基于柔性形态滤波和信息熵的电能质量扰动定位分析

针对电力系统中电能质量扰动信号常因周期性变化和采样过程而存在各种噪声的情况,提出一种基于柔性形态滤波和信息熵的扰动定位方法。柔性形态滤波器是在标准数学形态学滤波器基础上发展起来的,具有更强的抗噪声性能和鲁棒性。信息熵可以用来表征信号的无序性测量指标,已经被广泛应用于检测信号的突变情况。首先,将电能质量扰动信号进行柔性形态滤波处理,再将去噪声后的信号进行形态梯度变换,放大扰动信号的突变特征,最后求取信号的信息熵,根据信号突变出信息熵的不同得到扰动信号的准确定位结果。仿真结果表明,该方法对多种暂态扰动信号能准确定位,抗噪声干扰强,具有很高的可行性和有效性。     

基于柔性形态滤波与信息熵的电能质量暂态扰动定位分析

针对电力系统中电能质量扰动信号常因周期性变化和采样过程而存在各种噪声的情况,提出一种基于柔性形态滤波和信息熵的扰动定位方法。柔性形态滤波器是在标准数学形态学滤波器基础上发展起来的,具有更强的抗噪声性能和鲁棒性。信息熵可以用来表征信号的无序性测量指标,已经被广泛应用于检测信号的突变情况。首先,将电能质量扰动信号进行柔性形态滤波处理,再将去噪声后的信号进行形态梯度变换,放大扰动信号的突变特征,最后求取信号的信息熵,根据信号突变处信息熵的不同得到扰动信号的准确定位结果。仿真结果表明,该方法对多种暂态扰动信号能准确定位,抗噪声干扰强,具有很高的可行性和有效性。     

基于S变换和模糊KNN的暂态电能质量扰动分类

该文提出了基于S变换和KNN的暂态电能质量扰动分类的识别方法。首先应用S变换对暂态扰动信号进行时频分析,从信号的S变换得到相应S变换模时频矩阵,并对时频矩阵进行分析,从中提取出8个有效特征量,再由特征量组成的特征向量输入模糊KNN算法分类器中,完成对扰动信号的智能分类。该文用Matlab7.0软件产生了6种常见暂态电能质量扰动信号类型,并进行了相应的分类。仿真结果表明,该方法结构简单,所需特征量少,并能准确的对扰动类型进行辨识。     

基于动态窗模极大值的暂态扰动自动检测

针对传统模极大检测算法暂态电能质量扰动持续时间短、 随机性以及过零点难以检测等问题, 提出基于动态窗的改进小波模极大值暂态信号扰动检测方法。 对过零点时刻的扰动, 在动态窗检测的基础上, 通过系数变换, 改善过零点时刻检测不明显的问题。 运用 Matlab 软件进行的计算机仿真结果表明, 该方法能准确地对暂态电能质量扰动进行检测与定位, 精度较高且易于实现。     

基于提升小波和Hilbert变换的暂态电能质量检测

针对暂态电能质量检测中信号扰动的准确定位和快速类型识别的需求,提出了一种提升小波和Hilbert变换融合的暂态电能质量检测方法.该方法首先利用提升小波在检测信号扰动方面的优越性,通过一层提升小波变换得到信号的近似成分A₁与细节成分D₁,然后运用Hilbert变换计算出两种成分的瞬时幅值,根据幅值特性实现对信号扰动时刻的准确定位和对扰动类型的快速识别.仿真与实验表明,所提出的检测方法对扰动时刻定位准确率达到95.7%,对扰动类型识别准确率达到91.8%,与目前使用分类器的方法相比,所提方法具有无需训练、适应性强、实时性好等特点.      

基于S变换与傅里叶变换的电能质量多扰动分类识别

提出了一种基于S变换、加窗插值快速傅里叶变换(FFT)和概率神经网络(PNN)的电能质量扰动检测和分类方法.应用S变换和加窗插值FFT对电能质量多扰动信号进行时频分析,获取信号的特征量.通过训练信号集上获得的特征量,训练了一个概率神经网络用于扰动分类.训练好的网络在测试信号集上的测试结果表明,对正常电压和常见的电能质量扰动,该方法具有较高的分类准确率,在训练样本数较少、噪声影响大和多扰动信号并存时仍能取得较好的分类效果.     

基于相似度的电力电子电路故障诊断技术

采用一种基于S变换相似度的电力电子电路故障诊断方法,首先建立各种故障类型信号的S变换模时频矩阵,然后计算故障信号S变换模时频矩阵与已建立的标准模时频矩阵的相似度,以相似度最大为判别依据,实现故障的诊断.三相桥式可控整流电路晶闸管故障诊断仿真结果表明:该方法能准确对电力电子电路故障进行类型的识别和故障元的定位,对噪声具有鲁棒性,且算法简单.     

基于改进小波阈值函数和变分模态分解的 电能质量扰动检测

针对强噪声环境下扰动特征提取困难的问题,提出一种基于改进小波阈值函数和变分模态分解的电能质量扰动检测算法.采用改进小波阈值函数滤除电能质量扰动信号的噪声,通过傅里叶变换确定预设尺度,再基于变分模态分解准确地求出电能质量扰动信号的各个本征模态函数,结合Hilbert变换和奇异值分解分别求解每个本征模态函数的振幅、频率、起止时间等特征量,并据此搭建PXI和LabVIEW结合的电能质量扰动检测平台.分别采用单一扰动、复合扰动和电网实际扰动数据验证本文算法的准确性与有效性,相比现有经验模态分解和集合经验模态分解,本文提出算法不仅具有抗模态混叠和虚假分量的能力,且在强噪声环境下仍具有较高的准确性和鲁棒性.     

一种基于多特征量的复合电能质量扰动自动识别方法

针对电能质量复合扰动识别困难的问题,提出了一种电能质量扰动信号识别新方法.该方法利用信号的S变换幅值矩阵和动态测度提取的频率特征然后结合聚类经验模态分解方法对扰动信号进行表征,并设计了一种简单的决策树进行快速的识别.避免了因训练样本不足引起的较大误差,在较大程度上缩短了识别时间.仿真试验结果表明,该方法识别率高,抗噪能力强,可同时适用于单一和复合电能质量扰动信号的识别,可准确识别16种复合扰动在内的24种电能质量扰动信号.     

基于改进Hilbert-Huang变换的暂态电能质量扰动定位方法

针对经验模态分解过程中容易过度筛选的问题,该文改进了筛选停止准则,对Hilbert-Huang变换进行了改进,并将改进Hilbert-Huang变换方法应用于暂态电能质量扰动信号的检测及时频分析中。该方法在对暂态电能质量扰动信号进行经验模态分解得到固有模态函数后,再进行希尔伯特变换,可以定量、准确地刻画扰动信号的时间、频率和幅值信息。实验结果表明:该方法可以实时准确检测扰动的起止时刻、持续时间和扰动幅度,适用于暂态电能质量扰动的监测系统。     

一种特征提取新方法在PQD识别中的应用

从时域和频域出发,提出一种Hilbert变换和Fourier变换相结合的方法,快速识别电能质量扰动.该方法先利用Hilbert变换提取扰动信号的包络,根据包络线提取扰动特征,将5种扰动从常见的8类扰动中分离,对未识别3类扰动的包络线进行FFT变换,再从频域中提取特征对其分类.借助Matlab随机生成800个样本,此方法在无噪声和30 dB高斯白噪声条件下平均分类准确率分别达到了99.7%和99.1%.算法在特征提取耗费时间上是采用DB4小波的特征提取方法的25.7%.     

电能质量扰动的广义S变换分析和决策树算法分类

针对电能质量扰动的检测和分类问题,提出了一种新的基于广义S变换和决策树的电能质量扰动分类方法.首先提出基于FFT的自适应调整调节因子取值的方法,再利用广义S变换对常见的几种电能质量扰动信号进行时频分析,并提取特征形成判决规则,最后生成用于对电能质量扰动进行分类的决策树分类算法.仿真实验结果表明,该算法能够实现电能质量扰动的自动分类,且分类正确率很高.     

电压凹陷的改进S变换检测方法

提出了一种利用改进S变换模时频矩阵检测电压凹陷特征量的方法.为达到最优分析性能,在保证基频幅值向量平直性的基础上,使其过渡时间最小,以此确定改进S变换的窗宽系数,从而能够准确检测出持续时间小于2个周期的短时电压凹陷幅值.提出利用基频幅值差分向量检测电压凹陷的起止时刻,以克服现有S变换方法对噪声敏感和定位效果受突变幅度影响的缺陷.通过与S变换方法的比较,证明了本文方法明显提高了电压凹陷幅值检测能力和起止时刻定位能力.     

基于改进S变换的电压暂降检测方法

电压暂降是一种重要的电能质量扰动问题,其主要参数包括暂降的起止时刻及暂降幅值.本文用改进S变换对电压暂降信号进行分析,用基频幅值-时间差分曲线定位暂降的起止时刻,通过调节改进S变换高斯窗函数的两个因子使定位更加准确,并给出了调节准则和参数优化范围.通过找到基频幅值曲线的最小值点,对该点前后各半个基波周期的数据进行快速傅里叶变换求得暂降幅值.仿真表明:本文的方法使定位及幅值计算都更加准确.     

利用快速S变换的电能质量扰动识别方法

针对当前基于S变换的电能质量方法计算开销大、不能实时识别电能质量扰动的问题,提出利用快速S变换与最小二乘支持向量机相结合的识别电能质量干扰新方法.该方法从快速S变换得到的一维向量中提取各频率段模系数的标准偏差、最大模系数及额定频率对应的模系数作为特征向量,利用最小二乘支持向量机对电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波等几种电能质量干扰进行分类和识别.研究结果表明:与传统的基于S变换的电能质量方法相比,该方法在2个方面节省了时间,一是减少了提取特征量所用的时间,二是由于特征向量数据较少,采用支持向量机样本训练时间减少;特剐是当电压扰动信号持续时间越长时节省效率越高,在同样准确性下,对于长度为1 024点的扰动信号,节省了约99％的时间;除此之外,该方法对信号分类的正确率可达98％,同时还具有较高的抗干扰能力.     

基于S变换和弹性神经网络的电能质量扰动分类

提出了基于S变换和弹性BP神经网络结构(RPROP)的电能质量扰动自动分类方法。通过S变换对电能质量扰动信号进行时频分析,有效实现对各种扰动信号时频特征量的输出,并确定特征量的最优组合来增加弹性BP神经网络分类的精度。同时研究了在不同噪声条件下弹性BP神经网络分类的敏感度。测试结果显示,该方法能有效地对电能质量扰动信号进行分类。     

一种电能质量扰动检测的综合方法

为了快速、准确地检测、识别电能质量扰动,文中提出了一种电能质量扰动检测的综合方法:首先用小波变换对原始信号做消噪处理,然后在时域检测扰动的开始和结束时间,根据扰动信号的周期和峰值,识别扰动信号的类型,最后在发生扰动的时间段内采用快速傅立叶算法等方法计算扰动信号的相关指标参数.仿真结果表明,这种方法快速、准确,为应用化技术提供了一种有效的方法.     

基于矩阵算法的分布式电能质量监测系统扰动源定位

分布式电能质量监测系统中,为实现电能质量扰动源的准确定位,提出电能质量扰动源定位的矩阵算法。首先,建立电能质量监测点与线路关联关系的监测关联矩阵;当检测到扰动事件发生时,由各个监测点的扰动方向判别结果建立扰动方向矩阵;最后将监测关联矩阵与扰动方向矩阵对应元素相乘获得扰动判断矩阵,从而准确判断扰动源的位置。该算法原理简单、定位准确,适用于对各种类型电能质量扰动源进行定位。     

电压暂降的改进S变换分析与分类

提出了一种采用改进S变换(MST)检测和识别电压暂降的方法.推导了白噪声在S变换和MST下的平均功率谱,证明了改进S变换对噪声具有抑制作用.分析了改进S变换中可变参数的选择思想,给出了MST提取暂降幅值、暂降时刻和相位的方法.利用MST变换分析短路故障、感应电机启动和变压器空载激磁3种扰动源引起的电压暂降信号,并提取6...     

基于小波变换的电力信号奇异性检测

电力信号奇异性是分析事故时间和原因的重要依据,小波变换能在时域和频域上同时对信号实现局部化处理,能准确的定位信号的奇异点,因而在信号的奇异性检测方面有广泛的应用价值.本文介绍了小波变换对电能质量信号检测的基本原理和方法,并通过MALAB仿真实验验证.