一种简单的电能质量扰动信号检测方法

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。     

电能质量扰动检测的研究综述

快速、准确、有效的电能质量扰动检测是电网故障分析与治理的前提和基础,在电力监测、电能质量评估及电网和用户的安全中扮演了重要角色.针对当前国内外相关研究成果进行整合归纳总结.首先,分析了电能质量扰动检测对象,归纳电能质量扰动检测的难点问题.其次,详细综述电能质量扰动检测方法的最新研究进展,将其分为时域分析、频域分析、时频...     

基于数学形态学的谐波检测与电能质量扰动定位方法

提出了一种基于数学形态学的电流（电压）谐波检测方法,通过合理地选择扁平结构元素的长度,该方法能快速、准确地检测出电流（电压）中的谐波分量.以此为基础,提出了一种快速的电能质量扰动检测和定位方法,该方法将电压幅值的平方值作为TOP-HAT变换的输入量,具有较高的检测灵敏性.系统存在噪声的情况下,该方法也有较好的检测效果.MATLAB/SIMULINK仿真结果证明了这两种方法的有效性.     

一种快速暂态电能质量扰动定位方法

暂态电能质量扰动是目前电能质量研究中的主要问题之一,如何快速、准确定位电力系统中暂态电能质量扰动是一件复杂而有意义的工作.文中从时域出发,提出一种Hilbert变换和后差分相结合的方法,快速定位暂态电能质量扰动.该方法首先利用Hilbert变换提取暂态电能质量扰动信号的包络,然后采用后差分定位扰动信号.实验结果及分析表明,该方法简单、快速、准确,适合实时性要求较强的场合.     

风电并网暂态电能质量扰动的检测与识别

风能的随机性、间歇性和波动性等特性使得电力系统的电能质量在风电并网运行时受到了十分复杂的影响,因此针对风电并网运行中的暂态电能质量问题,文中提出了一种基于db4小波变换和有效值法的新方法对暂态电能质量扰动进行检测与识别,并通过详尽的理论分析和Matlab仿真对该方法进行了验证。研究结果表明该方法能有效地完成对暂态电能质量扰动的检测与识别,为检测与识别电力系统在风电并网运行时的暂态电能质量扰动提供了一种切实可行的新方法。     

一种电能质量扰动检测的新方法

电力系统电能质量扰动是一种典型的非平衡信号，时频分布是分析非平稳信号时一种有效的特征描述。文中介绍了一种基于时频分布的电能质量扰动检测的新方法：首先利用瞬时无功功率理论来提取电压信号的基波成分，进而提取出加载在电压上的扰动信号，然后利用时间和频率的联合函数来描述电能质量扰动信号在不同时间和频率上的能量密度，以此来提取扰动在时间和频率分布上表现出来的特征，仿真算例验证了该方法的有效性。     

一种新的电能质量扰动分类识别算法

通过分析电能质量扰动信号的时域特征,提出一种电能质量扰动分类方法.所提取的扰动分类特征量具有明确的物理意义,有利于对各种电能质量扰动进行估值.某一特征量或某几个特征量能唯一确定一种扰动,使扰动判断不再具有或然性.任一扰动的特征量不因其他扰动的存在而改变.因此,可以准确辨别出混合扰动.MATLAB仿真结果表明,该方法能有...     

一种新的电压暂态信号检测方法

暂态电能质量扰动包括电压骤降、电压骤升以及供电瞬时中断问题,而据统计和案例反映,造成用户用电设备异常运行或停电的绝大部分因素是电压骤降问题.为了检测电压暂降信号的特征值,本文提出了一种小波包变换和平方检测相结合的新检测方法.该方法采用小波包变换对扰动信号奇异点进行检测,准确定位扰动的起始时刻和终止时刻;采用小波包变换对信号进行平方解调,以求解扰动信号幅值.算例研究表明:在含有多种暂态扰动的情况下,该方法可以实现对骤降信号特征值的检测.     

基于预测机制的电能质量扰动检测方法研究

通过对现有各种扰动监测算法的研究和比较,提出了一种基于线性预测机制的时间域电能质量扰动检测方法。将待分析的电网信号通过由线性预测机制得到的误差预测滤波器,当电网中发生电能质量扰动时,预测信号波形会在扰动发生及结束时刻产生突变,使得所提检测算法能够及时检测到电网中发生扰动信号的起始时刻和持续时间。仿真和试验结果表明了所提方法能准确检测电压暂升、暂降等变化相对缓慢且延续时间也相对较长的暂态扰动信号,对电压骤降等变化时间极为短暂的瞬时性扰动信号依然具有良好的监测效果。     

基于预测机制的电能质量扰动检测方法研究

通过对现有各种扰动监测算法的研究和比较,提出了一种基于线性预测机制的时间域电能质量扰动检测方法.将待分析的电网信号通过由线性预测机制得到的误差预测滤波器,当电网中发生电能质量扰动时,预测信号波形会在扰动发生及结束时刻产生突变,使得所提检测算法能够及时检测到电网中发生扰动信号的起始时刻和持续时间.仿真和试验结果表明了所提方法能准确检测电压暂升、暂降等变化相对缓慢且延续时间也相对较长的暂态扰动信号,对电压骤降等变化时间极为短暂的瞬时性扰动信号依然具有良好的监测效果.     

短时电能质量扰动检测的一种新方法

将DCT(离散余弦变换)变换和差变算法结合起来进行短时电能质量扰动的检测。对含强噪声的短时电能质量扰动采样信号(电压凹陷、电压凸起和电压间断)进行DCT变换,从所得DCT系数中提取出差变信号,通过DCT系数和差变序列检测出扰动的幅值和起止时间。仿真结果表明,用该方法检测扰动,分析过程简单,利用DCT系数的噪声鲁棒性能实现强噪声环境下的扰动信号检测,且检测精度较高。     

短时电能质量扰动检测的一种新方法

将DCT(离散余弦变换)变换和差变算法结合起来进行短时电能质量扰动的检测.对含强噪声的短时电能质量扰动采样信号(电压凹陷、电压凸起和电压间断)进行DCT变换,从所得DCT系数中提取出差变信号,通过DCT系数和差变序列检测出扰动的幅值和起止时间.仿真结果表明,用该方法检测扰动,分析过程简单,利用DCT系数的噪声鲁棒性能实现强噪声环境下的扰动信号检测,且检测精度较高.     

三相电能质量扰动信号压缩方法研究

提出了一种基于压缩传感的三相电能质量数据压缩新方法。首先,将时间t内的三相电能质量扰动信号转换为3t时间内的一维信号;然后,将传统的多频带融合问题理论应用于压缩感知稀疏基设计中,构造稀疏基;最后,选取高斯随机矩阵作为观测矩阵,OMP算法作为重构算法,重构三相电能质量扰动信号并利用MATLAB进行仿真。实验结果表明,该方法可以有效压缩三相电能质量数据,实现三相电能质量扰动信号同时处理,并同时检测出多项性能指标参数。     

基于S变换的暂态电能质量扰动检测

针对暂态电能质量扰动信号特性,提出了一种基于S变换(S-Transfom)的信号分析法.S变换是由连续小波变换和短时傅立叶变换相结合发展而来,引入了宽度与频率成反向变化的高斯窗,不仅具有与频率相关的分辨率,更具有良好的时频特性,是一种有效的非平稳信号分析方法.通过算例验证了S变换在暂态电能质量扰动信号分析中,可提供有效、准确的分析结果.     

一种新的电能质量扰动信号压缩感知识别方法

针对现有电能质量扰动信号识别方法存在数据量大、准确率不高的不足,提出了一种基于压缩感知稀疏向量特征提取的电能质量扰动信号分类识别方法。该方法首先针对原始信号,利用压缩感知理论获取降维的测量信号,并基于?1范数正交匹配追踪算法获取稀疏向量。然后针对稀疏向量提取最大值、次大值、均方根、标准差、峭度和裕度因子等特征,作为神经网络的输入,实现电能质量扰动信号的分类识别。最后,针对六类典型电能质量扰动信号,开展仿真实验验证。仿真结果表明,现有识别方法需要处理的原始信号长度为1024,而所提方法特征提取时所处理的数据长度仅有30,从而大大减少了所需处理的数据量,并且由于实现了以非常少的数据量保存原有全部有用特征信息,因而更有利于提高识别准确率。通过与广泛采用的小波变换识别方法进行比较,所提方法的平均准确率高达98.71%,远远高于小波变换方法的92.86%。     

基于ISSA-XGBoost的电能质量扰动识别方法研究

针对传统电能质量扰动(power quality disturbances, PQDs)识别中特征提取有冗余,识别精度不高等问题,提出了一种基于改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化特征选择和极致梯度提升(eXtreme gradient boosting, XGBoost)的电能质量扰动识别方法。首先对电能质量扰动信号进行S变换,提取61种电能质量特征。再通过ISSA同时选择最优特征子集和XGBoost中最优参数,剔除冗余特征,提高识别精度。最后根据优化后的最优特征子集和XGBoost实现电能质量扰动的识别。仿真结果表明,所提出的方法能有效选择最优特征子集,对噪声环境下的19种电能质量扰动信号进行高效识别,并且具有较高的识别精度。     

单一电能质量扰动的分类识别研究

电能质量扰动的分类识别对电能质量综合治理具有重要意义,为此提出了一种基于粒子群优化极限学习机的电能质量扰动分类新方法。利用小波变换将扰动信号做10层分解,提取有效区分扰动信号类型层数的能量差、能量差平均值及能量差的标准差作为特征向量,并将扰动信号与正常信号的均方根作为补充,减少输入向量维度。提出采用极限学习机训练误差作为粒子群的适应度函数来优化隐含层神经元个数,在提升分类速度的基础上保持较高的分类精度。经仿真验证表明,该方法能够准确有效地识别常见的7种扰动类型,相比于传统的BP神经网络具有较高的分类速度。     

一种组合重构的电能质量扰动特征提取方法

电力系统中电能质量扰动类型较多、扰动特征表征复杂,特征提取的有效性直接影响识别精度。为了保证特征提取的有效性,通常以牺牲特征向量维度作为代价,但特征向量维度过高会增加识别模型的复杂度和降低识别的速度。基于以上考虑,提出了一种基于能量熵和功率谱熵的组合重构特征提取方法。首先根据电能质量扰动信号特性和改进集合经验模态分解(modified ensemble empirical mode decomposition, MEEMD)对电能质量扰动信号进行处理。其次利用能量熵和功率谱熵对扰动特征进行组合提取,构建高精度、低维度的特征向量。最后通过双层前馈神经网络(double-layer back propagation neural network, DBPNN)对扰动信号进行识别。仿真和实验结果表明,与单一特征提取方法相比,所提出的组合重构特征提取方法的特征向量维度、识别模型复杂度和识别难度降低,准确率较高,且具有一定的抗噪性。     

基于变分模态分解的电能质量扰动检测新方法

为了更加准确地提取扰动信号特征,提出了基于变分模态分解(VMD)的电能质量扰动检测新方法。该方法由VMD和希尔伯特变换(HT)2个部分组成。首先,对扰动信号进行傅里叶变换以确定VMD的预设分解尺度;然后,利用VMD将扰动信号分解为系列调幅-调频函数之和;最后,对每个调幅-调频函数进行HT,求取瞬时幅值和瞬时频率,进而确定扰动信号特征。较之希尔伯特-黄变换和局部均值分解方法,VMD方法不仅可分析不同时间支集的扰动信号,处理复合扰动和频率相近的奇数次谐波,也不存在模态混叠,获取的瞬时幅值和瞬时频率更加准确。仿真信号和变电站电容器组投入时的电压信号分析结果证明了所提方法的可行性和有效性。