基于扰动功率小波奇异熵的电压暂降源定位

针对现行的电压暂降源定位方法在含有变压器以及复杂电网结构场景下准确度较低的问题,提出一种基于扰动功率小波奇异熵的电压暂降源定位法。首先,基于电能质量监测仪采集到电压电流波形数据计算得到瞬时有功和无功功率,获得加权瞬时扰动有功功率和无功功率;然后,通过小波变换,奇异值分解,结合信息熵原理得到扰动功率的小波奇异熵值,由小波奇异熵值的大小来确定电压暂降扰动源的相对位置;最后,仿真和实例分析证明了所提方法的有效性和准确性。     

电压暂降扰动源电压空间矢量辨识法

分析了不同暂降扰动源产生的电压暂降的幅值、相位和谐波特征,提出一种基于电压空间矢量的电压暂降扰动源辨识方法。该方法先对三相电压信号进行αβ变换构造出电压空间矢量和零序分量,利用离散傅里叶变换(DFT)将电压空间矢量分解成正、负序两个旋转分量,构造出幅值、相位和谐波特征量,将三者相结合可对造成电压暂降的扰动源进行辨识。时变电压空间矢量在复平面轨迹的三维可视化的描述可以对电压暂降全过程进行全面表征。利用Matlab/Simulink建立简单配电网的仿真模型,结果验证了所提出方法的有效性和正确性。     

基于改进扰动功率法的电压暂降源定位

面对引发电能质量问题的电压暂降,结合电力系统中常见的短路故障类型,提出一种改进的扰动功率法。取扰动电压和扰动电流的乘积作为扰动功率,根据线性电路的叠加原理,故障网络可以等效成正常状态和扰动分量的叠加,利用瞬时扰动功率或其半周波平均值的极性来定位暂降源,最后搭建模型,通过Matlab仿真,结果表明提出的改进的扰动功率法可以准确定位暂降源。     

基于深度置信网络的电压暂降特征提取及源辨识方法

提出一种基于深度置信网络(DBN)的电压暂降特征提取与暂降源辨识方法,利用DBN的特征提取能力对实测波形数据进行特征自提取,解决了人工提取特征过度依赖专家经验,受未知特征影响较大不具备一般性的问题。采用多隐层结构网络学习特征最终实现暂降源辨识。该模型集特征提取器与分类器于一体,优化了模型结构框架,提高了暂降源辨识效率。对模型最优参数进行选择,建立适用于电压暂降实测数据类型的DBN模型,对电网实测暂降数据进行特征提取与暂降源辨识,通过对比验证了DBN方法在特征提取与暂降源识别上的优越性,适用于实际工程。     

基于GWO-SVM的电压暂降扰动源识别

针对电压暂降扰动事件发生频繁、扰动种类多样,难以有效识别扰动源的实际情况,结合电压暂降扰动信号的时-频特性、灰狼优化算法(GWO)和支持向量机(SVM)分类模型,提出了一种电压暂降扰动源识别新方法。通过S变换对电压暂降扰动信号进行多分辨率时-频分析,从S变换结果矩阵中提取出信号的特征曲线,建立6类电压暂降混合扰动信号的8个特征量。构建GWO-SVM一对余(OVR)分类器,以提取出的特征量作为输入,对扰动源进行分类识别。基于MATLAB/Simulink构建电压暂降模型,经仿真验证分析,该方法可以有效识别电压暂降扰动源,也为电压暂降扰动治理提供必要的技术支撑。     

基于空间相量模型的三相电压暂降扰动特征提取与分类

对暂降扰动进行精准类型识别是电能质量评估和治理的前提。现有暂降特征提取多是对单一扰动数据进行识别分类,采用数学变换法进行特征提取时数据维数高且计算量大。针对这些问题,提出了一种基于三相电压空间相量模型的多级暂降扰动可视化特征提取及分类方法。首先,将三相电压时域波形数据转换为空间相量模型;其次,使用 K-mean算法,将电压降落扰动聚类成平面内可视化的圆或椭圆;最后,利用逻辑回归算法对每一个聚类的圆或椭圆进行特征提取与分类。应用所提方法分别进行了单一扰动和多级扰动识别的仿真实验,结果表明,所提方法能有效识别A、Ca、Cb、Cc、Da、Db和Dc等七类电压暂降扰动。该方法降低了数据维度,减少了模型计算量,避免了对动态过渡过程的检测,降低了错误识别的风险,为多级电压暂降扰动的识别与分类提供了一种有效的辅助手段。     

电力系统电压暂降源定位方法综述

主要对电力系统电压暂降源的定位方法进行了综述.为了加深对电压暂降源定位问题的认识和理解,从电压暂降的定义、引起原因入手,介绍了电压暂降源定位问题的含义.重点讨论了当前现有的四类主要定位算法,包括基于扰动功率和能量的定位法、基于阻抗实部的定位法、基于暂降分类的定位法及其他方法,并分析了它们各自的原理、优势和不足.在总结目前现有电压暂降源定位方法的基础上,从三个方面对今后的研究工作进行了展望.     

电力系统电压暂降源定位方法综述

主要对电力系统电压暂降源的定位方法进行了综述。为了加深对电压暂降源定位问题的认识和理解,从电压暂降的定义、引起原因入手,介绍了电压暂降源定位问题的含义。重点讨论了当前现有的四类主要定位算法,包括基于扰动功率和能量的定位法、基于阻抗实部的定位法、基于暂降分类的定位法及其他方法,并分析了它们各自的原理、优势和不足。在总结目前现有电压暂降源定位方法的基础上,从三个方面对今后的研究工作进行了展望。     

考虑扰动源定位的电压暂降监测点最优配置

结合监测点可观测域原理和电压暂降扰动源定位法,构建扰动源可观性矩阵,在此基础上以监测点数最少为目标,以全网电压暂降及其扰动源可观为约束条件,建立监测点最优配置模型,并用0-1整数线性规划方法进行求解。IEEE 30节点测试系统的仿真结果表明,所提方法正确有效,所需监测点数量少,克服了传统监测点配置方法中电压阈值选取困难的问题,且所得电压暂降特征更精确。     

基于多分类支持向量机的电压暂降源识别

S变换具有很好的时频分析能力,能精确提取突变信号的关键特征信息。在分析S变换原理基础上,提出一种基于多分类支持向量机的电压暂降源识别方法。用S变换对电压暂降信号进行时频分析,提取各类暂降特征;用多分类支持向量机对特征进行训练与识别。通过仿真算例验证,该方法能有效识别电压暂降源,可应用于电能质量监测系统。     

基于ISGMD-DHT的电压暂降特征提取方法研究

针对电压暂降特征信号在谐波、噪声环境下的准确提取问题,提出了一种基于迭代辛几何模态分解-差值希尔伯特变换(iteration symplectic geometry mode decomposition-difference Hilbert transform,ISGMD-DHT)的提取方法。首先,基于哈密顿矩阵与辛QR分解构造重构轨迹矩阵,结合辛几何相似变换得到初始辛几何分量。其次,根据相似度准则拟合初始辛几何分量并计算残余分量,再根据残余分量构造轨迹矩阵。然后,重复上述操作直至满足迭代终止条件获得最终相互独立的辛几何分量。最后,通过差值希尔伯特变换提取暂降特征量。仿真和实测数据的分析结果表明,该方法能在严重噪声、谐波扰动情况下准确提取暂降特征量。     

基于HHT的人体脉搏特征识别及分类研究

为了快速获取人体脉搏信号完整特征信息,并快速准确识别脉搏特征信息与人体疾病关联表征。研究采用多周期脉搏时域特征和基于集合模态经验分解（Ensemble Empirical Mode Decomposition EEMD）的希伯尔特黄变换(Hilbert-Huang-Transform HHT)获取瞬时频率及幅值作为频域特征,把时域及频域特征进行融合作为卷积神经网络的输入进行人体脉搏特征的识别及分类。从MIT-BIH 标准数据库中获取到三种临床症状的脉搏信号进行了实验分析,最后经过实验得到脉搏特征识别及分类准确率为91.88%。采用基于EEMD的HHT作为时域特征的补充,时频特征混合能够使得PPG脉搏信号完整的表征,并在卷积神经网络上进行分类实验,得到较好的分类效果。研究方法愿为临床诊断智能化发展、提高临床诊断的准确率及效率提供良好的促进作用。     

一种基于改进灰色关联分析的电压暂降源识别方法

为准确识别电网中各类暂降源,提出了一种基于改进灰色关联分析的电压暂降源识别方法。分析了其产生机理,并利用暂降分段法,分析电网中各类暂降源的波形特点;针对传统灰色关联分析模型的不足,利用熵权法进行改进;提取电压暂降波形的时域特征,形成六类暂降源对应的标准参考序列和待识别暂降源对应的比较序列,利用改进的灰色关联分析模型计算参考序列和比较序列的关联度,实现暂降源的准确识别。通过PSCAD/EMTDC仿真和实测数据对所提方法进行验证,并与其他方法对比,证明了所提方法能在样本较少的情况下准确识别各类暂降源,且能确定短路引起暂降的故障类型,具有较大的工程应用前景。     

应用主成分分析约简电压暂降扰动源识别特征的方法

电压暂降是一种典型的电能质量扰动现象,准确识别引起电压暂降的扰动源类型是电能质量监测与管理的重要内容之一。为解决由于特征指标的相关性和冗余性而导致电压暂降扰动源识别准确率低的问题,提出一种基于主成分分析的电压暂降扰动源识别特征约简方法。通过分析单一电压暂降扰动源和复合电压暂降扰动源,利用小波系数从统计量、波形态、熵、能量等方面构建电压暂降特征指标。根据主成分分析方法对原始特征指标进行标准化处理,计算协方差矩阵并确定综合特征指标个数,最后得到约简后的综合特征指标。这些综合特征指标有效地消除了原始特征指标间的相关性和冗余性。采用常规方法构造分类器进行验证表明,约简后得到综合特征指标,不仅有效降低了输入到分类器中的特征向量个数,而且在不同噪声强度下对单一电压暂降扰动源和复合电压暂降扰动源的识别准确率明显高于利用原始特征指标进行的分类识别。     

基于改进S变换的复合电压暂降源识别特征分析

电压暂降是较常见、影响较大的电能质量问题,识别电压暂降扰动源对改善和治理电压暂降具有重要意义。分析了由线路短路故障、感应电动机启动、变压器投入等单一电压暂降扰动源和复合电压暂降扰动源引起的电压暂降现象,提出采用改进S变换分析复合电压暂降扰动源识别特征。根据基频幅值曲线和2~5倍基频幅值和曲线,从统计量、熵和能量等方面构建电压暂降识别特征指标,将这些特征指标作为支持向量机的输入实现对不同类型电压暂降扰动源的分类识别。仿真结果表明,采用改进S变换构建电压暂降识别特征指标比标准S变换在电压暂降扰动源分类识别上效果更好。     

基于动态时间弯曲距离的电压暂降源辨识方法

为了实现对各类型电压暂降源的准确辨识,从波形相似性检测的角度提出了一种基于动态时间弯曲距离的电压暂降源辨识方法。通过仿真模型分析了基本电压暂降和经不同类型变压器传播后各类暂降的波性特征,构建了电压暂降类型与暂降原因及变压器类型的映射关系。利用9种电压暂降波形数据构建匹配库,采用动态时间弯曲距离法将实测的电压暂降波形数据与匹配库波形数据进行匹配分析,实现电压暂降源的辨识。仿真分析的结果表明,该方法能够对电网中出现的各种类型电压暂降进行辨识,具有较高的准确性和有效性,满足工程应用的需求。     

基于BAS-BP分类器模型的电压暂降源识别

为提高不同电压暂降扰动源的识别正确率,对电压暂降进行有效治理,提出一种利用天牛须搜索(BAS)算法和反向传播(BP)神经网络构建BAS-BP分类器模型的电压暂降源识别方法。文中应用改进S变换提取16个特征指标,组成电压暂降源识别指标体系,为消除冗余信息对分类结果的影响,利用组合赋权法筛选出9个指标作为分类器的输入量。通过BAS算法对BP神经网络的初始权值和阈值寻优,构建BAS-BP分类器模型,实现对配电网不同类型电压暂降源的识别。仿真结果表明,该分类器模型具有一定的抗噪能力与适用性,并且与常规分类器模型相比,具有更好的分类效果。     

基于配电网的复合电压暂降源分类与识别新方法

为了对配电网含有谐波情况下的复合电压暂降源进行分类与识别,提出了一种基于特征值综合法的复合电压暂降源分类与识别新方法。首先根据不同复合电压暂降源所引起的电压暂降波形特征的不同,定义三相电压不平衡度,将含单相接地类的复合电压暂降源与感应电机启动和变压器投入相复合的电压暂降源进行区别。然后定义交叉不平衡度并结合二次谐波电压含量对含单相接地类故障中的各类复合电压暂降源进行区分。最后利用马氏距离与概率神经网络相结合的方法对各类复合电压暂降源的故障顺序进行识别,进而形成完整的复合电压暂降源种类和故障顺序识别新方法。通过仿真实验对所提方法进行了验证,结果表明该方法能够很好地对复合电压暂降源的种类和故障顺序进行分类识别,且识别正确率高于96%。此外,所提出的分类方法还与EMD能谱熵和概率神经网络相结合的方法进行了对比分析,对比结果表明,所提方法的识别效果明显优于后者。