基于SVD-ILMD的暂态电能质量扰动定位检测方法

为实现对电网非平稳扰动信号的快速、准确分析,提出了融合SVD(奇异值分解)与ILMD(优化局部均值分解)的暂态电能质量扰动定位检测方法。首先,通过ILMD与模糊隶属度函数阈值处理噪声信息,削弱噪声干扰;然后,构造差值信号并利用滑窗SVD增强扰动特征,进一步抑制噪声干扰;最后,基于特征增强信号提出一种自适应阈值截断的暂态电能质量扰动定位检测方法。经仿真分析与算法对比,验证了所提方法定位准确、抗噪性强、计算量小,对过零与微弱扰动也有较好的定位效果。

基于改进CEEMDAN在电能质量复合扰动去噪中的应用

为提高噪声环境下电能质量复合扰动识别精度,提出一种基于改进自适应噪声完备经验模态分解(CEEMDAN)去噪算法。首先通过CEEMDAN方法将含噪信号分解为若干本征模态函数(IMF);然后将改进兰氏距离与多重分形去趋势波动分析(MFDFA)结合,把若干IMF分量分为信号IMF分量、噪声和信号混叠IMF分量、噪声IMF分量。对于混叠IMF分量、噪声IMF分量分别采用改进奇异谱分析(SSA)、小波阈值(WT)去噪;最后,将经去噪处理的IMF分量与信号IMF分量进行重构。实验表明:与对比算法相比,含噪扰动经新算法去噪后,信噪比显著提高,去噪效果良好。

基于SCG优化SSAE-FFNN的电能质量复合扰动深度特征提取与分类

随着智能电网的发展,电能质量问题已遍布电网并威胁着电网的安全稳定,且电能质量监测数据日渐庞大,因此实现大规模系统中电能质量扰动(power quality disturbances,PQDs)的深度特征提取及智能分类识别对电力系统污染检测与管理具有重要意义。为此,文中提出一种基于堆叠稀疏自编码器(stacked sparse auto encoder,SSAE)和前馈神经网络(feedforward neural network,FFNN)的电能质量复合扰动分类方法。首先,基于IEEE标准构建PQDs仿真模型。然后,建立基于SSAE-FFNN的PQDs分类模型,并引入缩放共轭梯度(scaled conjugate gradient,SCG)算法对模型进行优化,以提高梯度下降速度和网络训练效率。接着,为有效降低堆叠网络的重构损失同时提取出深度的低维特征,构建SSAE的逐层训练集及微调策略。最后,通过算例分析验证文中方法的分类效果、鲁棒性、泛化性和适用场景规模。结果表明,文中方法能够有效识别电能质量复合扰动,对含误差扰动和某地市电网的21组实测扰动录波数据也有较高的分类准确率。

基于IGWO-KELM的复合电能质量扰动识别

为了提高复合电能质量扰动(power quality disturbance,PQD)识别结果的正确率,提出了一种基于改进灰狼优化(improved grey wolf optimization,IGWO)算法核极限学习机(kernel extreme leavning madine,KELM)的复合PQD识别方法。利用S变换获得复合PQD信号的特征量,以此作为复合PQD识别模型的输入量。采用精英反向学习、自适应收敛系数和柯西变异这3种策略对灰狼优化算法进行改进,得到全局搜索性能更好的IGWO算法。采用IGWO算法对KELM的核系数和惩罚参数进行优化,建立了基于IGWO-KELM的复合PQD识别模型。仿真分析结果表明,该模型识别的准确率高达98.10%,识别效果明显优于其他方法。

短时电压振荡下矿区供电变电所电能质量小波暂态扰动检测方法

短时电压振荡下矿区供电变电所电能质量小波暂态扰动在检测的过程中存在扰乱类型较多和噪声环境复杂的现象,在进行检测的同时需要及时处理噪声信号,导致检测的效率低,效果较差。针对该问题,对矿区供电变电所电能质量小波暂态扰动进行检测,首先对噪声环境进行小波去噪处理,减少外界环境对检测结果的影响;并基于PCA算法对数据降维处理,调整数据暂态形式,建立识别机制,提高检测精度;最终结合去噪的阈值进行内部检测,获取检测数据。根据实验结果可知,该电能质量小波暂态扰动检测方法具有较高的检测精度,与预设参数吻合度较高,检测效果良好。

基于粒子群优化SVM的电能质量复合扰动分类的研究

针对暂态电能质量复合扰动的问题,提出了基于希尔伯特-黄变换和粒子群优化多分类支持向量机的暂态电能质量复合扰动检测分类的方法。利用希尔伯特-黄变换提取分类所需的特征向量作为训练数据输入粒子群参数优化的支持向量机,实现了对多种复合的暂态电能质量扰动问题分类。从仿真结果可以看出,该方法可以对常见的复合暂态电能质量扰动信号进行检测和分类,且结果精确。

基于提升复小波的暂态电能质量扰动的检测与定位

针对暂态电能质量扰动信号的检测与定位,提出一种基于第2代小波变换的提升复小波的提升算法。通过Euclidean分解算法得到复小波提升方案;利用该方案对常见的几种扰动信号进行提升变换,将变换后的幅值和相位信息用于暂态电能质量扰动的定位检测及扰动幅度估计;并与第1代小波变换进行比较。仿真结果表明,所提算法具有简单、运行速度快、检测精度高等优点,能够准确定位暂态电能质量扰动信号和计算扰动信号的变化幅度。

一种快速暂态电能质量扰动定位方法

暂态电能质量扰动是目前电能质量研究中的主要问题之一,如何快速、准确定位电力系统中暂态电能质量扰动是一件复杂而有意义的工作。文中从时域出发,提出一种Hilbert变换和后差分相结合的方法,快速定位暂态电能质量扰动。该方法首先利用Hilbert变换提取暂态电能质量扰动信号的包络,然后采用后差分定位扰动信号。实验结果及分析表明,该方法简单、快速、准确,适合实时性要求较强的场合。

电能质量复合扰动特征选择与最优决策树构建

针对电能质量(power quality,PQ)复合扰动识别中缺少特征选择与最优决策树自动构建方法的不足,提出采用分类回归树的PQ特征选择与最优决策树构建方法。首先,通过S变换提取64种PQ特征,构成原始特征集;然后,采用嵌入式特征选择方法,获取特征Gini重要度及排序,确定最优特征子集;最后,应用1-标准误差规则子树评估法,进行代价复杂度剪枝,获得最优分类树。实验证明,新方法能够根据训练集自动构建最优决策树,并实现最优特征选择;最优决策树可准确识别不同噪声环境下,含多种复合扰动的PQ信号,分类准确率高于概率神经网络和支持向量机方法,具有良好的鲁棒性与抗噪性。

一种暂态电能质量扰动检测的新方法

电能质量信号在采集的过程中通常会被噪声污染,而暂态扰动检测的主要挑战就是噪声干扰。传统的扰动检测算法存在只适用于稳态扰动的分析、运算量太大、易受噪声影响致使检测的准确性急剧下降等缺点。为提高强噪声环境下暂态扰动检测的准确性,该文提出一种扰动检测的新方法。该方法非常简单,无需前置滤波单元,仅有2个参数且对检测结果的影响不灵敏。仿真中,将该文算法与广义形态滤波与差分熵的扰动检测方法和基于奇异值分解的扰动检测方法进行暂态扰动检测对比分析,结果表明该文算法不仅具有较强的抗噪性,且对过零时刻发生的扰动也具有较好的检测效果,同时还能指示扰动突变的极性。最后通过对实际暂态扰动数据的检测,进一步验证算法的有效性。

电能质量暂态扰动的HS变换检测方法

为提高电能质量暂态扰动检测定位能力,设计一种采用Hyperbolic S变换(HS变换)的扰动检测方法.在采用HS变换处理电能质量信号的基础上,通过计算HS变换模矩阵上各采样点不同频率对应的幅值之和来定位扰动起止点.新方法首先通过阈值对幅值和曲线进行预处理;之后,采用峰值点定位扰动起止时间.仿真实验证明,新方法实现了不同参数条件下电压暂降、电压暂升、电压中断、电磁脉冲、电压尖峰、电压切痕、振荡暂态等7种扰动的准确检测.该算法具有较好的鲁棒性与抗噪性,受不同扰动参数影响较小,符合实际环境下的扰动定位要求.

电能质量复合扰动分类的研究进展

针对电能质量复合扰动的识别问题,通过举例分析复合扰动信号,讨论了复合扰动的特点。详细综述国内外电能质量复合扰动分类的研究现状,将其研究方法分为单标签分类和多标签分类两大方面,分别对这两个方面中目前采用的思想和方法进行讨论。在单标签分类中,分别从直接分类、S变换+分类器、小波变换+神经网络、支持向量机和其它方法五个方面进行复合扰动分类讨论。在多标签分类中,分别从分类思路、分类策略和标签相关性等方面对该方法进行了讨论。最后,分析了电能质量复合扰动识别目前存在的问题,对其研究进行了展望。

基于广义S变换的暂态电能质量扰动定位与识别

S变换由于时频分辨率固定,从而导致定位暂态电能质量扰动的效果差。提出一种基于广义S变换的扰动定位新方法,利用高频处时间幅值曲线的突变点峰值进行定位检测,以提高扰动的定位精度。首先通过广义S变换得到扰动信号的模时频矩阵,然后利用高频处时间幅值曲线定位扰动的起止时刻,再根据最大频谱曲线、基频幅值曲线与定位结果提取四个识别特征量,最后基于分类规则树方法实现扰动信号的自动分类。仿真结果表明,所提出的定位方法简单直观,精度较高;提取的识别特征量少而有效,分类效果良好。

基于高阶累积量的暂态电能质量扰动分类研究

为提高暂态电能质量扰动分类识别的精度,提出了一种基于高阶累积量与支持向量机的暂态电能质量扰动信号的分类识别算法。该算法利用高阶累积量提取脉冲暂态与振荡暂态2类扰动的3阶与4阶统计特征,并选取各阶统计结果中的极大值个数、极小值个数以及最大值、最小值共8个特征量作为支持向量机的输入。利用Matlab产生仿真数据对此方法进行了仿真验证,结果表明,高阶累积量可以有效表征暂态扰动特征,且受噪声影响小;结合支持向量机可有效分类识别这2类暂态扰动,在训练样本为50组,核函数选择为线性核函数时,识别率可达到99%;当混合有其他扰动分量时,该方法也有效。

多标签分类法在电能质量复合扰动分类中的应用

提出一种基于多标签分类的电能质量复合扰动分类新方法。在k–近邻(k-nearest neighbor,KNN)和贝叶斯准则(Bayesian rule)的基础上,提出多标签分类排位分类算法k–近邻贝叶斯多标签分类法(k-nearest neighbor Bayesian rule,KNN-Bayesian)。首先对常见的电能质量扰动及其组合而成的复合扰动进行离散小波分解,提取各层分解系数的规范能量熵作为特征向量;然后,利用KNN-Bayesian进行分类识别。仿真实验结果表明,在不同的噪声条件下KNN-Bayesian可有效分类识别电压暂降、电压暂升、电压短时中断、脉冲暂态、谐波和闪变等电能质量扰动及其组合而成的复合扰动。

基于形态-复小波暂态电能质量扰动检测及定位

针对暂态电能质量扰动的实际检测过程中,存在着较强的脉冲噪声和白噪声干扰,影响暂态信息准确提取的问题,设计了有效的滤波算法以在保留信号特征的前提下最大限度地抑制噪声干扰影响,该法是将基于数学形态学的广义形态滤波器作为复数小波变换的前置滤波单元,形成的一种新型形态-复小波变换综合检测算法。仿真结果表明,基于该算法的滤波器不仅可很好地解决电能质量扰动分析中滤除随机噪声和脉冲噪声的困难,还可较好地保持扰动信号的形状和特征。另外用Daubechies实小波构造了相应的正交紧支对称复小波,由其提供的复合信息可准确地检测出扰动并进行时间定位。分别用电压暂降、暂态振荡、短时谐波畸变及微小扰动对所提方法进行了数字仿真验证,结果证实了基于形态-复小波变换综合检测方法的正确性和有效性。

基于多标签Rank-WSVM的复合电能质量扰动分类

该文提出一种多标签排位小波支持向量机(rank wavelet support vector machine,Rank-WSVM),并将其应用于电能质量复合扰动分类中。Rank-WSVM将小波技术与多标签排位支持向量机(Rank-SVM)结合,利用小波的优良特性提高分类器的整体性能。首先,对电能质量扰动信号进行离散小波分解,计算Tsallis小波熵作为特征向量;然后利用所提出的Rank-WSVM多标签分类器进行分类。仿真结果表明,在不同噪声条件下,该方法有效改善了Rank-SVM的分类性能,可有效识别电压暂降、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复合扰动。

滑动去趋势波动分析在电能质量暂态扰动检测中的应用

针对电能质量暂态扰动信号的不规则性和突变性特点,提出了一种基于滑动去趋势波动分析的电能质量扰动检测新方法。扰动的发生使原信号的相关性特征发生变化,而去趋势波动分析的波动参数对这种变化反应敏感。通过滑动窗构建波动参数曲线,不仅能够对扰动时刻进行准确定位,而且可以确定电压暂升、暂降等典型暂态扰动的电压波动幅值。试验结果证明了该方法的有效性,与基于小波变换的检测方法相比,所述方法在抵御噪声干扰方面更具优越性。

基于条件互信息特征选择法和Adaboost算法的电能质量复合扰动分类

为准备识别复杂电能质量扰动类型,提出一种基于条件互信息平均最优化(avg-CMIM)特征选择法与Adaboost动态集成分类器的电能质量复合扰动分类策略。首先基于条件互信息,提出准确衡量特征与扰动类别相关性、特征集内部目标导向冗余性的评价准则,得到不同扰动标签相匹配的最优分类特征集。再利用Adaboost分类器进行动态增强学习,对未知样本进行标签识别,通过组合标签结果确定复合扰动的组成成分,实现电能质量复合扰动的识别。仿真结果表明,在不同程度噪音下,该方法能够高效准确地识别电压暂升、电压暂降、电压短时中断、谐波、脉冲暂态和振荡暂态等单一扰动和其组合成的复合扰动,并通过实测数据验证了方法的正确性和可行性。

提升小波在暂态电能质量扰动检测与定位中的应用

针对电力系统暂态扰动信号具有非平稳、突发性的特点,分析了提升小波适合检测暂态扰动信号突变点的特性,提出了应用提升db4小波变换对暂态电能质量扰动信号进行检测与定位的方法。在Matlab仿真环境下运用该方法对电压骤升、电压骤降、电压中断、频率偏差、瞬态振荡、瞬时脉冲等多种暂态电能质量扰动信号进行检测与定位,仿真结果表明,该方法误差可达到毫秒级,可以实现对扰动信号起止时刻更为精确的定位。