基于小波与多维分形的电能质量扰动分类

提出了基于小波变换和多维分形的电能质量扰动概率神经网络自动分类系统。分类系统的实现分为两个阶段,首先采用离散小波多分辨率分析和Parseval定理提取不同尺度下扰动信号的能量分布特征,同时利用多维分形方法计算同一畸变信号的局部方差分维数,并将小波变换提取的能量分布特征和局部方差分维数组合构成特征矢量。其次将特征矢量输入到概率神经网络进行训练和测试,从而实现正弦波形、电压骤降、电压陡升、谐波、中断、脉冲和振荡瞬态的分类。采用提出方法的电能质量扰动平均分类率为95．86％,高于只采用离散小波变换提取特征矢量分类率2．15％。     

基于小波与多维分形的电能质量扰动分类

提出了基于小波变换和多维分形的电能质量扰动概率神经网络自动分类系统.分类系统的实现分为两个阶段,首先采用离散小波多分辨率分析和Parseval定理提取不同尺度下扰动信号的能量分布特征,同时利用多维分形方法计算同一畸变信号的局部方差分维数,并将小波变换提取的能量分布特征和局部方差分维数组合构成特征矢量.其次将特征矢量输入到概率神经网络进行训练和测试,从而实现正弦波形、电压骤降、电压陡升、谐波、中断,脉冲和振荡瞬态的分类.采用提出方法的电能质量扰动平均分类率为95.86%,高于只采用离散小波变换提取特征矢量分类率2.15%.     

基于第二代小波变换和离散隐马尔可夫模型的电能质量扰动分类

提出了一种将第二代小波变换和离散隐马尔可夫模型相结合的电能质量扰动分类方法.首先使用第二代小波变换对电能质量扰动信号进行时频分析,给出了一种基于模极大值的小波变换后处理方法,用以提取分析结果中表征扰动特征的模极大值,将这些模极大值组成扰动特征量组,经矢量量化后得到特征序列,然后将特征序列输入到由离散隐马尔可夫模型构建的分类系统中,实现对电能质量扰动的分类.在此基础上,给出了确定每类扰动定量指标的方法.仿真结果表明,该分类方法在强噪声环境下分类正确率高,且训练易收敛.     

基于第二代小波变换和矢量量化理论的电能质量扰动分类方法

提出了一种将第二代小波变换和矢量量化相结合的电能质量扰动分类方法。该方法采用第二代小波变换对电能质量扰动信号进行时频分析,采用基于模极大值的小波变换后处理方法提取时频分析结果中表征扰动特征的模极大值、生成扰动特征量组,通过将扰动特征向量组送入基于矢量量化的树形分类器实现了对电能质量扰动的分类。仿真结果表明该方法噪声鲁棒性良好、简单可靠、分类准确率高、实时性好。     

基于二进小波和二-十进制的电能质量信号检测及分类

通过对各种电能质量PO(Power Quality)信号的时频域及幅值的分析,从二进小波变换检测结果中提取出与信号时频域、幅值相关的2个特征量,并构建出二进特征矢量,进而利用简单的二-十进制转换得到的十进制数表征不同的PO信号.仿真结果表明:采用二进小波变换对电能质量信号进行检测,可以较为准确地提取信号扰动持续时间和幅值范围等特征量.用二进特征矢量表征这些特征量便于扩展以适应更多种电能质量信号的分类,同时二-十进制转换得到的十进制数与不同的电能质量信号相对应,不会产生歧义.有效结合二进小渡变换和二-十进制转换2种方法可以快速、准确地实现多种PQ信号的检测及分类.     

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。     

基于离散小波变换和小波神经网络的电能质量扰动检测与分类方法

改善电能质量的前提和关键是准确迅速地对电能质量各扰动进行检测和分类。提出了一种电能质量检测与分类的新方法。电能质量事件经过采样后采用离散小波变换(DWT)进行去噪,获得高信噪比的信号,然后将信号进行分解并提取出8个最优特征向量。选取sym4小波作为母小波,采用基于小波神经网络的方法对电能质量扰动信号进行辨识,从而实现对电能质量扰动的检测与分类。最后,仿真结果验证了所提出方法的有效性与高准确度。     

利用小波变换分析配电网电能质量扰动

小波变换具有良好的时频局部化特性，可以同时提取信号的时频特性，是分析电能质量问题的有力工具。文中介绍了利用小波变换分析配电网中常见的因开关动作、变压器磁饱和及电力电子装置引起的电能质量扰动问题。经仿真分析，验证了小波变换能够更好地提取扰动的特征信息，从而为电能质量问题的检测、评估、分类以及治理提供了依据。     

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。     

基于小波变换和CFA-LSSVM模拟电路故障诊断

为了提高模拟电路软故障诊断、识别的正确分类率,提出了一种提升小波变换和混沌萤火虫算法(CFA)优化LSSVM参数的模拟电路故障诊断方法。首先对采集到的被测电路输出电压信号进行提升小波变换;然后对变换后的数据进行因子分析法对优化处理,将经优化的数据作为不同模式的故障特征集;最后将所得故障特征集作为样本输入到CFA-LSSVM模型进行故障诊断。实验结果表明,该方法的故障诊断正确率达到了98%以上,提高了诊断性能,可适用于模拟电路的故障诊断。     

基于小波分解和数据挖掘中决策树算法的电能质量扰动识别方法

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种基于小波分解和数据挖掘中决策树算法的电能质量扰动(power quality disturbance,PQD)识别方法。建立了正弦信号和6 种常见PQD 信号的数学模型,通过小波分解得到了上述信号的特征量,结合决策树方法实现了对PQD 的自动分类,并通过合理选择小波类型、分类算法和去噪方法提高了PQD 的分类精度。实验结果验证了该识别方法的准确性和高效性。     

基于改进FC-IRKM的电力用户负荷分类研究

为了提升电力用户负荷分类精度,从而为电力企业有效掌握用户用电规律,制定电价,合理评估用电需求,进行了基于改进的FC-IRKM的电力用户负荷分类研究。首先,模糊聚类综合了模糊思想与聚类方法,粗糙集则解决了数据分类不清晰的情况,将两种方法的优点进行结合,提出了模糊粗糙K均值算法;其次,对IRKM算法记进行了理论分析,结合模糊粗糙算法,提出了一种FC-IRKM算法,并通过遗传算法对其参数进行优化,获得改进后的FC-IRKM算法;然后通过仿真对比实验,验证了在处理相同数据的时候,改进的FC-IRKM算法比其他常见传统算法的分类精度更高,适用性更广;最后将改进的FC-IRKM算法应用于电力用户负荷分类上,分类结果与预期结果相互印证,验证了该方法的适用性。该研究为电力企业把握电力用户的用电规律、合理规划供电计划提供了可靠的理论支持。     

知识图谱框架下基于深度学习的HVDC系统故障辨识

为加快电力系统数字化转型,保证高压直流输电(high voltage direct current, HVDC)系统高质量安全运行,有必要通过智能技术充分挖掘、提炼HVDC系统日常调控、运维等阶段积累的海量数据和丰富管理经验,从而构建知识图谱辅助工作人员对故障进行诊断和处理。提出了一种基于小波变换和深度学习的HVDC系统故障诊断方法。首先,采用小波变换将换流站的故障录波数据(单相接地、相间短路和阀组短路)转换为二维时频图像,并采用数据增强技术来进一步扩充样本数据集。然后,利用ResNet50网络来实现HVDC系统的故障诊断。根据实验结果,所提方法在训练集的分类精度为93%,在测试集的分类精度为82%,证明了该方法的有效性,为HVDC系统的故障诊断提供了一种新的可行性路线。为了进一步验证所提方法,将其与GoogleNet、VGG16、AlexNet、SVM、决策树和KNN等方法进行对比,对比实验结果表明,所提方法在HVDC系统故障诊断中的表现更加出色。     

基于改进算法的粗糙集理论故障选线装置研究

针对KA系列模糊智能选线装置中小波包多频带选线算法所出现的误选问题,提出了基于粗糙集理论的小波包多频带的选线算法。该算法主要是应用粗糙集理论对故障样本的数据挖掘能力来确定低频衰减信号的增强比例,并在此基础上进一步利用粗糙集理论的信息融合功能对单相接地故障电流信号中所蕴藏的各种暂态及稳态信息进行融合。动模仿真实验结果表明基于粗糙集理论的选线算法能更有效地解决小波包选线算法所出现的误选问题,且较模糊选线算法精度更高、抗干扰能力更强、运行更稳定。     

A measurement method based on the wavelet transform for powerquality analysis

The paper presents a measurement method for power quality analysis in electrical power systems. The method is the evolution of an iterative procedure already set up by the authors and allows the most relevant disturbances in electrical power systems to be detected, localized and estimated automatically. The detection of the disturbance and its duration are attained by a proper application, on the sampled signal, of the continuous wavelet transform (CWT). Disturbance amplitude is estimated by decomposing, in an optimized way, the signal in frequency subbands by means of the discrete time wavelet transform (DTWT). The proposed method is characterized by high rejection to noise, introduced by both measurement chain and system under test, and it is designed for an agile disturbance classification. Moreover, it is also conceived for future implementation both in a real-time measurement equipment and in an off-line analysis tool. In the paper firstly the theoretical background is reported and briefly discussed. Then, the proposed method is described in detail. Finally, some case-studies are examined in order to highlight the performance of the method     

电力系统短期负荷预报的小波-神经网络-PARIMA方法

针对电力系统负荷具有拟周期性，非平稳性，非线性等特点，提出一种小波－神经网络－PARIMA模型并研究它在电力系统短期负荷预报中的应用：利用小波变换提取和分离负荷的各种隐周期和非线性，把小波分解的特性和分解数据随尺度倍增而倍减的规律用于感知机神经网络（MLP）和周期自回归移动模型（PARIMA）的建模，各尺度小波分解用MLP进行建模和预报，最大尺度上的尺度分解用PARIMA进行建模和预报。最后，利用径向基函数网络（RBF）将各尺度域的预报结果组合成为负荷最终预报，实例说明，该方法能够揭示负荷的拟周期性，非平稳性，非线性在电力系统短期负荷预报中的应用是成功的和有效的。     

Rough set and fuzzy wavelet neural network integrated with least square weighted fusion algorithm based fault diagnosis research for power transformers

In this paper, a rough set (RS) and fuzzy wavelet neural network (FWNN), integrated with least square weighted fusion algorithm based fault diagnosis for power transformers, using dissolved gas analysis (DGA) is proposed. This approach takes advantage of the knowledge reduction ability of rough set and good classified diagnosis ability of FWNN, integrated with least square (LS) weighted fusion algorithm. The rough set is used as a front of FWNN, integrated with LS weighted fusion algorithm to simplify the input of FWNN and mine the rules whose “confidence” and “support” satisfy a preset criteria. The mined rules are used as a diagnosis knowledge base to offer fault diagnosis service for power transformers. FWNN, integrated with LS weighted fusion algorithm, is used to diagnose the case that cannot be diagnosed by mined rules by rough set. The FWNN input is simplified by rough set reduction, and its learning rate is improved greatly. FWNN, integrated with LS weighted fusion algorithm, on one side, can much better improve the diagnosis accuracy, when the output vector of single FWNN has the similar element. On the other hand, its diagnosis accuracy cannot be limited by the neural network hidden layer number and correlated training parameter. The mechanism has good classified diagnosis ability. The advantages and effectiveness of this method are verified by testing.