首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到18条相似文献,搜索用时 437 毫秒
1.
基于二维离散平稳小波的电能质量扰动分类   总被引:3,自引:1,他引:2  
针对电能质量扰动分类这一难题,提出一种基于二维离散平稳小波的分类方法。首先对信号进行一层二维小波变换,得到一个低频分量和水平、垂直和斜线3个高频分量,利用这4个部分的信号能量组成特征向量,再通过水平高频系数的模极大值将稳态和暂态扰动分开,分别建立稳态和暂态神经网络实现分类。该方法只需要采用最简单的小波函数db1对信号进行一层小波变换,对噪声不敏感,简单易行。仿真结果表明了该方法的有效性。  相似文献   

2.
对于电能质量扰动信号压缩问题,压缩比和重构误差是一对互相矛盾的指标。传统的压缩算法难以同时满足高压缩比和低重构误差的要求。为了同时提高压缩比和减小重构误差,该文提出了一种基于稀疏分解、哈夫曼编码和行程编码的混合压缩算法。首先,使用基于联合字典的稀疏分解算法,将电能质量扰动信号中的暂态分量和稳态分量进行分离;其次,对暂态分量使用小波分析、哈夫曼编码、行程编码算法进行编码压缩,对稳态分量,即基波和谐波分量,则保留其大于设定阈值的部分,进而完成对信号的压缩;最后,仿真信号和实测信号的实验结果表明该算法较对比算法具有更高的压缩比和更低的重构误差,同时证明了其对采样频率和高斯白噪声具有较强的抗干扰能力。  相似文献   

3.
针对噪声干扰下的稳态以及暂态谐波检测问题,首次提出一种基于经验小波变换的电力系统谐波检测方法。首先利用经验小波变换从电力谐波信号中提取出一组具有紧支撑频谱的调幅-调频分量,实现各次谐波与基波信号的分离。接着对分离出的谐波分量进行Hilbert变换,从而获取各次谐波的幅值和频率检测参数以及暂态谐波的扰动起止时刻。对多类谐波信号的仿真结果表明,所提方法有效避免了传统Hilbert-Huang变换存在的模态混叠问题,即使在低信噪比下也能实现多频谐波信号的自适应分解,在确保各类参数检测结果精度的同时,兼具良好的噪声鲁棒性和检测实时性。  相似文献   

4.
基于傅里叶和小波变换的电网谐波分析   总被引:16,自引:1,他引:16  
正确提取电网谐波是进行电能质量分析的前提.根据电网谐波中既存在稳态谐波分量又有暂态谐波分量的特点,将傅里叶变换和小波变换方法结合起来对电网谐波进行分析,得出谐波分析的傅里叶小波综合算法.通过对单独傅里叶变换以及单独小波变换的对比分析,得知该文算法的优越性.同时通过对具体信号的仿真,验证了该算法的可行性.  相似文献   

5.
小波(包)电能质量分析的综合性能评估   总被引:1,自引:0,他引:1  
分析了Daubechies系小波随阶数增大,时频域分析特性的递变规律;归纳了用于电能质量综合性能分析与评估的小波选取原则;比较了Daubechies系小波对五种典型电能质量问题的分析结果.仿真结果表明,Daub20小波变换能够兼顾电力系统暂态和稳态电能质量问题的分析要求,同时准确地完成暂态扰动发生时刻定位、扰动时间内信号特征提取以及谐波检测等工作.在电力系统多重扰动存在的情况下,能够有效地对暂态和稳态电能质量问题进行分析,有利于快速、实时地进行电能质量综合性能评估.  相似文献   

6.
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。  相似文献   

7.
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。  相似文献   

8.
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.  相似文献   

9.
针对电力系统中同时包含稳态谐波、间谐波、非稳态谐波及各种噪声污染的复杂谐波信号,提出了基于小波与双重FFT(WT-DFFT)的联合检测方案。该方案首先利用传统FFT算法粗略识别谐波分布,以此确定小波分解层数以及后续需要关注的频带。然后采用小波变换对信号进行分解,对关注的低频带稳态分量采用加窗插值FFT算法分析,对关注的高频分量采用小波重构算法分析,进而获得各次谐波、间谐波及高频带暂态分量的参数。仿真实验表明,该方案不仅能够确定小波分解层数及关注的频带,而且对关注频带采用更精细的方法进行分析,其准确度更高,实用性更强。  相似文献   

10.
小波分析在电力系统谐波相位检测中的应用   总被引:1,自引:0,他引:1  
为了防止电力系统谐波危害,保证系统安全运行,必须确切掌握电力系统中谐波的实际情况,正确分析电能质量.根据电网谐波中既存在稳态谐波分量又有暂态谐波分量的特点,依据小波分析具有对非平稳信号的分析和处理能力及多分辨率的特性,将小波变换理论应用于电网谐波检测中,提出了利用小波变换实现测量信号各次谐波相位的方法.仿真算例表明,小波多分辨分析法能够正确地提取电力系统的谐波信号,利用小波分解的尺度系数能得到各次谐波的精确相位,验证了该方法的可行性.  相似文献   

11.
基于概率神经网络和双小波的电能质量扰动自动识别   总被引:8,自引:3,他引:5  
对电能质量(PQ)扰动的自动识别是找出引起PQ问题根本原因的前提。提出了一种基于概率神经网络PNN(Probabilistic Neural Networks)和db10,db1双小波的PQ扰动自动识别方法。首先,利用db10小波对信号进行分解,将各层小波变换系数的能量和第1高频层模极大值情况作为PNN的输入矢量,判断扰动类型;然后,对信号进行傅里叶变换以检测信号中是否含有谐波;最后,对判断存在电压下降的信号进行db1小波分解,根据其低频层的模值区分电压下陷和电压中断信号。测试结果表明,该方法提高了识别正确率,且实现简单,能有效检测幅值较小的谐波。  相似文献   

12.
13.
非线性设备的大量使用和分布式电源的投入使得谐波污染愈加严重,文中提出了一种基于小波包变换的谐波检测方法,能对电能质量进行有效的分析。该方法在五层db40小波包变换的基础上,利用希尔伯特变换做移频运算,避免了中间频段小波混叠对检测精度造成的不利影响,并将各次谐波分量转移到精度较高的边频带进行小波包分解并重构信号,实现了各次谐波的高精度检测,同时通过Matlab工具对不同算法的仿真进行了比较和误差分析。仿真表明,相比于传统傅里叶变换,该算法具有高分辨率时频分析能力,能有效定位暂态干扰;与经典小波包变换相比,测量精度也有了较为明显的提高,实验结果一致显示了该算法的可行性和优越性。  相似文献   

14.
含噪电能质量扰动信号分析的前提是准确找到突变点信息,对信号进行去噪的同时,又必须保留突变点特征。针对此问题,选取平稳小波变换分解信号,并利用提出的改进阈值函数对信号进行去噪。将含噪的电能质量扰动信号进行多层平稳小波变换,逐层估计平稳小波变换细节系数中噪声的均方差σ_j,计算各层阈值σ_j2lnk~(1/2)并根据信号、噪声的小波系数在不同尺度上的分布特点,通过ln(j+1)对各层阈值进行修正,结合改进的阈值函数分别对各层小波系数进行处理。利用尺度系数和处理后的小波系数进行重构,得到去噪后的信号。仿真结果表明,改进的阈值函数去噪方法能够较好地滤除噪声并保留突变点特征,从处理后的小波系数中可以清晰地观察到扰动的起止时刻,并能够分辨出暂态振荡与谐波干扰。  相似文献   

15.
小波变换在电力系统谐波检测方面的应用   总被引:3,自引:1,他引:2  
针对傅里叶变换的谐波检测方法无法同时实现时-频变域分析这一缺点,提出了小波变换这一新方法对谐波进行分析。通过小波变换对电力系统中的谐波电流进行分解,得到信号的基波分量和高次谐波分量。针对电力系统中的突变信号,提出了基于小波变换的模极大值的奇异性检测方法,通过小波变换模的极值点在多尺度上的综合表现,来表示信号的突变特征,并通过仿真实例验证该算法的有效性。  相似文献   

16.
一种新的电能质量扰动信号去噪方法   总被引:2,自引:0,他引:2  
针对电能质量扰动信号去噪过程的简化和硬件实现问题,提出基于信号相关性处理的跨小波尺度空间去噪方法.基于电能质量扰动信号不同成分在小波尺度空间上的相关性不同,新方法把原信号分为两个数据长度相等的新信号,分别进行小波变换,跨两个尺度空间对相同分解深度的尺度系数进行相关性处理和软阈值处理,合并后的信号可滤除噪声成分.仿真信号去噪前后的赋范均方误差小且具有更好的检测效果.算法计算复杂度分析结果和实际运行表明,在高速DSP上可以实时实现该算法.  相似文献   

17.
In this paper, the authors present a wavelet compression technique for power quality disturbance data. The compression technique is performed through signal decomposition, thresholding of wavelet transform coefficients and signal reconstruction. Threshold values are determined by weighting the absolute maximum value at each scale. Wavelet transform coefficients whose values are below the threshold are discarded, while those that are above the threshold are kept along with their temporal locations. The authors show the efficacy of the technique by compressing actual disturbance data. The file size of the compressed data is only one-sixth to one-third that of the original data. Therefore, the cost related to storing and transmitting the data is significantly reduced  相似文献   

18.
This paper presents a hybrid technique for characterizing power quality (PQ) disturbances. The hybrid technique is based on Kalman filter for extracting three parameters (amplitude, slope of amplitude, harmonic indication) from the captured distorted waveform. Discrete wavelet transform (DWT) is used to help Kalman filter to give a good performance; the captured distorted waveform is passed through the DWT to determine the noise inside it and the covariance of this noise is fed together with the captured voltage waveform to the Kalman filter. The three parameters are the inputs to fuzzy-expert system that uses some rules on these inputs to characterize the PQ events in the captured waveform. This hybrid technique can classify two simultaneous PQ events such as sag and harmonic or swell and harmonic. Several simulation and experimental data are used to validate the proposed technique. The results depict that the proposed technique has the ability to accurately identify and characterize PQ disturbances.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号