基于小波包和PNN的电能质量扰动定位与分类

根据暂态电能质量扰动现象的本质特征,提出一种基于小波包和PNN的电能质量扰动定位与分类新方法。该方法利用小波包对扰动信号进行采样和分解,提取小波包重构系数并定位信号突变点,然后计算各频段的能量并进行归一化处理,构造能量特征向量作为PNN的输入样本,进行PNN网络训练和测试,最终实现不同扰动信号的分类。Matlab仿真结果表明,该方法能够快速、准确地定位和区分扰动信号。     

基于小波包能量熵的电能质量扰动识别

提出了一种基于小波包能量熵的电能质量扰动识别方法。该方法对仿真的扰动电压信号进行4层小波包分解,提取小波包能量熵特征向量,利用主分量分析法提取电压信号的小波包特征向量并输入到概率神经网络(PNN)进行扰动识别,实现了扰动样本的最优压缩,简化了扰动分类中神经网络分类器的结构,提高了神经网络扰动识别的速度和精度。仿真结果表明,该方法具有良好的扰动识别能力。     

基于行波理论的滤波器电能质量扰动控制仿真

传统方法在滤波器电能质量扰动控制时,未对电能扰动的瞬时幅值进行计算,控制效果不佳。为此引入行波理论,分析滤波器噪声产生原因,计算滤波器电能扰动的瞬时幅值,提出了一种新的滤波器电能质量扰动控制方法。分割小波域,在第一个小波域,采用阈值估计法估计期望信号数值大小;在第二个小波域变换含噪信号与小波信号,采用维纳滤波器对信号的小波系数进行估计;通过滤波变换去除含噪信号,获得电能扰动波形的特征参数;根据行波理论计算电能扰动的瞬时幅值,实现对电能质量扰动的准确定位以及类型识别。仿真结果表明,所提方法相比传统方法,具有适应性强、控制效果较好、实时性好等特点。     

基于MPA优化PNN的电能质量扰动识别方法仿真

电能质量扰动的识别精度直接影响着电网电能质量的治理手段及方法。为了解决复杂电网环境下的复合电能质量扰动识别问题，提出了一种基于改进小波阈值法消噪和海洋捕食者算法优化概率神经网络(MPA-PNN)的电能质量扰动识别方法。首先采用改进小波阈值法对8种典型的电能质量扰动信号进行消噪处理，并利用小波变换对消噪完成的信号进行多尺度分解，以其中3个区分度较为明显的维度能量构成输入特征向量，最后利用MPA优化PNN的平滑参数σ,完成电能质量扰动信号识别模型的训练。仿真结果表明，与单一PNN、改进小波阈值法-PNN、改进小波阈值法-GA-PNN等方法进行比较，改进小波阈值法-MPA-PNN方法可以有效降低噪声影响，在识别精度及模型优化速度方面均有一定的提升。     

基于小波变换和FRVM的电能质量扰动分类

针对相关向量机(RVM)计算复杂度大、训练时间长的问题,提出一种基于快速相关向量机(FRVM)的优化算法,其大大减少了相关向量机的训练时间,提高了分类的精度.将它应用于电能质量扰动分类中,首先对电能质量扰动信号进行基于小波变换的时频分析,提取小波变换各层信号的能量与标准信号的能量之差组成特征向量;然后用FRVM对特征量进行分类,进而实现基于小波变换和FRVM的电能质量扰动分类新方法.实验仿真验证了该方法能够对各类电能质量扰动信号进行分类,并且其分类效率和准确率均优于传统的相关向量机分类方法.     

短时电能质量扰动分类方法研究

为了准确检测短时电能质量扰动问题,提出了一种基于K-L变换和支持向量机多值分类器的短时电能质量扰动分类方法。采用离散小波变换获得信号在不同分解尺度下的能量分布作为原始特征空间;运用K-L变换进行模式识别特征空间的提取;设计了适用于短时电能质量扰动的支持向量机多值分类器。实验结果表明,对原始能量特征进行K-L变换后,可以提高分类准确率;支持向量机多值分类器的分类结果优于BP神经网络。     

Daubechies复小波的构造及在电能质量检测中的应用

针对实小波在电能质量扰动检测时不能提取相位信息以及对高频系数提取效果不理想的缺点,提出了正交紧支撑Daubechies复小波的构造方法。即将希尔伯特变换和小波变换结合起来,构造一组复值的滤波器组,然后将其虚部和实部分别进行分析,实现了相位、幅值和适当组合信息等信息的提取。实验仿真结果表明利用该类复小波可提取相位信息,从而更准确地检测出电能质量扰动信号中的突变点,相对实小波能分辨出其扰动的类型,在相同阈值的条件下对电能质量信号进行去噪时,相对实小波及其他复小波去噪后的信噪比有明显的提高。     

基于db4提升小波的暂态电能质量的检测

暂态扰动是影响电能质量的重要因素之一,对电力用户和电力系统都会产生危害。针对暂态扰动信号具有非平稳性、突变性的特点,分析了db4提升小波变换的特性,提出了更新—预测—更新—预测—更新的结构,选择了合适的采样频率和分解层数,对暂态电能质量扰动信号进行检测与定位。在MATLAB仿真环境下,利用db4提升小波变换对电压暂降、暂升、中断以及暂态脉冲、振荡等几种暂态电能质量扰动信号进行检测与定位,仿真结果表明,该方法可以实现对扰动信号起止时刻更为准确的检测与定位,且计算速度快。     

基于NNAC算法的电能质量暂态扰动检测

针对当前电能质量检测分析的难点和重点问题,在分析了目前使用最多的方法小波变换优缺点的基础上,提出了基于神经网络自适应控制（NNAC）的电能质量暂态扰动检测算法。给出了电能质量暂态扰动检测的自适应控制结构,采用Hebb学习规则进行权值学习,并对电压暂降、电压瞬升、电压中断和暂态振荡等暂态扰动进行了仿真测试,结果表明所提算法可以很好地检测电网中的暂态扰动信号的类型,确定扰动发生的起始时刻和持续时间,且分析计算简单,速度快,计算所得数据量少,在电能质量扰动检测中更加具有实时性。     

基于改进阈值函数的分数阶小波电能信号去噪

为了消除电力系统中噪声对电能质量扰动信号的影响,且能保留突变点信息,提出了一种基于改进阈值函数的分数阶小波电能质量扰动信号去噪方法.该方法采用离散分数阶小波变换对含噪信号进行多尺度分解,并根据信号和噪声在不同尺度上的分数阶小波域系数的分布特点,通过改进阈值函数对各层系数进行处理,将处理后的系数进行重构得到去噪后的信号.仿真结果表明,该方法弥补了软、硬阈值函数的缺点,能较好地去除噪声并保留突变点信息,且提高了输出信噪比.     

一种暂态电能质量检测新方法的研究

电能质量扰动带来的复杂信号调制特性,使得从电能质量监测数据中提取扰动信号特征依然面临困难。为提高噪声背景下复合电能质量扰动检测准确性,采用自适应无参经验小波变换(APEWT)对扰动信号进行模态分解,进而基于频率加权能量算子(FWEO)对单模态分量进行能量计算,同时通过解调提取用于扰动定位的瞬时频率和幅值特征量。一方面,APEWT中基于自适应频带分割的小波滤波器组输出仅包含有效模态分量,有效避免了模态混叠现象的出现;另一方面,FWEO噪声鲁棒性有效提高了强噪声背景下扰动特征提取的准确性。将算法应用到仿真及实测信号,结果显示该方法能够有效地追踪扰动信号的瞬时变化,且解调得到的瞬时频率和幅值也进一步证明了方法的可行性和有效性。     

基于人工神经网络的暂态电能质量现象的分类与识别

暂态电能质量信号具有发生随机性,持续时间短和非平稳的特性,使得信号的识别实现较为困难。目前对电能质量信号进行辨识的方法有基于规则的专家系统方法、基于神经网络的方法以及结合小波变换技术的神经网络方法等。利用小波变换和人工神经网络的结合方法,对各种暂态现象实现有效地识别和初步地分类。     

基于HHT的煤矿电网扰动起止时刻检测方法

针对煤矿电网电能质量扰动复杂、采用小波分析技术解决扰动暂态过程存在小波基选择的问题,提出了一种基于HHT的扰动起止时刻检测方法。该方法以电压缺口为例,在30dB和40dB噪声环境下,首先采用EMD算法对电压缺口信号进行分解,得到IMF1分量、IMF2分量、IMF3分量和剩余分量R;然后对含有高频部分的信号即原始信号、IMF1分量、IMF2分量进行Hilbert变换,得出通过瞬时幅值曲线中突变点位置可以检测扰动起止时刻的结论;通过对比原始信号、IMF1分量、IMF2分量的扰动起止时刻检测值,最后选用了误差最小的IMF1分量的瞬时幅值进行扰动起止时刻检测。实验结果表明,该方法精度高、抗噪声能力强。     

基于实时小波算法的暂态扰动检测的FPGA实现

通过实时小波算法在FPGA中的实现来检测暂态电能质量问题。采用高、低通分解滤波器来实现小波变换算法,以DB5小波为基函数,通过对暂态电能质量中五种扰动信号建立分析模型进行仿真并基于FPGA硬件平台进行模拟电能信号测试。对比信号源与测试结果中奇异点起止与持续时间,结果证明了该方法的准确性和可行性。     

基于改进卷积神经网络的电能质量异常扰动研究

针对电能质量扰动信号种类繁多、分类精度低以及现有分类算法抗噪性低、鲁棒性差的问题，文章提出一种改进卷积神经网络的电能质量扰动信号分类方法。采用S变换提取电能质量扰动信号特征，采用分类回归树算法对提取特征进行选择，采用改进CNN卷积神经网络对电能质量扰动信号进行分类。测试结果表明，在SNR=15 dB和SNR=25 dB的强噪声环境下，3种改进子模型在一定的迭代次数后，对8种不同扰动信号的训练精度都可达99%以上，同时对电能质量扰动信号的平均识别率达96%以上，表现出很强的抗噪性、高鲁棒性和和高分类精度的特点。     

基于S变换和径向基神经网络的暂态电能质量扰动识别

提出一种基于S变换和径向基神经网络的暂态电能质量扰动识别的方法。该方法首先用S变换对暂态电能质量扰动波形进行预处理,使用统计的方法提取了5个相关特征量,然后用径向基神经网络对提取的特征量样本进行分类。仿真结果表明,该方案正确率高,抗噪声能力强,训练样本少,响应快速。     

基于多分辨奇异值分解包和随机森林的电能质量扰动分类研究

为解决电能质量扰动的分类问题,利用多分辨奇异值分解(Singular Value Decomposition, SVD)的信号逐层分解方式,提出基于多分辨SVD包与随机森林(Multi-Resolution SVD and Random Forest, MRSVD-RF)的电能质量扰动分类方法。通过实验证明了该算法对单一和复合电能质量信号的分类效果明显优于分解结构相似的基于的小波包的信号分解方式,比较了分类器模型的选择和特征提取数量对算法性能的影响。     

双密度小波变换的自适应电能质量信号去噪

为改善电能质量信号的去噪效果,提出一种基于双密度小波变换的自适应电能质量信号去噪算法。双密度小波变换具有近似的平移不变性,能更准确地描述信号的真实特征。而双变量收缩函数充分考虑小波系数的层内层间关系,对小波系数采用结合局部方差估计的双变量收缩函数进行去噪处理,并用收缩后的小波系数重构信号。实验结果表明：该算法在有效滤除噪声的同时,能够更好地保留电能质量信号的特征信息,使去噪信号的视觉信息有较大改善。     

基于MAP估计双树复小波的电能质量扰动信号去噪方法

针对电能质量信号的去噪,提出了一种基于MAP估计的双树复小波电能质量扰动信号的去噪方法。首先对带噪信号进行相关性预处理,然后通过MAP方法对双树复小波分解不同层次的细节系数估计噪声方差和信号方差,并计算各层阀值从而得到去噪方案,针对带噪的电压跌落等扰动信号进行仿真,并与传统实小波去噪进行了信噪比和突变点信息保留能力的比较。仿真结果表明,所提算法速度快,去噪效果理想,且易于实现,实用性强,有良好的发展前景。     

电能质量检测智能电子设备中的数据处理

为了确保电力系统的安全运行和电能质量的准确分析,构建了一种基于IEC61850的电能质量监测智能电子设备框架,并提出一种基于FFT和小波变换相结合的数字信号处理方法.仿真结果证明,该方法不仅能够识别和检测扰动信号的起止时刻,也能够实时分析各次谐波的幅值和相位;在畸变和扰动的情况下,采用该改进算法具有很好的实用性和灵活性.