基于改进EEMD的电能质量扰动检测研究

合集下载

一种基于改进EMD端点效应的电能质量分析新方法

ｅｎｖｅｌｏｐｉｎｇｐｒｉｎｃｉｐｌｅｔｏｓｅｌｅｃｔｏｎｅａｓｔｈｅｍａｘｉｍｕｍｏｒｍｉｎｉｍｕｍｖａｌｕｅｏｆｂｏｒｄｅｒ，ｔｈｅｎｃａｒｒｙｏｎｔｈｅＥＭＤｄｅｃｏｍｐｏｓｉｔｉｏｎ．Ａｐｐｌｉｅｓｔｈｉｓｍｅｔｈｏｄｔｏｔｈｅｐｏｗｅｒｓｙｓｔｅｍｈａｒｍｏｎｉｃｉｄｅｎｔｉｆｙ，ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｉｓｍｅｔｈｏｄｃａｎｉｍｐｒｏｖｅｔｈｅＥＭＤｅｎｄｅｆｆｅｃｔｅｆｆｅｃｔｉｖｅｌｙａｎｄｉｄｅｎｔｉｆｙｈａｒｍｏｎｉｃｍｏｄｅｓｏｆｔｈｅｓｉｇｎａｌ
研究与开发
一
种基于改进ＥＭＤ端点效应的电能质量分析新方法
郭艳威金涛
（福州大学电气Ｓ－程与自动化学院，福州３５０１０８）
摘要
针对经验模态分解（ＥＭＤ）中存在的端点效应问题，提出一种基于极值点对称延拓的
ａｃｃｕｒａｔｅｌｙ．
Ｋｅｙｗｏｒｄｓ：ＥＭＤ；ｅｎｄｅｆｆｅｃｔ；ｅｘｔｒｅｍｅｐｏｉｎｔｓｙｍｍｅｔｒｙｃｏｎｔｉｎｕａｔｉｏｎ；ｈａｒｍｏｎｉｃｄｅｔｅｃｔｉｏｎ

一种改进的暂态电能质量扰动检测方法研究

Байду номын сангаас尸Ｆ１（）＝ｌ（￡）ｓｌ（ｔ）（７）
快的信号，ＴｅａｇｅＴ能量算子能实时跟踪信号变化，可以准确定
位扰动信号的起止时刻［３］。因此，本文在ＨＨＴ算法的基础上研
究了一种基于局部均值分解法和Ｔｅａｇｅｒ能量算子的暂态电能
ＺｈｕａｎｇｂｅｉＹｉｎｇｙｏｎｇｙｕＹａｎｊｉｕ ◆ 装备应用与研究●
一
种改进的暂态电能质量扰动检测方法研究
李向超董云薛超
（无锡供电公司，江苏无锡２１４０００）
摘
要：针对希尔伯特一黄变换算法（ＨＨＴ）在检测电能质量扰动时端部存在失真及瞬时幅值分量不稳定等问题，提出了一种基于局
￥Ｉｎ（）＝ＫＤ（ｆ）一ｍｌ（）］／ｎｌ
种检测算法克服了传统时频检测算法的缺点，能够对非平稳
扰动信号进行检测，但该算法在检测电能质量扰动时，具有端部处存在失真、瞬时幅值分量不稳定等问题［１］。局部均值分解算法（ＬＭＤ）和ＥＭＤ算法一样，都是通过分
０引言
近年来，随着科学技术的不断发展，各种精密仪器以及高精度工业加工设备对电能质量的要求越来越高，电能质量扰
ｌ１
（）＝ｌｌ０）／。１ｌ

基于改进型神经网络的电能质量扰动识别

真结果表明，此方法训练时间短，收敛性好，不易出现过拟合现象且对多数扰动信号类型均适合。．
Ｋｅｗｏｄ：ｎｔｇｒｍ；Ｂａｅｉｎｒｇｌｒａｉｎ；ＮｅｒｅｗｒｙｒｓＧｅｅｉａｏｔｃｌｉｈｙｓ－ｅｕａｉｔａｚｏｕａｎｔｏｋｌ
０引言
敏感性电子设备如计算机、电子控制器、微变速驱动器的广
ＰｏｒＱｕｌｙＤｉｔｒａｃｄｎｉｃｔｎＢａｅｎｌｒｖｄＮｅｒＩｔｒｗｅａｉｓｕｂｎｅｌｅｔｉａｉｓｄＯｍｐｏｅｕａｗｏｋｔｆｏＮｅ
ＪＮＹｎＺＮｉ－ｎＺＡＧＪｇｈｎＩａ，ＨＯＧＪｊ，ＨＮｉ —ｏｇｎｉｎ
（ｏｅｅｏｎｏｍｔｎＥｇｎｅｎ，ｈｊｎｎｖｒｔｏｅｎｌｙＨｎｚｏｈｊｎ１０３ＣｉａＣｌｇｆｒａｉｎｉｒｇＺｅａｇＵｉｓｙｆＴｃｏｇ，ａｇｈｕＺｅａｇ３０２，ｈｎ）ｌｆＩｏｅｉｉｅｉｈｏｉ
Ａｂｔａｔ：ｒｖｄｎｕａｅｗｏｋｉｐｔｆｒｒｎｔｉｐｐｒｔｎａｃｈｄｎｉｃｔｎｅｆｃｆｐｗｅｕｌｙｄｓｒａｃ．ＢｓｄｏｓｒｃＡｎｉｏｅｅｒｌｎｔｒｓｕｗａｄｉｈｓａｅｏｅｈｎｅｔｅｉｅｔａｉｆｔｏｒｑａｉｉｔｂｎｅｍｐｏｉｆｏｅｏｔｕａｅｎ
电力系统及其自动化
Ｐｗｅｙｔｍ＆ＡｕｏｏｒｓｅＳｔｍａｉｎｔｏ

电力系统电能质量的扰动检测与识别方法研究

电力系统电能质量的扰动检测与识别方法研究摘要电能作为清洁环保，经济高效，易于控制和转换的能源，广泛的应用到生产和生活的各个领域。

电能质量的优劣不仅影响电能用户利益，同样会影响电网的安全运行，所以对电能质量问题的检测具有重要的意义。

针对目前主要的电能质量问题进行分类，并具体分析了各类型的电能质量问题的发生原因及其危害。

根据常见的暂态和稳态电能质量扰动问题的特点，建立扰动数学模型，并分析了目前电能质量扰动的检测方法和分类方法的研究现状。

本文主要工作内容如下：1）采用小波包变换对电能质量扰动信号进行分析，根据扰动信号的特点研究小波包变换的采样频率、小波基函数和分解层数等参数的选取，分析得到各扰动类型的小波包节点的归一化能量分布，提出对能量分布进行处理得到具有明显变化的新小波包能量分布的方法。

在新的能量分布中可以看出，含谐波的扰动和暂态振荡扰动在对应节点上的能量分布较大，可以提取对应节点的新小波包节点能量作为表征这些扰动的特征向量，并通过仿真对利用小波包变换提取扰动特征向量的可行性进行研究。

2）首先，采用HHT变换对各种类型的电能质量扰动信号进行分析，利用分析结果中的瞬时频率对不同扰动类型发生的起止时刻进行估计，并根据瞬时幅值和边际谱提取扰动信号的幅值特征和频率特征；由于HHT变换后特征提取效果不明显，为寻求更有效的提取特征值的方法，又采用S变换对各种类型的电能质量扰动信号进行分析，利用分析结果中的最高频率幅值变化对扰动发生的起止时刻进行估计，并利用基频幅值变化和时间幅值平方和均值变化提取扰动信号的幅值特征和频率特征，具体分析了S变换提取扰动特征向量的过程。

之后，通过对比两种方法的扰动时刻估计和特征提取的效果可以看出，利用S 变换的扰动起止时刻定位较准确，对应特征变化明显，阈值选取方便，方法更易实现。

3）针对单一特征向量不能有效的表征所有的电能质量扰动信号的差异性，分析了不同检测方法特征提取的特点，对电能质量扰动的多特征组合逻辑进行了研究。

基于EEMD的HHT在电能质量多扰动分类识别中的应用

基于EEMD的HHT在电能质量多扰动分类识别中的应用曹玲芝;刘俊飞;郑晓婉【摘要】现有的电能质量扰动分类识别方法对电能质量多扰动的分类准确性和识别能力较低,本文提出了将基于聚类经验模态分解(EEMD)的希尔伯特一黄变换(HHT)应用于电能质量多扰动的分类识别方法.它依据电能质量多扰动信号就是在电能基波上叠加不同频率和不同幅值波形的特性,首先利用EEMD对含扰动信号分解得到信号的固有模态函数(IMF),滤除残余噪声后,将得到的IMF分量作为特征值对扰动进行分类,再对IMF进行Hilbert变换得到其瞬时频率和瞬时幅值,瞬时频率的突变点反映电能质量扰动的起止时刻,瞬时幅值反映电能质量扰动的幅度,根据对突变点的观测实现对各个扰动的准确识别.Matlab仿真分析结果表明,该方法能够准确的对电能质量多扰动的扰动类型进行分类,并确定电能质量各个扰动信号的时间、幅值和频率.【期刊名称】《电气技术》【年(卷),期】2017(000)004【总页数】5页(P66-70)【关键词】电能质量多扰动;希尔伯特-黄变换;聚类经验模态分解【作者】曹玲芝;刘俊飞;郑晓婉【作者单位】郑州轻工业学院,郑州 450002;郑州轻工业学院,郑州 450002;郑州轻工业学院,郑州 450002【正文语种】中文电能质量扰动的分类识别一直是电能质量问题研究的核心课题，近年来研究电能质量扰动识别的方法越来越多，大部分学者主要使用小波变换法[1-4]、短时傅里叶变换[5-6]、S变换[7-9]、数学形态学等数学理论及其他方法[10-15]对扰动信号进行分析，取得了大量的研究成果，能够对电能质量的单一扰动进行准确的分类识别，只有少部分学者针对两种同类扰动进行叠加研究[16]，研究对象与实际电能质量扰动信号差距太大，研究成果实用性不强。

因此，研究一种能够同时对电能质量中叠加的多种扰动进行分类识别的方法，对电能质量问题的研究具有重要的意义。

针对此问题，本文利用HHT的自适能力和精确识别能力，同时为了解决HHT过程中经验模态分解（EMD）造成的模态混叠和过零点失效现象，提出了用基于EEMD的HHT方法对电能质量多扰动进行分类识别的方法。

基于EMD及EEMD的电能质量复合扰动抗噪性能对比分析

基于EMD及EEMD的电能质量复合扰动抗噪性能对比分析方林;于燕平
【期刊名称】《红水河》
【年(卷),期】2022(41)4
【摘要】针对电力系统中实际采集的电能质量扰动信号通常包含多种扰动成分并带有噪声的问题,采用经验模态分解(EMD)和集合经验模态分解(EEMD)两种方法研究了复合电能质量双重扰动信号在不同噪声环境下的抗噪性能。

将在无噪、5%白噪声、10%白噪声环境下的8类复合电能质量双重扰动信号分别进行EMD和EEMD分解后计算前3阶IMF分量的Kolmogorov熵,并绘制Kolmogorov熵分布图。

仿真结果表明:EMD和EEMD两种方法都有一定的抗噪性,但EMD方法随着噪声含量的增加,其抗噪性能降低;EEMD方法在不同噪声下,其Kolmogorov熵值分布基本保持一致,分析表明EEMD的抗噪稳定性优于EMD的。

该研究成果为复杂环境下含噪电能质量复合扰动信号的分析提供重要依据。

【总页数】6页(P96-101)
【作者】方林;于燕平
【作者单位】柳州铁道职业技术学院
【正文语种】中文
【中图分类】TM743
【相关文献】
1.基于改进EEMD的电能质量扰动检测研究
2.基于EEMD阈值去噪的电能质量多扰动分类
3.基于最优参数选择的EEMD方法的暂态电能质量扰动识别分类
4.一种改进EMD-SVD算法的暂态电能质量扰动信号消噪研究
5.基于EMD去噪和S变换结合的电能质量扰动分析
因版权原因，仅展示原文概要，查看原文内容请购买。

基于EMD的电能质量扰动检测与分类方法

（１．ＬｏｇｉｓｔｉｃｓＳｅｒｖｉｃｅｓＧｒｏｕｐＷａｔｅｒａｎｄＰｏｗｅｒＣｏｍｐａｎｙ，ＬｉａｏｎｉｎｇＳｈｉｈｕａＵｎｉｖｅｒｓｉｔｙ，ＦｕｓｈｕｎＬｉａｏｎｉｎｇ１１３００１，Ｃｈｉｎａ：
摘要：针对电能质量扰动信号的检测和分类问题，提出了一种基于ＥＭＤ的电能质量扰动检测与分类方法，
并对常见的几种扰动信号进行仿真。应用该方法检测扰动发生时间、持续时间以及扰动的频率与幅值。仿真结果表明，所提算法简洁有效，能够准确分析电能质量扰动信号，可以估计电压凹陷、电压凸起以及电压中断等扰动信号
的变化幅度和频率。关键词：电能质量扰动；分类；检测；经验模态分解；Ｈｉｌｂｅｒｔ变换
中图分类号：ＴＮ９１ｌ
文献标志码：Ａ
ｄｏｉ：１０．３６９６／ｊ．ｉｓｓｎ．１６７２ — ６９５２．２０１３．０２．０１６
基于ＥＭＤ的电能质量扰动检测与分类方法
武荣华，王天施，侯宝明。
（１．辽宁石油化工大学后勤服务集团水电公司，辽宁抚顺１１３００１；２辽宁石油化工大学信息与
控制工程学院，辽宁抚顺１１３００１；３．抚顺供电公司，辽宁抚顺１１３００８）

结合滑动窗奇异值分解的EEMD暂态电能质量扰动检测法

中图分类号：ＴＭ７１４
文献标志码：Ａ
结合滑动窗奇异值分解的ＥＥＭＤ暂态电能质量扰动检测法
孙立，庄圣贤，杨贵营
（西南交通大学电气工程学院，成都６１００００）摘要：为了解决噪声、模态混叠等原因造成提取电能质量扰动信号的时频特征不清晰的问题，根据电能质量扰动信号
ｑｕａｌｉｔｙｄｉｓｔｕｒｂａｎｃｅｓｉｇｎａｌ，ｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｌｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＥＥＭＤ）ｍｅｔｈｏｄｉｓｕｓｅｄｔｏｄｅｃｏｍｐｏｓｅｔｈｅｎｏｎ — ｓｔａｔｉｏｎｒａｙ．ｕｎｃｅｒ —
ｔａｉｎａｎｄｓｔｒｏｎｇ— ｐｅｉｏｒｄｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｄｉｓｔｕｒｂａｎｃｅｓｉｇｎａ１．ＡｎｉｍｐｒｏｖｅｄＥＥＭＤｍｅｔｈｏｄｂａｓｅｄｏｎｓｉｎｇｕｌｒａｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎ
（ＳＶＤ）ｉｓｉｎｒｔｏｄｕｃｅｄｔｏｒｅｃｏｎｓｔｒｕｃｔｉｎｒｔｉｎｓｉｃｍｏｄｅｆｕｎｃｔｉｏｎｓ（ＩＭＦ）ｃｏｍｐｏｎｅｎｔｍａｔｒｉｘ．ｔｈｅｎａＨｉｌｂｅｒｔｔｒａｎｓｆｏｒｍａｔｉｏｎｉＳａｐｐｌｉｅｄｔｏｔｈｅ

电能质量扰动检测的研究综述

基金项目：中央高校基本科研业务费专项资金资助(2020NQN04)
电能质量问题会产生诸多危害，诸如导致设备工作异常、产生废品，计算机复位、数据丢失，设备效能降低、寿命缩短、过热、烧毁，电容器击穿损坏、功率因数下降、设备容量下降，电力损耗增加、付出更多电费等[3]。根据多方统计数据，电能质量问题给企业和国家带来的经济损失是非常巨大的[3]：近 20 年来，全球范围内因电能质量引起的重大电力事故已多达 20 多起，每年因电能质量扰动和电气环境污染引起的国民经济损失高达 300 亿美元 (美国统计数据)；数年前，国际铜业协会(中国)主持的“中国电能质量行业现状与用户行为调研报告” 中，调查了 32 个不同行业共 92 家企业，其中的 49
0 引言
现代电力系统中出现大量非线性、冲击性及波动性等干扰性负荷，诸如半导体整流器、晶闸管调压及变频调速装置、工业炼钢电弧炉和轧机、家用电器和电气化铁路等，致使电网发生各种电能质量问题[1]。除干扰性负荷大量增加外，电网中敏感性负荷也在不断涌现，即随着计算机、精加工制造业、电力电子和信息技术等高新产业的发展，用户对电能质量提出越来越高的要求[1-2]。
1) 奇异值分解
文献[10]利用电能质量信号构造 Hankel 矩阵并进行奇异值分解，通过第三层分量信号中的突变点实现扰动时间定位，该方法非常简单，有一定的抗噪性，但对起止时刻发生在工频相位过零点附近的扰动的检测能力较弱。文献[11]利用电能质量信号求取差分和信号的绝对值，再进行奇异值分解求取第一层分量信号 P1，通过自适阈值和 P1 中的突变点实现暂态扰动时间定位。该方法具有扰动检测效果好、运算量小、抗噪性强及参数少等优点，但对过零时刻发生的电压暂升和电压暂降，当其幅值突变幅度很小时易检测失效[1,11]。文献[12]依据波形数据前后半周波的差值设计自适应阈值，再对差值信号采用滑窗的方式进行奇异值分解，实现扰动起止时刻的定位。文献[13]通过滑动窗奇异值分解和奇异值梯度提取信号扰动时刻的奇异性特征，并结合无参自适应阈值完成暂态扰动的检测与定位。

电能质量扰动检测与抑制方法研究

电能质量扰动检测与抑制方法研究近年来，随着电力系统的快速发展，电能质量的稳定性和可靠性成为了人们关注的焦点。

电能质量扰动是指在电力系统中出现的电压、电流的异常波形，它会对电力系统的正常运行产生不利影响，甚至引发设备损坏、事故事项等问题。

因此，电能质量扰动的检测与抑制成为了电力系统研究中的重要方向。

一、电能质量扰动检测方法电能质量扰动检测通常可以通过检测发生扰动的电压和电流波形来进行。

实际上，电能质量扰动的检测方法主要包括以下几种：1. 时域分析法：时域分析法是通过对电能质量扰动信号进行采样，并通过对信号的时域分析，如查表法、偏移平均法等来判断是否存在电能质量扰动。

该方法简单直观，能够准确地判断扰动的发生和持续时间，但对于复杂的扰动波形可能存在一定程度的误判。

2. 频域分析法：频域分析法是通过对电能质量扰动信号进行快速傅里叶变换（FFT）或小波变换等，将信号转换到频域进行分析。

通过分析信号在频域的幅值和相位信息来进行扰动的检测和分类。

该方法对于不同频率的扰动具有较好的分辨能力，能够较为准确地判断扰动类型，并定位扰动发生的位置。

3. 统计分析法：统计分析法主要是通过对采集到的电能质量数据进行统计学的分析，包括均值、方差、概率等指标的计算。

通过统计学方法来判断电能质量是否发生扰动，并对扰动类型进行分类。

统计分析法适用于对长时间的电能质量数据进行分析，能够提供更为全面的扰动检测结果。

二、电能质量扰动抑制方法电能质量扰动的抑制方法主要包括以下几个方面：1. 滤波器的应用：滤波器是一种常用的电能质量扰动抑制方法。

通过选择合适的滤波器类型和参数，可以将电能质量扰动信号中的频率成分进行削弱或滤除，从而提高电力系统的质量稳定性。

2. 变压器的应用：变压器作为电力系统中常用的电能质量扰动抑制装置，通过调整变压器的使用方式和参数，如变比、变压器容量等来减小电能质量扰动对系统的影响。

3. 频率补偿装置的应用：频率补偿装置是一种针对频率扰动的抑制方法。

电能质量的监测与改善技术研究

电能质量的监测与改善技术研究电能质量是指电力系统中电能传输过程中所存在的各种电气参数的稳定性和纯净性。

随着电力需求的增加和电力系统的复杂化，电能质量问题日益凸显，给电力系统的稳定运行和电气设备的安全使用带来了挑战。

因此，电能质量的监测与改善技术的研究变得尤为重要。

一、电能质量的监测技术电能质量的监测是指对电力系统中各种电气参数进行实时监测和分析，以评估电能质量的稳定性和纯净性。

常用的电能质量监测参数包括电压波动、频率偏差、谐波、电压暂降和电压闪变等。

为了准确监测这些参数，需要使用高精度的电能质量监测仪器。

目前，常用的电能质量监测仪器主要包括电能质量分析仪、电能质量记录仪和电能质量监测系统。

电能质量分析仪可以实时监测电能质量参数，并对波形进行分析和处理，从而提供详细的电能质量报告。

电能质量记录仪可以长时间记录电能质量参数的变化，并生成相应的记录报告。

电能质量监测系统则是将多个电能质量监测点的数据进行集中管理和分析，以便更全面地评估电能质量问题。

二、电能质量的改善技术电能质量的改善是指通过采取一系列措施，减少电力系统中存在的电能质量问题，提高电能的稳定性和纯净性。

常用的电能质量改善技术包括无功补偿、谐波滤波、电压调节和电能质量监测与控制等。

无功补偿是一种常用的电能质量改善技术，通过在电力系统中加入无功功率，可以平衡系统中的有功功率和无功功率，从而提高电能的功率因数和稳定性。

常见的无功补偿设备包括静态无功补偿器（SVC）和静态无功发生器（SVG）等。

谐波滤波是针对电力系统中存在的谐波问题而采取的措施。

谐波是指电力系统中频率为基波频率的整数倍的频率成分，会导致电压波形失真和电流波形失真。

谐波滤波器可以通过选择合适的谐波滤波器参数，将谐波电流引导到滤波器中，从而减少谐波对电力系统的影响。

电压调节是通过控制电力系统中的电压，使其保持在合理的范围内，从而提高电能的稳定性。

常用的电压调节设备包括电压稳定器和电力电子变压器等。

基于最优参数选择的EEMD方法的暂态电能质量扰动识别分类

为了提高电能质量，首要任务就是对各种的电能质量问题进行识别和分类。目前对稳态电能质量的研究已经很成熟了，但对暂态电能质量的研究还比较有限，暂态电能质量持续时间短，检测难度大，如何对暂态电能质量指标进行识别和分类具有
重要的意义。暂态扰动分为幅值变动和电磁暂态两类，幅值变动主要包括电压暂降、电压暂升、短时中断三种，电磁暂态主要包括暂态振荡和暂态脉冲［1］。通常，这些扰动的识别过程包括两个主要的步骤，特征提取和分类算法。
ZHAO Qiankun CAO Lingzhi （Zhengzhou University of Light Industry，Zhengzhou 450002）
Abstract The paper proposes a method to detect power quality disturbances based on the EEMD method of optimal parameter selection. By analyzing the influence of the two parameters of the eemd method on the decomposition of the power quality signal，it can select the optimal parameter to extract the feature vectors. Experiment results show that the proposed algorithm can overcome fur⁃ ther the mode mixing problem of EEMD method and reduce needless calculated amount. Combining with the fuzzy C-means algo⁃ rithm，the proposed algorithm can quickly and accurately classify disturbance signal.

采用改进互补集总经验模态分解的电能质量扰动检测方法

采用改进互补集总经验模态分解的电能质量扰动检测方法吴新忠;邢强;陈明;成江洋;杨春雨【摘要】针对集总经验模态分解(EEMD)方法加噪参数(噪声幅值、集总次数)需人为确定、分解残余噪声大以及计算耗时长的缺点,提出一种自适应快速互补集总经验模态分解(AFCEEMD)方法.该方法分析不同频率形式噪声对极值点分布的影响,确定加噪频率采用高频辅助分解的优势,并以极值点分布特性作为评价指标自适应选择最优加噪频率.通过对EEMD加噪准则的研究,推导出加噪幅值和分解次数采取固定值:0.01 SD和2次,且以正负成对的形式加入到原始信号中.通过仿真实验和搭建的电能质量扰动平台的实测数据验证了所提方法的自适应性和计算性能,而且适用于电能质量扰动检测与分析.%An adaptively fast complementary EEMD (AFCEEMD) was proposed aiming at the shortcomings of the ensemble empirical mode decomposition (EEMD) method,where the two critical parameters (the amplitude of the added white noise and the number of ensemble trials) were obtained artificially,the contamination of residue noise in the signal decomposition and the computational complexity.In the proposed method,the influence of white noise with different frequency forms on the distribution uniformity of signal extreme points was analyzed,the advantage of employing high-frequency white noise auxiliary decomposition was determined,and the distribution characteristic of signal extreme points was taken as an evaluation index to adaptively select the optimal frequency of additive white-noise.Furthermore,the two key parameters respectively fixed as 0.01 times standard deviation of the original signal and two ensemble trials were deduced by investigating theprinciple of added white noise in EEMD method,in which the white noise was added in pairs with plus and minus signs to the targeted signal.Both simulation tests and experiments data measured from the built power quality disturbance platform demonstrate the adaptability and computational efficiency of the proposed method,which is suitable for detection and analysis of power quality disturbance.【期刊名称】《浙江大学学报（工学版）》【年(卷),期】2017(051)009【总页数】10页(P1834-1843)【关键词】集总经验模态分解(EEMD);自适应快速互补EEMD(AFCEEMD);极值点分布;加噪频率参数优化;电能质量扰动【作者】吴新忠;邢强;陈明;成江洋;杨春雨【作者单位】中国矿业大学信息与电气工程学院,江苏徐州 221008;中国矿业大学信息与电气工程学院,江苏徐州 221008;中国矿业大学信息与电气工程学院,江苏徐州 221008;中国矿业大学信息与电气工程学院,江苏徐州 221008;中国矿业大学信息与电气工程学院,江苏徐州 221008【正文语种】中文【中图分类】TU111近年来,在非线性非稳态的电能质量扰动信号处理方法中,传统方法包括短时傅里叶变换[1～3]、小波变换[4～6]和S变换[7～9]等.这些方法在分解过程中不仅需要预先选择加窗函数和小波基函数,而且分析函数一旦确定以后其分解尺度就保持不变,因此其分解过程本质上都是非自适应处理.经验模态分解(empirical mode decomposition, EMD)是希尔伯特-黄变换的核心部分[10],可以根据信号极值点分布特性,将信号自适应分解成一系列的固有模态函数(intrinsic mode functions, IMF)，其分解过程完全基于信号局部时间尺度特征,无需人为选择基函数的自适应性,因此在信号处理领域得到了深入的研究.虽然EMD方法应用范围广泛[11],但当受到间断信号干扰时,会造成极值点分布不均匀，导致模态混叠效应[12].模态混叠效应的产生使得分解的个别IMF物理意义不明确、降低EMD分解性能.针对上述问题,WU等[13]提出了一种噪声辅助分解方法：集总经验模态分解(ensemble empirical mode decomposition, EEMD),通过对原始待分解信号加入不同幅值白噪声进行EMD分解,将分解结果进行集总平均得到最终的IMF分量.Yeh等[14]提出了互补集总经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)的分解方法,通过加入正负成对的白噪声克服EEMD存在的残余噪声大、分解不完备的缺点.为了解决加噪幅值不同产生不同的IMF个数以及虚假分量的问题,Torres等[15]提出了自适应完全经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),在每一阶的分解过程中加入经过EMD自适应分解的白噪声达到改进效果.虽然上述方法通过加入辅助噪声分解达到改进目的.但是加噪的幅值A和集总分解次数N都是通过经验方法确定的,大大削弱了EMD的自适应性分解性能.在分解过程中A和N只停留在理论性描述上，并没有进行严格的数学证明分析,这类经验参数并不适合所有的分解信号.通过大量的集总次数消除残余分量,依旧存在计算量较大的缺点.事实上,EMD分解是采用插值方法对信号局部极值点拟合成上下包络线求得均值曲线得到IMF分量,因此极值点分布特性是分解结果的决定性因素[16].但间断信号会影响极值点的均匀分布,在包络拟合时会出现局部均值扭曲的过冲和欠冲现象以及端点效应,从而导致不同时间尺度无法准确分解的模态混叠效应.加噪辅助的分解方法,通过加入受控噪声改善原始信号极值点的分布,使极值点分布趋于均匀从而抑制模态混叠效应的发生.从理论上来说,加入较小幅值噪声分解误差更小，可以取得更好的分解效果,而噪声幅值较小却不能改变原始信号极值点的分布,但加噪幅值较大又会产生过大的残余噪声和剩余分量,虽然通过增加集总次数可以消除残余噪声,但集总次数的增加又会增加算法的运算量.对于电能质量信号和噪声信号而言,极值点的密度间接表示信号的频率,即频率越高,极值点分布越密集,反之亦然.因此可以对原始信号加入小幅值的辅助噪声,通过改变辅助噪声的频率去影响原始信号极值点的分布，从而使极值点分布趋于均匀得到更好的分解效果.基于上述分析,针对加噪参数依据经验性确定的不足，以及如何在消除模态混叠的基础上进一步减小计算量,本文提出一种自适应快速互补集总经验模态分解(adaptively fast complementary ensemble empirical mode decomposition, AFCEEMD)方法.首先,通过对EEMD加噪准则进行研究,提出加入噪声采用小幅值高频形式,而通过建立极值点间距标准差与加噪频率之间对应的函数关系,自适应寻求最优高频噪声fi.其次,进一步确定辅助加噪参数采用固定形式.通过仿真信号对比分析,结果表明AFCEEMD方法不仅解决了模态混叠问题,而且进一步减少了计算量,消除了残余噪声的干扰,具有一定的优越性.最后将所提方法运用在电能质量扰动检测中,验证了AFCEEMD的可行性与实用性.1.1 EEMD原理对于给定的信号s(t),EEMD分解过程如下.1)对原始信号s(t)加入零均值的白噪声：式中：ni(t)为第i次添加的白噪声,i=1,2,…,N,N为集总分解次数；ξ0为添加白噪声的幅值.2)对含噪信号xi(t)进行上述EMD分解得到：式中为第i次集总分解得到的第j阶IMF分量,j=1,2,…,M,ri(t)为分解的剩余分量.3)重复步骤1)和2)进行N次分解,每次分解添加不同的幅值白噪声,对分解得到的IMF进行集总平均,作为EEMD最终分解的第j个IMF分量：2.1 自适应加噪方法对于EEMD方法而言,2个加噪参数(加噪幅值和集总分解次数)需要预先人为确定.Wu等[13]给出了2个参数之间的关系公式：式中：A为加噪幅值；N为集总分解次数；ε为分解的标准误差.分析式(4)可知,加噪幅值A与分解误差ε成正比,A越小,可以获得越小的分解误差,分解结果更为精确.然而,一方面，如果A太小,噪声振动微弱难以改变信号极值点的分布,EEMD方法弱化成EMD方法，无法达到消除模态混叠作用；另一方面,如果A过大,分解误差随之增大,且噪声振动过于剧烈,使得信号极值均匀分布受到破坏,信号极值点均由噪声诱发,产生残余噪声和过多的剩余分量.虽然可以通过增加集总分解次数N消除残余噪声和剩余分量的影响,但N的增加往往会增加算法的计算量.Wu等[13]通过大量的实验建议：A一般取0.1～0.2 SD(SD表示原始信号标准差),N一般为数百次.但这种经验参数并不适合所有非线性非稳态信号的处理.因此,如何折中选择上述加噪参数,使分解性能达到最优,在消除模态混叠效应的基础上进一步减少计算量体现了算法的优越性.2.1.1 加噪频率确定通过上述分析可以看出,EEMD方法消除模态混叠效应的原理是通过选择合适的噪声改变原始信号的极值点分布，使其趋于均匀,利用噪声频率分布均匀特性,使得原始信号相应成分自动映射到由噪声构建的均匀分布的尺度中,从而消除模态混叠[16].噪声的频率f分布和极值点特性直接决定了分解效果.针对非线性非稳态信号和噪声而言,信号的频率间接表示为极值点密度，即频率越高,极值点密度就越高；反之亦然.因此可以推断高频噪声比低频噪声对极值点分布的改善效果更为明显.如图1所示为不同频率的噪声对原始信号极值点分布的影响.分析图1可以看出,图1(a)中原始含噪信号构建的包络与噪声信号包络近乎重合,表明噪声信号的加入未能改变原始信号极值点的分布,对消除模态混叠效应作用不是很大；图1(b)中随着噪声频率增加,含噪信号极值点分布有了明显改变,噪声包络逐渐趋于拟合含噪信号,但拟合程度不高，存在拟合过冲和欠冲现象；图1(c)中随着加噪频率进一步增加,含噪信号极值点分布改进更为显著,所有的含噪信号被噪声包络所包裹拟合,使含噪信号全部映射到噪声构建的均匀分布尺度中,表明高密度的噪声信号对原始信号极值点分布改善效果更为明显，更有利于消除模态混叠现象.可以得出，不同的加噪频率对极值点均匀分布特性的影响存在差异,加噪频率越高,极值点分布越趋于均匀,越能取得良好的分解效果.虽然高频噪声相对于低频噪声的性能优势明显,但加噪频率并不是越高越有效.为了进一步分析极值点分布特征与加噪频率之间的关系,引入极值点间距标准差作为评价参数[17].当极值点间距变化较小时,表明波动程度小,极值分布较均匀；反之亦然.间距差的波动程度可以采用标准差来衡量,即极值点之间的标准差可以反映极值点均匀分布的情况.因此,通过改变加入不同频率的白噪声,采用式(5)计算极大值和极小值点间的标准差Dmax和Dmin,通过目标优化参数Fi可自适应确定噪声的优化频率,自适应加噪频率优化过程如图2所示.式中：S为标准差计算公式,l=1,2,…,p,k=1,2,…,q,l为极大值个数,k为极小值个数. 由图2可知,当加噪频率逐渐增大时,参数Fi随之减小,说明极值点分布越发趋于均匀；当加噪频率增加到一定程度时,此时噪声频率破坏了极值点分布的均匀程度,导致原始信号极值点均被噪声淹没,极值点间距差变大,Fi呈现增加趋势,直到趋于稳定.因此,自适应优化过程的极小值点为所求的最优噪声频率fi.2.1.2 集总平均次数的确定 EEMD方法中分解通过集总次数N的平均来消除,具体原理分析如下.由于EMD方法的分解完备性特征[18],式(2)亦可表达为将式(3)最终的分解结果代入式(6)可得：式中为各阶集合平均后的IMF分量为最终集合平均后的剩余分量.由重构信号定义[19]可知,将与相加重构得到重构的原始信号：对比式(8)和(7)可以发现,EEMD方法分解的重构误差为REEMD(t)即为加噪信号存留在分解中的残余噪声,并不是原始信号的固有成分.虽然根据白噪声的统计特性,理论上通过增加N可以使得残余噪声减少,但不断的集总平均使得计算量大幅增加.在CEEMD方法中,加噪方式采用正负成对的形式,因此由同样的分析方法得到CEEMD的残余噪声为由式(10)分析可以看出,由于CEEMD加噪方式采用正负成对的白噪声,正负相抵后残余噪声为零,理论上不需要通过集总次数来消除残余噪声对分解结果的影响,可以得出残余噪声大小与集总平均次数无关的结论.为了进一步验证集总次数对分解性能的影响,利用第3章中的仿真信号y(t),通过对y(t)加入不同频率的噪声进行CEEMD分解,计算不同集总次数下的Fi,自适应寻求最优频率fi,其中噪声幅值统一为0.1 SD,N对极值点分布影响如图3所示.表1列出了不同集总次数下的性能评价指标值,表中RMSE为原始信号与重构信号间的均方根误差,用来计算信号中的残余噪声大小.分析图3和表1可知,4次集总次数不同的实验,都在fi=49.6 kHz时达到最优的极小值,得到的极值点均匀分布参数Fi较为接近,相互间的误差较小,增加集总次数N 对改善极值点分布的影响可以忽略不计.不同N值对应的残余噪声RMSE数量级都在10-15,计算误差近似为0,主要由计算机的计算运差造成.但不同N值下,计算量存在明显差异,N=2时的计算耗时仅为N=150的计算耗时的1/65,即通过减少集总次数N,可以大幅降低计算量,提高算法运算效率.综上所述,在满足获得残余噪声小、Fi近似相同的条件下,为了进一步减少计算量,理论上当集总分解次数为2时可以加快计算效率,因此采用CEEMD正负成对的加噪方式,固定N=2的分解方法.2.1.3 加噪幅值确定为了保证良好的分解性能,使得分解误差较小,文献[13]规定式(4)中,ε≤1%.EEMD方法通过加噪幅值A的大小来消除模态混叠,且A不宜过大和过小.根据前文分析,提出通过高频噪声来消除模态混叠效应,采用正负加噪集总平均2次提高运算效率,在消除模态混叠的同时进一步提高运算效率,得出加噪幅值A与最终的残余噪声无关的结论.因此,将ε=0.01、N=2代入式(4)得到加噪幅值A=0.014,即采用较小的加噪幅值,为了进一步简化运算和获得较小的分解误差,本文采用固定加噪幅值A=0.010的方式.2.2 AFCEEMD方法基于上述分析,本文提出AFCEEMD方法,对于非平稳非线性信号s(t),AFCEEMD方法步骤如下：1) 采用2.1.1节的方法确定最优加噪频率fi,其中,初始加噪频率fb=2fs(fs为信号的采样频率),截止加噪频率一般取10～20fs,即加入不同频率的噪声计算Fi,寻求极小值对应的fi.为了提高计算效率,对fb～fp进行频带划分：fb～6fs、6fs～8fs和8fs～fp,对于6fs～8fs频带的加噪频率间隔为0.2fs Hz,其余2个频带加噪间隔为0.5fs Hz.2) 对原始信号s(t)加入一对正负白噪声[n(t),-n(t)]得到一组含噪信号[P(t),-N(t)]：式中：噪声±n(t)幅值固定为0.01 SD.3) 对含噪信号[P(t),-N(t)]分别进行EMD分解,得到一系列IMF分量与剩余分量：式中与分别为加入噪声+n(t)与-n(t)对应的第j阶IMF分量与分别为相对应的剩余分量,M为分解产生得到的IMF个数.4) 对所有的IMF分量进行2次集总平均得到：式中：cj(t)(j=1,2,…,M)为AFCEEMD分解得到的最终的第j阶IMF分量,完成整个分解工作.为了验证AFCEEMD方法的有效性,采用复合扰动仿真信号进行仿真验证:式中：y2(t)和y3(t)为正常的正弦信号,y1(t)为间断扰动信号,f0=100 Hz、f1=400 Hz、f2=2 000 Hz、τ=6×10-7s,采样频率为8 kHz,采用时长为0.025 s.仿真信号时域波形如图4所示.通过对y(t)加入不同频率噪声计算Fi参数求得fi,其中fb=2fs=16 kHz,fp=80 kHz,噪声幅值A=0.01 SD.自适应优化频率过程如图5所示.图5中Fi先减少再逐渐增大最后趋于稳定,当Fi达到最小值0.008 92时,求得最优频率fi=49.6 kHz.采用AFCEEMD方法对仿真信号进行分解,其中加噪参数设置如下：fi=49.6 kHz、A=0.01 SD、N=2,分解结果如图6所示.为了证实选择高频加噪方式在最优加噪频率时的分解效果,采用式(15)和(16)相关系数和正交系数[20]去衡量不同频率下AFCEEMD方法分解性能:式中：分别为信号pi和qi的均值,i=1,2,…,N.式中：y(t)表示原始信号,Ik(t)为IMF分量成分,Ij(t)为剩余分量.C测试真实信号与分解线号的相关性,C越高表明分解成分越精确,O用来检验分解方法各分量的正交性,O越低表明分解结果频率混叠越小.图7表示不同频率下C与O的具体值.结合图6和图7分析可以得出：图6直观反应出AFCEEMD分解性能较好,各分量成分能准确的分解得到对应的IMF分量,不存在模态混叠效应和虚假分量成分.图7通过比较不同频率下的分解结果的C与O值,当频率都为49.6 kHz时,分解结果得到最大的相关系数和最小的正交系数,验证了通过Fi搜寻最优高频加噪方法的有效性.将AFCEEMD与前文所提的EEMD、CEEMD与CEEMDAN加噪辅助方法进行综合比较,各方法加噪幅值统一设定为0.2 SD,集总分解次数统一为150.各方法对y(t)的分解结果如图8所示.结合图6和图8中各方法的分解结果可以看出,总体而言,各方法都能实现对高频间断信号和低频分量的频带分离,但基于经验性参数选择的3种方法分解效果稍逊,尤其是对高频间断分量C1分解时出现了模态混叠效应和端点现象,其中EEMD方法分解得到了虚假分量C4,而本文方法分解的结果更加清晰和准确.为了进一步量化分解效果,4种方法的分解性能指标参数表2所示.其中,耗时指标为上述4种方法在配置为4 G内存、2.4 GHz双核CPU笔记本及Matlab2014a运行环境中重复进行50次实验所消耗时间的平均值.如图9所示为4种方法分解的残余噪声结果,ε为残余噪声误差，又叫重构误差.通过对表1和图9对比分析可知,本文所提方法可以获得较高的相关系数和较低的正交系数,充分验证分解性能的精确性；加噪方法采用正负成对的形式,在分解过程中相互抵消残余噪声的影响,表明本文方法在分解过程中的完备性.本文方法的计算时间较之其他方法大为减少,计算性能有了显著的提高.为了验证本文所提方法的实际检测性能,在仿真测试的基础上,搭建电能质量扰动实验平台,采集真实电能质量扰动数据进行验证,电能质量扰动实验平台如图10所示.平台主要实验装置包括：负载电阻(100 Ω、1 000 W)、投切电容(47 μF)、单相整流桥(输入电压220 V、直流输出电流10 A)、交流调压器(1 000 W)、交流电机(220 V、400 W)、DSP控制器(TMS320F28335)、继电器组、示波器和Fluke435电能质量测试仪等.4.1 稳态扰动实验验证设计整流桥与电容投切的稳态扰动实验,通过DSP控制器控制继电器组,在t0时刻投入整流桥与电容,使得整流桥与电容和负载电阻形成串联电路.在t1时刻切除,实验中交流调压器原副边变比为4∶1,利用Fluke435对负载侧进行检测,采样频率为15 kHz,测得t0～t1时刻实际总电压电流波形、电压频谱含量如图11(a)、(b)所示.图中，IL为负载电流，UL为负载电压.分析图11可知,Fluke检测到1～9次奇次谐波含量,3次、5次和7次谐波含量较高,总谐波畸变率(THD)达到26.7%、15.4%和13.2%,9次含量相对较少.将实测数据导入Matlab通过EEMD和AFCEEMD方法检测分析,这2种方法的谐波分解结果如图12(a)、(b)所示.由图12分解结果直观上可以得出,AFCEEMD方法的谐波分解效果优于EEMD方法,各次谐波含量能准确分解得到对应的IMF分量,而EEMD方法得到C1与C2模态分量扰动较大存在模态混叠效应.为了进一步分析频率和幅值特征参数检测结果,将EEMD方法与AFCEEMD方法分解得到的IMF分量进行Hilbert变换[21]得到具体检测值,并与Fluke实测结果进行对比分析,如表3所示为频率与幅值的具体检测结果.由表3检测结果可知,AFCEEMD方法对2个特征参数的检测效果与Fluke仪器检测效果相仿,而EEMD方法由于分解存在明显的模态混叠效应,C1与C2还检测到432.78 Hz、321.47 Hz的间谐波分量,特征提取参数精确度逊于其他2种方式.为了具体比较检测结果与实际电压偏差程度,单独对基波分量分析研究,图13为当交流调压器变比为4∶1时，不进行投切时的原始电压波形图以及由EEMD方法与AFCEEMD方法分解得到的基波电压波形图.图13表明,实测原始电压波形较为标准,电压范围为-76.82～77.78 V,AFCEEMD方法基波分解波形电压波动范围为-78.66～79.35 V,基波分解波形更稳定、精确,偏离范围较小,而EEMD方法基波电压偏差较大,电压波形范围为-56.78～68.76 V.如表4所示为各方法检测的频率和幅值与国标工频电压的偏差结果,为了便于和标准电压有效值220 V进行对比，将Fluke、EEMD以及AFCEEMD所得结果乘以交流调压器变化(4∶1)，统一转换成原边电压有效值.分析表4可以得出,采用Fluke与AFCEEMD方法检测的频率与电压有效值满足国家工频电压偏离标准(频率偏差为±1%,电压偏差为-10%～7%).EEMD方法检测结果偏差较大,频率与电压偏差分别为2.62%、-16.10%.4.2 暂态扰动实验验证设计交流电机和整流桥投切的暂态扰动实验,同样通过DSP控制器控制继电器组和电机驱动模块,在t2时刻投入整流桥与交流电机,使得电机与整流桥和负载电阻形成并联电路.在t3时刻切除,实验中交流调压器原副边变比为1∶1,利用示波仪和Fluke435对负载侧进行检测,采样频率都设置为15 kHz,测得实际暂态总电压波形、电压幅值骤降波形如图14(a)、(b)所示.可知,AFCEEMD方法对含有谐波的暂态扰动采取同样的分析方法,将实测数据运用AFCEEMD方法进行分解,分解结果如图15所示.问题,可以准确分解出各个有效成分,C1～C4为奇次谐波含量,C5为基波成分,分解效果较为准确.同样,为了验证算法对暂态扰动的检测效果,仅将基波分量C5进行Hilbert变换得到扰动瞬时幅值.为了进行检测效果对比,图16给出了EEMD采取同样方法的瞬时幅值检测曲线以及将Fluke检测数据导入后绘制的瞬时幅值扰动曲线,其中时间点采取统一起始点归零化处理.通过图16可知,AFCEEMD方法对暂态扰动跟踪响应性能与Fluke仪器检测性能相当,扰动时间点定位误差相对较小(3.53%、0.06%),Fluke检测的骤降幅度为0.071 pu,AFCEEMD方法的骤降幅度为0.070 pu,EEMD方法相对Fluke扰动点定位误差为4.5%、3.6%,跟踪响应性能满足暂态扰动检测要求,但对瞬时幅值检测误差依旧较大,骤降幅度达到0.074 pu.本文提出的自适应快速互补集总经验模态分解(AFCEEMD)方法解决了EEMD方法分解自适应性不足以及计算效率低的缺点.仿真信号表明，AFCEEMD方法能比现有的噪声辅助分解方法更好地抑制模态混叠效应，使分解残余噪声大幅降低且计算效率有了明显提高.将AFCEEMD方法应用于电能质量扰动检测中,可以有效地实现对稳态扰动频率、幅值的准确识别以及对暂态扰动时刻、扰动幅值的精确提取，验证了所提方法的有效性和实用性.尽管如此,AFCEEMD方法也只是一种改进的噪声辅助分解方法,并未对EMD方法本身进行改进研究,EMD方法采取2次样条插值方式计算耗时依旧过大，分解迭代次数较多,这将在下一步研究中进行分析与改进.【相关文献】[1] 徐永海,赵燕.基于短时傅里叶变换的电能质量扰动识别与采用奇异值分解的扰动时间定位[J].电网技术,2011,35(8): 174-180． XU Yong-hai, ZHAO Yan. Identification of power quality disturbance based on short-term fourier transform and disturbance time orientation by singular valuedecomposition [J]. Power System Technology, 2011,35(8): 174-180．[2] 赵凤展,杨仁刚.基于短时傅里叶变换的电压暂降扰动检测[J].中国电机工程学报,2007,27(10)：28-34. ZHAO Feng-zhan, YANG Ren-gang. Voltage sag disturbance detection based on short time fourier transform [J]. Proceedings of the CSEE,2007,7(10): 28-34．[3] MAHELA O P, SHAIK A G, GUPTA N. A critical review of detection and classification of power qualityevents [J]. Renewable and Sustainable Energy Reviews, 2015, 41(C): 495-505．[4] THIRUMALA K, UMARIKAR A C, JAIN T. Estimation of single-phase and three-phase power-quality indices using empirical wavelet transform [J]. IEEE Transactions on Power Delivery, 2015, 30(1): 445-454．[5] DE YONG D, BHOWMIK S, MAGNAGO F. An effective power quality classifier using wavelet transform and support vector machines [J]. Expert Systems with Applications, 2015, 42(15): 6075-6081．[6] 李涛,夏浪,张宇,等.基于提升复小波的暂态电能质量扰动的检测与定位[J].中国电机工程学报,2011,31(25): 66-72． LI Tao, XIA Lang, ZHANG Yu, et al. Detection and localization of power quality transient disturbances based on lifting complex wavelet [J]. Proceedings of the CSEE, 2011, 31(25): 66-72．[7] 张志禹,满蔚仕,郗垒,等.快速S变换在电能质量分析中的应用[J].电网技术,2013,37(5): 1285-1290． ZHANG Zhi-yu, MAN Wei-shi, XI Lei, et al. Application of fast S-transform in power quality analysis [J]. Power System Technology, 2013, 37(5): 1285-1290．[8] 徐方维,杨洪耕,叶茂清,等.基于改进S变换的电能质量扰动分类[J].中国电机工程学报,2012,32(4): 77-84． XU Fang-wei, YANG Hong-geng, YE Mao-qing, et al. Classification for。

基于改进型神经网络的电能质量扰动识别

基于改进型神经网络的电能质量扰动识别金燕;钟金金;章旌红【摘要】An improved neural network is put forward in this paper to enhance the identification effect of power quality disturbance. Based on analyzing the traditional BP neural network and the genetic algorithm optimized BP neural network (GA-BP) f a new method based on Bayesian-regularization neural network is presented , and the wavelet packet-energy entropy is used to construct a feature vector. The improved method can overcome the local minimum problem of traditional BP neural network, the overfitting and too much network nodes of GA-BP. The simulated models of the disturbance signals were built, and tested by traditional BP neural network, GA-BP and the improved neural network, respectively. The simulation results show that the improved neural network can enhance the identification accuracy significantly.%为了改善神经网络的电能质量扰动识别能力,提出了一种改进型神经网络.在分析了传统BP神经网络和遗传算法优化BP神经网络(GA-BP)的基础上,将遗传算法和贝叶斯正则化神经网络相结合,并采用小波包能量熵作为特征向量.改进后的神经网络能有效克服传统BP神经网络易陷入局部最小,GA-BP易出现过拟合现象且网络节点数偏多等缺点.在MATLAB平台上建立各种电能质量扰动信号的仿真模型,分别采用传统BP神经网络、GA-BP及改进型神经网络进行扰动识别对比.仿真结果表明,改进后的神经网络显著提高了识别正确率.【期刊名称】《电气自动化》【年(卷),期】2012(034)004【总页数】3页(P59-61)【关键词】遗传算法;贝叶斯正则化;神经网络【作者】金燕;钟金金;章旌红【作者单位】浙江工业大学信息工程学院,浙江杭州 310023;浙江工业大学信息工程学院,浙江杭州 310023;浙江工业大学信息工程学院,浙江杭州 310023【正文语种】中文【中图分类】TM7110 引言敏感性电子设备如计算机、微电子控制器、变速驱动器的广泛使用，电力工业及其用户对电力系统的电能质量要求日益严格。

CEEMD在电能质量扰动检测中的应用

CEEMD在电能质量扰动检测中的应用吴新忠;邢强;渠虎;王前进;杨春雨【摘要】为了解决总体平均经验模态分解(EEMD)处理非平稳、非线性信号的不足,提出了一种基于完全经验模态分解(CEEMD)的电能质量扰动检测新方法.首先采用CEEMD对含噪的电能质量扰动信号进行分解得到固有模态函数,并对固有模态函数进行Hilbert变换检测出瞬时幅值和瞬时相位特征参数.对所得瞬时幅值求取二阶导数得到模极大值点,提高了通过模极大值点定位扰动时刻的准确性.针对高频复合扰动采取两次CEEMD分解方法去除噪声与虚假分量有效提取出扰动成分,针对稳态扰动提出先去除谐波再提取闪变包络的检测方法.并通过Matlab仿真实验以及依托交流调压器负载实验和三电平实验平台的实测数据,验证了该方法既可以对未知扰动信号进行辨识区分,也可以确定电能质量扰动的时刻、类型、频率和幅值等特征参数.%To solve the problem that Ensemble Empirical Mode Decomposition (EEMD) is not insufficient in processing the non-linear and non-stationary signal.On this basis,this paper presents a new method of power quality disturbance detection based on Complete Ensemble Empirical Mode Decomposition (CEEMD).Firstly,the power quality disturbance signal with noise is decomposed into Intrinsic Mode Function (IMF) by CEEMD,whose instantaneous amplitude and phase characteristic are detected by Hilbert Transform.Furthermore,the obtained instantaneous amplitude is derived to get its modulus maximum points by second-order derivative,which improves the accuracy of positioning disturbancetime.Given the high frequency compound disturbance,the CEEMD decomposition method is adopted twice to remove noise and falsecomponents.According to steady state disturbance,the detection method is to remove harmonic components firstly and then to extract the flicker envelope.At last,through Matlab simulation experiments and the data measured on AC voltage regulator load experiment and three-level experimental platform verify that this method is able to identify the unknown disturbance signal,and as well as determine the power quality disturbance time,type,frequency,amplitude and other characteristic parameters.【期刊名称】《电力系统保护与控制》【年(卷),期】2017(045)003【总页数】8页(P48-55)【关键词】电能质量;完全经验模态分解;希尔伯特-黄变换;扰动分类;特征提取【作者】吴新忠;邢强;渠虎;王前进;杨春雨【作者单位】中国矿业大学信息与电气工程学院,江苏徐州221008;中国矿业大学信息与电气工程学院,江苏徐州221008;中国矿业大学信息与电气工程学院,江苏徐州221008;中国矿业大学信息与电气工程学院,江苏徐州221008;中国矿业大学信息与电气工程学院,江苏徐州221008【正文语种】中文近年来，国民经济的大力发展推进了电网建设的步伐，然而电网中投入了大量的电力电子设备，产生的冲击负荷与非线性负载严重影响了电力系统的供电质量。

基于EEMD和Teager能量算子的电能质量扰动检测

基于EEMD和Teager能量算子的电能质量扰动检测邓为权;邹金慧;范玉刚;吴建德【摘要】针对电能质量扰动检测的问题,结合经验模态分解(EMD)理论和总体平均经验模态分解(EEMD)算法以及Teager能量算子(TEO),提出基于EEMD和Teager能量算子的电能质量扰动检测方法.利用经验模态分解方法,将电力系统监测信号分解成不同特征时间尺度的单分量固有模态函数(IMF),用Teager能量算子计算各固有模态函数的瞬时幅值和频率,得到扰动信号的幅值谱.该方法充分利用了EEMD的自适应性与Teager算子的快速响应能力,仿真试验结果验证了该方法的有效性.【期刊名称】《中国电力》【年(卷),期】2014(047)005【总页数】4页(P35-38)【关键词】电能质量;扰动检测;EEMD;Teager能量算子【作者】邓为权;邹金慧;范玉刚;吴建德【作者单位】昆明理工大学信息工程与自动化学院,云南昆明650500;昆明理工大学信息工程与自动化学院,云南昆明650500;昆明理工大学信息工程与自动化学院,云南昆明650500;昆明理工大学信息工程与自动化学院,云南昆明650500【正文语种】中文【中图分类】TM933.40 引言随着越来越多的新能源发电装置和冲击性负荷接入电网，配电网电能质量问题日益突出，电网中存在大量诸如谐波、电压暂升、电压暂降、电压中断等电能质量问题。

为及时解决这些问题，必须对电网进行实时监控，并对电能质量扰动进行快速和准确的检测。

在电能质量扰动检测中，常用的方法是小波变换法。

文献[1-3]将小波包算法运用于电力系统分析中，但是其方法本身存在一些缺陷，如小波基不易选取、不具有自适应性、计算量过大且在小波内的信号必须平稳，故其对非线性非平稳信号无法准确分析。

文献[4]将HHT方法应用在电能质量扰动检测中，取得了一定的效果。

但是，经验模态分解（empirical mode decomposition，EMD）自身存在一些缺陷，如当信号不是纯白噪声的情况下，分解会出现模态混叠现象[5-6]。

基于EEMD阈值去噪的电能质量多扰动分类

基于EEMD阈值去噪的电能质量多扰动分类
范伟;田丽;汪晨
【期刊名称】《齐齐哈尔大学学报（自然科学版）》
【年(卷),期】2018(034)002
【摘要】针对含噪声的电能质量多扰动分类识别问题,提出一种基于EEMD阈值去噪的分类识别方法.首先依据源噪声信号在电能基波上不同频率和不同幅值叠加的特性,采用EEMD去噪法对信号源分解得到固有模态函数(IMF),消除高斯白噪声后,将得到的IMF分量转化为IMF能量值;最后,运用人工蜂群算法(ABC)优化在线极限学习机(OSELM)实现多扰动分类识别.MATLAB实例证明了提出方法的能够准确的对于扰动信号进行分类识别.
【总页数】7页(P31-37)
【作者】范伟;田丽;汪晨
【作者单位】安徽工程大学电气工程学院,安徽芜湖 241000;安徽工程大学电气工程学院,安徽芜湖 241000;安徽工程大学电气工程学院,安徽芜湖 241000【正文语种】中文
【中图分类】TM715
【相关文献】
1.基于自适应小波阈值去噪和HT-LMD的电能质量扰动检测方法 [J], 唐圣学;付滔;李志刚
2.基于EEMD自适应阈值去噪的电能质量扰动检测与定位研究 [J], 韩刚;张建文;
禇鑫
3.基于改进软阈值法的电能质量扰动信号去噪 [J], 王继东;王成山
4.基于改进小波阈值的电能质量扰动信号去噪算法 [J], 郑炜
5.基于CEEMDAN和小波软阈值的电能质量扰动信号去噪新方法 [J], 张震;刘明萍;张镇涛;汪庆年
因版权原因，仅展示原文概要，查看原文内容请购买。

电能质量扰动分析方法与实用监测的研究的开题报告

电能质量扰动分析方法与实用监测的研究的开题报告一、选题的背景与意义随着电力系统的发展，电力质量问题越来越严重，尤其在电能质量的稳定性方面，电力系统中的各种扰动因素，如电压暂降、电压闪变、谐波、电磁干扰等，将会给用户带来不良的影响，如电器设备损坏、电能浪费、电能效率低等。

因此，电力系统的电能质量监测成为相关领域的重要研究内容之一。

本文将研究电能质量扰动分析方法及实用监测，通过研究和分析电力系统中的电能质量扰动，为提高电力系统的稳定性和电能质量提供一个可靠的监测和控制方法。

二、研究的内容和方法本研究将采用实验室测试和数据分析的方法，通过采集电力系统中的电能质量数据进行实验，研究电能质量扰动对电力系统的影响；并从数据采集、数据处理、数据分析、问题诊断和问题解决等方面展开研究，通过建立电能质量监测系统，提高电力系统的电能质量。

三、预期研究结果通过本研究，将得到以下预期结果：1. 形成一套电能质量扰动分析方法；2. 建立电能质量监测系统，提高电力系统的稳定性和电能质量；3. 对某些电能质量问题进行分析和解决，为电力系统优化提供参考。

四、研究的进度与安排本研究的进度安排如下：1. 文献综述、相关技术掌握和准备：1个月；2. 实验设计、数据采集和处理：3个月；3. 数据分析和问题解决：2个月；4. 论文撰写、提交和答辩：2个月。

五、可行性分析本研究采用实验室测试和数据分析的方法，比较可行。

同时，通过结合电力系统的实际情况和需求，开发出一套实际可用的电能质量监测系统。

本研究是从实践出发，主要针对实际的电能质量监测问题，对于提高电力系统的稳定性和电能质量具有一定的实际应用价值。

六、结论本研究将建立电能质量监测系统，提高电力系统的稳定性和电能质量，并对某些电能质量问题进行分析和解决，为电力系统优化提供参考。

一种改进的EEMD方法及其应用研究

收稿日期: 修订日期: (日期待编辑部填写)基金项目: 国家优秀青年科学基金(51222503)、教育部新世纪优秀人才支持计划(NCET-11-0421)和陕西省自然科学基础研究计划项目一种改进的EEMD 方法及其应用研究孔德同1，范炜1，雷亚国2，丁小川1，王志1（1. 华电电力科学研究院，浙江杭州 310030；2. 西安交通大学机械制造系统工程国家重点实验室，陕西西安 710049）摘要：针对集成经验模式分解(Ensemble empirical mode decomposition, EEMD)中协助噪声幅值大小需要人为经验确定的不足，基于经验模式分解(Empirical mode decomposition, EMD)二进滤波器特性，讨论了EMD 出现模式混淆的原因，研究了EEMD 中协助噪声幅值大小的确定原则，提出基于极值点分布特性的改进EEMD 方法，通过遍态历经，以极值点分布特性为评价参数，自适应确定EEMD 方法中高斯白噪声优化幅值。

通过数据仿真，验证了其有效性。

最后，应用于转子早期故障诊断中，结果显示可以自适应确定噪声幅值，避免参数人为选择导致分解结果的盲目性，有效抑制了传统EMD 方法的模式混淆现象，可有效识别转子早期碰磨引起的故障特征。

关键词：改进EEMD ；极值点分布特性；故障诊断中图分类号：TH17 文献标识码：A引言EMD 是美国工程院N.HUANG 博士于1998年提出的一种自适应数据处理方法，在非线性、非平稳信号分析中具有显著优势。

与FFT 、小波分解等不同，EMD 方法无需选择基函数，其分解完全基于信号本身极值点分布，通过多次筛选，将信号分解为多个表征信号中某种单一模态的本征模式分量(Instrinsic mode function, IMF)与一个趋势项，得到国内外广泛关注[2]。

然而，当信号的极值点分布不均时，EMD 分解结果会出现“过冲”、“欠冲”现象，导致模式混淆[3]。