基于HHT和GA-BP的电压暂降源定位方法

针对传统电压暂降源定位方法准确率低的缺点,提出了基于希尔伯特-黄变换(Hilbert-Huang transform,HHT)HHT和GA-BP的定位方法.用集合经验模态分解(ensemble empirical mode decomposition,EEMD)对故障期间的电压和电流进行处理,得到有效特征值-电流实部I...     

应用主成分分析约简电压暂降扰动源识别特征的方法

电压暂降是一种典型的电能质量扰动现象,准确识别引起电压暂降的扰动源类型是电能质量监测与管理的重要内容之一。为解决由于特征指标的相关性和冗余性而导致电压暂降扰动源识别准确率低的问题,提出一种基于主成分分析的电压暂降扰动源识别特征约简方法。通过分析单一电压暂降扰动源和复合电压暂降扰动源,利用小波系数从统计量、波形态、熵、能量等方面构建电压暂降特征指标。根据主成分分析方法对原始特征指标进行标准化处理,计算协方差矩阵并确定综合特征指标个数,最后得到约简后的综合特征指标。这些综合特征指标有效地消除了原始特征指标间的相关性和冗余性。采用常规方法构造分类器进行验证表明,约简后得到综合特征指标,不仅有效降低了输入到分类器中的特征向量个数,而且在不同噪声强度下对单一电压暂降扰动源和复合电压暂降扰动源的识别准确率明显高于利用原始特征指标进行的分类识别。     

基于回复电压极化谱小波包变换的变压器绝缘老化诊断方法

回复电压法是一种有效的无损时域诊断法。针对回复电压法测量获得的回复电压极化谱隐含了丰富的变压器油纸绝缘老化信息,提出一种基于小波包变换的回复电压极化谱分析方法。该方法通过小波包3层分解获得回复电压极化谱各个频段的信号分量,并构建回复电压极化谱的能量特征矢量来分析变压器油纸绝缘老化状态。为验证该方法的可靠性,通过对2台不同老化状态变压器的回复电压极化谱进行小波包3层分解得到各自的能量特征矢量来分析其绝缘介质老化情况。分析结果表明:基于小波包分解得到的回复电压极化谱能量特征矢量,可以有效地诊断变压器油纸绝缘老化状况,为变压器油纸绝缘老化诊断提供新方法。     

基于经验模式分解和概率神经网络的气液两相流识别

针对气液两相流压差波动信号的非平稳特征和BP神经网络学习收敛速度慢、易陷入局部极小值等问题，提出了一种基于经验模态分解(empirical mode decomposition，EMD)和概率神经网络的流型识别方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数trinsic mode function，IMF)之和，再选取若干个包含主要流型信息的IMF分量进行进一步分析。由于流型转变时，压差波动信号各频带的能量会发生变化，因而可以从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别流型。对水平管内空气-水两相流4种典型流型的识别结果表明，EMD能量比小波包能量特征具有更高的流型识别率，可以准确、有效地识别流型。     

结合小波分析和改进型DTW距离的配电网电压暂降源辨识方法

该文提出了一种结合小波分析和改进型动态时间规整(dynamic time warping,DTW)距离的配电网电压暂降源辨识方法。首先分析各类电压暂降源及其经不同类型变压器传递后的相应电压波形特征,并根据其隶属关系通过波形数据挖掘和序列相似匹配构建完备的波形数据库。通过小波变换对实测电压暂降波形进行多尺度分解实现时间数据的降维,同时给出波形库序列的DTW边限距离及其在小波变换域的查询计算方法,实现电压暂降源的快速识别。基于实际的电力园区网架结构搭建仿真模型进行验证,结果表明,所述方法能迅速而准确地辨识各类电压暂降源,为电压暂降的有效监测和快速治理提供有力的参考。     

基于EMD和IABC-SVM算法的复合电压暂降源辨识方法

针对配电网中线路短路故障、大型感应电动机启动以及变压器投切等单一电压暂降源和由单一电压暂降源组合而成的复合电压暂降源导致的电压暂降现象,在MATLAB/Simulink中搭建改进的IEEE 33节点配电网系统模型进行仿真分析和验证,提出一种先对电压暂降信号进行经验模态分解(empirical mode decompos...     

基于小波能量熵的配电网电压暂降源定位方法

电压暂降影响敏感性用电设备可靠运行,在生产中造成巨大经济损失,是最严重的电能质量问题之一,暂降源的准确定位对维护电网安全具有重要意义.不同于以往利用小波能量熵进行故障检测,文中创造性地提出了一种基于小波能量熵的电压暂降源定位方法.利用小波能量熵既对突变信号敏感,又可表征信号复杂程度的特点,确定系统中小波能量熵取得最大值...     

基于改进S变换的复合电压暂降源识别特征分析

电压暂降是较常见、影响较大的电能质量问题,识别电压暂降扰动源对改善和治理电压暂降具有重要意义。分析了由线路短路故障、感应电动机启动、变压器投入等单一电压暂降扰动源和复合电压暂降扰动源引起的电压暂降现象,提出采用改进S变换分析复合电压暂降扰动源识别特征。根据基频幅值曲线和2~5倍基频幅值和曲线,从统计量、熵和能量等方面构建电压暂降识别特征指标,将这些特征指标作为支持向量机的输入实现对不同类型电压暂降扰动源的分类识别。仿真结果表明,采用改进S变换构建电压暂降识别特征指标比标准S变换在电压暂降扰动源分类识别上效果更好。     

基于小波熵和概率神经网络的配电网电压暂降源识别方法

分析了短路故障、感应电动机启动和变压器投运引起电压暂降的原理及各类电压暂降的特征,提出一种基于小波熵(wavelet entropy,WE)和概率神经网络(probability neural network,PNN)的电压暂降源识别方法。提取信号的小波能谱熵和小波系数熵特征向量,并将其输入概率神经网络,实现电压暂降源的自动识别。利用Matlab/Simulink建立简单配电网的仿真模型进行验证,结果表明,基于小波熵和概率神经网络的方法能很好地识别电压暂降源。     

一种可提取受波动干扰的电压暂降特征的信号处理方法

电压暂降信号中混杂的噪声会模糊暂降起止时刻的检测,而电压波动的干扰则会影响暂降幅值深度的确定,对此设计了一种基于变分模态分解(variational mode decomposition,VMD)的消噪方法及结合小波变换定位的三阶导数普罗尼(third derivative method-Prony,TDM-Prony)算法。首先将信号进行VMD分解,得到数个有限带宽的固有模态分量(band-limited intrinsic mode functions,BLIMFs),对获得的高频BLIMFs进行SURE阈值去噪,然后与低频分量进行重构。然后,对重构信号进行小波变换,定位电压波动及电压暂降的起止时刻,并利用TDM-Prony算法对波动信号段进行拟合以获取其信息,实现波动与暂降的分离;最后,对获得的干净暂降信号进行希尔伯特(Hilbert)变换可得其暂降幅值及持续时间。仿真结果表明,文中设计算法可有效地提取受波动信号的干扰的电压暂降特征。     

基于小波包能量熵与SVM的模拟电路故障诊断

提出1种小波包能量熵与支持向量机结合的模拟电路故障诊断新方法。首先对待测电路的输出电压信号进行多层小波包分解,然后对分解信号进行单支重构,并对重构系数求取小波包能量熵,形成故障诊断的特征向量。将特征向量输入支持向量机,通过选取恰当的核函数与多分类方法,对支持向量机进行训练,建立故障模式分类器,并在不同故障模式下对样本数据进行测试。仿真结果表明该方法能达到较高的诊断正确率。     

基于小波包能量分析和信号融合的异步电机转子故障诊断

为提高异步电机转子故障诊断的可靠性,文中介绍了一种基于小波包能量分析和信号融合的异步电机转子故障诊断方法。采用定子电流信号和振动信号的频谱特征融合作为转子断条以及气隙偏心故障的诊断依据,首先对信号进行小波包分解,获得不同小波包频带节点下对应的能量分布,并与正常电机信号进行比较,进而对能量异常的信号频段进行小波包节点重构,最后通过快速傅里叶变换识别故障特征频率,诊断电机故障是否发生。通过仿真分析,验证了该方法的有效性和实用性,对于电机运行状态的准确监测具有重要意义。     

基于最小二乘支持向量机的电能质量扰动分类方法

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法。对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别。与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果。仿真实验验证了该方法对扰动分类的有效性。     

基于小波包分频特性的中性点不接地系统铁磁谐振检测

根据中性点不接地系统中单相瞬时性接地激发铁磁谐振时零序电压的特点,将零序电压按时段分成2组,利用小波包分别对2组电压进行分解,按能量最大原则选取特征频段。根据2组电压特征频段的异同实现铁磁谐振的检测,并采用电压幅值比较法作为辅助判据。仿真结果和硬件实验平台实验结果表明该方法能正确地将铁磁谐振、单相瞬时性和单相永久性接地区分开。     

混合三端直流输电线路故障测距方法研究

对混合三端直流输电系统而言,准确、可靠的故障测距方法可确保故障线路快速恢复,提高供电可靠性。为了解决混合三端直流输电系统结构复杂性强、线路故障定位难度大等问题,提出了小波包能量谱结合BP神经网络的测距方法。具体的定位方法实现步骤如下:首先在故障发生时快速进行故障选线。然后把发生故障时在测量点采集到的电压故障分量经过小波包分解重构得到小波包能量,并将其作为输入样本通过BP的非线性拟合能力进行训练。最后将反映故障位置的小波包能量代入即可输出相应的故障距离。仿真结果表明,该方法耐过渡电阻能力强,定位的准确度高。     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.     

基于小波能量与神经网络的断路器振动信号识别方法

高压断路器出现机械故障不仅会引起振动冲击事件的时间漂移,还会引起时域波形中一些波峰幅值的变化。依据同一类型断路器振动信号相似的特点,在对高压断路器故障振动信号进行特征分析的基础上,提出了一种识别高压断路器振动信号的新方法:将小波包提取算法和径向基神经网络模式识别功能相结合,利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中,提取每个频带能量作为断路器状态监测的特征向量,作为径向基神经网络的输入向量;基于径向基神经网络的故障诊断方法在系统参数未知的情况下自动建立动态模型,对于线性系统和非线性系统都有很好的跟踪能力,通过实验室断路器典型合闸振动信号的监测及识别分析验证了该方法的有效性。     

采用提升小波包和相关向量机的电能质量扰动分类

针对电能质量扰动识别问题,提出一种多级相关向量机(RVM)和提升小波包分解(LWP)相结合的扰动分类新方法。根据电能扰动现象的内在特征,首先通过提升小波包算法快速提取各类扰动信号的分解系数能量作为扰动特征量;然后利用相关向量机构建多级分类树模型实现分类识别任务。研究表明相关向量机在权系数上引入超参数,与支持向量机相比无需设置惩罚系数、推广能力好、解更稀疏。仿真表明所采用方法能够快速有效地获取高精度扰动分类识别率,测试时间短,更适合于在线检测。仿真和试验结果验证了所采用方法对电能质量扰动分类的有效性。     

基于失电残压小波分析的定子绕组故障诊断

针对感应电机定子绕组匝间短路故障诊断存在的不足,提出了一种基于失电残压小波分析的诊断方法。采用不受外部因素干扰的失电后零序电压作为分析对象,对其进行小波包分解,提取基波零序电压分量作为故障特征;对比正常电机基波零序电压,可确定有无定子绕组故障发生,计算相应节点小波包分解系数的均方根值,可反映故障的严重程度。仿真实验验证了该方法的有效性,可应用于实际工程。