基于 LSA-MP 改进原子分解的 电能质量数据压缩方法

电能质量数据压缩是电能质量问题检测和识别中的重要步骤,其本质即为探寻电能质量稀疏特征的过程。针对稀疏分解中常用的匹配追踪算法在匹配最佳原子时计算复杂度高、耗时长,不能满足电力信号分析实时性要求的问题,应用收敛精度高、收敛速度快以及全局寻优能力强的闪电搜索算法搜索最佳原子,提出了闪电搜索匹配追踪算法。利用所提算法在构建的电能质量相关原子库中对电能质量信号进行原子分解,提取电能质量特征参数,将提取到的参数作为压缩后的电能质量数据,实现电能质量数据压缩。实验结果表明,所提算法匹配最佳原子的耗时约缩短为原算法的1/98,基于所提算法的电能质量数据压缩方法在匹配最佳原子满足电力信号分析的实时性要求,具有较高的压缩率和较低的重构误差,提高了数据压缩的性能。     

基于正交优化时频原子分解算法的电能质量扰动匹配特征分析

针对电能质量扰动信号时频局部化信息量较广难以简洁、灵活提取有效细微特征以及匹配追踪收敛速度较差的问题,提出一种应用于电能质量扰动分解重构及扰动特征参量提取的匹配时频原子框架及其改进方法。在Gabor时频原子库离散优化基础上,通过匹配追踪算法对扰动信号进行自适应分解,同时对搜寻的最佳时频原子进行正交变换,减小冗余分量,设定迭代次数或残差阈值作为终止条件,从而获得一系列匹配扰动信号波形特征的正交时频原子及其参量化形式。仿真结果表明,该框架能有效分解提取电能质量扰动信号时频特征参量,相对基于匹配追踪的稀疏分解,改进算法单一扰动匹配特征重构信噪比高达55dB,多重扰动达35dB,均方误差数量级为0.001,匹配扰动特征精度及收敛性能进一步提高,满足电能质量分析要求。     

基于PSO-MP算法和RBF神经网络的电能质量扰动识别

准确识别扰动信号类型对分析和治理电能质量问题具有重要意义。文中提出一种基于粒子群优化匹配追踪算法(PSO-MP)和RBF神经网络的电能质量扰动识别方法。首先,构建工频原子库将工频信号提取出来,得到的残余信号能更好地体现扰动信号差异性;再利用PSO优化匹配追踪算法以减小计算量,并结合离散Gabor原子库对残余扰动信号进行稀疏分解,准确提取其原子参数;最后将原子参数以及残余信号在原子上的投影的均值和标准偏差作为特征量,利用RBF神经网络对扰动信号进行识别。仿真算例表明,该方法能够有效地识别几种常见的电能质量扰动,且具有抗噪性能强、计算量小等优点。     

原子稀疏分解算法在电力系统扰动信号分析中的应用

针对目前电力系统扰动信号分析中的一些不足,提出了一种基于原子分解的扰动信号分析方法。该方法根据电力系统信号特点,采用衰减正弦量模型构建原子库。以原子稀疏分解的基本理论为指导,应用匹配追踪算法进行迭代求解,得到相关原子参量。将所述方法应用于电力系统扰动信号分析中,能够自适应地从过完备原子库中建立信号的稀疏解析表示,克服了固定基信号分解模式的缺陷。典型算例仿真结果证明了算法的有效性和优越性。     

原子稀疏分解算法在电力系统扰动信号分析中的应用

针对目前电力系统扰动信号分析中的一些不足,提出了一种基于原子分解的扰动信号分析方法.该方法根据电力系统信号特点,采用衰减正弦量模型构建原子库.以原子稀疏分解的基本理论为指导,应用匹配追踪算法进行迭代求解,得到相关原子参量.将所述方法应用于电力系统扰动信号分析中,能够自适应地从过完备原子库中建立信号的稀疏解析表示,克服了固定基信号分解模式的缺陷.典型算例仿真结果证明了算法的有效性和优越性.     

原子分解快速算法在电能质量扰动分析中的应用

提出一种原子分解的快速算法,并应用于电能质量扰动信号的分析中。该方法构建相关原子库,并将原子离散的参数连续化,能减少重构信号所需的原子数并使分解结果更准确;针对频率范围较大的谐波、衰减振荡等信号,采用快速傅里叶变换对最优原子频率进行预求解,从而降低原子库规模;采用粒子群优化的匹配追踪算法选出反映电能质量扰动信号特征的最优原子。仿真算例表明,该方法可快速准确地提取电能质量信号的扰动特征,且有较好的抗噪性能。     

应用HS改进原子分解的电能质量扰动辨识分析

结合原子分解与和声搜索算法,提出了一种电能质量扰动信号自适应分解及特征参数辨识方法。针对Gabor原子分解匹配追踪算法计算量大、实时性差的问题,首先利用傅里叶变换进行频谱分析,估计出扰动信号频率、幅值等参数,并以估计值作为搜索的初始解,加快算法的收敛速度;然后根据电能质量扰动信号特点将Gabor原子库分解为类基波库、脉冲库、谐波库、振荡库4个子库,依次搜索各子库,降低搜索的复杂度;再次,利用和声搜索算法快速、准确的全局搜索和协同搜索的特点对匹配追踪算法进行改进,加快了搜索速度;最后,依据获得Gabor原子索引参数实现电能质量扰动信号参数辨识。算例仿真表明,所提方法在保留匹配追踪算法优良重构性能的前提下,计算复杂度显著降低,搜索效率和收敛速度加快,扰动参数辨识精度得到提高。     

应用原子分解的电能质量扰动信号特征提取方法

提出一种应用原子分解实现的电能质量扰动信号特征提取方法.该方法以Gabor原子库和匹配追踪算法为基础,从扰动信号中迭代求取Gabor原子成分,再将Gabor原子转化为衰减正弦量原子,获得电能质量信号中各种扰动成分参量化的原子解析表示.用初始残余能量的阈值作为原子分解迭代终止条件,以改善特征提取效果.该方法可准确定量地提取各扰动成分的起止时刻、幅值、频率和变化规律等扰动特征,适用于暂态扰动、稳态扰动和多重扰动.算例分析验证了所提出的方法的有效性.     

三相电能质量扰动信号压缩方法研究

提出了一种基于压缩传感的三相电能质量数据压缩新方法。首先,将时间t内的三相电能质量扰动信号转换为3t时间内的一维信号;然后,将传统的多频带融合问题理论应用于压缩感知稀疏基设计中,构造稀疏基;最后,选取高斯随机矩阵作为观测矩阵,OMP算法作为重构算法,重构三相电能质量扰动信号并利用MATLAB进行仿真。实验结果表明,该方法可以有效压缩三相电能质量数据,实现三相电能质量扰动信号同时处理,并同时检测出多项性能指标参数。     

采用改进CPSO动态搜索时频原子的电能质量扰动信号去噪方法EI北大核心CSCD

针对电能质量扰动信号噪声抑制中的难点问题,即有效滤除噪声的同时又能较好地保留信号奇异点信息,提出一种采用改进混沌粒子群(ICPSO)动态搜索时频原子的电能质量扰动信号去噪方法。首先,构建了与电能质量扰动信号时频特征相匹配的过完备原子库,采用正交匹配追踪(OMP)算法求解信号稀疏模型,同时采用ICPSO算法对时频原子匹配过程做进一步优化。然后,以残差比阈值确定迭代终止次数,利用最佳匹配原子和稀疏系数重构原始信号,实现信号去噪的目的。运用文中介绍方法对6种典型的电能质量扰动信号进行去噪处理,并与形态学滤波和小波阈值去噪2种方法进行对比。仿真结果表明,文中方法在有效去除噪声的同时,能完整地保留突变点信息,去噪结果准确性高。     

风力发电并网电压扰动信号的分析与检测

风力发电并网中的暂态电能质量问题严重影响电网的安全稳定运行和用电设备的正常使用,因此深入分析风电并网产生的暂态电能质量问题并且准确检测扰动是非常必要的。首先,分析了风电并网系统引起暂态电压扰动的原因,并建立风电并网系统的仿真模型,得出电压扰动信号的具体类型;然后,基于稀疏分解的思想,分析了具体的暂态电压扰动信号;再针对其特点构造了风电并网电压扰动原子库,减少了信号分解时的计算量,提高了匹配追踪的速度。该方法不仅对扰动信号准确分类,并且同时实现了扰动信号的定位和参数估计,辨识方法简单有效,精度较高。     

压缩感知理论及其电能质量应用与展望

压缩感知理论是信号采样与处理领域的热点和前沿,在电能质量检测中具有很好的应用前景。为此,对压缩感知理论及其电能质量应用与展望进行综述。阐述了现有电能质量扰动信号采样和分析方法的不足,介绍了稀疏分解与压缩感知的基本概念和发展现状,重点介绍了压缩感知理论的3个基础关键问题:稀疏表示、非相关观测和非线性优化重构;同时,着重介绍了时频原子稀疏分解和压缩感知理论在电力系统电能质量扰动信号中的应用现状。最后,给出了电能质量扰动信号稀疏分解和压缩感知理论的下一步研究展望。     

遗传优化时频参数的电能质量扰动匹配特征分析

针对电能质量暂态扰动信号时频局部化信息量较广难以简洁灵活提取有效细微特征以及匹配追踪算法计算量大的问题,提出一种应用于电能质量扰动特征参量提取及压缩重构的匹配时频原子框架及其遗传优化改进算法。在Gabor过完备时频原子库离散基础上,采用匹配追踪方法(matching pursuit,MP)对扰动信号进行时频原子自适应分解,并通过遗传算法(genetic algorithm,GA)对时频原子参量进行优化计算,从而降低匹配追踪搜索过程的复杂度,获得最佳匹配电能质量扰动信号特征的时频原子参量化解析表示以及匹配特征重压缩构波形。算例仿真表明,该框架重构信噪比高达50 dB,均方误差数量级为0.001,能量恢复系数达到0.99以上,与小波(包)相比,具有更优良的压缩重构性能及多分辨能力,遗传优化时频参量的改进算法,基本保持了 MP 优良的压缩重构性能,计算复杂度缩减率为95.8%,算法收敛性得到提高,匹配扰动信号计算效率提高80~100倍,满足电能质量扰动分析要求。     

电能质量扰动信号时频原子分解的进化匹配追踪算法

时频原子分解对电能质量扰动信号具有良好的分析效果,但其常用的匹配追踪(MP)算法,存在计算量大、参数空间离散化影响原子匹配性能等不足。基于差分进化,研究了电能质量扰动信号原子分解的进化匹配追踪(EMP)算法,给出了算法流程。针对几种电能质量扰动信号,通过Gabor和衰减正弦量原子分解的30次独立仿真实验,分析了信号长度、噪声等对性能的影响。结果表明,EMP算法与MP相比大大减少了计算耗时且不受信号长度的影响,进一步提高了原子的全局匹配能力,具有很好的抗噪声能力。最后,给出了下一步工作的展望。     

采用快速原子分解的电能质量扰动信号参数辨识

采用原子分解能够准确提取电能质量扰动信号的幅值、频率、相位以及扰动起止时刻等特征量。但在原子分解过程中需要作大量的计算,计算速度缓慢。针对这一问题,根据信号的特点采用快速原子分解方法将Gabor原子库分为5层,简化每一层的索引参数。首先利用快速傅里叶变换测出信号的主要频率点和通过小波变换粗提取扰动起止采样点序列,然后将信号依次通过Gabor原子库每一层,从每一层中搜索到对应的最佳匹配原子,并采用伪牛顿法对最佳匹配原子进行优化,最后转化为衰减正弦量原子,以残余正弦信号的能量作为判断终止条件。算例仿真结果表明,该方法能够准确对电能质量参数进行辨识,并且运算速度有较大提高,验证了所提方法的有效性和实时性。     

基于小波和神经网络的电能质量扰动信号数据压缩

在小波变换数据压缩方法和神经网络数据压缩技术的基础上,提出了将小波和神经网络应用于电能质量扰动信号数据压缩的方法。利用小波时域和频域的双重分辨率和神经网络的非线性函数逼近能力,以压缩比、均方误差为压缩效果的评价指标,对实际扰动信号进行数据压缩。采用样条小波和径向基神经网络数据压缩方法,以一个实例,给出了电能质量扰动信号的压缩仿真过程,给出了各类(电压凹陷、突起、尖峰、闪变及瞬态振荡)电能质量扰动信号的仿真分析结果。结果表明,该电能质量扰动信号数据压缩方法,压缩后得到的均方误差为-16.1397 dB,压缩效果良好。     

树形原子分解在电能质量扰动信号中的应用

针对原子分解算法仅仅保留当前最佳解,而忽略其对以后步骤影响的问题,提出一种树状型的改进原子分解算法,利用树状图从所有可能的向量组合中,选择逼近误差最小的核函数组合作为最佳字典向量,每次保留多个局部极值作为候选项,找到传统原子分解和全局最优解之间的折衷.仿真电能质量扰动录波数据表明,新方法能够有效地应用到电能质量扰动信号中,可以对电能质量仿真数据进行可行性分析,结果证明了所提方法的良好性能.     

基于超完备字典的压缩感知电能质量数据重构

针对应用压缩感知原理进行电能质量数据重构时,采用普通函数形成的正交基进行稀疏表示不能自适应地获得最佳稀疏表示这一问题,首次将K-奇异值分解字典学习引用到电能质量数据重构中。首先,对电能质量信号进行一二维转换,利用K-奇异值分解字典学习算法,建立了适合电能质量数据的超完备字典;并选取高斯随机矩阵作为测量矩阵,对电能质量扰动信号进行压缩采样。同时,利用压缩感知匹配追踪算法进行信号二维重构,并将其转换成一维信号。最后,利用所提出的新算法对几类常见电能质量信号进行了仿真验证。结果表明:在压缩比为25%时,利用新算法能够完成重构信号,其信噪均大于44.2 dB,能够满足实际应用时的分析要求。     

基于分层匹配追踪算法的电能质量复合扰动参数辨识方法

针对电能质量中的复合扰动信号分析问题,提出一种粒子群优化(PSO)和匹配追踪(MP)算法相结合的分层搜索的原子分解方法。首先应用MP算法提取基波分量,对于去除基波分量的残差信号,利用快速傅里叶变换找寻能量最大的频率成分,采用PSO算法粗搜索出最佳匹配粒子,然后以最佳匹配粒子为中心,在一定范围内重新离散化,生成小规模原子库,再应用MP算法有针对性地进行细搜索,最终得到最佳匹配原子,提取出电能质量复合扰动特征参数。仿真结果表明,该方法能克服MP算法匹配时间长、计算量大及PSO优化MP算法残差积累过大、容易陷入局部最优、匹配参数不准确等缺点,且具有一定的抗噪性和实时性。     

基于Gabor原子的活立木茎体水分信号MP分解与重构

针对活立木茎体水分时域信号呈现的非平稳、信息冗余特性,提出了一种基于Gabor原子的活立木茎体水分信号MP分解与重构方法。试验结果表明活立木茎体水分信号可以用Gabor原子库稀疏表示,靠前的原子反映信号的主要特征,靠后的原子反映信号的细微特征,原子数越多,稀疏信号越能更好地描述原始时域信号的特征。稀疏信号对比于原始时域信号,数据量明显减少,避免了信息冗余,达到了数据压缩的目的,为大量数据的存储节省了物理空间。在Gabor原子库过冗余的情况下,稀疏信号可以高质量的重构出原始时域信号,在主要特征数据点处重构误差较小,在细微特征数据点处重构误差较大。