基于S变换的电能质量扰动特征提取

电能质量扰动识别是电能质量检测系统的重要组成部分,也是进一步采取适当措施对其进行治理和控制的前提和依据。通过对扰动信号的S变换提取出扰动信号基频和高频特征,从而实现对电能质量扰动的分类,并通过S变换后的基频和高频特征分别提取出扰动信号前后的瞬时振幅以及扰动起始、终止时刻。实验结果表明,S变换可准确检测出电能质量扰动信号所属类别和扰动特性,以及扰动信号的起始、终止时刻。     

离散正交S变换在电能质量扰动检测中的应用

为了准确检测电能质量扰动信号的起止时刻,提出了基于离散正交S变换的扰动信号检测方法。在传统S变换的基础上,结合快速傅立叶变换对信号进行离散化处理,而后引入频带中心、频带宽度和时间变量对算法进行改进。构造基函数向量得到离散正交S变换系数矩阵,最终找到变换矩阵系数的突变点,从而检测出扰动信号的起止时刻。将该方法的分析结果与传统S变换的分析结果进行比较,结果表明离散正交S变换可准确有效地检测出扰动信号的起始和终止时刻。     

电能质量的S变换仿真

针对电能质量扰动信号的特征,介绍了一种基于S变换的信号检测与分类的方法.该方法利用S变换模矩阵来检测电能质量扰动信号,并对其进行分类.对影响电能质量的8种扰动信号(电压凹陷、电压隆起、短时中断、电压尖峰、电压缺口、谐波、间谐波和瞬态振荡)进行了仿真.仿真结果表明,该方法可以准确地确定扰动发生时刻和持续时间,能够对电能质量扰动信号进行简单、直观地分类.     

基于S变换与特征优选的电能质量扰动识别

针对S变换提取电能质量扰动信号的时频特征存在冗余,影响识别的精度和实时性的问题,提出了一种基于S变换与特征优选的电能质量扰动识别方法,使用S变换对11种电能质量扰动信号进行分析后提取时-频域特征,与原始扰动信号的幅值特征构成原始特征向量。然后提出了一种基于二进制粒子群优化算法和K近邻的扰动信号特征选择和分类方法。仿真结果表明该方法对单一扰动、复合扰动及叠加噪声的情况均有较好的分类性能。     

基于S变换的电能质量扰动信号特征分析

针对电网中谐波、电压暂降等电能质量问题,提出了一种基于S变换的扰动信号特征分析法。用Matlab对信号进行时频分解,通过分析各扰动信号经S变换的相关特性曲线,得到扰动的起始时刻、结束时刻、幅值、频率成分以及相位变化等特征。仿真结果表明,S变换能准确检测出各种扰动信号的特征,对电能质量问题的治理有重要意义。     

基于改进HHT和决策树的电能质量扰动辨识

为了准确辨识电能质量扰动的类型,以实现电能质量问题的有效治理,提出一种基于改进希尔伯特-黄变换(Hilbert-Huang transform,HHT)和决策树的电能质量扰动辨识方法。该方法先采用改进的基于斜率的方法(improved slope based method,ISBM)抑制希尔伯特-黄变换算法的端点效应,然后利用改进的HHT方法进行电能质量扰动信号的分析;从得到的瞬时频率曲线中提取频率成分、扰动持续时间和扰动持续期间频率3个特征量,并从瞬时幅值曲线中获取扰动期间电压幅值;最后构建分类决策树,将这4个特征量作为判断依据,实现扰动信号的分类和识别。根据各类电能质量扰动信号的数学模型,产生大量的测试样本进行仿真测试,结果证明了该方法的有效性和准确性,并且与现有的2种扰动辨识方法进行对比,结果表明该方法具有更高的识别准确率,能准确辨识出电能质量扰动的类型。     

经验小波变换和改进S变换结合的电能质量检测与识别方法

为分析不确定干扰因素影响下的实际电力网络电能质量问题,提出一种经验小波变换（EWT）和改进S变换相结合的电能质量检测与识别方法。该方法一方面利用EWT联合归一化直接正交（NDQ）算法和奇异值分解（SVD）算法准确提取调幅-调频分量的频率、幅值和时间参数,另一方面考虑到EWT算法在高噪声环境下瞬时幅值波动的问题,引入改进S变换提取高噪声干扰下的电能质量扰动时频信息,最后,基于EWT和改进S变换提取的扰动特征向量,利用基于改进粒子群优化算法（IPSO）优化支持向量机（SVM）的电能质量扰动识别分类器实现扰动类型的精确识别。仿真和实验表明所提方法在复合扰动识别分类时平均识别准确率为93.23%,且能够准确识别4种实测扰动信号。     

基于分段改进S变换的复合电能质量扰动识别

针对存在多种单一电能质量扰动的复合扰动分类识别问题,提出了一种基于分段改进S变换和RBF神经网络相结合的复合电能质量扰动识别新方法。首先对离散S变换进行了分段改进,将时域分辨率和频域分辨率进行分段处理,通过分析改进S变换得到的模时频矩阵,绘制了能够反映扰动信号不同突变参数的特性曲线。其次利用统计方法优化计算提取了10种用于模式识别的特征量,并用局部逼近的RBF神经网络设计了分类器对提取的特征样本进行训练和分类,最后在不同噪声环境下对5种单一扰动及谐波+电压暂降、电压暂降+闪变等6类复合电能质量扰动的分类识别进行了仿真验证。仿真结果表明,该方案时频处理、分类能力和学习速度等方面均优于普通改进S变换+全局逼近网络的方法,且鲁棒性强,能准确识别多种单一扰动及两种扰动同时存在的复合电能质量扰动。     

基于小波变换与希尔伯特-黄变换的微电网暂态电能质量扰动检测及辨识研究

由于可再生能源接入微电网会给其带来很多电能质量问题,因而对微电网的电能质量信号进行检测及辨识十分必要。但在对电能质量信号进行采集与检测的过程中极易受到噪声的干扰,有效地降低信号中的噪声且完整地保留下反映信号突变特征的奇异点是检测其电能质量扰动的基础。而传统检测方法基本只适用于稳态电能质量扰动且抗噪性较低。为提高在噪声条件下检测的准确性,本文提出了一种基于小波变换和希尔伯特-黄变换的微电网暂态电能质量扰动检测及辨识的方法。该方法使用小波阈值去噪方法消除信号噪声,并利用小波变换和希尔伯特-黄变换对微电网暂态电能质量扰动进行辨识及检测,同时进行了计算机仿真验证,仿真结果表明:该方法去噪效果明显、辨识效果显著、检测精度高、实用性强。     

基于EEMD的HHT在电能质量多扰动分类识别中的应用

现有的电能质量扰动分类识别方法对电能质量多扰动的分类准确性和识别能力较低,本文提出了将基于聚类经验模态分解(EEMD)的希尔伯特—黄变换(HHT)应用于电能质量多扰动的分类识别方法。它依据电能质量多扰动信号就是在电能基波上叠加不同频率和不同幅值波形的特性,首先利用EEMD对含扰动信号分解得到信号的固有模态函数(IMF),滤除残余噪声后,将得到的IMF分量作为特征值对扰动进行分类,再对IMF进行Hilbert变换得到其瞬时频率和瞬时幅值,瞬时频率的突变点反映电能质量扰动的起止时刻,瞬时幅值反映电能质量扰动的幅度,根据对突变点的观测实现对各个扰动的准确识别。Matlab仿真分析结果表明,该方法能够准确的对电能质量多扰动的扰动类型进行分类,并确定电能质量各个扰动信号的时间、幅值和频率。     

基于改进Hilbert-Huang变换的电能质量扰动定位与分类

为了精确实现电能质量扰动的定位和分类,提出了一种基于改进的Hilbert-Huang变换（Hilbert-Huang transform,HHT）的电能质量扰动辨识新方法。对传统HHT得到的幅频参数运用极值滑窗均值算法进行去极值均值化处理,提高了在Hilbert-Huang谱中判断扰动发生和结束时刻的精确性。通过新方法求出幅频曲线、Hilbert-Huang谱和Hilbert边际谱并从中提取扰动的频率成分、持续时间、电压幅值和Hilbert-Huang谱幅值4个特征量,以实现扰动的分类与辨识。仿真结果表明:改进HHT和决策树的结合不仅适用于单一扰动的定位与分类,对复杂非平稳扰动也能取得较好的效果,具备一定的抗噪能力。     

基于小波变换和模糊逻辑的暂态电能质量扰动分类

针对暂态电能质量扰动现象的内在特征,提出了小波变换和模糊逻辑相结合的暂态电能质量扰动分类方法。该方法使用小波变换提取扰动的时间特征,将扰动持续时间、扰动幅度、扰动频率、电压变化率绝对值作为暂态电能质量扰动的特征向量,输入到4输入2输出的模糊逻辑推理系统,自动判别暂态电能质量的扰动类型及扰动强度。在Matlab平台上使用该方法对应用电磁暂态仿真工具EMTDC仿真得到的暂态电能质量扰动波形进行分析,效果良好,验证了该方法的有效性。     

小波包变换在电能质量扰动检测中的应用

鉴于小波包变换能够均匀划分信号频带,聚焦任意频率,是暂态电能质量扰动分析的良好工具,提出了在噪声环境中电能质量扰动检测和定位的有效方法,即利用小波包变化模极大值原理定位电力系统短时扰动并确定扰动持续时间。仿真表明,通过小波包一、二次分解和重构能更好地提取扰动特征信息,从而为电能质量的检测、评估及治理提供依据,且该算法计算简单、快速、有效。     

基于HHT的电能质量扰动定位与分类

针对电能质量扰动定位和识别分类的需求,提出了一种基于HHT的电能质量扰动定位与分类的新方法。采用HHT算法对电能质量扰动信号进行变换,获得瞬时幅值、Hilbert谱和边际谱,并利用Hilbert谱对扰动信号进行定位。从瞬时幅值、Hilbert谱和边际谱中提取特征量,为决策分类树提供判断依据以便进行分类识别。仿真实验结果表明,采用HHT算法与决策分类树相结合的电能质量扰动定位与分类不需训练,提取的特征量少而有效,分类识别的效果较好,具有良好的抗噪性能。     

希尔伯特-黄变换在变压器局部放电脉冲识别中的应用

时频分析方法是变压器局部放电特征提取的有效手段。讨论利用小波变换方法分析非平稳信号的局限性,介绍希尔伯特-黄变换(Hilbert-Huang transform,HHT)的理论体系,并分别应用2种时频分析方法得到不同类型局放信号的幅值谱,从中提取了时频熵向量作为用于模式识别的特征量,模糊聚类结果显示,由希尔伯特-黄变换得到的时频熵向量具有优于小波变换的聚类特性。因此,希尔伯特-黄变换是目前变压器局放信号特征提取的有效方法。     

Power quality disturbance classificationbased on time-frequency domain multifeatureand decision tree

Accurate classification of power quality disturbance is the premise and basis for improving and governing power quality. A method for power quality disturbance classification based on time-frequency domain multi-feature and decision tree is presented. Wavelet transform and S-transform are used to extract the feature quantity of each power quality disturbance signal, and a decision tree with classification rules is then constructed for classification and recognition based on the extracted feature quantity. The classification rules and decision tree classifier are established by combining the energy spectrum feature quantity extracted by wavelet transform and other seven time-frequency domain feature quantities extracted by S-transform. Simulation results show that the proposed method can effectively identify six types of common single disturbance signals and two mixed disturbance signals, with fast classification speed and adequate noise resistance. Its classification accuracy is also higher than those of support vector machine (SVM) and k-nearest neighbor (KNN) algorithms. Compared with the method that only uses S-transform, the proposed feature extraction method has more abundant features and higher classification accuracy for power quality disturbance.     

基于自适应不完全S变换与LOO-KELM算法的复合电能质量扰动识别

针对电能质量复合扰动识别中特征提取效率低、分类器识别能力与学习速度无法同步提高的问题,提出一种基于自适应窗不完全S变换与留一交叉验证优化的核极限学习机(LOO-KELM)算法的复合电能质量扰动识别方法。首先根据选定的主频率点自适应调节S变换窗宽系数,提取具有高时频分辨率的59种电能质量(PQ)特征,再通过留一交叉验证寻找最小预测残差平方和,实现核极限学习机的输出权重优化,最后根据提取PQ特征集与优化后的核极限学习机实现复合扰动的识别与分类。仿真和实测结果表明,所提方法对不同噪声下的16类混合电能质量扰动均具有较高的分类精度,相较于现有复合电能质量识别方法,分类精度更高且训练时间更短。     

基于小波变换和分形理论的电能质量扰动监控系统

介绍了实时电能质量扰动监控系统的结构,详细说明了该系统硬件和软件各个构成模块的工作原理。为实现实时在线监控电能质量扰动,首先需检测出扰动信号,然后进行分析处理。在扰动检测模块中,采用自适应线性神经元实现了对各种扰动的检测,将检测出的扰动信号送入分类模块,采用离散小波多分辨率分析提取不同尺度下的能量分布特征,同时采用分形几何学提取局部方差维数,将二者结合共同构成扰动信号的特征矢量。将提取的特征矢量送入概率神经网络实现网络训练和扰动分类。通过模拟数据测试,该系统的分类率可达到90%。另外,该系统是在CAN总线变电站自动化系统上实现的,通过调整数据的传输格式也可将其应用到其它传输平台的变电站,实现对电能质量扰动的监控。     

基于S变换的电能质量扰动支持向量机分类识别

采用s变换和支持向量机进行电能质量扰动的分类识别。作为连续小波变换和短时傅立叶变换的发展，S变换引入了宽度与频率成反向变化的高斯窗，具有与频率相关的分辨率。由于S变换具有良好的时频特性，因而非常适合于进行电能质量扰动信号特征提取。首先通过S变换进行扰动信号特征提取，然后构造支持向量机分类树进行扰动分类。算例表明该方案具有分类准确率高，对噪声不敏感，训练样本少等优点，是电能质量扰动识别的有效方法。