基于空间变换的相量法分析

相量法在电路与系统分析中扮演着重要的角色。从一个新的、空间变换的角度对其进行分析,阐述了傅里叶和香农观点之间的关系,并分析如何用一个复数来表示一个正弦曲线,解释了使用相量法的原因。通过相量变换,电容、电感和电阻具有相同的数学模型,这样欧姆定律就可以使用,这样的分析方法可以使运算得到大大简化。

基于改进生成对抗网络的电压暂降事件类型辨识研究

为缓解特征自提取模型对电压暂降样本数据量的依赖,提高模型的特征抓取能力,该文提出基于改进辅助分类生成对抗网络(auxiliary classifier generative adversarial networks,AC-GAN)的暂降事件类型辨识算法。首先,将暂降三相电压数据转换为基于空间矢量(space phasor model,SPM)的二维轨迹曲线,以此作为智能模型的输入。然后,对AC-GAN进行改进,通过在判别器内融合卷积注意力模块(convolutional block attention module,CBAM)来改善判断模型的特征自提取能力,从而提高整个AC-GAN网络的性能。利用所生成的与真实样本特性及分布一致的数据,来实现数据增强,以解决非平衡样本条件下特征学习不充分的问题。最后,利用江苏地区实际数据场景验证了所提算法在不同数据条件下准确而稳定的暂降类型辨识能力。

基于卷积神经网络和随机森林的三相电压暂降分类

特征提取是电能质量扰动识别的关键步骤,然而传统的数学变换与浅层神经网络相结合的方法无法自动提取特征。为此,提出了一种基于卷积神经网络(CNN)和随机森林(RF)的混合模型来对三相电压暂降数据进行自动特征提取及分类。首先,将三相电压暂降数据转换为空间相量模型(SPM);其次,利用CNN对SPM进行特征提取;最后,将RF应用于分类。为了加快CNN训练速度并缓解过拟合,引入了Dropout、学习率指数衰减和自适应矩估计权值更新算法。实验结果表明,与其他分类方法相比,所提方法具有较好的泛化性能和较高的分类准确率,这为电压暂降识别提供了一种客观、高效的辅助手段。

基于空间相量模型的三相电压暂降扰动特征提取与分类

对暂降扰动进行精准类型识别是电能质量评估和治理的前提。现有暂降特征提取多是对单一扰动数据进行识别分类,采用数学变换法进行特征提取时数据维数高且计算量大。针对这些问题,提出了一种基于三相电压空间相量模型的多级暂降扰动可视化特征提取及分类方法。首先,将三相电压时域波形数据转换为空间相量模型;其次,使用K-mean算法,将电压降落扰动聚类成平面内可视化的圆或椭圆;最后,利用逻辑回归算法对每一个聚类的圆或椭圆进行特征提取与分类。应用所提方法分别进行了单一扰动和多级扰动识别的仿真实验,结果表明,所提方法能有效识别A、C_(a)、C_(b)、C_(c)、D_(a)、D_(b)和D_(c)等七类电压暂降扰动。该方法降低了数据维度,减少了模型计算量,避免了对动态过渡过程的检测,降低了错误识别的风险,为多级电压暂降扰动的识别与分类提供了一种有效的辅助手段。