基于稀疏分解的复合电能质量扰动分类

针对复合电能质量扰动分类问题,提出了一种基于稀疏分解的分类新方法。该方法通过构建正余弦字典、脉冲字典将电能质量扰动信号分解为近似部分和细节部分,并从中提取了8个特征量。将特征向量输入改进支持向量机中可实现30种复合扰动的准确分类。基于MATLAB生成数据和真实电网数据的仿真结果表明:针对稀疏分解得到的特征向量,改进支持向量机的分类精度高于BP网络和极限学习机;文中方法对单一扰动及复合扰动均有较强的分类能力,且具有一定的抗噪声能力。     

离散小波变换用于电能质量扰动数据实时压缩

电力系统中与电能质量扰动相关的监测数据规模在短时间内迅猛增加，其庞大的数据容量给存储带来了很大的麻烦，亟须在存储前对其做压缩处理。文中提出了电能质量扰动数据的实时离散小波变换（DWT）法，该方法能够实时地对电能质量扰动数据信号进行多分辨分析（MRA），在各尺度上筛选与扰动相关的小波变换系数并进行保留，从而实现实时压缩的目的。该方法还可以利用保留下来的小波变换系数进行几乎无信息损失的信号重构来复原原始电能质量扰动数据信号。工程实际应用证明了该实时压缩方法的可行性。     

压缩感知理论及其电能质量应用与展望

压缩感知理论是信号采样与处理领域的热点和前沿,在电能质量检测中具有很好的应用前景。为此,对压缩感知理论及其电能质量应用与展望进行综述。阐述了现有电能质量扰动信号采样和分析方法的不足,介绍了稀疏分解与压缩感知的基本概念和发展现状,重点介绍了压缩感知理论的3个基础关键问题:稀疏表示、非相关观测和非线性优化重构;同时,着重介绍了时频原子稀疏分解和压缩感知理论在电力系统电能质量扰动信号中的应用现状。最后,给出了电能质量扰动信号稀疏分解和压缩感知理论的下一步研究展望。     

基于数学形态学和简化熵的电能质量扰动定位

提出了简化熵的概念,并将其与数学形态学理论结合应用于电能质量扰动定位。首先,利用数学形态学理论构造了自适应尺度结构元素形态学滤波器,用于滤除噪声和谐波;其次,根据信息熵理论提出简化熵概念,将其用于表征信号每个时刻的稳定度以得到突变点位置;最后,分析对比了在幅度、谐波含量和白噪声含量不同时,该方法的有效性,仿真结果表明,该方法能在多种干扰下快速有效的定位扰动发生时刻。     

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。     

基于小波熵和小波熵权的电能质量扰动识别

电力系统中电能质量扰动信号的分类和识别一直是国内外众多学者研究的热点问题。小波分析是具有时频局部化特性的时频分析方法,在此基础上定义的小波熵具有较好的定量特征提取能力。基于此,在给出小波熵、小波相对熵和小波熵权的基本原理和定义的基础上,文章提出利用小波熵和熵权两种测度来分类和识别电能质量扰动信号,建立了各种扰动的仿真模型,对电压突降、突升、中断,振荡暂态、脉冲暂态、电压尖峰、缺口、谐波等扰动类型进行了系统的仿真分析。结果表明,不同类型扰动信号的小波熵及熵权具有不同的定性规律,小波熵及小波熵权对电能质量扰动具有一定的分类识别能力。     

基于局部均值分解的暂态电能质量扰动检测方法

局部均值分解(LMD)是一种新的非线性、非平稳信号时频分析方法,可以将复杂的多分量信号分解为若干个乘积函数(PF)的线性组合,并通过所有PF分量的瞬时频率和瞬时幅值组合,得到原始信号的时频分布。采用波形匹配延拓对LMD进行改进,改善其端点效应问题,并用直接法求取PF分量的瞬时频率,将其应用于暂态电能质量扰动的检测分析。LMD可以有效地对扰动的起止时刻进行定位,具有较高的瞬时频率和瞬时幅值检测精度。仿真结果表明了LMD方法用于暂态电能质量扰动分析的可行性和有效性。     

基于小波理论和HT-LMD的电能质量扰动检测方法

针对含噪声的暂态电能质量扰动检测问题,提出了一种基于小波自适应去噪的改进HT-LMD(HilbertHuang and Local Mean Decomposition)分解检测方法。分析了局部均值分解检测扰动的优缺点以及噪声对LMD检测方法的影响,提出了采用小波分解与重构和自适应阈值技术以及基于正交性判据(Orthogonality Criterion,OC)新的HT-LMD检测方法。小波自适应去噪技术能减弱噪声对LMD分解影响,正交性判据能减少分解的迭代次数。典型暂态电能质量扰动模拟信号和实测信号的检测结果表明,所提方法能在有效提高LMD方法检测电能质量扰动效果同时很好地保留原有暂态扰动信号奇异性特征,提高了检测和定位精度。     

一种电能质量扰动信号的联合去噪算法

传统的小波阈值去噪算法存在易丢弃真实信号、去噪效果差等缺点.该文提出了一种新的用于电能质量扰动事件的联合去噪算法.该算法首先通过强跟踪卡尔曼滤波的渐消因子大于1的次数,初步判定信号的扰动类型,然后对不同的扰动类型采取不同的去噪方法.对于仅含噪声的正弦信号和谐波信号用稀疏分解及快速傅里叶变换(FFT)做两次去噪;对暂升和暂降信号采用渐消因子准确地指示扰动起止时刻,将信号分段,并对每段信号用稀疏分解和FFT去噪;对含瞬态脉冲和暂态振荡的信号,采用不同的处理方法,首先通过稀疏分解得到稳态成分和暂态成分,对稳态成分的去噪方法与含噪声正弦信号的处理方法相同,对暂态成分的脉冲信号保留实际值,对振荡信号采用变分模态分解(VMD)去噪.大量的仿真计算表明,在不同的信噪比条件下,该文提出的算法均能够有效抑制各类扰动信号的噪声,显著提高了信噪比,且效果优于小波阈值去噪算法.     

基于经验模态分解的电能质量扰动信号定位方法

提出了一种基于经验模态分解(empirical mode decomposition,EMD)的方法来对电能质量扰动信号进行定位。在EMD方法分解过程中,异常数据会在其第1个固有模态分量中引起局部高频突变信号,此高频突变信号具有幅值相对于无扰动时明显增大的特点。利用此特点,对含有电能质量扰动的电网电压进行EMD分解后得到的第1个固有模态分量求取一阶导数,然后对一阶导数进行阈值处理来确定扰动发生及终止的时刻。仿真结果表明,此方法对多种电能质量扰动信号信号有较好的定位效果。     

电能质量扰动分类的改进std_MRA曲线分类法

为了对电能质量进行有效治理,以提高用电效率,有必要对电能质量进行快速检测和准确分类。首先介绍std_MRA曲线分类法,提出多分辨率信号分解技术,该技术在分析暂态信号时非常有效,不仅能对电能质量扰动进行分类,而且能分辨相似干扰。在std_MRA曲线分类法的基础上提出改进的std_MRA曲线分类法—利用多分辨率信号分解技术对信号进行分解,绘出改进的std_MRA曲线对扰动信号进行分类。Matlab仿真表明,该方法不仅能对常见扰动进行准确分类,而且运算量小。     

基于稀疏自动编码器深度神经网络的电能质量扰动分类方法

针对智能电网日益突出的电能质量扰动问题,提出了一种基于稀疏自动编码器(SAE)深度神经网络的电能质量扰动分类方法。利用SAE对电能质量扰动原始数据进行无监督特征学习,自动提取数据特征的稀疏特征表达;通过堆栈式稀疏自动编码器(SSAE)进行逐层学习,获得电能质量扰动数据的深层次特征;将其连接到softmax分类器进行微调训练,并输出电能质量扰动事件分类结果。利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的抗噪声能力。仿真结果表明,所提方法能够准确地识别包含2种复合扰动在内的9种电能质量扰动信号,并且具有很好的鲁棒性。     

基于稀疏度特征的短时电能质量扰动信号重构方法

现有基于压缩感知的短时电能质量扰动信号重构方法尚未考虑信号稀疏度特征,重构性能有待进一步提高。为此,提出一种基于稀疏度特征的信号重构方法。首先,根据压缩感知理论对信号进行采样。随后,开发出短时电能质量扰动信号的稀疏度特征—稀疏度在频域为偶数。基于该特征,提出"双步长稀疏度自适应匹配追踪"重构方法。分析与仿真结果表明,相对于传统的稀疏度自适应匹配追踪算法,提出方法降低了计算复杂度和均方误差,提高了重构信噪比和信号的正确重构概率。     

基于AMIST的复合电能质量扰动检测

针对S变换在分析电网中的非平稳复合电能质量扰动时存在检测精度不理想的问题,提出一种自适应改进不完全S变换电能质量扰动检测方法。通过引入自适应窗口调节因子调整高斯窗函数的尺度,满足不同电能质量扰动对时频分辨率的不同需求。首先利用多尺度极大值算法提取复合电能质量扰动事件的特征频率;然后定义残差差分曲线放大电能质量扰动突变局部,获取脉冲数并以此为依据结合特征频率自适应确定窗口调节因子;最后对特征频率局部进行变换处理实现信号的自适应检测。仿真实验和实测信号分析表明,提出的自适应改进不完全S变换方法抗噪性强、运算复杂度小、检测精度高,适用于电能质量扰动信号的时频分析。     

基于小波变换的电能质量扰动源定位

扰动问题直接影响电能质量,对供用电双方都会带来巨大的损失,只有及时发现扰动源的准确位置才能顺利排除扰动源。对采集的数据进行小波变换,计算暂态扰动功率与稳态扰动能量,进行扰动方向判定。根据监测点之间的连接关系以及功率流向构建监测关联矩阵,对监测关联矩阵与扰动方向矩阵进行运算,实现对扰动源的定位,仿真结果验证了算法的准确性。     

基于模糊熵的自适应小波包电能质量扰动检测

为提高电能质量扰动检测定位在高噪声环境下的准确性,在小波包降噪的基础上引入模糊熵判据,对不同噪声水平的扰动信号自适应最优分解层数,构造阈值随噪声系数改变的函数.选取噪声序列模糊熵最大时的阈值作为最优阈值,对降噪后的扰动信号进行Hilbert-Huang变换,以确定其起止时间与频率等参数.将算法与传统的小波阈值降噪方法进...     

电能质量扰动信号时频原子分解的进化匹配追踪算法

时频原子分解对电能质量扰动信号具有良好的分析效果,但其常用的匹配追踪(MP)算法,存在计算量大、参数空间离散化影响原子匹配性能等不足。基于差分进化,研究了电能质量扰动信号原子分解的进化匹配追踪(EMP)算法,给出了算法流程。针对几种电能质量扰动信号,通过Gabor和衰减正弦量原子分解的30次独立仿真实验,分析了信号长度、噪声等对性能的影响。结果表明,EMP算法与MP相比大大减少了计算耗时且不受信号长度的影响,进一步提高了原子的全局匹配能力,具有很好的抗噪声能力。最后,给出了下一步工作的展望。     

电能质量复合扰动分类的研究进展

针对电能质量复合扰动的识别问题,通过举例分析复合扰动信号,讨论了复合扰动的特点。详细综述国内外电能质量复合扰动分类的研究现状,将其研究方法分为单标签分类和多标签分类两大方面,分别对这两个方面中目前采用的思想和方法进行讨论。在单标签分类中,分别从直接分类、S变换+分类器、小波变换+神经网络、支持向量机和其它方法五个方面进行复合扰动分类讨论。在多标签分类中,分别从分类思路、分类策略和标签相关性等方面对该方法进行了讨论。最后,分析了电能质量复合扰动识别目前存在的问题,对其研究进行了展望。     

基于时域特征分析的电能质量扰动分类

在分析电能质量扰动信号的时域特征的基础上,提取了4个用于分类电能质量扰动的特征量,并且提出了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较为明确的物理意义,因此,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其值,因此,可以准确辨别出混合扰动。MATLAB仿真和分析表明,该方法能有效地分类更多的单一和混合电能质量扰动,并且计算耗时更少。     

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。