面向波浪能发电的电能质量扰动检测

为了对波浪能发电的电能质量扰动进行有效检测,在传统经验小波变换(EWT)的基础上,提出了改进EWT(IEWT),解决了传统EWT的频谱区间易错分、最高频带划分不合理的缺点,提高了在噪声干扰下有效极大值点及高频分量的检测精度。此外,进一步引入了希尔伯特变换(HT),实现了并网汇流侧电能质量复合扰动的幅值、频率、扰动起止时刻等信号参数的有效提取。实验结果验证了所提算法的有效性。     

基于离散小波变换和GA-BP的电能质量扰动分类

电能质量扰动的分类对于电力系统的稳定具有重要意义。首先利用离散小波变换(Discrete Wavelet Transform, DWT)中的db4小波对电能质量扰动信号进行分解,得到近似分量和细节分量,提取各分量的近似系数相对能量和细节系数相对能量;然后对信号进行重构,提取小波熵和重构系数方差,构成扰动信号的特征向量;最后建立遗传算法(Genetic Algorithm, GA)优化BP神经网络的扰动分类模型,并输入特征向量对信号进行分类识别。仿真结果表明,该方法对电能质量扰动的分类准确率较高。     

基于改进经验小波变换的高压电缆局部放电噪声抑制研究

对高压电缆的局部放电(PD)进行监测,并对其所包含的噪声信息进行抑制,是一种有效的绝缘评估方法.针对PD信号所包含的复杂噪声信息,提出一种基于改进经验小波变换(IEWT)的噪声抑制方法.该方法以IEWT分解为核心,通过将含噪信号分解为按频率顺序排列的经验小波函数(EWF),有效避免复杂噪声信号分解时的模态混叠现象.利用峭度规则对分解得到的EWF进行筛选,最后对筛选出的有用EWF进行重构和降噪处理,达到对复杂含噪信号的噪声抑制效果.模拟仿真以及现场测试表明,与现有基于EWT和基于EMD的降噪方法进行对比,该文所提方法可更有效地抑制PD信号所包含的噪声信息.     

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。     

基于改进小波阈值函数和CEEMD电能质量扰动检测

为提高在噪声环境下电能质量扰动检测定位的准确性,提出基于改进小波阈值函数和完备总体经验模态分解(CEEMD)的电能质量扰动检测算法。在采用CEEMD处理电能质量扰动信号的基础上,通过排列熵计算各固有模态函数的随机噪声强度,利用小波改进阈值函数对噪声强度高于排列熵值的分量降噪,并对降噪后分量进行Hilbert-Huang变换,求取定位扰动起止点以及频率等参数。将该算法与CEEMD舍弃高频分量和小波阈值函数降噪方法的对比分析,结果表明算法不仅具有较强的抗噪性,而且能有效保留高频信息不被滤除。以PSCAD/EMTC双馈式风力发电系统中的单相短路和两相短路为例,仿真验证了所提算法的有效性,最后搭建了基于PXI和Lab VIEW平台电能质量扰动检测平台,为应用于工程实践中奠定基础。     

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。     

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EMD去噪和S变换结合的电能质量扰动分析

针对电能质量扰动分析问题,提出了一种基于改进EMD去噪和S变换结合的电能质量分析方法.对所获取信号进行EMD分解,选取其中高频信号IMF分量进行小波阈值去噪,依次重构高频信号IMF分量和原信号,对重构信号做S变换处理,提取电能质量扰动特征,根据S变换的时间、频率、幅值等特征分析电能质量扰动具体情况,判断扰动时间和扰动类型.仿真实验结果表明,通过改进EMD去噪和S变换的结合,可有效去除信号中的噪声分量,提高噪声干扰下电能质量扰动分析的准确率.     

基于改进小波阈值函数和奇异值分解的电能质量扰动检测定位

为了在噪声环境下准确提取电能质量扰动特征,本文提出基于改进小波阈值函数去噪和奇异值分解的电能质量扰动检测定位方法。首先构建改进小波阈值函数对含噪电能质量扰动信号降噪,利用经验模态分解的信号频带划分能力,实现降噪后扰动信号各模态的有效分离,再采用希尔伯特变换提取各模态幅值、频率等特征信息,同时基于奇异值分解实现对扰动信号的起止时刻的有效定位。最后分别采用不同类型的电能质量扰动信号进行仿真实验,实验证明本文提出的算法不仅具有良好的抗噪性能,同时具有较高的定位准确度和良好的鲁棒性。     

HHT变换在电气化铁道电能质量检测中的应用

本文提出了基于Hilbert-Huang变换(HHT)对电气化铁道电能质量扰动信号定位检测的改进方法。由于电气化铁道扰动信号的复杂性,如果直接对经验模态分解(EMD)后的频率分量进行希尔伯特变换(HT),会使定位与检测的效果变差。本文通过在原信号上叠加已知高频正弦波的方法实现对扰动进行定位,提高了最高频率分量(一般是本...     

CEEMD在电能质量扰动检测中的应用

为了解决总体平均经验模态分解(EEMD)处理非平稳、非线性信号的不足,提出了一种基于完全经验模态分解(CEEMD)的电能质量扰动检测新方法。首先采用CEEMD对含噪的电能质量扰动信号进行分解得到固有模态函数,并对固有模态函数进行Hilbert变换检测出瞬时幅值和瞬时相位特征参数。对所得瞬时幅值求取二阶导数得到模极大值点,提高了通过模极大值点定位扰动时刻的准确性。针对高频复合扰动采取两次CEEMD分解方法去除噪声与虚假分量有效提取出扰动成分,针对稳态扰动提出先去除谐波再提取闪变包络的检测方法。并通过Matlab仿真实验以及依托交流调压器负载实验和三电平实验平台的实测数据,验证了该方法既可以对未知扰动信号进行辨识区分,也可以确定电能质量扰动的时刻、类型、频率和幅值等特征参数。     

基于变分模态分解的电能质量扰动检测新方法

为了更加准确地提取扰动信号特征,提出了基于变分模态分解(VMD)的电能质量扰动检测新方法。该方法由VMD和希尔伯特变换(HT)2个部分组成。首先,对扰动信号进行傅里叶变换以确定VMD的预设分解尺度;然后,利用VMD将扰动信号分解为系列调幅-调频函数之和;最后,对每个调幅-调频函数进行HT,求取瞬时幅值和瞬时频率,进而确定扰动信号特征。较之希尔伯特-黄变换和局部均值分解方法,VMD方法不仅可分析不同时间支集的扰动信号,处理复合扰动和频率相近的奇数次谐波,也不存在模态混叠,获取的瞬时幅值和瞬时频率更加准确。仿真信号和变电站电容器组投入时的电压信号分析结果证明了所提方法的可行性和有效性。     

基于小波包除噪的电能质量扰动检测方法

小波包变换能够实现信号频带的均匀划分，在任意频率聚焦，是分析暂态电能质量扰动时频特性的良好工具。但是电气信号中的电磁噪声严重影响了小波包的检测特性。该文提出了一种小波包除噪算法。通过仿真验证，该算法可以消除扰动检测中的噪声影响，从而为噪声环境中电能质量扰动的检测和定位提供了良好的依据。     

A novel method for power quality multiple disturbance decomposition based on Independent Component Analysis

In this paper, a novel method for power quality signal decomposition is proposed based on Independent Component Analysis (ICA). This method aims to decompose the power system signal (voltage or current) into components that can provide more specific information about the different disturbances which are occurring simultaneously during a multiple disturbance situation. The ICA is originally a multichannel technique. However, the method proposes its use to blindly separate out disturbances existing in a single measured signal (single channel). Therefore, a preprocessing step for the ICA is proposed using a filter bank. The proposed method was applied to synthetic data, simulated data, as well as actual power system signals, showing a very good performance. A comparison with the decomposition provided by the Discrete Wavelet Transform shows that the proposed method presented better decoupling for the analyzed data.     

基于IEWT和噪能转移SR-MLS反演识别技术的低频振荡信号分析

电力系统低频振荡信号是典型的多分量混噪信号,特征提取较困难。为此,采用基于顺序统计滤波原理(order statistics filter,OSF)平顶上包络的改进经验小波变换算法(improved empirical wavelet transform,IEWT)和随机共振—移动最小二乘(resonance-moving least squares,SR-MLS)反演识别技术相结合的方法实现对振荡信号的特征分析。IEWT结合了小波分析的完备理论性和经验模态分解的自适应性,通过构造一系列正交小波滤波器组对信号进行分解。首先,根据OSF最大值滤波器原理得到频谱的有效平顶上包络,进而确定EWT的边界并对原始振荡信号进行抗噪主导模态分离,然后结合SR-MLS反演识别技术,在残余噪声的帮助下增强振荡特征并有效提取。最后,在自合成模拟信号仿真、IEEE 16机68节点系统仿真以及电网实测数据3个算例仿真下通过与经典Prony法、VMD-Hilbert法对比,表明了所提方法的可行性及有效性。     

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...     

ITD算法在电能质量扰动信号特征量提取中的应用

针对电能质量扰动信号非线性特点,采用固有时间尺度分解算法(Intrinsic Time-scale Decomposition, ITD)准确快速地提取电能质量扰动信号的幅值、频率、相位、衰减因子、扰动起止时刻等特征量。首先利用固有时间尺度分解算法提取电压扰动信号的固有旋转分量(Proper Rotation Component, PRC)。然后对PRC分量进行Hilbert变换求取相位和瞬时频率,根据高频突变点得到扰动起止时刻;由包络函数得到扰动信号的幅值,并计算衰减因子。运用Matlab对单一和复合扰动信号进行仿真计算,结果表明该方法能准确地识别电能质量扰动信号的特征量,具有抗噪能力,验证了所提方法的实时性和可行性。     

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.