基于奇异值分解的电能质量信号去噪

提出了一种基于奇异值分解的电能质量扰动信号去噪算法。算法重构采集信号时间序列的吸引子轨迹矩阵,根据轨迹矩阵奇异值的加权能量贡献率（PCTE）选择奇异值进行扰动信号重建,重建信号即为去除噪声后的电能质量扰动信号。仿真试验结果表明奇异值分解能够有效地提高扰动信号的信噪比,保持原始电能质量信号的扰动特征,此算法理论基础完善,易于实现,有良好的发展前景。     

奇异值分解和最小二乘支持向量机在电能质量扰动识别中的应用

基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。     

矩阵分解在暂态电能质量扰动检测方面的应用

针对暂态电能质量问题日益突出的实际情况,提出了基于矩阵分解技术的暂态电能质量扰动检测方法。首先将一维电能质量扰动信号构造成Hankel矩阵,根据矩阵奇异值分解原理完成对扰动信号的线性分离,然后分析各层分量信号所含信息的价值,确定用第三层分量信号中的突变信息来检测扰动信号的发生、截止时刻。仿真结果表明,该方法有效易行。     

基于超完备字典的压缩感知电能质量数据重构

针对应用压缩感知原理进行电能质量数据重构时,采用普通函数形成的正交基进行稀疏表示不能自适应地获得最佳稀疏表示这一问题,首次将K-奇异值分解字典学习引用到电能质量数据重构中。首先,对电能质量信号进行一二维转换,利用K-奇异值分解字典学习算法,建立了适合电能质量数据的超完备字典;并选取高斯随机矩阵作为测量矩阵,对电能质量扰动信号进行压缩采样。同时,利用压缩感知匹配追踪算法进行信号二维重构,并将其转换成一维信号。最后,利用所提出的新算法对几类常见电能质量信号进行了仿真验证。结果表明:在压缩比为25%时,利用新算法能够完成重构信号,其信噪均大于44.2 dB,能够满足实际应用时的分析要求。     

基于改进小波阈值函数和奇异值分解的电能质量扰动检测定位

为了在噪声环境下准确提取电能质量扰动特征,本文提出基于改进小波阈值函数去噪和奇异值分解的电能质量扰动检测定位方法。首先构建改进小波阈值函数对含噪电能质量扰动信号降噪,利用经验模态分解的信号频带划分能力,实现降噪后扰动信号各模态的有效分离,再采用希尔伯特变换提取各模态幅值、频率等特征信息,同时基于奇异值分解实现对扰动信号的起止时刻的有效定位。最后分别采用不同类型的电能质量扰动信号进行仿真实验,实验证明本文提出的算法不仅具有良好的抗噪性能,同时具有较高的定位准确度和良好的鲁棒性。     

基于奇异值分解和TLS-ESPRIT的电能质量扰动信号检测方法

为了能有效地改善电能质量,准确地对电能质量扰动信号的发生及结束时间以及其特征参数进行检测是其前提。文章提出将奇异值分解与TLS-ESPRIT算法相结合来对暂态电能质量扰动进行检测。首先利用基于奇异值分解的方法对暂态电能质量信号进行定位,可以得到较为准确的定位效果。然后以定位点为界,向前及向后各取一个周期的采样信号,对得到的信号利用TLS-ESPRIT算法进行计算,可以估算得到信号的幅值、频率等特征参数。利用这些参数可进一步对扰动类型进行判别。仿真实验结果表明,该方法仅需较短的采样信号,对电压暂降、电压暂升、频率偏差、谐波、谐波加暂降、暂态振荡等多种电能质量扰动信号有较高精度的检测效果。     

结合滑动窗奇异值分解的EEMD暂态电能质量扰动检测法

为了解决噪声、模态混叠等原因造成提取电能质量扰动信号的时频特征不清晰的问题,根据电能质量扰动信号具有非平稳、不确定性以及周期性强的特点,应用总体经验模态分解(ensemble empirical model decomposition,EEM D)的方法对电能质量扰动信号进行分解,基于滑动窗奇异值分解(singular value decomposition,SVD)数据压缩方法对EEMD分解得到的一系列固模函数(intrinsic mode function,IMF)分量组成的矩阵进行了重构,并对重构后的IMF分量作Hilbert变换降维,提取了扰动信号时间、频率、幅值上的特征。对比传统的EEMD算法,新方法能更加准确定量地提取各个扰动成分的起始时刻、幅值、频率等扰动特征,同时能够有效抵御噪声的干扰,克服了以往只能通过人为选取IMF分量来提取扰动时频特征过于主观的缺点。算例仿真的结果验证了该方法的有效性。     

基于改进HHT的电能质量扰动检测新方法

为了解决传统HHT在电能质量扰动检测中EMD产生的模态混叠问题,提出一种基于奇异值分解（SVD）的改进HHT的电能质量扰动检测新方法。首先,将初始信号转换为Hankel矩阵进行SVD;再进行奇异值去模态混叠处理并重构信号;最后用HHT方法对重构后的去干扰扰动信号进行分析,求出扰动各固有模态分量imf对应的瞬时幅频参数,以实现扰动检测。仿真结果表明改进HHT方法比传统HHT与基于EEMD的HHT方法对带有噪声与高频间断信号的扰动信号能更好地消除模态混叠,不仅适用于单一暂态扰动检测,对复杂非平稳扰动也能取得较好效果。     

采用奇异值梯度信息的暂态电能质量扰动自适应检测方法

为了满足对电网非平稳扰动信号快速、准确分析的要求,提出了一种采用奇异值梯度信息的暂态电能质量扰动检测新方法。通过滑动窗奇异值分解(SVD)方法提取信号的变化特征、降低噪声干扰,并通过奇异值梯度求取扰动指示信号,得到初步定位结果。提出无参自适应阈值,进一步抑制噪声干扰并实现对暂态扰动信号的检测定位。所提算法原理简单,无需进行前置滤波及参数调节。一系列仿真试验的对比分析结果表明,所提算法定位准确、抗干扰能力强,对过零点扰动也有较好的检测效果。通过对变电站实际暂态扰动数据的检测分析,进一步验证了所提算法的有效性。     

S变换在电能质量扰动中的分析

S变换是电能质量扰动分析中的一个重要工具。为了对电能质量扰动信号进行准确分析,提出S变换模矩阵幅值求全算法和幅值平方和均值算法。求全算法得到时间和幅值的包络,准确得到扰动量的幅值,平方和均值算法可以准确定位扰动的时间和检测谐波频率分量。通过在Matlab上S变换对电能质量扰动信号的仿真分析并与Daubechies小波及小波包变换分析进行比较,证明S变换对电能质量扰动分析的精确性更高。