电能质量扰动识别的小波压缩感知方法

为改善基于小波电能质量信号扰动识别中存在数据量大、识别率不高的不足,提出一种电能质量扰动识别的小波压缩感知新方法。该方法首先确定扰动信号在小波域中的稀疏性,利用小波压缩感知降维,获得少量测量数据,应用正交匹配追踪算法求取各层稀疏系数组成稀疏矩阵;然后提取稀疏系数的最大值、标准差、峭度等组成特征向量,输入神经网络系统训练并实现分类识别。该方法具有采样数据少、处理方便、特征提取简单等特点。仿真结果表明,针对典型的7类单一扰动和复合扰动信号,所提方法在理想环境下识别率分别达到99.50%和99.43%,噪声环境下识别率分别达到97%和98%以上,拥有较强的鲁棒性和较好的准确性。     

一种新的电能质量扰动信号压缩感知识别方法

针对现有电能质量扰动信号识别方法存在数据量大、准确率不高的不足,提出了一种基于压缩感知稀疏向量特征提取的电能质量扰动信号分类识别方法。该方法首先针对原始信号,利用压缩感知理论获取降维的测量信号,并基于?1范数正交匹配追踪算法获取稀疏向量。然后针对稀疏向量提取最大值、次大值、均方根、标准差、峭度和裕度因子等特征,作为神经网络的输入,实现电能质量扰动信号的分类识别。最后,针对六类典型电能质量扰动信号,开展仿真实验验证。仿真结果表明,现有识别方法需要处理的原始信号长度为1024,而所提方法特征提取时所处理的数据长度仅有30,从而大大减少了所需处理的数据量,并且由于实现了以非常少的数据量保存原有全部有用特征信息,因而更有利于提高识别准确率。通过与广泛采用的小波变换识别方法进行比较,所提方法的平均准确率高达98.71%,远远高于小波变换方法的92.86%。     

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。     

暂态和短时电能质量扰动信号压缩采样与重构方法

为解决传统的电能质量信号采集压缩方法所面临的采样率高、采样资源浪费及硬件实现成本高的问题,根据压缩传感理论首次提出了暂态和短时电能质量扰动信号的压缩采样与重构方法。该方法将电能质量信号由一维信号变换为二维信号,并根据图像可稀疏表示的原理,使用比Nyquist采样数据少60%以上的随机投影采样值重构原始信号,实现了对暂态和短时电能质量测量数据的压缩采样、采样数据空间稀疏基的选取和基于全变分最小化共轭梯度法的信号重构。针对几类常见单一扰动和含有多重扰动的校准源实测信号进行了算法的仿真分析和实验验证。结果表明,所提出的方法在采样率低于Nyquist采样率73%时,单一扰动的重构信号信噪比除暂态脉冲信号外均大于35dB,多重扰动的重构信号信噪比大于22d,满足电能质量分析的要求。     

压缩感知在电能质量扰动信号去噪中的应用

针对电能质量信号去噪中阈值去噪存在信号失真,去噪效果不理想,阈值选取影响重构质量的问题,提出了一种基于压缩感知理论(compressed sensing,CS)的电能质量信号去噪新方法。CS去噪将扰动信号映射到低维空间,利用电能质量信号具有稀疏性可以重构,噪声信号不具备稀疏性不可重构的特点,应用正交匹配追踪(orthogonal matching pursuit algorithm,OMP)重构算法重构电能质量信号达到去噪目的。实验表明,CS电能质量信号去噪法优于传统的基于小波去噪的阈值去噪法,且信号不失真,具有扰动信号采集与压缩的同时完成去噪和易于实现的特点,为电能质量信号去噪提供了一种新的方法。     

基于压缩感知的电能质量扰动数据稀疏分析与改进重构算法

基于压缩感知(CS)的电能质量扰动(PQD)信号多采用DFT基进行稀疏分析。但此方法存在频谱泄露问题,降低了原始数据的稀疏性,易造成后续重构算法稀疏度过度估计、执行效率下降。针对上述问题,在对PQD信号进行DFT稀疏分析的基础上,提出了一种对频谱泄露具有免疫能力的改进重构算法。首先对4种典型PQD信号进行了幅度谱推导,详细分析了信号相关参数与稀疏特性的关系。其次在此基础上对自适应匹配追踪(SAMP)算法进行改进,并提出频谱能量差的概念。频谱能量差可以反映出相邻迭代过程中重构信号频谱能量的变化,将该差值作为SAMP算法的迭代终止条件时,能有效地避免稀疏度过度估计并提高运算效率。最后,通过对比实验,验证了改进SAMP算法的优越性。     

基于稀疏度特征的短时电能质量扰动信号重构方法

现有基于压缩感知的短时电能质量扰动信号重构方法尚未考虑信号稀疏度特征,重构性能有待进一步提高。为此,提出一种基于稀疏度特征的信号重构方法。首先,根据压缩感知理论对信号进行采样。随后,开发出短时电能质量扰动信号的稀疏度特征—稀疏度在频域为偶数。基于该特征,提出"双步长稀疏度自适应匹配追踪"重构方法。分析与仿真结果表明,相对于传统的稀疏度自适应匹配追踪算法,提出方法降低了计算复杂度和均方误差,提高了重构信噪比和信号的正确重构概率。     

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。     

基于经验模态分解的电能质量扰动信号定位方法

提出了一种基于经验模态分解(empirical mode decomposition,EMD)的方法来对电能质量扰动信号进行定位。在EMD方法分解过程中,异常数据会在其第1个固有模态分量中引起局部高频突变信号,此高频突变信号具有幅值相对于无扰动时明显增大的特点。利用此特点,对含有电能质量扰动的电网电压进行EMD分解后得到的第1个固有模态分量求取一阶导数,然后对一阶导数进行阈值处理来确定扰动发生及终止的时刻。仿真结果表明,此方法对多种电能质量扰动信号信号有较好的定位效果。     

基于改进S变换的电能质量扰动信号特征提取方法

鉴于S变换时频分辨率低、计算量大,实际应用受限,该文构建改进S变换算法,提出基于改进S变换的电能质量扰动信号特征提取方法。首先计算采样信号的快速傅里叶变换(fast Fourier transform,FFT)频谱,创立基于包络极值算法的特征频率保留机制与信号无关频率点的自动识别机制,剔除非特征信息;然后依据信号频率与频段分析需求,引入新的窗宽调节尺度因子构成Gauss自适应优化窗,克服传统Gauss窗主瓣较宽、频率分辨率低的局限,构建基于Gauss自适应优化窗的改进S变换;对特征频率点进行变换处理,提取特征向量,实现扰动信号的自适应检测。仿真分析和试验结果表明,本文提出的改进S变换算法提高了电能质量扰动信号的时频分析准确率,计算量小,适用于电力系统扰动信号的准确、快速检测。     

电能质量扰动信号的自适应去噪方法

有效地降低电能质量信号中的噪声,是做好电能质量信号检测、识别等工作的基础。为了克服一维电能质量信号降噪的难点问题,即有效地去除噪声并完整地保留奇异点的特征,对目前图像处理领域中针对高斯等噪声降噪性能最好的基于块匹配的三维变换域联合滤波(BM3D)算法进行了改进,提出一种电能质量扰动信号的自适应去噪新方法。该方法参数较少,无需估计噪声方差,也无需人为设定滤波阈值,而是通过自适应估算较为准确的阈值实现离散余弦变换(DCT)域的滤波。通过对电压中断、电压暂降、电压暂升、脉冲暂态、振荡暂态和谐波这6种常见的电能质量信号进行降噪仿真实验,并与应用较为广泛的小波阈值去噪法进行对比分析,最后应用于实际电能质量扰动数据的降噪,验证了所述算法的有效性。     

准稀疏信号的压缩感知重构

压缩感知(CS)理论是在已知信号具有稀疏性或可压缩性的条件下,对其进行数据采集、编解码的新理论.信号的稀疏性是使用压缩感知的前提,而处理的准稀疏信号在目前压缩感知框架下不满足稀疏性,但可通过预处理使其满足该特性.采用OMP重构算法,通过对信号直接进行压缩感知重构、经某个域上分解后的压缩感知重构和预处理的压缩感知重构3种...     

基于S变换的电能质量扰动信号特征分析

针对电网中谐波、电压暂降等电能质量问题,提出了一种基于S变换的扰动信号特征分析法。用Matlab对信号进行时频分解,通过分析各扰动信号经S变换的相关特性曲线,得到扰动的起始时刻、结束时刻、幅值、频率成分以及相位变化等特征。仿真结果表明,S变换能准确检测出各种扰动信号的特征,对电能质量问题的治理有重要意义。     

基于小波分析的电能质量扰动信号检测

针对电能质量扰动信号的特性,本文采用小波变换对电力系统的高频、瞬时脉冲、电压切痕扰动信号进行检测.研究表明,该方法能够精确定位扰动信号产生的时刻和持续的时间,通过与快速傅立叶变换FFT的结果进行比较,证实了该方法的准确性和优越性.     

一种组合重构的电能质量扰动特征提取方法

电力系统中电能质量扰动类型较多、扰动特征表征复杂,特征提取的有效性直接影响识别精度。为了保证特征提取的有效性,通常以牺牲特征向量维度作为代价,但特征向量维度过高会增加识别模型的复杂度和降低识别的速度。基于以上考虑,提出了一种基于能量熵和功率谱熵的组合重构特征提取方法。首先根据电能质量扰动信号特性和改进集合经验模态分解(modified ensemble empirical mode decomposition, MEEMD)对电能质量扰动信号进行处理。其次利用能量熵和功率谱熵对扰动特征进行组合提取,构建高精度、低维度的特征向量。最后通过双层前馈神经网络(double-layer back propagation neural network, DBPNN)对扰动信号进行识别。仿真和实验结果表明,与单一特征提取方法相比,所提出的组合重构特征提取方法的特征向量维度、识别模型复杂度和识别难度降低,准确率较高,且具有一定的抗噪性。     

短时电能质量信号压缩采样方法的研究

根据压缩传感(Compressed Sensing,CS)理论,首次提出了短时电能质量扰动信号的压缩采样方法,该方法突破了奈奎斯特采样频率的限制,实现了低于奈奎斯特采样频率的低速率采样。文中对比分析了CS理论与传统采样理论,研究了CS短时电能质量信号压缩采样的实现方法,包括:测量矩阵的构建、稀疏基的选取和电能质量信号快速贝叶斯匹配追踪重构算法(FBMP)。文中针对6种短时电能质量信号进行了仿真实验,给出了不同压缩采样比的条件下,该压缩采样方法所能达到的性能指标,结果标明本文提出的方法正确有效。     

基于扰动测度的电能质量扰动源定位方法

针对现有电能质量扰动源定位方法中对扰动方向表征不足的问题,引入扰动测度概念,测量扰动的大小和方向,提出一种扰动方向的定量表示方法以及相应的扰动源定位算法。首先利用基本信度分配函数对扰动方向进行量化处理,然后通过隶属度函数对扰动功率和扰动能量进行综合定位,得出多测点的扰动方向测度列向量,结合覆盖矩阵得出最终的定位结果.仿真结果表明:在原方法定位不准确的情况下,新方法仍然能够正确定位扰动源,证实了此方法的有效性和可行性.     

一种简单的电能质量扰动信号检测方法

提出了一种简单的电能质量扰动检测方法,用于判断采集信号中是否存在电能质量扰动,作为扰动分类的前提。该方法利用当前周期的电压信号与前一个周期信号之间的差值信号来进行电压凹陷、电压凸起及暂态振荡、暂态脉冲等暂态电能质量问题检测,利用差分信号和滤波后低频和高频信号的能量比来检测稳态电能质量问题。该方法实现简单,计算量小,检测全面,可以实时、在线完成,弥补了以往采用小波或小波包变换方法复杂费时以及准测不全面的不足,也弥补了单独采用差值信号方法无法检测稳态电能质量问题的缺陷。仿真和试验结果表明了本文提出方法的可行性和有效性。     

一种简单的电能质量扰动信号检测方法

提出了一种简单的电能质量扰动检测方法,用于判断采集信号中是否存在电能质量扰动,作为扰动分类的前提.该方法利用当前周期的电压信号与前一个周期信号之间的差值信号来进行电压凹陷、电压凸起及暂态振荡、暂态脉冲等暂态电能质量问题检测, 利用差分信号和滤波后低频和高频信号的能量比来检测稳态电能质量问题.该方法实现简单,计算量小,检测全面,可以实时、在线完成,弥补了以往采用小波或小波包变换方法复杂费时以及准测不全面的不足,也弥补了单独采用差值信号方法无法检测稳态电能质量问题的缺陷.仿真和试验结果表明了本文提出方法的可行性和有效性.     

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.