基于BWD谱峭度的暂态电能质量扰动分类识别

根据暂态电能质量扰动的内在特性和谱峭度的特点,提出一种基于巴特沃斯分布(BWD)的谱峭度计算新方法,并与支持向量机相结合应用于暂态电能质量扰动识别。该算法采用BWD谱峭度方法计算暂态脉冲和暂态振荡2类扰动信号的谱峭度,选取谱峭度的最大值、最小值和均值作为特征量,输入PSO优化参数的SVM进行训练测试。通过PSCAD/EMTDC获得仿真数据,并分析之。结果表明,基于BWD谱峭度方法能够有效提取扰动特征量,且具有良好的抗噪性能。利用SVM分类器在小样本和叠加有其他扰动,能有效识别两类扰动,识别率较高。     

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。     

基于多变换-谱峭度的配电网暂态电能质量扰动检测与辨识方法研究

针对配电网暂态电能质量扰动类型众多和噪声环境复杂等因素造成的暂态电能质量扰动精准辨识难度大等问题,论文深入研究了一种基于多变换和谱峭度的智能配电网暂态电能质量精准检测与辨识方法.该方法先通过小波变换消除信号中的噪声,然后对消噪后的信号进行小波变换检测出暂态电能质量扰动的幅值和时刻,并利用谱峭度对信号的冲击成分敏感及抗噪能力强等特性,通过对消噪后的信号短时傅里叶变换的谱峭度计算辨识出暂态脉冲、暂态振荡和短时电压变动,通过对短时电压变动扰动进行希尔伯特-黄变换检测出短时电压变动中的电压暂降、电压中断和电压暂升的瞬时频率和瞬时幅值,进而辨识出电压暂降、电压中断和电压暂升.该方法避免了HHT对暂态脉冲、暂态振荡的无用检测,具有计算过程简单、检测精确度高、辨识精确性高、通用性强等诸多优势.     

基于S变换与SVM的暂态电能质量扰动识别

提出利用S变换与SVM对暂态电能质量扰动进行分类识别的方法。首先通过S变换提取扰动信号的特征量,然后利用支持向量机(SVM)进行分类。算例验证,该方法具有准确率高,训练样本少,结果直观等优点。     

基于形态学的暂态电能质量扰动检测

针对扰动检测过程中存在的脉冲噪声和白噪声影响暂态电能质量信息准确提取的问题,文章设计了一种基于LMS的多结构复合形态滤波算法,该算法具有在保留信号的有效成分的基础上最大限度地滤除噪声的功能。文章使用电压暂降、电压暂升、电压中断等对所提方法进行了仿真实验。仿真结果表明,基于LMS的多结构复合滤波算法得到的信噪比是多结构自适应复合滤波算法的1.01倍左右,是小波变换的1.1倍左右,即该算法能有效地滤除暂态电能质量扰动分析中的随机噪声和脉冲噪声;而且,该算法可较好地保持扰动信号的形状和特征。     

基于S变换的暂态电能质量扰动检测

针对暂态电能质量扰动信号特性,提出了一种基于S变换(S-Transfom)的信号分析法.S变换是由连续小波变换和短时傅立叶变换相结合发展而来,引入了宽度与频率成反向变化的高斯窗,不仅具有与频率相关的分辨率,更具有良好的时频特性,是一种有效的非平稳信号分析方法.通过算例验证了S变换在暂态电能质量扰动信号分析中,可提供有效、准确的分析结果.     

风电并网暂态电能质量扰动的检测与识别

风能的随机性、间歇性和波动性等特性使得电力系统的电能质量在风电并网运行时受到了十分复杂的影响,因此针对风电并网运行中的暂态电能质量问题,文中提出了一种基于db4小波变换和有效值法的新方法对暂态电能质量扰动进行检测与识别,并通过详尽的理论分析和Matlab仿真对该方法进行了验证。研究结果表明该方法能有效地完成对暂态电能质量扰动的检测与识别,为检测与识别电力系统在风电并网运行时的暂态电能质量扰动提供了一种切实可行的新方法。     

基于广义S变换的暂态电能质量扰动定位与识别

S变换由于时频分辨率固定,从而导致定位暂态电能质量扰动的效果差。提出一种基于广义S变换的扰动定位新方法,利用高频处时间幅值曲线的突变点峰值进行定位检测,以提高扰动的定位精度。首先通过广义S变换得到扰动信号的模时频矩阵,然后利用高频处时间幅值曲线定位扰动的起止时刻,再根据最大频谱曲线、基频幅值曲线与定位结果提取四个识别特征量,最后基于分类规则树方法实现扰动信号的自动分类。仿真结果表明,所提出的定位方法简单直观,精度较高;提取的识别特征量少而有效,分类效果良好。     

基于数字图像处理技术的暂态电能质量扰动分类

为改进暂态电能质量扰动分类方法的准确性,先将暂态电能质量扰动一维数据信号通过归一化处理转换为二维灰度图像,再应用伽马校正、边缘检测及峰谷检测等数字图像处理方法增强扰动特征,得到新的灰度图像和二值图像。提取二值图像的形态学特征值组成特征向量。通过概率神经网络实现暂态电能质量扰动分类。对所提方法进行了仿真计算和比较分析。结果表明,所提出的暂态电能质量扰动分类新方法改进了扰动分类的准确性,是一种有效可行的方法。     

基于小波变换和神经网络的暂态电能质量扰动自动识别

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法。先提取基波频段所在的小波系数将电压凹陷、电压凸起和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡。该方法利用小波和小波包各自的时频分解特点,实现了暂态电能质量扰动的自动检测和分类。经仿真分析,验证了此方法的准确性和高效性。     

基于FCM的暂态电能质量扰动识别

提出一种应用模糊C均值聚类(FCM)对暂态电能质量扰动进行识别的新方法。该识别方法分层实现,第一层判断信号中是否包含暂态振荡扰动,第二层判断是否包含暂态脉冲扰动,第三层判断是否包含幅值扰动及综合判断出各种复合扰动的类型。通过与集合经验模态分解(EEMD)和奇异值分解方法的结合,分层提取出有效特征量,并将其作为FCM的输入,得到聚类中心和隶属度矩阵。最后通过计算待测样本与已知样本的聚类中心的欧氏距离实现扰动类型识别。通过仿真分析,该分层识别方法准确可行。     

基于小波变换和神经网络的暂态电能质量扰动自动识别

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法.先提取基波频段所在的小波系数将电压凹陷、电压凸起和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡.该方法利用小波和小波包各自的时频分解特点,实现了暂态电能质量扰动的自动检测和分类.经仿真分析,验证了此方法的准确性和高效性.     

An application of the spectral kurtosis to characterize power quality events

This paper deals with a novel application of the Spectral Kurtosis (SK) in power-quality modeling and analysis. The two major advantages of this three-spectral analysis are: robustness to noise and the capability to detect nonlinearities, as impulsive-like signals. The first aim is to study some of the theoretical aspects of the SK estimation, performing a connection to the power-quality event analysis. Then, real-life situations’ performances are presented to correlate results with synthetics. Despite the fact the limited resolution in the frequency domain (to gain computation speed), the method presents an accuracy of 84% over real-life registers.     

应用组合分类法对暂态电能质量扰动分类

有机地结合贝叶斯分类法、感知准则函数分类法和最小错分样本数准则分类法的理论优点,提出了一种新的组合分类方法。该方法保留贝叶斯法的最优特点,去除其使用的必备条件,保留了最小错分样本数准则分类法可对交叉样本分类,去除其计算复杂的缺点。与常用的最小错分样本数准则函数分类法以及贝叶斯分类法、感知准则函数分类法相比,该组合分类法在理论上具有最优分类、可对交叉样本分类、计算简便的优点。在对暂态电能质量扰动分类的仿真分析过程中,充分显示了新方法的上述优点。     

应用组合分类法对暂态电能质量扰动分类

有机地结合贝叶斯分类法、感知准则函数分类法和最小错分样本数准则分类法的理论优点,提出了一种新的组合分类方法.该方法保留贝叶斯法的最优特点,去除其使用的必备条件,保留了最小错分样本数准则分类法可对交叉样本分类,去除其计算复杂的缺点.与常用的最小错分样本数准则函数分类法以及贝叶斯分类法、感知准则函数分类法相比,该组合分类法在理论上具有最优分类、可对交叉样本分类、计算简便的优点.在对暂态电能质量扰动分类的仿真分析过程中,充分显示了新方法的上述优点.     

基于卡尔曼滤波和深度置信网络的复合电能质量扰动分类

针对实际电能质量扰动数据大、识别多重扰动精度不高的问题,提出了一种基于自适应最大似然卡尔曼滤波和深度置信网络相结合的电能质量扰动识别方法。首先,该方法使用自适应最大似然卡尔曼滤波对含有噪声的原始扰动信号进行去噪。然后,通过深度置信网络对去除噪声的扰动信号进行训练、分类,以此实现电能质量扰动类型的识别。最后,在20类不同噪声水平下的电能质量扰动信号上进行测试。由仿真结果可知,在不同的噪声水平下,该方法都具有较高的分类正确率,表明了该方法的有效性及对噪声的强鲁棒性。     

结合短时傅里叶变换和谱峭度的电力系统谐波检测方法

针对电能质量分析中的谐波检测问题,提出一种结合短时傅里叶变换和谱峭度的电力系统谐波检测方法。采用短时傅里叶变换作为时频分析工具对采样信号进行时频分解,同时引入频谱标准差和基于短时傅里叶变换的谱峭度作为辅助分析。通过频谱标准差和谱峭度对谐波模态进行识别,并根据识别结果从频谱矩阵中提取出相应的谐波分量,然后采用基于奇异值分解的扰动定位方法对暂态谐波的起止时刻进行准确定位。仿真实验结果验证了算法的有效性,在低信噪比的情况下仍具有较高的检测精度,具有较好的抗噪性和鲁棒性。     

基于多标签随机森林的电能质量复合扰动分类方法

提出一种多标签随机森林(Multi-label Random Forest, ML-RF)分类算法,并将其应用于电能质量复合扰动分类。ML-RF是基于多标签决策树(Multi-label Decision Tree, ML-DT)的集成学习算法,利用子决策树的组合来增强分类器的整体性能。首先对电能质量扰动信号进行平稳小波变换,计算各层分解系数的小波能量熵作为分类特征向量。然后使用Bootstrap自助法和子空间采样构造不同的训练集训练子决策树。最后组合子决策树得到ML-RF分类器,并对复合电能质量扰动进行分类。仿真结果表明,在不同噪声情况下,该方法均能有效进行复合扰动的分类,具有较好的噪声鲁棒性,是复合电能质量扰动分类的一种可行方法。     

基于卷积-长短期记忆网络的电能质量扰动分类

为了提高电能质量扰动分类准确率,针对扰动信号时序性的特点,采用了基于卷积-长短期记忆网络的电能质量扰动分类方法。首先,将扰动信号进行采样作为输入。然后,通过卷积神经网络(CNN)提取特征数据,再对提取到的特征数据以序列的形式作为长短期记忆网络(LSTM)的输入,对特征数据进行筛选更新。最后,再对输出的特征数据进行学习分类。仿真结果显示,该方法对电能质量扰动信号的平均分类准确率为99.6%,优于单一的CNN法和单一的LSTM法。