基于最优二代小波包基的电能质量数据压缩方法

针对日益增加的海量电能质量数据传输、储存问题,提出一种基于统一阈值法的最优二代小波包基电能质量数据压缩方法。首先对数据进行二代小波包分解,然后采用阈值熵法求解最优小波包基,最后根据生成的最优小波包系数对电能质量数据进行压缩与重构。对电压凸起、电压中断、电压脉冲、电压振荡、电压凹陷与Leleccum稳态数据采用所提出方法进行压缩,仿真结果分别与二代小波、最优一代小波包方法进行对比。仿真结果表明,以压缩率和均方误差两个重要性能指标作为参考,该方法较二代小波及最优一代小波包的压缩效果均优越。     

基于提升小波包最优基的电能质量数据压缩

在小波压缩技术的基础上,使用提升小波包最优基的方法解决电能质量信号的数据压缩问题。利用先分解后搜索的提升小波包最优基分解信号,再对最优基下小波包系数作阈值处理,消除幅值较小的系数,达到压缩的目的,最后对压缩后的数据进行重构,并将其与小波变换、最佳小波包变换的数据压缩方法进行仿真比较。结果证明,提升小波包最优基变换的方法．在电能质量数据压缩中取得了满意的效果。     

交叉验证方法在电能质量信号白噪声抑制中的应用

电力系统中,电能质量信号往往含有大量噪声,这将在很大程度上影响检测的效果。基于交叉验证方法提出了电能质量信号白噪声抑制新方法,该方法无需事先估计信号中白噪声的任何参数,能根据所定义的积分均方误差（ISE）代价函数自适应地选择最佳消噪阈值,解决了小波去噪过程中小波基函数选择的固有难题,而且去噪效果优于传统方法。仿真结果表明,该方法能够准确提取出扰动信号的突变信息,提高电能质量信号的信噪比,且信号的均方误差较小。     

基于谐波滤波器组的电能质量扰动数据压缩方法

提出一种基于谐波滤波器组的电能质量扰动数据压缩方法,该方法采用谐波滤波器组实现原始信号中稳态分量与暂态分量的分离,并通过插值离散傅里叶变换(IpDFT)算法来高精度估计谐波分量参数,然后对确定的稳态分量和暂态分量分别采用参数量化和小波变换进行压缩。最后,利用实际的电能质量扰动数据测试了该方法,结果表明,该方法对于各种类型的电能质量扰动信号均有效,同时在压缩比相同时,与通用小波压缩方法相比具有更好的压缩性能。     

基于最佳小波包基的电能质量暂态数据压缩

针对电能质量暂态扰动数据高频分量频率高(最高达到MHz)的特点,在小波压缩技术的基础上,提出将基于最佳小波包基的数据分析方法应用于电能质量数据压缩,利用最佳小波包基的快速搜寻算法对高、低频分量同时进行分解,再对扰动数据进行压缩重构,并将其与基于小波变换的数据压缩方法进行仿真比较。结果表明,在压缩比大致相同的情况下,得到数据的失真率比传统小波的压缩方法低。     

基于小波包变换的电能质量扰动数据压缩

正交小波包变换可以对信号进行多频带分解，并根据被分解信号的特征，自适应地选择相应的频带，弥补正交小波变换的不足。将正交小波包变换与门限阀值相结合，应用于电能质量扰动数据压缩，并对其中最佳小波包的选取、门限阀值确定、算法实现等问题进行了讨论。对用电消耗信号、电压间断信号及暂态谐波失真信号进行了压缩仿真，并比较了这些信号在不同分解层次和门限限定系数取值时的压缩效果，结果验证了该方法的可行性和有效性。     

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%。     

基于改进PSO - WNN的电能质量扰动分类研究

提出一种基于改进粒子群算法和小波神经网络相结合的电能质量扰动分类方法.首先利用小波多分辨技术检测电能质量扰动信号,然后提取各类扰动能量特征向量,将此特征向量输入到优化后的小波神经网络进行识别,最后经改进粒子群小波神经网络得到电能质量扰动分类结果.实例仿真计算结果表明,方法可大大提高电能质量扰动分类识别能力.     

结合二代小波与快速傅里叶变换的L电能质量数据压缩算法

针对大量电能质量数据的传输和储存问题,提出一种结合快速傅里叶变换(FFT)和二代小波(SGWT)的电能质量数据压缩算法,包括FFT、SGWT有损压缩和LZW(字符串表编码)无损压缩的流程图。分别对暂态和稳态扰动信号进行仿真比较,结果表明所提出的算法与FFT以及SGWT相比,可有效降低存储空间,可得到更高的压缩率且在压缩比、均方误差与运行时间等性能指标上取得较好平衡。     

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。     

ACPSO-WFLN算法在短期风电功率预测中的应用

针对传统小波神经网络初始参数设定困难、容易陷入局部极值的问题,提出一种基于自适应混沌粒子群算法(ACPSO)优化的小波链神经网络(WFLN)。首先,将小波神经网络与随机矢量函数连接网络相融合,构建小波链神经网络,加强网络并行运算能力;其次,在粒子群算法中引入混沌优化因子与自适应权重系数,改善粒子群的早熟收敛问题,实现全局与局部寻优能力的动态平衡;最后,利用ACPSO算法优化WFLN神经网络,建立短期风电功率预测模型。实验结果表明:ACPSO-WFLN风电功率预测模型较其它网络明显减少隐层神经元数目与迭代步数,具有较高的预测精度。     

基于BP神经网络的风电功率预测仿真分析

介绍了风电功率预测的背景,对风电功率预测进行了理论分析,分析了BP神经网络的原理及基于BP神经网络的风电功率预测流程和预测结果误差的评价指标。以Matlab软件的神经网络工具箱为仿真平台,搭建BP神经网络,进行了功率预测仿真,预测结果均方根误差分别为6．97％、200．59％。两组仿真对比结果表明,基于BP神经网络的风电功率预测在短期预测中是可行的．     

基于小波和改进神经树的电能质量扰动分类

准确地识别和分类电能质量扰动对分析和综合治理电能质量问题具有重要意义。提出了一种基于小波和改进神经树的电能质量扰动分类方法。该方法利用小波分解扰动信号到各个频带,在基频频带、谐波频带和高频带上分别计算其能量值和小波系数熵作为特征值,另计算基波频带扰动过程的均方根作为特征的补充,融合能量值、熵和均方根值作为扰动判断的特征向量,规范化后输入到改进神经树分类器进行训练和分类。改进神经树分类器是由神经网络和决策树及其分类规则构成。仿真表明,该方法提取特征值的计算量小且融合后的特征向量能够很好地体现不同扰动信号之间的差异信息,构造的改进神经树分类器结合了神经网络和决策树在模式分类中各自的优点,结构简单且表现出良好的收敛性、全局最优性和泛化性,分类准确率较高,能够有效地识别七种常见的电能质量扰动。     

基于小波神经网络的低压电力线背景噪声建模

为增强电力线通信的抗噪能力,针对低压电力线信道噪声中的有色背景噪声和窄带噪声,提出一种基于小波神经网络的建模方法。首先,将背景噪声进行小波神经网络建模,对比所建模型输出噪声与测试噪声的时域波形及功率谱密度,计算两者功率谱密度的均方根误差;然后,对同一组背景噪声分别进行基于传统的小波马尔科夫链和小波神经网络的建模,并计算2种模型输出噪声与测试噪声的功率谱密度及其均方根误差。仿真结果表明,小波神经网络输出噪声与测试噪声的时域波形及功率谱密度均有着较一致的变化趋势,因此小波神经网络对低压电力线信道背景噪声的建模是有效的,对宽带噪声的建模效果更好。     

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。     

利用小波变换及人工神经网络识别电能扰动

电能质量问题成为近年许多高等院校、科研院所的研究重点,电能扰动识别是电能质量研究的一个重要方面。为此,指出了电能扰动识别包括预处理、特征提取和模式识别等3个过程,研究了基于小波变换和人工神经网络的电能扰动模式识别方法。借助于Matlab软件生成120个电能扰动样本并使用小波变换提取特征后,采取反向传播神经网络和概率神经网络识别的正确率分别为87.5%和85%。仿真分析结果发现:使用小波变换提取特征向量并使用反向传播神经网络设计分类器所得到的识别系统的性能比较令人满意。     

基于神经网络和ARIMA模型的冷热电短期负荷预测

冷热电负荷预测对终端供能系统的规划设计有重要意义,针对冷热电负荷预测方法中存在的变量多、时间开销大等问题,以5种典型建筑的冷热电负荷历史数据为基础,将Elman神经网络、自回归求和滑动平均ARIMA(autoregressive integrated moving average)模型和小波神经网络用于冷热电短期负荷预测。仿真结果表明:在冬夏典型日的冷热电负荷预测中,小波神经网络的最大平均绝对百分比误差为2.1%,计算速度适中,是较为合适的冷热电负荷预测方法;ARIMA模型的最大平均绝对百分比误差为4.1%,计算速度慢,但调试和确定参数的难度不大;Elman神经网络的最大平均绝对百分比误差为7.4%,但计算速度最快,网络参数少且调节简捷,适用于对预测精度的要求不太高,但需快速响应的场合。     

基于第二代小波变换的电力系统故障录波数据压缩方法

随着对故障过程监测水平要求的逐步提高,急剧增大的故障录波数据量给数据传输和存储带来了很大的困难,因此必须对其做压缩处理。在论述传统小波分解理论和第二代小波方法的基础上,提出了一种基于整数小波变换的无损压缩方法。该方法能够对电力暂态信号数据进行完全可逆的多尺度整数小波分解,并将各尺度上的小波系数进行Huffman编码,从而实现无损压缩。仿真实验结果表明：该方法应用于故障录波数据无损压缩可实现较高的压缩比。