基于时域、小波变换和FFT的电能质量扰动识别

利用时域均方根值电压变动特性、小波变换及FFT变换对多种电能质量扰动信号进行分层次辨识.首先根据扰动信号均方根值分布特性将扰动初步分类,随后对扰动信号多尺度小波分析,确定具体的扰动类型.对陷波和谐波应用其频谱特性进行区分.仿真试验结果表明了该方法的可行性、有效性和较强的抗噪性.     

基于小波变换的电能质量扰动检测与定位

根据电能质量扰动信号的非平稳性,通过对小波变换原理的分析,从小波变换能够突出信号局部特征的特性出发,探讨了多尺度小波变换模极大值与信号突变点之间的关系,分析了利用小波变换对电网电压暂降及周期脉冲等典型电能质量扰动进行检测与定位的方法。为验证方法的有效性,以电压暂降扰动和周期脉冲扰动检测为例进行了相应的仿真研究,结果证实了利用小波变换能更精确地检测和定位电能质量扰动。     

采用小波变换检测和定位电能质量扰动

从小波变换能够突出信号局部特征的特性出发,探讨了多尺度小波变换模极大值与信号突变点之间的关系,分析了对电网电压跌落及周期脉冲等典型电能质量扰动进行检测与定位的方法。为验证方法的有效性,进行了相应的仿真研究。结果证实了小波变换能更精确地检测和定位电能质量扰动。     

基于DSP的电能扰动检测连续小波变换算法

小波变换((WT)具有良好的时频局部化特性,可以同时提取信号的时频特性,是分析电能质量问题的有力工具[1].采用连续小波变换(CWT)算法,选用具有良好频域特性的Morlet复值小波对电能扰动信号进行处理,并通过数字信号处理器(DSP)进行验证.测试结果表明,该算法对给定的采样数据,能够准确地得到扰动信号中的各种特征参...     

基于小波分析的电能质量扰动信号检测

针对电能质量扰动信号的特性,本文采用小波变换对电力系统的高频、瞬时脉冲、电压切痕扰动信号进行检测.研究表明,该方法能够精确定位扰动信号产生的时刻和持续的时间,通过与快速傅立叶变换FFT的结果进行比较,证实了该方法的准确性和优越性.     

暂态电能质量扰动的小波谱峭度法检测与辩识研究

针对暂态电能质量扰动和噪声的复杂性,探讨了基于小波谱峭度理论的暂态电能质量扰动检测与辨识方法。在分析了小波谱峭度理论基本原理的基础上,重点阐述了运用Morlet小波谱峭度方法检测暂态电能质量扰动的实现过程。首先,使用Morlet小波将主动配电网中的暂态扰动信号进行小波去噪与变换;然后,利用分解后得到的一系列小波系数计算其谱峭度最大值及峭度谱;其次,通过均方根值算法计算出其有效值相对值,完成对扰动信号的检测与辨识;最后,借助于计算机仿真验证所述方法的可行性和准确性。理论分析和仿真结果证明:该方法检测速度快、检测结果辨识度高、通用性强;辨识准确度度满足工程应用,实用性强。     

采用小波变换检测和定位电能质量扰动

从小波变换能够突出信号局部特征的特性出发,探讨了多尺度小波变换模极大值与信号突变点之间的关系,分析了对电网电压跌落及周期脉冲等典型电能质量扰动进行检测与定位的方法.为验证方法的有效性,进行了相应的仿真研究.结果证实了小波变换能更精确地检测和定位电能质量扰动.     

基于线调频小波变换的谐波快速可视化识别方法

线调频小波变换是傅里叶变换、短时傅里叶变换和小波变换的一般形式。在介绍高斯线调频小波变换算法的基础上,提出用线调频小波变换可视化地检测和识别出谐波的特性,即根据对电能质量谐波扰动信号的线调频小波变换矩阵的等高线图,可视化地区分出谐波是固定不变、线性时变或非线性时变,先识别谐波的大致类型,为选取合适的信号分析工具提供保证。仿真结果表明,线调频小波变换的等高线图可以很好地检测出电能质量信号扰动发生的时刻和持续时间。     

基于提升复小波的暂态电能质量扰动的检测与定位

针对暂态电能质量扰动信号的检测与定位,提出一种基于第2代小波变换的提升复小波的提升算法。通过Euclidean分解算法得到复小波提升方案;利用该方案对常见的几种扰动信号进行提升变换,将变换后的幅值和相位信息用于暂态电能质量扰动的定位检测及扰动幅度估计;并与第1代小波变换进行比较。仿真结果表明,所提算法具有简单、运行速度快、检测精度高等优点,能够准确定位暂态电能质量扰动信号和计算扰动信号的变化幅度。     

基于二进小波变换的电能质量扰动检测

电能质量扰动起止时刻和持续时间是描述扰动的重要属性,为了对电能质量进行分析与评估,需要对其进行检测。小波变换的局部模极大值对应信号的突变点,可以用来检测电能质量扰动。连续小波变换的计算量大,存在较大冗余,而多分辨率分析的方法由于进行了二抽取,难以直接根据变换结果进行检测,需要重构信号,因此,采用了二进小波变换对电能质量扰动进行检测。使用电磁暂态分析程序ATP仿真软件对电能质量扰动信号进行了仿真,用样条小波进行二进小波变换,检测结果表明在分解尺度一上可以实现较为准确的检测。     

基于小波变换和改进Prony方法的电能质量扰动分析

传统的电能质量分析方法通常只针对某一类特定的电能质量扰动问题进行分析,为了实现对常见电能扰动信号进行有效的区分与辨识,提出小波分析与Prony方法相结合的分析算法。首先引入小波多分辨分析(multi-resolution analysis),选取合适的小波函数对扰动信号进行分解,判断分解信号是否存在模极大值点,从而区分出稳态与暂态电能质量扰动问题。对于暂态扰动问题,优化了Mallat重构层数,提取出暂态扰动波形,以实现对扰动类型的判断。对于稳态扰动问题,改进Prony方法对于系统阶数估计的过程,提高了参数辨识精度。最后对混合扰动信号进行分析,并使用Matlab进行了仿真和实验验证。仿真和实验结果表明,该算法能准确地识别出各种类型的电能质量扰动信号。     

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。     

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。     

汽车雨刮电机电磁干扰特征提取方法

针对汽车内部严重的电磁兼容问题,需要对车内电磁干扰源进行准确的分析.采用小波变换方法对汽车雨刮电机干扰信号进行多尺度分解,利用分解得到的各高频子带的小波系数特点,提出了小波域内突变参数和不平衡参数的计算方法,分并且提取各小波系数的累积能量参数、突变参数以及不平衡参数,并与重构后的各层细节信号的波形特征作了对比分析.结果表明,小波系数的累积能量参数、突变参数和不平衡参数能够准确描述原始信号中不同成分信号的特征,对电磁干扰源的识别和分类具有指导价值.此外,这种方法对其他电磁干扰信号的特征提取具有参考价值.     

风电接入的电力系统电能质量扰动的检测与定位

风能的波动性、间歇性和随机性等特性使接入风电的电力系统运行特性和电能质量受到复杂的影响。针对风电接入的电力系统电能质量扰动问题,重点研究电能质量扰动的小波检测方法,提出了基于Euclidean分解算法的db4复小波的提升方案。通过Euclidean分解算法得到复小波提升方案,求取了db4复小波自适应提升因子并构建了分解与重构模型,对扰动信号和基波分量进行提升变换后得到幅值和相位信息分别作差。利用幅值差和相位差来确定扰动的幅度和时间,并根据扰动段的幅值差和相位差值实现了扰动起止时刻定位。基于Matlab的仿真结果表明,与复小波相比,该方法能进一步提高风电接入电力系统电能质量扰动信号定位的速度和精度。     

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.     

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。     

An effective wavelet-based feature extraction method for classification of power quality disturbance signals

This paper presents a wavelet norm entropy-based effective feature extraction method for power quality (PQ) disturbance classification problem. The disturbance classification schema is performed with wavelet-neural network (WNN). It performs a feature extraction and a classification algorithm composed of a wavelet feature extractor based on norm entropy and a classifier based on a multi-layer perceptron. The PQ signals used in this study are seven types. The performance of this classifier is evaluated by using total 2800 PQ disturbance signals which are generated the based model. The classification performance of different wavelet family for the proposed algorithm is tested. Sensitivity of WNN under different noise conditions which are different levels of noises with the signal to noise ratio is investigated. The rate of average correct classification is about 92.5% for the different PQ disturbance signals under noise conditions.     

基于小波变换的暂态电能质量扰动检测与定位研究

本文深入探讨了暂态电能质量扰动检测与定位的小波变换方法。首先,分析了小波变换的基本原理及其快速计算的多分辨率方法,然后研究了小波变换极值与信号突变、噪声的相关性,在此基础上,详细阐述了应用小波变换进行暂态电能质量扰动检测与定位的原理过程,最后,运用Matlab软件进行了计算机仿真,给出了各种态电能质量扰动检测与定位检测与定位的仿真结果。理论分析和仿真结果显示应用小波变化对暂态电能质量扰动进行检测和定位,具有精确、实时、易实现等优点,是一种较理想的暂态电能质量扰动检测与定位方法。