煤矿配电网电压暂降源辨识模型

针对煤矿配电网电压暂降信号特征提取困难和辨识准确率低的问题,应用小波熵结合支持向量机SVM(support vector machine)建立故障辨识模型,以故障信号的小波熵测度来表征故障特征,对电压暂降信号进行小波多分辨分析,选取采样序列的高频系数分量,计算其小波系数熵和小波时间熵,作为特征向量输入SVM,使故障信号特征更加明显,对故障源进行自动分类辨识。结果表明,与小波结合BP神经网络方法比较,无论在训练时间上还是在辨识准确率方面均有明显优势。     

基于扰动功率小波奇异熵的电压暂降源定位

针对现行的电压暂降源定位方法在含有变压器以及复杂电网结构场景下准确度较低的问题,提出一种基于扰动功率小波奇异熵的电压暂降源定位法。首先,基于电能质量监测仪采集到电压电流波形数据计算得到瞬时有功和无功功率,获得加权瞬时扰动有功功率和无功功率;然后,通过小波变换,奇异值分解,结合信息熵原理得到扰动功率的小波奇异熵值,由小波奇异熵值的大小来确定电压暂降扰动源的相对位置;最后,仿真和实例分析证明了所提方法的有效性和准确性。     

基于配电网的复合电压暂降源分类与识别新方法

为了对配电网含有谐波情况下的复合电压暂降源进行分类与识别,提出了一种基于特征值综合法的复合电压暂降源分类与识别新方法。首先根据不同复合电压暂降源所引起的电压暂降波形特征的不同,定义三相电压不平衡度,将含单相接地类的复合电压暂降源与感应电机启动和变压器投入相复合的电压暂降源进行区别。然后定义交叉不平衡度并结合二次谐波电压含量对含单相接地类故障中的各类复合电压暂降源进行区分。最后利用马氏距离与概率神经网络相结合的方法对各类复合电压暂降源的故障顺序进行识别,进而形成完整的复合电压暂降源种类和故障顺序识别新方法。通过仿真实验对所提方法进行了验证,结果表明该方法能够很好地对复合电压暂降源的种类和故障顺序进行分类识别,且识别正确率高于96%。此外,所提出的分类方法还与EMD能谱熵和概率神经网络相结合的方法进行了对比分析,对比结果表明,所提方法的识别效果明显优于后者。     

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HHT和特征离散化的电压暂降扰动源分类特征提取

特征提取是分类问题最关键的环节之一,针对电压暂降扰动源分类中分类特征的提取问题进行研究。首先基于希尔伯特—黄变换(HHT)和类别—属性关联程度最大化(CAIM)离散化方法提出了三种分类特征提取方案,然后分别在决策树(DT)、概率神经网络(PNN)和支持向量机(SVM)上进行了验证。仿真结果表明,基于HHT的特征提取方法可提取有效的电压暂降扰动源分类特征。而且特征的离散化处理可以在不降低分类精度的前提下,有效压缩训练样本集。同时增强分类算法的鲁棒性,对实现电压暂降扰动源的快速、准确识别具有重要的意义。     

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。     

基于小波系数KPCA和PNN的电能质量扰动分类

针对电能质量扰动分类,提出基于小波系数特征的核主成分分析(KPCA)和概率神经网络(PNN)的分类新方法.对正常信号和六种常见电能质量扰动(电压暂降、暂升、短时中断、谐波、电压波动和振荡暂态)进行小波变换和多尺度分析,提取各类扰动在多个尺度上小波系数作为特征向量;利用KPCA进行主成分提取,降低了小波系数特征向量维数,再输入PNN进行分类.仿真表明,该方法分类速度和准确率良好.     

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。     

电压暂降监测与防治工作实践

结合江苏电网电压暂降监测网建设实践,从电压暂降监测系统建设、监测数据分析评价、暂降源聚类识别和电压暂降防治措施四个方面对电压暂降监测与防治工作进行了全面阐述。提出了一种基于改进的层次分析法和熵权法相结合的电压暂降综合评价体系,并结合电力系统多源信息融合优势,研究了基于多源数据融合的电压暂降源识别聚类分析方法。最后,从电网、电力用户和用电设备三个层面,为降低电压暂降对供用电双方的影响提出了实用化的暂降防治措施。     

基于直觉模糊集熵测度的电压暂降源定位方法

电压暂降源定位有助于故障检测、诊断以及制定缓和措施,也有利于区分暂降责任,协调缓解纠纷。目前,电压暂降源定位方法所采用的重要思路就是根据对于暂降源位置敏感的物理量来确定暂降源与测点的相对方向。这些方法需要通过逐点定向才能实现最终定位。以全网多个测点的正序电压为特征量,定义基于直觉模糊集的熵测度指标,计算与离线建立的线路故障特征集的熵值,基于熵值大小的比较,提出了一种电压暂降源定位的新思路。数字仿真算例结果表明,该方法能够有效地实现电压暂降源定位且与已往的方法相比较,具有更普遍的适用性,不论网络结构以及故障类型都能有效地判断暂降源位置。方法原理简单,易于编程实现,定位准确率更高。     

小波熵自适应阈值的电能质量信号去噪新方法

针对电能质量信号去噪问题,提出改进的小波熵自适应阈值去噪法。利用小波变换分解电能质量信号,计算小波分解后信号子带区间的小波熵,将小波熵和自适应阈值相结合确定高频系数阈值门限,采用改进折中指数阈值函数对电能质量信号去噪处理,最后重构降噪后的电能质量信号。通过对四种典型带噪电能质量信号(电压突降信号、暂态振荡信号、电压中断信号、谐波信号)去噪处理,并与无偏风险阈值、极大极小阈值的去噪性能比较,对比可知在输入信噪比为20dB时,对于不同的电能质量信号,改进的小波熵自适应阈值去噪法的输出信噪比是最大的。     

基于概率神经网络和双小波的电能质量扰动自动识别

对电能质量(PQ)扰动的自动识别是找出引起PQ问题根本原因的前提。提出了一种基于概率神经网络PNN(Probabilistic Neural Networks)和db10,db1双小波的PQ扰动自动识别方法。首先,利用db10小波对信号进行分解,将各层小波变换系数的能量和第1高频层模极大值情况作为PNN的输入矢量,判断扰动类型;然后,对信号进行傅里叶变换以检测信号中是否含有谐波;最后,对判断存在电压下降的信号进行db1小波分解,根据其低频层的模值区分电压下陷和电压中断信号。测试结果表明,该方法提高了识别正确率,且实现简单,能有效检测幅值较小的谐波。     

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。     

一种基于改进灰色关联分析的电压暂降源识别方法

为准确识别电网中各类暂降源,提出了一种基于改进灰色关联分析的电压暂降源识别方法。分析了其产生机理,并利用暂降分段法,分析电网中各类暂降源的波形特点;针对传统灰色关联分析模型的不足,利用熵权法进行改进;提取电压暂降波形的时域特征,形成六类暂降源对应的标准参考序列和待识别暂降源对应的比较序列,利用改进的灰色关联分析模型计算参考序列和比较序列的关联度,实现暂降源的准确识别。通过PSCAD/EMTDC仿真和实测数据对所提方法进行验证,并与其他方法对比,证明了所提方法能在样本较少的情况下准确识别各类暂降源,且能确定短路引起暂降的故障类型,具有较大的工程应用前景。     

基于互近似熵的电压暂降波形匹配方法

随着越来越多电压暂降敏感设备接入电网,因电压暂降干扰带来的直接及间接经济损失日趋严重,这对供电质量提出了更高要求,准确识别暂降源是治理电压暂降问题中必不可少的步骤。文中分析了各类短路故障引起的电压暂降类型及其经变压器传变后暂降波形的变化情况,并根据理论分析建立各类暂降的标准样本波形。提出了一种基于互近似熵原理的电压暂降源辨识方法,通过计算实测波形与样本波形之间的互近似熵,直接进行相似度匹配,实现故障暂降类别的准确识别,并利用电网实测数据对该方法进行验证。结果表明该方法与实际工程相贴合,具有很强的实用性。     

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。     

Empirical mode decomposition with Hilbert transform for classification of voltage sag causes using probabilistic neural network

This paper employs Empirical Mode Decomposition (EMD) combined with Hilbert Transform (HT) to detect the voltage sag causes. Any power quality disturbance waveform can be seen as superimposition of various oscillating modes. It becomes necessary to separate different components of single frequency or narrow band of frequencies from a non-stationary signal to identify the causes which contribute to power quality disturbances. The main characteristic feature of EMD is that it decomposes a non-stationary signal into mono component and symmetric signals called Intrinsic Mode Functions (IMFs). Further, the Hilbert transform is applied to each IMF to extract the features. Then, Probabilistic Neural Network (PNN) classifier is constructed based on EMD which classifies these extracted features to identify the type of voltage sag cause. Three voltage sag causes are taken for classification (i) fault induced voltage sag, (ii) starting of induction motor and (iii) three phase transformer energization. A comparison of EMD with Wavelet Transform (WT) is made. The performance of PNN is compared with Multilayer Neural Network (MLNN) based on the above mentioned two methods. Simulation results show that the EMD method in combination with PNN is more efficient in classifying the voltage sag causes.     

小波包能量熵神经网络在电力系统故障诊断中的应用

提出了一种基于小波包能量熵神经网络的电力系统故障诊断方法。对采集到的故障后电压信号进行3层小波包分解,提取小波包能量熵,然后构造信号的小波包特征向量, 并以此向量作为故障样本对3层BP神经网络进行训练,实现智能化故障诊断。ATP和Matlab仿真结果表明该方法有效可行。