基于改进不完全S变换与决策树的实时电能质量扰动分类

提出了基于一种改进不完全S变换(Improved Incomplete S-transform)与决策树的实时电能质量分类方法,其主要关注分类准确性与运算时间。根据主要频点所在频段,采用独立的高斯窗来处理不同的信号成分以减小海森堡测不准(Heisenberg's uncertainty)带来的时频分辨率限制,增强了对扰动的抗噪能力同时减小了响应时间。然后通过动态测度对改进不完全S变换结果进行特征提取。通过5个区分度强的特征量,采用优化决策树对电能质量扰动进行分类。通过一个基于DSP-FPGA的硬件平台来验证该方法。仿真与实验证明了该方法具有良好的应用前景。

一种改进不完全S变换的电压暂降检测方法

为实现对电压暂降的准确快速检测,提出了一种改进不完全S变换(MIST)的电压暂降检测方法。该方法对从电网中采集到的电压信号进行快速傅里叶变换,获得信号的主要频率点;对各主频点进行改进的S变换,获得信号主频特征分量;利用这些特征分量信息实现对电压暂降扰动特征量的检测。首先描述了改进不完全S变换的原理及其参数选择的原则,然后详细叙述了电压暂降特征量的提取方法,最后对实际信号进行了仿真。仿真结果表明,该方法可有效地提取电压暂降的幅值、持续时间、相位跳变等特征信息,并且准确率高,运算量小,同时具有一定的抗干扰能力。

采用改进不完全S变换估计电能质量扰动参数

为克服S变换计算量大和不能准确估计某些电能质量扰动参数的缺陷,结合改进S变换和不完全S变换提出了一种估计电能质量扰动参数的新方法。首先给出了改进不完全S变换的计算过程,接着讨论了不同类型扰动信号求改进不完全S变换所需的最佳窗宽系数;然后介绍了参数估计的特征量提取,它是针对不同扰动频率点自适应地采用最佳窗宽系数求改进不完全S变换得到的模向量;最后说明了由这些特征量进行电能质量扰动参数估计的方法。仿真结果验证了所提方法具有算法简单、运算量小、估计精度高等特点。

基于改进不完全S变换的电压暂降源分类方法

为了快速准确地判别引起电压暂降的扰动源类型,提出一种基于改进不完全S变换的电压暂降源分类方法。该方法对电压暂降信号进行FFT提取信号的主要频率点f;然后对主要频率点f进行改进S变换得模时频矩阵,再对模时频矩阵进行尺度缩放,构造各类暂降源的标准模板;对待测电压暂降信号进行同样改进S变换和尺度缩放,计算其与标准模板的平均相似度,按照相似度最大原理实现电压暂降源的分类。MATLAB仿真计算结果表明,该方法可以快速准确地识别引起电压暂降的扰动源,无需添加分类器、计算量小、抗干扰能力强。

基于IIST与SVM的串联故障电弧诊断方法研究

针对S变换的时频分辨能力不足导致串联故障电弧特征难以准确提取的弊端,以中心频率测度为标准筛选低频和高频段的主要频率点,分别引入低频和高频段对应的高斯窗口系数,形成一种改进的不完全S变换(im-provement incomplete S-transform,IIST)时频分析方法。首先,依据标准搭建串联电弧故障试验采集平台,采集不同负载情况下的电流信号;其次,采用IIST对信号进行时频分析并提取低频和高频段的对应特征量,形成特征向量样本集;最后,在此基础上构建故障电弧诊断模型,对样本集进行分类识别。结果表明,该特征提取方法在支持向量机(support vector machine,SVM)中识别准确率达到98.29%,能有效地提取电流故障特征,通过增设对照实验,探究不同特征提取方法、不同核函数的SVM对诊断结果的影响,进一步验证了IIST与SVM故障诊断方法是有效的。

一种基于时频域多特征量的电能质量混合扰动分类新方法

针对电能质量混合扰动分类问题,提出一种基于时频域多特征量的分类新方法。首先利用聚类经验模型分解方法和改进不完全S变换对扰动信号进行处理,并提取9个时频域特征值;然后,将特征量输入到分块化的自动分类系统中进行扰动识别。该方法充分考虑单一扰动之间的相互干扰,并通过互补的时频域特征量进行有效的抑制。仿真结果表明,在一定的噪声条件下,所提方法可有效分类电压暂降、电压暂升、电压短时中断、脉冲暂态、振荡暂态、谐波和闪变等电能质量扰动及其组合而成的混合扰动。