网络相结合用于短期风速预测。针对小波分解用于风速信号的不同频率成份的趋势项提取,研究了基于小波分解后的分量RBF网络预测及综合问题,包括全部高频-低频分量组合预测、部分高频-低频分量组合预测,以及低频分量组合预测三种方法的预测性能和特点。分析了三种不同方法在短期风速预测中的应用效果。通过对不同时间、不同地点短期风速预测的研究发现,进行不同步数的预测时,只有选取合适的分解层数、合适的高频分量和低频分量组合,才能得到最优的预测效果。该结论对于将小波分解用于短期风速时间序列的预测具有一定的指导意义。     

基于小波分解的神经网络组合风速预测

短期风速预测对于风电机组一次调频有着重要意义,而风速的随机性和波动性会直接影响到风速预测的精度.针对风速的上述特点提出了一种基于小波分解的神经网络组合风速预测方法.首先通过小波分解将不稳定的风速信号进行分解,从而得到不同频率的分量并进行重构;然后对高频分量分别采用Elman、BP神经网络预测并选取合适的权重比进行加权平...