基于局部离群因子的PMU连续坏数据检测方法

同步相量测量单元(PMU)能为电力系统监测和控制提供实时数据。然而,PMU连续坏数据与扰动数据高度相似,可能会导致控制中心做出错误的决策。针对PMU连续坏数据难以与扰动数据区分的问题,提出了一种基于局部离群因子(LOF)的连续坏数据检测算法。通过大量现场数据分析得出连续坏数据空间相似性差、扰动数据空间相似性强的结论,依据此结论提出了基于动态时间规整(DTW)的空间相似性评估方法。通过评估不同PMU的空间相似性来计算每台PMU的LOF值,进一步,提出了基于箱线图的阈值确定方法。通过比较当前窗口每台PMU的LOF值是否超过阈值,在线识别连续坏数据。仿真和测试结果表明,所提方法能有效实现连续坏数据的辨识和检测,并区分扰动数据。

一种模型与数据混合驱动的机器人柔性关节振动分离方法

工业机器人关节具有柔性,会产生较大的工作振动。针对机器人关节发生故障时,如何从测量得到的混合振动信号中分离出故障分量的问题,提出一种模型与数据混合驱动的关节振动分离方法。首先,建立多物理量信号和系统动力学相结合的执行器动力学响应模型,并以该响应信号作为振动分离时的参考。其次,考虑噪声影响构造了幅值谱百分位序列,利用变点分析确定最优噪声阈值,并设计带通滤波器分离噪声。针对测量和滤波带来的参考振动和混合振动间相位误差问题,提出可调节因子动态时间规整相位校正方法。最后,由去噪和相位校正后的混合振动减去参考振动实现故障分量分离。在机器人关节试验台上的试验结果表明,所提方法能从关节振动中有效地分离出故障分量。

一种数据库查询的多标签电能质量混合扰动识别与分类新方法

该文针对电能质量混合扰动的复杂性及当前分类识别的准确率不够高等问题,提出一种数据库查询的多标签电能质量混合扰动分类与识别方法,该方法能够更加科学准确地识别混合扰动,可为电能质量治理、扰动事件责任追究等提供有力决策辅助。首先,该方法基于可调Q因子小波变换(tunable Q-factor wavelet transform,TQWT)和时变均方根(rootmeansquare,RMS)的特征提取方法有效提取扰动信号基频时域特征量,较好地克服了当前基频幅值特征提取准确率不够高的难点问题;其次,提出频域特征曲线分割新方法,高效地提取扰动信号的高频特征曲线;然后,建立基频幅值特征数据库和高频特征曲线数据库;最后,利用快速动态时间规整(dynamictimewarping,DTW)结合多标签的分类思想进行混合电能质量扰动的多标签分类。仿真实验结果表明,新方法具有如下优势:几乎不受限值范围内基频偏移的影响,抗噪性较强,对单一扰动及包含双重、三重、四重扰动在内的27种扰动具有较高的分类准确率。电网实测扰动数据的分析,进一步验证了该方法的扰动识别有效性。