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。

配电物联网电能质量复合扰动检测研究

传统的电能质量复合扰动检测方法无法准确获取电能质量特征,电能数据滤波效果不理想,导致其存在识别率低、检测偏差大和检测效果差的问题。提出配电物联网电能质量复合扰动的检测方法。建立离散非线性系统和强跟踪滤波器,将其应用在配电物联网中,提取电能质量复合扰动特征;选取基波幅值的最大值和最小值、波动次数、渐消因子频度作为扰动特征,并将提取的特征输入支持向量机中,完成配电物联网电能质量复合扰动的检测。实验结果表明,所提方法可有效识别电能质量复合扰动,其检测结果偏差较小,且可精准获取电能质量复合扰动在配电物联网中的发生时刻和结束时刻,验证了所提方法的整体有效性。

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。

基于混沌集成决策树的电能质量复合扰动识别

针对电能质量复合扰动类别多、特征关联性强及识别错误率较高的问题,提出了一种基于混沌集成决策树的电能质量复合扰动识别方法。首先参考IEEE标准,给出了常见的7种单一电能质量扰动和16种电能质量复合扰动的信号模型,并批量生成扰动波形样本。然后针对上述扰动的特性差异,通过S变换时频域分析,设计和提取出9种扰动时频域特征。最后利用集成学习集体能力和混沌搜索优势,构建混沌集成决策树,并有效完成了电能质量复合扰动识别。仿真实验和142组实测数据验证结果表明,该方法对于23种扰动的分类准确率高于基本决策树、复杂决策树及加权最近邻法等方法,具有良好的应用前景。

基于改进的SVM的电能质量复合扰动分类

本文利用支持向量机对电能质量复合扰动进行分类,解决其多重分类问题,为了提高其整体分类的准确率,对支持向量机中的核函数进行了改进。考虑到特征向量在核函数中心位置的聚集程度会影响支持向量的数目,本文在核函数中引进一个径向宽度因子和一个幅值调节因子,从而解决传统核函数存在的问题,减少支持向量数目,降低计算复杂度。将改进后的算法应用到电能质量复合扰动分类中,验证所提方法对于电能质量复合扰动分类不仅具有可行性,并且有较高的分类准确率。从仿真实验结果可以看出,改进的方法对常见的7种单一电能质量扰动信号和5种电能质量复合扰动信号能够进行分类,相对原算法提高了分类准确率。

基于改进经验小波变换和XGBoost的电能质量复合扰动分类

针对电能质量复合扰动分类方法在分类数目和分类性能方面存在的不足,提出一种基于改进经验小波变换(MEWT)和极限梯度提升(XGBoost)的电能质量复合扰动分类方法。首先,对传统经验小波变换进行改进,使之适用于复合扰动特征提取;然后,根据基本扰动MEWT分析结果,从时频域多角度提取能够有效刻画不同扰动特性的特征序列;最后,基于问题转换策略构造以XGBoost为子分类器的多标签复合扰动分类模型,并通过特征选择与超参数优化相结合的模型训练方法进一步提升分类效果。实验结果表明,所提方法可实现48类扰动的有效辨识,较之传统多标签扰动分类方法在分类精度和噪声鲁棒性方面表现更优,且运算速度更快,适用于工程实践。

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。

复合电能质量扰动下配电网关键设备附加损耗的研究

随着冲击性、非线性负荷的广泛应用以及低压配电网中大量单相用户的涌现,谐波、三相不平衡等电能质量问题日益突出。配电网损耗是综合反映电力网规划设计、生产运行和经营管理水平的主要经济技术指标,因此研究低压配电网中关键设备在复合电能质量扰动下的附加损耗具有重要的意义。首先理论推导了关键设备在谐波及三相不平衡扰动共同存在时的附加损耗,并在Matlab/Simulink仿真平台中验证了理论推导的准确性。在此基础上,综合分析了这两种电能质量问题同时存在时与单独存在时附加损耗的仿真数据,得到复合电能质量扰动下的附加损耗不满足叠加定理,且谐波及三相不平衡共同存在时关键设备的附加损耗小于各自单独存在造成的附加损耗之和。

复合电能质量扰动下低压配电网中关键设备附加损耗的解耦分析

配电网在复合电能质量扰动下的损耗计算是分析线损构成、制定降损措施,实现电网经济运行的基础。目前我国配电网电能损耗中一半以上的损耗是在低压配电网中产生的。文章理论推导了复合电能质量扰动下低压配电网中关键设备的附加损耗,通过Matlab/Simulink对其进行了仿真验证。在此基础上提出了一种复合电能质量扰动的解耦方法,将复合电能质量扰动下低压配电网中关键设备的附加损耗进行解耦分析,为建立单一电能质量指标与电网附加损耗的映射关系奠定了理论基础。

自适应多尺度SVD去噪算法及在PQMD中的应用

为了提高电能质量复合扰动(PQMD)信号的去噪指标,实现扰动信号特征的准确检测,提出一种自适应多尺度SVD(Adaptive Multi-resolution Singular Value Decomposition,AMSVD)去噪新算法及数学框架。该算法首先分析了高斯白噪声奇异值分布情况及多尺度SVD消噪原理,针对不同尺度下的噪声近似与细节信号奇异值差值规律,确定出最佳消噪尺度的约束条件,由此实现噪声先验信息未知的自适应消噪方法。研究结果表明,在对不同噪声方差下的电能质量复合扰动去噪处理中,AMSVD消噪效果优于其他5种方法。为了进一步验证AMSVD算法去噪后特征量检测的准确性,采用希尔伯特黄变换(HHT)提取扰动特征信息,仿真结果表明该算法具有可行性和鲁棒性。