自适应抗野值Kalman滤波

针对Kalman滤波中存在量测野值的特点,依据滤波基本理论,提出了残差变化率概念.将残差变化率引入到野值判定标准中,根据量测值变化率的大小自动调整判断阀值,给出了判别野值的检验方法.由于采用了测量与估计的动态信息,使得野值的判定更为准确,并采用替代的方法对单个或连续野值加以修正,保证了Kalman滤波精确度与数据的连续性.仿真结果表明,当量测值出现较大变化时,这种方法能有效提高系统对野值的检测准确度和滤波精确度.     

基于ISPM和SDM-Prony算法的电力系统低频振荡模式辨识

针对广域测量系统低频振荡辨识过程中的噪声干扰和定阶问题,提出了基于改进平滑优先方法(improved smoothness priors method,ISPM)和SDM定阶的Prony方法进行电力系统低频振荡模态辨识。首先将待处理信号经过ISPM滤波同时对高频干扰项和趋势项进行快速准确去除,然后对消噪后的信号进行SDM-Prony辨识,得到低频振荡的主导模态参数。该方法在定阶时能够根据奇异值分解的具体情况进行自动准确定阶,无需阈值的人为选取,使定阶具有自适应性。将该方法分别用于仿真信号和实测振荡信号分析,并和传统的Prony方法进行比较,该方法在拟合精度指标相差不大的情况下估计的阶数更加逼近真实阶数,并且具有运算简单、抗噪性能好等特点,可快速准确辨识出主导振荡模态信息。仿真结果表明,文中方法具有良好的实用性。     

特征函数响应特性分析及STA/LTA方法的改进

为了提高对地震事件的实时检测效果,对四种特征函数的响应特性进行对比分析,并用有限地震事件波形加以检验;同时还引入了加权系数对STA/LTA方法进行了改进,增强了对低信噪比地震信号的检测能力,增大了对地震信号和瞬时干扰信号检测的区分度.仿真结果表明该方法实用有效,具有较好地震事件检测效果.     

检测配电网电容电流及辨识高阻接地的新方法

对传统的注入信号检测配电网电容电流的方法进行了改进.通过判别注入信号在中性点产生的电压幅值来寻找系统谐振频率从而得到系统对地电容值,同时计算该处系统零序导纳值,实时监测线路绝缘状况.文中规定了注入信号的频率范围,使之不与电网频率重叠;提出了一种简单实用的信号处理算法,可有效抑制噪声对检测的干扰.该方法可以在工频干扰较严重的情况下准确检测系统电容电流,并能够有效辨识系统的高阻接地故障.     

矩阵束算法在同步电机参数辨识中的应用

同步电机参数的准确性对于电力系统运行和控制具有重要的意义。文中基于矩阵束算法提出一种同步电机参数辨识的新方法,并给出了辨识的基本原理和基本过程。该方法将采集到的三相短路电流构造为2个Hankel矩阵,通过奇异值分解和矩阵的低秩近似等方法抑制了噪声的干扰,同时减少了计算量,从而利用矩阵间的特定关系提取出直流分量和基波分量,实现了同步电机参数的准确辨识。仿真结果表明,该方法具有精度好、运算效率高、抗噪性强等特点。     

MRAS感应电机定子电阻的在线辨识

针对感应电机定子电阻值受外界因素干扰而影响其矢量控制系统稳定性和控制精确度问题,提出了基于人工神经网络的定子电阻在线辨识方法.为了辨识定子电阻,将人工神经网络模型的定子电流估算值与实际测量电流值的误差反馈以调整神经网络的权值.借助MATLAB/SIMULINK搭建仿真系统,验证了定子电阻在线辨识的必要性.结果表明,该方法可以有效地对定子电阻进行在线辨识.     

二阶加纯滞后模型的闭环在线辨识

本文提出一种在线测取N组闭环系统的数据，得出二阶加纯滞后模型参数的辨识方法，该方法辨识准确，辨识时间短且对正常运行的系统影响较小。大量的仿真实验表明该方法辨识精度高，对采样点数不敏感，受干扰的影响很小。该辨识方法可以在过程和仪器的自适应控制中采用。     

一种基于LSTM模型的电力负荷辨识方法

文中针对非侵入式负荷检测技术,提出了一种基于LSTM网络深度学习模型的负荷辨识方法。在该方法中,为避免电压、电流等信号的干扰,提出一种基于高斯窗移动变点寻优算法监测负荷事件,提取谐波分量作为负荷特征标签作为LSTM模型的输入,进而建立起内在信息间的映射关系,并依次进行模型的离线训练与负荷数据的在线辨识,实现对用电设备类型及其运行状态的精准辨识。经实验数据证明所提出的方法能准确完成对用电设备状态的辨识。     

基于无功电流扰动的孤岛与扰动辨识的研究

为了防止孤岛检测时电网扰动的干扰并提高孤岛与电网扰动辨识的准确率,提出了一种能够减小检测盲区且不带入有功功率扰动的孤岛与电网扰动辨识新方法。该方法是在检测到公共耦合点电压波动后,通过注入周期性无功电流扰动,迫使公共耦合点电压频率出现相应波动。利用小波分析分解公共耦合点电压频率信号得到的高频分量作为特征分量,用神经网络进行孤岛与扰动的辨识。通过理论分析与仿真实验证明该方法能准确辨识孤岛与电网扰动。     

基于改进矩阵束算法的水轮机控制系统参数辨识

水轮机控制系统参数的准确直接影响到水轮机调节系统的动态特性和电力系统的稳定性,鉴于传统的矩阵束算法在有噪声的情况下系统参数辨识效果不理想,提出了基于改进矩阵束算法的水轮机控制系统参数辨识方法。该方法将输出信号构造为Hankel矩阵,运用奇异值分解和矩阵的低秩近似等方法抑制了噪声的干扰,通过对系统特征根和留数进行分析达到对水轮机控制系统进行参数辨识的目的,并与参数辨识中常用的prony算法进行对比。结果表明,该方法不仅辨识精度较高,而且有较强的噪声抑制能力,更适合应用于工程实践。     

Distributed Student's t filtering algorithm for heavy‐tailed noises

In this paper, a distributed Student's t filtering algorithm to deal with heavy‐tailed noises is developed. In the traditional Kalman filter, the distribution of the signal is assumed. However, in reality, outliers in the signal are often encountered for which the assumption of Gaussian distribution is no longer valid. The Student's t distribution can describe noises in the presence of outliers. As a result, the weight on each data point within the filter adapts to the data quality so that the filter becomes insensitive to the outliers. We first derive the distributed filtering algorithm from the centralized Student's t filter, which is able to handle heavy‐tailed noises such as outliers and then analyze properties of the proposed method. It is shown that the proposed algorithm provides the same accuracy as the centralized Student's t filtering with no performance loss. Furthermore, the distributed Student's t filtering with feedback is developed, which is in accordance with centralized filtering, and the local error covariance is reduced as expected. Two numerical examples support the theoretical results and illustrate the validity of the proposed method.     

基于人工神经网络的电力负荷坏数据辨识与调整

电力负荷坏数据辨识应充分考虑负荷曲线本身的特征。先用Kohonen网对日负荷曲线进行聚类,产生各类的特征曲线;然后用特征曲线及由此产生的含有坏数据的曲线形成的样本集对BP网进行训练,利用BP网的泛化能力,使之具备对本类曲线进行坏数据精确定位的能力;最后利用特征曲线进行坏数据的调整。该方法能够做到离线训练,在线辨识,实例分析取得了良好的效果。     

BP神经网络和SVD算法联合的地震数据去噪方法

传统的地震数据去噪方法,由于过多依赖数据的先验信息而使得去噪效果不佳。为了更有效地压制地震数据噪声,结合BP网络和奇异值分解(SVD)算法的各自特点,提出了联合去噪方法。该方法分别对BP网络的拓扑结构和实验方案的选取进行了深入探讨,最终确定实验方法为:首先将含噪地震数据经过BP网络分离,然后将输出的噪声经过SVD算法重构,得到联合算法输出的噪声,最后将含噪地震数据与输出噪声相减,即可得去噪后数据。叠前和叠后地震数据实验均表明该方法的可行性与有效性。通过与传统去噪算法对比,该方法去噪后的均方误差更低,信噪比更高,表明其对实际地震数据去噪效果更佳。     

采用稳健统计与B样条函数处理频率扰动记录单元异常数据

北美电网监测系统(FNET)是在配网侧实时采集电网频率的广域测量系统。由于硬件故障或网络中断,频率扰动记录单元(FDRs)采集的数据不可避免地包含尖峰或缺失数据段等异常数据,在剔除尖峰同时常用的一维中值滤波,弱化频率波动的细节信息无法弥补缺失数据段。针对此一问题,提出了融合稳健统计和B样条函数的频率异常数据处理方法,它通过设定阈值辨识尖峰值,采用B样条基函数的线性组合重构原始频率序列,引入曲线粗糙度控制B样条基函数学习过程中存在的过拟合问题。该方法仅在局部范围内处理频率异常数据,能最大限度地保留频率波动信息,且计算简洁,能实现任意阶B样条函数的构造及学习,易于推广到其他时间序列的数据预处理。     

支持向量机在电能质量间谐波分析中的应用

针对间谐波不易检测的特点,提出了一种基于支持向量机的电能质量检测方法,并结合算例予以分析。仿真结果表明,该方法能够有效地消除异常值影响,使算法对异常值具有稳健性,有比较高的分析精度。     

基于稳健回归的电力负荷预测

回归分析中,回归系数的确定一般采用普通最小二乘法(OLS),而OLS估计参数一般要求数据满足一些性质,如正态性等等.而现实中的数据,往往不能满足那些性质.这样就导致常用的参数估计方法,如OLS,很难达到满意的预测精度.对于含有异常点的数据,引进了一种方法--M-估计法,分别采用最小二乘法和稳健回归的M-估计法估计参数,建立了用电量的回归模型.通过对比表明了稳健M-估计可以克服最小二乘估计受离群值影响较大的弊病,能保持较满意的预测精度,使模型参数更接近实际模型,具有稳健性.     

Detection and Extraction of Waveform Shapes for Local Signals Using Characteristic Waveform Template

Since local signals appear time‐locally and their waveforms are steep, conventional signal processing methods are generally inadequate to detect them. In this paper, by focusing on amplitude distribution forms of an observed signal, a simple signal processing method is proposed to detect the local signals and extract their waveform shapes simultaneously. Concretely, a characteristic waveform template which consists of representative data series of a simplified target local signal is newly introduced, and a certain event regulated with it is adopted. The local signals can be detected by evaluating whether the amplitude distribution forms of observed signals are associated with the event, and substitution of conditional events for associated events improves detection performance. In addition, the proposed method has been extended to extract waveform shapes by introducing an enhanced waveform template, and automatic detection and extraction of waveform shapes can be performed simultaneously. The proposed method is applied to simulation signal data, and its effectiveness is confirmed by detection performance and extracted waveform shapes for the local signals. © 2011 Wiley Periodicals, Inc. Electr Eng Jpn, 175(3): 37–47, 2011; Published online in Wiley Online Library ( wileyonlinelibrary.com ). DOI 10.1002/eej.21074     

一种自适应线性预报的数据检择方法

为剔除动态测量过程中实时观测数据中出现的野值,以提高后续处理精度,在充分分析实时观测数据特性和野值特征的基础上,提出了一种自适应门限的五点线性预报数据检择方法。经仿真数据和实测数据检测,并与α-β预报和固定门限方法进行比较,所提出的方法不但大大降低了检择虚警率,而且使成片野值检择正确率提高30%以上。证明提出的方法无论在可靠性上还是有效性上都优于原有方法,具有较强的工程稳定性,能有效剔除孤立野值和连续成片野值。     

高压电缆局部放电小波包 峰度法在线检测与定位

在利用双端行波法进行高压电缆局放在线检测与定位时,针对脉冲初至时刻拾取精度不高影响定位精度的问题,引入地震信号检测领域中的时变峰度法。首先利用时窗能量比检测局放事件,然后在确定的局放时窗内,通过计算时变峰度变化率并求其最大值点,初步实现脉冲初至时刻拾取。为了克服现场强噪声干扰对拾取精度的影响,利用小波包分离出局放脉冲所在的主要频带,并在此频带内求取时变峰度极大值,实现了局放脉冲初至时刻的高精度拾取。最后运用到达时间分析法实现局部放电源的在线精确定位。实验结果表明,该方法抗噪声干扰能力强,定位精度高,在-14 d B的噪声环境下定位误差小于2 m,能够满足高压电网对局放故障在线定位的精度要求,有效提高供电可靠性。