基于EMD和TEO的电力系统短期扰动检测新方法

借鉴经验模态分解EMD(Emp iricalMode Decomposition)的思想提出一种电力系统短期扰动检测定位的新方法,该方法通过一个对称三角模态来保留信号的扰动信息进而定位扰动。同时,在扰动准确定位的基础上,提出对原信号进行分段EMD,并采用Teager能量算子求取幅值包络来识别扰动类型的分析方法。该方法能够克服EMD过程产生的模态混叠导致检测失效的问题,与H ilbert-Huang变换方法和小波检测方法相比,所提方法能够更加简单快速地实现对扰动的检测。仿真结果表明了该方法的有效性。     

电力系统电压短期扰动的三角模态检测方法

针对HHT(Hilbert-Huang Transform)方法中经验模态分解(EMD)产生的模态混叠可能导致扰动信号检测失效的问题,提出一种检测定位扰动的新方法-对称三角模态法.该方法通过对原信号叠加一个对称三角模态来提取信号的扰动信息进而定位扰动,同时结合分段HHT方法进行扰动类型的识别.与原HHT方法和小波检测方法相比,该方法能够更加简单快速地实现扰动的准确定位.仿真结果表明了该方法的有效性.     

基于小波变换模极大值原理和能量分布曲线的电力系统短期扰动分析

用小波变换模极大值原理进行电压上凸、电压下凹、短时停电等电力系统短期扰动定位和确定扰动持续时间，用小波变换能量分布曲线来识别电压上凸、电压下凹、短时停电。仿真结果表明，该方法对识别电压上凹、电压下凹、短时停电三种短期扰动有较好的效果。     

基于EEMD和Teager能量算子的电能质量扰动检测

针对电能质量扰动检测的问题,结合经验模态分解（EMD）理论和总体平均经验模态分解（EEMD）算法以及Teager能量算子（TEO）,提出基于EEMD和Teager能量算子的电能质量扰动检测方法。利用经验模态分解方法,将电力系统监测信号分解成不同特征时间尺度的单分量固有模态函数（IMF）,用Teager能量算子计算各固有模态函数的瞬时幅值和频率,得到扰动信号的幅值谱。该方法充分利用了EEMD的自适应性与Teager算子的快速响应能力,仿真试验结果验证了该方法的有效性。     

一种识别混合电能质量扰动的新方法

针对混合电能质量扰动的问题,提出了一种新的识别系统.首先,对滤波后的信号进行小波变换,将其分解到不同的频率空间;再利用Teager能量算子对低频空间的信号分量进行分析,判断信号是否发生了频率波动、电压暂降、电压暂升或电压中断等扰动;接着采用Prony算法分析去除低频分量后的其他分量,判断信号是否包含有谐波、间谐波或振荡...     

基于小波包能量谱的电能质量短期扰动检测和分类方法

针对电能质量扰动问题,通过介绍几种基于变换理论的电能质量扰动检测和分类方法,对比分析各种方法之利弊,提出了基于小波包能量谱的电能质量短期扰动检测与分类新方法。仿真结果表明,该方法取得了明显优于其他检测和分类方法的效果。     

基于Teager能量算子的电能质量扰动实时检测方法

建立一个有效的电能质量监控系统的关键,首先在于实现对扰动的快速、准确检测.通过引入Teager能量算子(TEO),提出基于TEO的实时检测方法.由于Teager能量算子只需要对被测波形相邻的三个采样点进行两次乘法和一次加法运算,使得所提算法快速、简洁,具有优良的时间分辨率,能实时跟踪被测信号波形变化.仿真和实验结果表明,所提算法能够准确、迅速地检测和定位电能质量扰动的发生,具有优良的检测效果.     

基于广义S变换和TEO的配电网故障定位方法

针对由于配电网线路短、分支多而造成的单相接地故障行波波头难以识别的问题,提出一种结合广义S变换和Teager能量算子(TEO)来检测故障行波波头的双端行波故障定位方法。该方法以时频分析方法的时间分辨率为出发点,先通过广义S变换提高时频分析算法的时间分辨率,再利用TEO进行能量特征提取,从而达到对行波波头的准确检测,进而实现精确故障定位。大量仿真结果表明,该方法能够精确检测行波波头,测距精度高、抗噪性能强、故障定位可靠。     

基于VMD和TEO的高压输电线路雷击故障测距研究

针对传统行波检测中小波模极大值法对于基函数和分解尺度的高要求以及希尔伯特黄变换(HHT)方法中经验模态分解(EMD)存在的模态混叠现象,提出一种基于变分模态分解和Teager能量算子相结合的高压输电线路雷击故障行波检测方法。针对行波波速及线路实际长度的不确定性给测距结果带来的影响,结合故障行波在线路中的传播途径,推导出一种新的双端行波测距算法,该算法的测距结果不受行波波速的影响。将该方法应用到雷击点和故障点定位,解决了雷击点和故障点不一致时的故障定位问题。EMTDC仿真结果验证了该方法的正确性及有效性。     

基于EMD和Teager能量算子的电缆局部放电辨识

针对矿区电缆的局部放电辨识问题,根据其传播特性,提出利用经验模式分解与Teager能量算子对电缆两端测量点处局部放电信号的初始波头进行辨识,提升波头辨识方法的抗噪声干扰能力。采用RBF神经网络对训练样本进行训练,结合局部放电信号到达电缆两端测量点的时间差,实现电缆局部放电的精确辨识。利用PSCAD/EMTDC搭建电缆的仿真电路,并结合MATLAB进行了大量的仿真试验与计算分析。仿真计算结果表明该方法辨识精度高、相对误差小。     

基于CEEMDAN与Teager能量算子的谐波检测方法

针对现有的电力系统谐波信号检测方法精度不高的问题,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)和Teager能量算子的谐波检测新方法。首先利用CEEMDAN对谐波信号进行分解,获得不同局部特征时间尺度的固有模态函数(IMF)分量。其次,通过改进的EEMD去噪方法和相关性判据方法分别去除噪声分量和虚假分量得到真实的谐波分量。最后利用Teager能量算子计算出谐波分量的瞬时幅值和瞬时频率,可以准确地获得谐波信号的能量谱信息。该方法充分利用了CEEMDAN的局部自适应性与Teager能量算子的快速响应特点,通过EMD、EEMD和CEEMDAN分别与Teager能量算子相结合的方法进行谐波检测。对比检测结果不仅表明了该方法具有较高的检测精度,而且验证了所提方法的可行性和有效性。     

基于经验模态分解与动态神经网络的短期负荷预测

提出了采用经验模态分解(EMD)、动态神经网络与BP型神经网络相结合的混合模型进行电力系统短期负荷预测的方法。首先运用EMD将非平稳的负荷序列分解,然后根据分解后各分量的特点构造不同的动态神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。     

基于自适应CEEMD方法的电能质量扰动检测与分析

针对现有时频分析方法处理非线性、非稳态信号自适应性的不足,提出了一种自适应互补集总经验模态分解(ACEEMD)方法。该方法通过对加噪辅助分解方法噪声准则的研究,引入相关均方根误差与信噪比两个参数作为加噪评价指标,自适应确定最优加噪幅值和集总分解次数。且加入的噪声以正负成对的形式加到目标信号中,克服了原始分解方法存在的模态混叠问题、端点效应以及残余噪声大的缺点。最后将改进的方法与Hilbert变换相结合运用在电能质量扰动检测中,通过仿真实验验证所提方法既可以有效提取扰动的频率、幅值等特征参数,也可以准确定位扰动的时间,为电能质量检测与分析提供了一种新思路。     

基于变分模态分解与Teager能量算子的谐波/间谐波检测方法

为了提高电力谐波信号中谐波/间谐波的检测精度,提出一种基于变分模态分解(VMD)与Teager能量算子相结合的检测新方法。利用相关系数法来确定VMD算法中的模态分解个数K;采用VMD对谐波/间谐波信号进行分解,得到一系列IMF分量;利用Teager能量算子对IMF分量进行解调分析,能够得到分量的瞬时幅值和频率,同时根据时频图中瞬时频率突变点,可准确定位暂态谐波/间谐波的起止时刻。在信噪比较低的情况下,将集合经验模态分解(EEMD)、VMD分别与Teager能量算子相结合进行谐波/间谐波检测的对比。仿真实验对比表明文中所提方法能将稳态、暂态谐波信号进行有效的分离,同时具有较高的检测精度和较好的噪声鲁棒性。     

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。     

基于多元经验模式分解的电力系统低频振荡模式辨识

提出了一种辨识电力系统主导低频振荡模式的新方法。该方法结合了多元经验模式分解(Multivariate Empirical Mode Decomposition, MEMD)、Teager能量算子及预测误差法(Prediction Error Method,PEM),通过多元经验模式分解将含电力系统低频振荡特征信息的信号进行分解,得到多个本征模函数(Intrinsic Mode Function, IMF)分量;借助Teager能量算子的快速响应能力,筛选出含有主导振荡模式的主要IMF分量;最后采用预测误差法辨识出各主导振荡模式的振荡频率和阻尼。分别利用IEEE68节点测试系统和辽宁电网实测PMU数据对所提方法进行分析、验证。结果表明,该方法可有效从电力系统的广域量测信息中辨识出电力系统的主导振荡模式。     

基于HHT的电力系统暂态复合扰动信号的提取分析与研究

针对电力系统非线性和非平稳性暂态复合扰动信号的提取要求,采用经验模态分解(EMD)从信号的时间尺度特征出发对信号进行分解,实现了信号自适应的频带划分,在此基础上进行Hilbert变换,分离出了各扰动信号的时间、频率和幅值特征,仿真结果表明该方法对电力系统非平稳的扰动信号具有较好的分析效果.     

基于经验模态分解的牵张反射起始点检测研究

针对痉挛状态患者表面肌电信号易出现虚假的肌电峰值,引起牵张反射起始点前后的信号差异变小,提出经验模态分解去噪与改进样本熵识别的牵张反射起始点检测方法。首先用经验模态分解对肌电信号进行分解;然后以受试者静息状态下的表面肌电信号为参考,设定软阈值对分解的信号进行去噪;最后用改进样本熵识别牵张反射起始点。实验结果表明,经验模态分解算法可以有效地去除肌电信号噪声,而且在改进样本熵的最优参数下牵张反射起始点平均识别率为94%。     

基于经验模式分解与人工神经网络的短期电力负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列的电力负荷,提高预测精度,提出了一种基于经验模式分解(EMD)和人工神经网络(ANN)的电力短期负荷预测方法.该法利用EMD的自适应性,自动地将目标负荷序列分解为若干个独立的内在模式分量(IMF),对各分量分别进行分析,可准确把握负荷变化特性和环境因素影响.对这些分量采用相匹配ANN模型进行预测,综合得到负荷序列的最终预测结果.仿真试验表明,与传统BP神经网络预测方法相比该方法具有较高的精度和较强的适应能力.