基于时域特征分析的电能质量扰动分类

在分析电能质量扰动信号的时域特征的基础上,提取了4个用于分类电能质量扰动的特征量,并且提出了一种电能质量扰动分类方法。所提取的扰动分类特征量具有较为明确的物理意义,因此,有利于对各种电能质量扰动进行估值;某一特征量或某几个特征量能唯一确定一种扰动,使扰动判断不再具有或然性;任一扰动的特征量不因其他扰动的存在而改变其值,因此,可以准确辨别出混合扰动。MATLAB仿真和分析表明,该方法能有效地分类更多的单一和混合电能质量扰动,并且计算耗时更少。     

一种新的电能质量扰动分类识别算法

通过分析电能质量扰动信号的时域特征,提出一种电能质量扰动分类方法.所提取的扰动分类特征量具有明确的物理意义,有利于对各种电能质量扰动进行估值.某一特征量或某几个特征量能唯一确定一种扰动,使扰动判断不再具有或然性.任一扰动的特征量不因其他扰动的存在而改变.因此,可以准确辨别出混合扰动.MATLAB仿真结果表明,该方法能有...     

一种电能质量扰动信号的分层识别新方法

为了快速准确地对电能质量扰动进行分类和识别,结合时域和频域分析方法,提出了一种新的电能质量分层分类识别新方法.该方法由基波和扰动分离模块、扰动时间特征提取分类模块等多个功能模块构成,通过将dq变换、广义形态滤波、傅里叶变换等计算简单的信号分析方法相结 合,逐层提取出幅值、扰动时间、扰动频域奇异熵等特征并对其进行分类,最后依据各层分类结果对信号的扰动类型进行综合识别.对7种常见的单一电能质量扰动及部分混合电能质量扰动仿真分析表明,所提出的方法有较好的分类识别效果.     

一种实时电能质量扰动分类方法

针对电能质量扰动实时分类的需求,提出了一种基于强跟踪滤波器和极限学习机的电能质量扰动分类方法。强跟踪滤波器通过引入渐消因子矩阵克服了扩展卡尔曼滤波器的易发散的问题。强跟踪滤波器不仅可以检测扰动幅值而且还可以提供渐消因子作为特征量,以此识别暂态扰动和谐波。该方法提出使用基波幅值最大值、最小值、波动次数和渐消因子频度均值四个特征量组成特征向量作为极限学习机分类模型的训练样本;最后将分类器用于电能质量扰动识别。为了提高极限学习机分类精度,提出了对少量边界错分样本的类别进行校正的规则校正法。仿真表明改进后的方法能够识别包括两种复合扰动在内的10种电能质量扰动信号,并具有良好抗噪性。与随机梯度下降反向传播方法、最小二乘支持向量机和序贯极限学习机相比,该方法训练和分类速度快,分类准确率高,适合于在线应用。     

基于时域变换特性分析的电能质量扰动分类方法

在分析电能质量扰动Clarke变换和Park变换特性的基础上,提取了扰动的四个特征量,并利用这些特征量对5种单一扰动和6种混合扰动进行了较为准确的分类,且算法简单,易于硬件实现,并可以作为电量参数分析和评估的基础。最后,对提出的扰动分类方法进行了仿真分析,仿真结果表明,提出的特征量及分类方法准确、有效和误判率低,识别混合扰动效果较好。     

电能质量复合扰动分类的研究进展

针对电能质量复合扰动的识别问题,通过举例分析复合扰动信号,讨论了复合扰动的特点。详细综述国内外电能质量复合扰动分类的研究现状,将其研究方法分为单标签分类和多标签分类两大方面,分别对这两个方面中目前采用的思想和方法进行讨论。在单标签分类中,分别从直接分类、S变换+分类器、小波变换+神经网络、支持向量机和其它方法五个方面进行复合扰动分类讨论。在多标签分类中,分别从分类思路、分类策略和标签相关性等方面对该方法进行了讨论。最后,分析了电能质量复合扰动识别目前存在的问题,对其研究进行了展望。     

基于HHT的电能质量扰动定位与分类

针对电能质量扰动定位和识别分类的需求,提出了一种基于HHT的电能质量扰动定位与分类的新方法。采用HHT算法对电能质量扰动信号进行变换,获得瞬时幅值、Hilbert谱和边际谱,并利用Hilbert谱对扰动信号进行定位。从瞬时幅值、Hilbert谱和边际谱中提取特征量,为决策分类树提供判断依据以便进行分类识别。仿真实验结果表明,采用HHT算法与决策分类树相结合的电能质量扰动定位与分类不需训练,提取的特征量少而有效,分类识别的效果较好,具有良好的抗噪性能。     

基于图形模式识别的电能质量扰动分类

为对电能质量控制中的扰动进行正确分类,在总结现有扰动分类方法的基础上,基于模式识别理论,以α、β两相电量合成的图形为研究对象,提出了两个计算电量与理想正弦工频电量贴近度的稳态电能质量指标,当系统中含有谐波和负序分量时,该指标能综合地反映出它们对电能质量的整体影响;仿真分析了各种电能质量扰动现象并总结出它们的α、β两相电量合成图形特征,通过这些特征可简便直观地实现对电能质量扰动的分类。     

基于SVM机器学习算法的电能质量扰动分类与评估∗

目前大多数电能质量扰动分类方法都是基于对扰动数学表达式的分析,分析结果不能反映电力系统参数,如果电力系统有任何变化,结果也不能说明变化的好坏.对此提出了一种基于SVM机器学习算法的电能质量扰动分类评估方法.该算法应用机器学习算法SVM支持向量机对基于时域特性分析的扰动分类方法(TDCA法)提取的扰动特征量进行分类,在建立的IEEE 9节点标准模型中模拟所有常见的单一和复杂的电力系统干扰.这些干扰都是用TDCA法精确分类和评估的.仿真结果表明,该方法也可用于基于电力系统参数的电力扰动分类,并可以反映系统的参数,对后续系统参数调整具有很大的参考意义.     

基于HCTSA-BP的电能质量扰动分类

为了解决传统机器学习对电能质量分类时人工选择特征困难导致分类效果不好的问题,本文提出了一种高度比较时间序列分析(highly comparative time series analysis,HCTSA)结合BP神经网络的分类方法,该方法既可以提取大量特征又可以筛选特征,不需要人工选择特征指标.首先,使用大量算法数据库...     

基于小波和BP神经网络的电能扰动分类新方法

电能质量扰动的分类包括特征向量提取和分类器构建2部分。基于小波和神经网络的分类方法大部分采用小波分解各层的能量分布作为特征向量,用单个神经网络给出分类结果,此类方法构建的分类器性能有待进一步提高。文章构建了一组基于小波变换的特征向量作为分类器的输入。通过基于最小二乘法的策略综合3个相互独立神经网络的输出以得到最后的判别结果。算例表明提出的分类器准确率高,在信噪比20 dB的情况下还可以达到93.18%的准确率。分类器能有效识别电压中断、电压暂降、电压暂升、谐波、振荡暂态和闪变6种常见电能质量扰动。     

采用电量参数分析方法的电能质量扰动参数估计

电能质量扰动的参数估计是电能质量分析的重要内容之一,可为电能质量的控制与管理提供定量参考信息。该文提出了基于电量参数分析的扰动参数估计方法。从电量参数的角度将电能质量扰动划分为3类,在时域中构造了3个物理意义明确、不受其他扰动影响的特征量。这3个特征量可 对扰动进行参数估计,且计算量小、抗噪性强。可估计的参数有谐波总畸变率、电压波动周期及波动值、电压下跌的起止时刻和下跌幅度、振荡暂态的起始时刻及振荡参数、切痕的深度与时间的乘积。对于混合扰动,可估计下跌与谐波、波动与谐波、谐波与振荡暂态、下跌与切痕的主要参数,且其估计精度与单一扰动接近。仿真结果验证了该方法的有效性。     

基于改进S变换的电能质量扰动分类

电能质量扰动信号的分类识别对建立电能质量综合评估体系、选择合理的电能质量治理方案,确保电力系统安全稳定运行和用户的合法用电权益具有重要意义。提出了一种基于改进S变换时频模矩阵的电能质量短时扰动分类新方法。该方法首先根据信号的稳态主导频率确定S变换高斯窗的衰减速度,计算所得时频模矩阵作为各电能质量扰动信号的标准模板;通过比较测试信号改进S变换模矩阵的特定频段与各标准模板之间的相似度,实现扰动分类。在相似度的比较过程中,为了凸显异类模板之间的差别,尤其是电压暂降和暂升、电压缺口和尖峰,提出了能量归一化概念以及分频逐行计算相似度的思想,实现异类模板差异最大化。该方法能够充分挖掘各类扰动信号之间的特征差异,通过简单的相似度比较对扰动进行分类,无需添加辅助分类器。仿真和实测数据的分析表明,该方法分类过程简单,可信度高,抗干扰能力强。     

电能质量分析与参数估计的研究方法综述

当前,整个社会对高质量电能的追求与电能质量问题日趋严峻的矛盾越来越突出,准确全面地进行电能质量分析,进而采取合理措施实现电能质量的改善和治理已十分必要.综述电能质量信号的特征提取、消噪、扰动的参数估计和扰动分类等四个电能质量分析领域的研究现状,总结了各种分析方法的优缺点和适用范围.所得结论对于进一步开展电能质量分析的研究具有参考价值.     

滑动去趋势波动分析在电能质量暂态扰动检测中的应用

针对电能质量暂态扰动信号的不规则性和突变性特点,提出了一种基于滑动去趋势波动分析的电能质量扰动检测新方法。扰动的发生使原信号的相关性特征发生变化,而去趋势波动分析的波动参数对这种变化反应敏感。通过滑动窗构建波动参数曲线,不仅能够对扰动时刻进行准确定位,而且可以确定电压暂升、暂降等典型暂态扰动的电压波动幅值。试验结果证明了该方法的有效性,与基于小波变换的检测方法相比,所述方法在抵御噪声干扰方面更具优越性。     

基于S变换和时域分析的电能质量扰动识别

提出了一种基于S变换(S-Transform,ST)和时域分析的电能质量扰动自动识别方法,该方法利用信号的S变换幅值矩阵和时域信息快速提取与各类电能质量扰动相应的特征,并借助简单的规则树识别特定的扰动,避免了因训练样本不足引起的较大误差,提高了识别效率。仿真试验结果表明,该方法识别率高,抗噪能力强,适用于电能质量扰动监测和辨识系统。     

基于GA和ELM的电能质量扰动识别特征选择方法

电力系统中海量暂态扰动的分析与治理需要以高效准确的扰动分类为基础。现有扰动识别方法缺少合理的特征选择环节,分类器过于复杂,不能满足高效分类的需要。提出一种新的电能质量扰动特征选择方法。首先,对原始信号使用S变换进行预处理,提取具有代表性的25种扰动信号特征构建原始特征集合;然后,根据极限学习机识别准确率构造用于扰动特征选择的遗传算法适应度函数;最后,用遗传算法来进行迭代运算,确定最优特征集合。实验证明,新方法能够有效去除冗余特征,在保证分类准确率前提下,有效降低分类器复杂度,提高分类效率。