电能质量扰动信号时频原子分解的进化匹配追踪算法

时频原子分解对电能质量扰动信号具有良好的分析效果,但其常用的匹配追踪(MP)算法,存在计算量大、参数空间离散化影响原子匹配性能等不足。基于差分进化,研究了电能质量扰动信号原子分解的进化匹配追踪(EMP)算法,给出了算法流程。针对几种电能质量扰动信号,通过Gabor和衰减正弦量原子分解的30次独立仿真实验,分析了信号长度、噪声等对性能的影响。结果表明,EMP算法与MP相比大大减少了计算耗时且不受信号长度的影响,进一步提高了原子的全局匹配能力,具有很好的抗噪声能力。最后,给出了下一步工作的展望。

基于压缩感知的电能质量扰动信号分析

电能质量扰动信号是衡量电能质量的一个重要指标,因此对电能质量扰动信号进行准确检测是提高电能质量的前提。针对传统采样方法中采样数据量大、采样时间较长以及压缩复杂度高的问题,本文基于压缩感知理论对电能质量扰动信号进行重构,首先证明电能质量扰动信号的稀疏性满足压缩感知的必备条件;采用自适应测量矩阵对电能质量扰动信号数据进行压缩采样,同时,采用谱投影梯度实现了对电能质量扰动信号的精确重构。仿真结果表明,本文采用的压缩感知恢复算法不但可以降低采样数据量和压缩复杂度,其重构误差小,压缩性能指标比较好。

基于ESMD和SSA-PNN的电能质量扰动信号识别分类

针对传统概率神经网络(PNN)分类器中平滑因子依靠人工经验赋值,导致电能质量扰动信号识别分类精度不高的问题,文中提出一种基于极点对称模态分解和麻雀搜索算法优化概率神经网络(SSA-PNN)的电能质量扰动信号识别分类方法。首先,添加含噪声的电能质量扰动信号;其次,利用极点对称模态分解算法对扰动信号进行分解,得到不同频率的本征模态函数;再根据原信号与本征模态函数分量的相关系数选取有代表性的分量,对代表性分量提取能量值和样本熵并将其作为特征向量;最后,创新性地利用麻雀搜索算法优化概率神经网络中的平滑因子,寻找最优平滑因子构建SSA-PNN分类器,将特征向量输入传统PNN分类器和SSA-PNN分类器中进行识别分类。仿真结果表明,相较于传统PNN分类器,SSAPNN分类器的准确率较高,可为电能质量扰动信号识别分类提供一种新的解决方案。

基于FST和LibSVM的电能质量扰动信号分类

针对电能质量扰动信号种类多,特征提取精度不高,运算时间长,难以被正确分类等问题,提出一种快速S变换和LibSVM的电能质量扰动信号分类算法。在FST基础上引入调节因子提高信号时频分辨率,利用快速S变换提取扰动信号特征向量,将此向量分为训练样本和测试样本,归一化处理后输入到LibSVM进行分类,与S变换相比,具有节省运算时间,分类准确率高等优点。仿真结果表明,在样本较少的情况下加入不同信噪比的噪声,分类所用时间短、正确率高、抗干扰能力强,适合于电能质量扰动信号分类。

压缩感知在电能质量扰动信号中的研究

压缩感知理论可以解决传统采样方法中采样数据量大、采样时间较长以及压缩复杂度高的问题,因此在图像压缩、电能质量分析、信号处理领域得到了广泛的应用。因此,本文对其理论以及在电能质量分析中的应用与展望进行了综述。首先对压缩感知的基本原理进行了阐述,并对压缩感知的三个关键部分进行了介绍,对其在电能质量研究领域的现状进行重点介绍,最后对其在电能质量的深入应用进行了展望。

压缩感知在电能质量扰动信号中的应用研究

近几年,对压缩感知理论的研究逐渐增多,能有效解决传统采样模式中数据采集数量巨大且采样处理时间长等问题,建构更加完整的信息数据处理模式,将其应用在电能质量扰动信号管理中,能更好地减少扰动问题产生的影响。论文分析了压缩感知理论,并着重讨论了压缩感知理论在电能质量扰动信号中的具体应用。

基于小波包和支持向量机的电能质量扰动识别

电能质量扰动识别是电能质量检测系统的重要组成部分,也是进一步采取适当措施对其进行治理和控制的前提和依据。通过MATLAB仿真软件建立5种典型扰动信号的模型,包括电压突降、突升、中断、脉冲暂态及谐波;利用小波包分析方法对上述扰动信号进行特征向量提取;并采用粒子群算法对SVM核函数参数γ和惩罚参数C寻优,确定最优SVM分类模型,最终测试精度为98.125%,表明该算法实时性强、识别精度高,从而验证了所用方法的可行性。

基于LMD能量熵和GK模糊聚类的电能质量扰动识别

提出一种基于局部均值分解方法（LMD）能量熵和GK模糊聚类相结合的电能质量扰动识别的新方法。LMD能量熵具有局域化的特性并且能够表征扰动信号复杂度，可以量化扰动特征。GK模糊聚类可处理分布不规则数据，因此可对各种扰动信号进行识别。非平稳的扰动信号首先由LMD分解，得到若干个有物理意义的乘积函数（PF），通过Shannon熵的特征筛选方法对PF分量进行筛选，求取其能量熵组成特征向量。进而通过GK聚类对特征向量进行识别分类。实验表明，该方法能够有效准确地识别电能扰动信号，并具有良好的抗噪性。

电能质量扰动识别的不同时频分析方法研究

分析了EEMD、LMD、ITD的算法、特点及分解不同扰动信号的实现步骤。经过实验模拟,对比分解所得效果图,得到适合各种电能质量扰动信号的最佳分解方法:对于电压暂升、电压暂降、电压中断幅值类扰动信号用EEMD方法分解效果最佳;脉冲暂态扰动EEMD和ITD均可,ITD方法更快、定位更准;暂态振荡信号用ITD方法效果较好;电压闪变扰动EEMD分解效果较好;谐波信号用ITD分解效果较好。

基于小波和RBF-PNN神经网络的电能扰动辨识

对电能质量进行快速地检测和准确地分类,是治理电能质量和提高用电效率的有效方式。提出一种新的基于小波和神经网络技术的电能质量辨识方法。该方法首先用小波变换对暂态电能质量扰动波形进行预处理,求出不同信号在9尺度小波分解下的能量分布值以及时间、幅值变化等并将其作为信号特征量。然后将归一化的扰动信号信息输入神经网络,根据其输出结果就可以判断发生的电能质量扰动类别。仿真实验证明,该方法不仅可以有效地区分电压暂升、暂降、中断、谐波、高频振荡、闪变等6种电能质量问题,而且抗噪声能力强,训练样本少,响应快速。

基于循环神经网络的电能质量扰动识别

针对电能质量扰动信号识别算法复杂、识别率低等问题,提出一种将长短时记忆神经网络应用于电能质量扰动信号识别分类的新方法。首先在Tensorflow中搭建长短时记忆神经网络,建立电能质量扰动信号分类模型。其次利用分类模型对电能质量扰动信号原始数据进行有监督学习,提取扰动信号的深层次特征,并将其连接到Softmax分类器输出各扰动信号的识别率。最后将电能质量扰动信号通过递归图生成的二维轨迹图像作为分类模型的输入,通过训练模型实现扰动信号的分类。仿真结果表明,该分类模型对电能质量扰动信号的一维和二维表示均有较好的分类准确率,可以有效识别7种单一扰动和6种复合扰动信号。

基于改进HHT的电能质量扰动检测方法

为了精确检测电网中复杂非平稳扰动信号的时频特性,提高希尔伯特-黄变换(HHT)方法的时频定位能力,提出了一种基于改进HHT的电能质量扰动检测方法。针对电压暂降与短时间中断、谐波和复合扰动信号,所提方法采用移动平均法对HHT得到的瞬时幅频参数进行均值化,进而从Hilbert谱中提取信号在不同时间和频率的能量密度,定位扰动信号的起止时刻。仿真结果表明,此方法能够准确、快速地获取谐波信号的频率成分、幅值及突变时刻,分析电压暂降与短时间中断信号的幅值及起止时刻,同样适用于复合扰动信号检测,相对于传统的HHT方法具有更高的精度及时频分辨率。

基于改进小波阈值函数和奇异值分解的电能质量扰动检测

为了在噪声环境下准确提取电能质量扰动特征,提出一种基于改进小波阈值函数去噪和奇异值分解的电能质量扰动检测方法。构建改进小波阈值函数对含噪电能质量扰动信号降噪,利用经验模态分解的信号频带划分能力,实现降噪后扰动信号各模态的有效分离,再采用希尔伯特变换提取各模态幅值、频率等特征信息,同时基于奇异值分解实现对扰动信号的起止时刻的有效检测。最后分别采用不同类型的电能质量扰动信号进行仿真实验,实验证明所提出的算法不仅具有良好的抗噪性能,同时具有较高的检测准确度和良好的鲁棒性。

基于小波降噪和深度学习的电能质量扰动分类方法

针对电能质量扰动信号在强噪声下识别准确率低的问题,提出了一种基于小波降噪和深度学习的电能质量扰动信号识别方法。在信号输入前,采用分层自适应阈值函数HATF(hierarchical adaptive threshold function)降噪法对信号降噪处理;接着在卷积神经网络CNN(convolutional neural network)扰动分类方法之上,对网络加入扰动信号的时序性识别,构建了E-CNN(enhanced-conventional neural network)的融合网络模型提高对含噪信号的识别准确率。仿真结果显示,与信号未去噪时的卷积神经网络相比,引入降噪后的融合网络模型在强噪声环境下的识别准确率依然可以达到98.40%,可以有效分类6种单一扰动信号和4种复合扰动信号。

压缩感知理论及其电能质量应用与展望

压缩感知理论是信号采样与处理领域的热点和前沿,在电能质量检测中具有很好的应用前景。为此,对压缩感知理论及其电能质量应用与展望进行综述。阐述了现有电能质量扰动信号采样和分析方法的不足,介绍了稀疏分解与压缩感知的基本概念和发展现状,重点介绍了压缩感知理论的3个基础关键问题:稀疏表示、非相关观测和非线性优化重构;同时,着重介绍了时频原子稀疏分解和压缩感知理论在电力系统电能质量扰动信号中的应用现状。最后,给出了电能质量扰动信号稀疏分解和压缩感知理论的下一步研究展望。

一种基于邻域样本密度的SVDD样本剪辑方法及其应用

通常对于大数据的学习问题,需要选择一个训练集的子集来进行学习,以降低问题本身的时间和空间复杂性。有很多学者从样本的近邻出发来选择样本,根据样本的近邻特点寻找位于靠近分类面的样本。对于SVDD(Support Vector Data Description)算法而言,只有位于数据集边缘区域的样本对学习结果有影响。提出了通过估计样本领域样本概率的方式来判断样本在数据集里的位置,位于数据集边缘区域的样本概率要明显小于位于数据集内部样本的概率,通过删除位于数据集内部的样本可以大大降低数据集的规模,在不降低算法的性能时,降低训练模型的复杂度,提高识别速度和算法的学习速度。并在实时性要求比较高的电能扰动信号识别方面,得到了很好的应用。

不同重构算法对压缩感知重构效果的影响

传统信号处理方法存在采样数据量大、压缩复杂度高的问题,而压缩感知理论可以解决上述问题,因此在模式识别、图像采集以及电能质量信号分析中应用广泛。其中,合适的重构算法可以达到很好的重构精度。文章对压缩感知的基本原理进行了阐述,并对不同恢复算法进行了分析,最后对不同恢复算法的重构效果进行了比较。