基于二进小波变换的电能质量扰动检测

电能质量扰动起止时刻和持续时间是描述扰动的重要属性,为了对电能质量进行分析与评估,需要对其进行检测。小波变换的局部模极大值对应信号的突变点,可以用来检测电能质量扰动。连续小波变换的计算量大,存在较大冗余,而多分辨率分析的方法由于进行了二抽取,难以直接根据变换结果进行检测,需要重构信号,因此,采用了二进小波变换对电能质量扰动进行检测。使用电磁暂态分析程序ATP仿真软件对电能质量扰动信号进行了仿真,用样条小波进行二进小波变换,检测结果表明在分解尺度一上可以实现较为准确的检测。     

基于双密度双树小波变换的电能质量扰动识别方法

针对电能质量扰动的识别问题,提出一种基于双密度双树小波变换(DD-DT DWT)小波熵和支持向量机的扰动信号识别方法。该方法首先对电能信号进行DD-DT DWT变换,然后分别提取其小波能量熵和小波系数Shannon熵以描述不同扰动信号的特征,最后采用二元树结构支持向量机分别对提取的两类小波熵特征向量进行分类。仿真实验表明:所提出的基于DD-DT DWT小波熵的特征提取方法能有效识别常见的8种扰动信号,并具有正确识别率高及噪声鲁棒性强的优点。     

基于广义尺度小波熵的电网传输电能 质量扰动信号分析

提出了一种基于广义小波熵算法进行电网传输电能质量扰动信号分析和识别的算法。计算多个尺度下不同电能质量扰动信号的小波熵数值分布特点,给出了广义小波熵应用于电能质量分析的尺度选择特点以及分布规律,并结合支持向量机进行了不同电能质量扰动信号的识别与分类,达到了96%以上的分类正确率。     

基于提升db4复小波暂态电能质量扰动检测与分类

提出基于Euclidean分解算法的db4复小波的提升方案,并应用于暂态电能质量扰动信号的检测;对扰动信号和基波分量进行提升变换后得到幅值和相位信息分别作差,利用幅值差和相位差来确定扰动的幅度和时间,并根据扰动段的幅值差和相位差所反映的特征进行分类。仿真结果表明,与实小波和复小波相比,该算法进一步提高了暂态电能质量扰动信号定位的速度和精度,并为扰动信号的分类提供了新的重要依据。     

基于Hoeffding Tree的电能质量在线扰动分类

为满足电能质量扰动事件的在线分类需求,提出了一种基于Hoeffding Tree的电能质量扰动在线分类方法。对电能质量在线扰动分类中的关键技术进行了研究,提出用小波变换和离散傅里叶变换相结合的判别方法检测电能质量扰动,该算法采用自适应滑动数据窗算法,能够根据扰动持续时间提取完整的扰动事件。以小波信号能量以及基波有效值构成特征向量,利用Hoeffding Tree算法构建增量式分类训练模型。仿真结果表明,所提方法的准确度和效率均满足电能质量扰动事件在线检测和分类的要求。     

基于小波变换的电能质量扰动检测与定位

根据电能质量扰动信号的非平稳性,通过对小波变换原理的分析,从小波变换能够突出信号局部特征的特性出发,探讨了多尺度小波变换模极大值与信号突变点之间的关系,分析了利用小波变换对电网电压暂降及周期脉冲等典型电能质量扰动进行检测与定位的方法。为验证方法的有效性,以电压暂降扰动和周期脉冲扰动检测为例进行了相应的仿真研究,结果证实了利用小波变换能更精确地检测和定位电能质量扰动。     

基于小波熵和小波熵权的电能质量扰动识别

电力系统中电能质量扰动信号的分类和识别一直是国内外众多学者研究的热点问题。小波分析是具有时频局部化特性的时频分析方法,在此基础上定义的小波熵具有较好的定量特征提取能力。基于此,在给出小波熵、小波相对熵和小波熵权的基本原理和定义的基础上,文章提出利用小波熵和熵权两种测度来分类和识别电能质量扰动信号,建立了各种扰动的仿真模型,对电压突降、突升、中断,振荡暂态、脉冲暂态、电压尖峰、缺口、谐波等扰动类型进行了系统的仿真分析。结果表明,不同类型扰动信号的小波熵及熵权具有不同的定性规律,小波熵及小波熵权对电能质量扰动具有一定的分类识别能力。     

基于离散小波变换和GA-BP的电能质量扰动分类

电能质量扰动的分类对于电力系统的稳定具有重要意义。首先利用离散小波变换(Discrete Wavelet Transform, DWT)中的db4小波对电能质量扰动信号进行分解,得到近似分量和细节分量,提取各分量的近似系数相对能量和细节系数相对能量;然后对信号进行重构,提取小波熵和重构系数方差,构成扰动信号的特征向量;最后建立遗传算法(Genetic Algorithm, GA)优化BP神经网络的扰动分类模型,并输入特征向量对信号进行分类识别。仿真结果表明,该方法对电能质量扰动的分类准确率较高。     

基于小波变换与希尔伯特-黄变换的微电网暂态电能质量扰动检测及辨识研究

由于可再生能源接入微电网会给其带来很多电能质量问题,因而对微电网的电能质量信号进行检测及辨识十分必要。但在对电能质量信号进行采集与检测的过程中极易受到噪声的干扰,有效地降低信号中的噪声且完整地保留下反映信号突变特征的奇异点是检测其电能质量扰动的基础。而传统检测方法基本只适用于稳态电能质量扰动且抗噪性较低。为提高在噪声条件下检测的准确性,本文提出了一种基于小波变换和希尔伯特-黄变换的微电网暂态电能质量扰动检测及辨识的方法。该方法使用小波阈值去噪方法消除信号噪声,并利用小波变换和希尔伯特-黄变换对微电网暂态电能质量扰动进行辨识及检测,同时进行了计算机仿真验证,仿真结果表明:该方法去噪效果明显、辨识效果显著、检测精度高、实用性强。     

基于小波包能量谱的电能质量短期扰动检测和分类方法

针对电能质量扰动问题,通过介绍几种基于变换理论的电能质量扰动检测和分类方法,对比分析各种方法之利弊,提出了基于小波包能量谱的电能质量短期扰动检测与分类新方法。仿真结果表明,该方法取得了明显优于其他检测和分类方法的效果。     

基于小波理论和HT-LMD的电能质量扰动检测方法

针对含噪声的暂态电能质量扰动检测问题,提出了一种基于小波自适应去噪的改进HT-LMD(HilbertHuang and Local Mean Decomposition)分解检测方法。分析了局部均值分解检测扰动的优缺点以及噪声对LMD检测方法的影响,提出了采用小波分解与重构和自适应阈值技术以及基于正交性判据(Orthogonality Criterion,OC)新的HT-LMD检测方法。小波自适应去噪技术能减弱噪声对LMD分解影响,正交性判据能减少分解的迭代次数。典型暂态电能质量扰动模拟信号和实测信号的检测结果表明,所提方法能在有效提高LMD方法检测电能质量扰动效果同时很好地保留原有暂态扰动信号奇异性特征,提高了检测和定位精度。     

基于小波系数PCA和SaDE-ELM的电能质量扰动信号分类

电能质量扰动信号分类是电能质量综合治理的前提,为提高分类精度,提出一种基于主成分分析(PCA)和自适应差分进化(SaDE)优化的极限学习机(ELM)的电能质量扰动信号分类方法.对8种扰动信号用db4小波进行10层多分辨分解,与标准能量信号的能量差系数作为特征向量,PCA对其降维处理,去除冗余特征,得到4维数据作为分类的...     

基于小波变换的暂态电能质量扰动检测与定位研究

本文深入探讨了暂态电能质量扰动检测与定位的小波变换方法。首先,分析了小波变换的基本原理及其快速计算的多分辨率方法,然后研究了小波变换极值与信号突变、噪声的相关性,在此基础上,详细阐述了应用小波变换进行暂态电能质量扰动检测与定位的原理过程,最后,运用Matlab软件进行了计算机仿真,给出了各种态电能质量扰动检测与定位检测与定位的仿真结果。理论分析和仿真结果显示应用小波变化对暂态电能质量扰动进行检测和定位,具有精确、实时、易实现等优点,是一种较理想的暂态电能质量扰动检测与定位方法。     

基于形态小波范数熵和支持向量机的电能质量分类研究

针对电能质量信号分类存在实时性差、准确度低的问题,提出了一种基于HMT(hit or miss transform)小波范数熵(norm entropy,NE)和支持向量机(support vector machine,SVM)的电能质量扰动识别方法。根据HMT小波分解每一层能量不同的特点,取扰动信号的10层小波分解的范数熵组成特征矩阵。特征量起到了对扰动信号分形的作用,以此作为SVM的输入。为了提高分类的准确度,研究采用了粒子群算法(particle search optimization,PSO)对SVM参数进行了寻优,分类准确度达到99%左右。同时比较了HMT小波和传统db4小波分别和SVM结合时的准确度,证明了HMT小波的优势和本文特征量提取法的有效性。而对于含噪声的电能质量信号,采用了广义形态滤波器进行了滤波预处理。仿真结果表明,该方法识别准确率高,稳定性好,适用于电能质量扰动识别系统。     

采用提升小波包和相关向量机的电能质量扰动分类

针对电能质量扰动识别问题,提出一种多级相关向量机(RVM)和提升小波包分解(LWP)相结合的扰动分类新方法。根据电能扰动现象的内在特征,首先通过提升小波包算法快速提取各类扰动信号的分解系数能量作为扰动特征量;然后利用相关向量机构建多级分类树模型实现分类识别任务。研究表明相关向量机在权系数上引入超参数,与支持向量机相比无需设置惩罚系数、推广能力好、解更稀疏。仿真表明所采用方法能够快速有效地获取高精度扰动分类识别率,测试时间短,更适合于在线检测。仿真和试验结果验证了所采用方法对电能质量扰动分类的有效性。     

基于小波变换和二叉树结构的电能质量扰动分类

针对电能质量扰动分类问题,提出了一种基于小波变换和二叉树结构支持向量机的扰动分类方法。首先,通过交流暂态仿真软件产生8种典型扰动信号和2种复合扰动信号作为样本集;然后,通过小波变换进行多个特征的提取,包括信号在特定频带下的能量和小波系数标准差;最后,通过样本集,对二叉树结构支持向量机分类器进行训练和测试。测试结果表明,该方法能够有效识别常见的10种扰动信号,具有分类正确率高、训练时间短的优点。     

基于小波变换能量分布和神经网络的电能质量扰动分类

提出了基于小波变换能量分布和BP神经网络的电能质量扰动的自动分类方法.利用小波变换对电能质量扰动信号进行多分辨分析,计算各分解层能量分布,求出该能量分布与标准信号能量分布差值并将其作为信号特征量,通过一个3层BP网络得到扰动的类型.该方法将小波变换系数转化为能量分布,减少信号特征的数量,从而简化了神经网络结构.测试结果表明,即使在较强噪声信号背景下,该方法对电能质量扰动类型的识别率仍可达到94.5%,证明了该方法的有效性.     

基于提升复小波的暂态电能质量扰动的检测与定位

针对暂态电能质量扰动信号的检测与定位,提出一种基于第2代小波变换的提升复小波的提升算法。通过Euclidean分解算法得到复小波提升方案;利用该方案对常见的几种扰动信号进行提升变换,将变换后的幅值和相位信息用于暂态电能质量扰动的定位检测及扰动幅度估计;并与第1代小波变换进行比较。仿真结果表明,所提算法具有简单、运行速度快、检测精度高等优点,能够准确定位暂态电能质量扰动信号和计算扰动信号的变化幅度。     

基于小波变换和改进的RVM的电能质量扰动分类

为了提高相关向量机的回归预测的准确率,本文提出了一种改进的相关向量机算法.该算法从相关向量机的核函数角度出发,将实际中大部分噪声属于正态分布这一个特性引入到核函数中,并在其基础上加入了幅度调节因子,实现了对核函数的改进.为了进一步提高电能质量扰动分类性能,将改进的相关向量机应用于电能质量扰动分类.首先,采用小波变换对电能质量信号进行分解,将分解后得到的各层小波系数能量所占的比例值作为特征量,然后,用改进后的相关向量机对特征量进行分类,进而实现基于小波变换和改进的相关向量机的电能质量扰动分类.实验结果表明,该方法能够对各种电能质量扰动信号进行分类,并且其分类准确率优于支持向量机和未改进前的相关向量机等其他分类方法.     

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。