基于稀疏分解和复合熵编码的电能质量扰动数据高效压缩算法

对于电能质量扰动信号压缩问题,压缩比和重构误差是一对互相矛盾的指标。传统的压缩算法难以同时满足高压缩比和低重构误差的要求。为了同时提高压缩比和减小重构误差,该文提出了一种基于稀疏分解、哈夫曼编码和行程编码的混合压缩算法。首先,使用基于联合字典的稀疏分解算法,将电能质量扰动信号中的暂态分量和稳态分量进行分离;其次,对暂态分量使用小波分析、哈夫曼编码、行程编码算法进行编码压缩,对稳态分量,即基波和谐波分量,则保留其大于设定阈值的部分,进而完成对信号的压缩;最后,仿真信号和实测信号的实验结果表明该算法较对比算法具有更高的压缩比和更低的重构误差,同时证明了其对采样频率和高斯白噪声具有较强的抗干扰能力。     

基于多路信号联合去噪的Prony谐波检测法

针对传统Prony算法易受噪声干扰且同一区域内多路电能质量信号存在相关性的特点,文中提出了一种基于多路信号联合去噪的Prony谐波检测算法,实现在较强噪声条件下的谐波准确检测。首先,采用中心频率法和轨迹相似度法改进多元变分模态分解（MVMD）算法;其次,利用改进的MVMD算法联合分解相关联的多路信号,提取出主导模态分量并重组为适宜Prony分析的稳定信号;最后,对稳定信号进行Prony分析得到初步的谐波参数,通过阈值筛选和人工鱼群全局寻优,得到准确的谐波检测参数。仿真实验表明,改进的MVMD去噪算法的输出信噪比为37.3,高于VMD去噪法（33.2）和小波去噪法（32.8）,去噪效果更优;文中算法谐波检测结果的误差总体小于传统Prony算法,具有谐波检测准确度高、同时计算多路信号的特点。     

基于知识蒸馏与RP-MobileNetV3的电能质量复合扰动识别

针对复合电能质量扰动(power quality disturbance, PQD)识别中特征提取复杂、识别正确率低和模型难以轻量化等问题,提出一种利用递归图(recurrence plot, RP)对PQD信号可视化方法和基于知识蒸馏的模型训练方法。首先,基于RP挖掘PQD信号隐含特征并构建图像数据集,并利用深度残差收缩网络(deep residual shrinkage network, DRSN)对图像数据集进行更深层次特征提取并完成自主分类。然后,基于知识蒸馏(knowledge distillation, KD)让已训练的DRSN指导轻量化网络MobileNetV3进行训练,通过蒸馏实现知识的跨网络传输。最后,仿真实验和硬件实验表明,利用知识蒸馏训练的MobileNetV3能实现高精度且轻量化的复合扰动识别,同时在30 dB噪声环境下正确率能提升1.06%,对实际扰动信号识别效果良好,具有良好的噪声鲁棒性。     

基于双通道GAF和深度残差网络的电能质量复合扰动识别

针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题，提出了一种利用格拉姆角场(Gramain angular fields,GAF)和深度残差网络(residual network,ResNet)进行复合扰动识别的方法。首先对一维时间序列PQDs信号进行标准化与极坐标编码，然后采用双通道GAF方法保留信号时序特征并映射成为二维图像，形成信息充足、特征明显的双通道图像训练集，在此基础上利用ResNet进行深层次的特征提取，构造适用于复合PQDs分类的网络框架。仿真实验表明该方法特征提取能力强，且抗噪性能好，并且对复合扰动识别率高。