特征提取方法在电能质量扰动识别中的应用
特征提取方法在电能质量扰动识别中的应用
![特征提取方法在电能质量扰动识别中的应用](https://img.taocdn.com/s3/m/0265b461af1ffc4ffe47ac6d.png)
的 原 始 信 号 进 行 数 学 变 换 , 扰 动 新 的 变 在 如 图2 示 , 相 标 准 电 压 经 过 变 换 所 三 量 问题 进 行 评 估 与分 析 , 各 种 扰 动 进 行 换 域 中 可 以 实 现 对 扰 动 信 号 由表 及 里 、 后 , dq轴 上表 现 为 直 流 分 量 。 由式 中 对 由 在 , 且 P D 理 系 统 如 图 1 示 , 中可 以 看 Q 治 所 从
各 种 分 布 式 发 电单 元 逐 步 接 入 电 网 , 同时 器设 计 两 个环 节 , 有效 特 征 的 提 取 是 提 而 高 识 别 率 的 关 键 因素 之 一 。
的 基 于 时 频 分 析 的 方 法 和 基 于 非 时 频 分 析 的 方 法 。 中 , 于 非 时 频 分 析 的 方 法 其 基 主要 包括 Hib r变 换 、 F r et F T变换 、 学形 态 数
近年 来 , 着 电 力 系统 容量 不 断 扩 大 , 随 各 种 大 功 率 的 非 线 性 负载 使 用 不 断 增 加 , 造成 公 用 电 网 电能 质 量 日益 恶 化 。 力 系 电
出PQD识 别主 要 包括 扰 动 特征 提 取 和 分 类
2特征提取方法
基 于 数 学 变 换 的 特 征 提 取 方 法 主 要有
问题 以 波 形畸 变 为 特征 , 要 包 括谐 波 、 提 取 的 特 征 主 要 有 扰 动 波 形 幅 值 、 方 根 希 尔 伯 特 黄 变 换 、 变 换 等 。 于 以上 几 主 间 均 S 基 谐 波 、 压波 动 等 ; 态 电能 质量 问 题 常 以 值 、 值 或 能 量 、 动 持 续 时 间等 , 电 暂 均 扰 直接 利 种 分 析 方 法 的P D的 特征 提 取 是识 别扰 动 Q 幅值 、 频谱 和 暂 态 持续 时 间为 特 征 , 见 的 用 这些 特 征 对 含有 基 波 的 P 信 号 进行 识 的 基 础 常 QD
电能质量扰动数据特征的最优分辨率提取
![电能质量扰动数据特征的最优分辨率提取](https://img.taocdn.com/s3/m/16d9da24974bcf84b9d528ea81c758f5f61f2981.png)
电能质量扰动数据特征的最优分辨率提取介绍电能质量是指电力系统中的电压、电流等电能参数的稳定性和波动情况。
电能质量扰动是指电力系统中出现的突发的、非周期性的电压或电流异常变化,可能会对电力设备造成损害或影响电能的正常使用。
电能质量扰动的有效监测和分析对于确保电能质量的稳定和安全具有重要意义。
在电能质量扰动数据特征的研究中,确定最优分辨率提取是一个关键的任务。
最优分辨率提取可以帮助我们理解电能质量扰动信号的特征和规律,进而采取相应的措施来改善电能质量。
本文将介绍电能质量扰动数据特征的最优分辨率提取的方法与步骤,并探讨其应用。
方法与步骤1. 数据采集与预处理首先,我们需要采集电能质量扰动数据。
可以通过电力设备上安装的传感器或测试仪器来采集电流和电压的原始数据。
采集的数据可能包含噪声和干扰,因此需要进行预处理。
预处理的步骤包括去噪和滤波。
常用的去噪方法有平滑滤波和小波去噪。
滤波可以通过低通滤波器消除高频噪声,保留信号的主要频率成分。
2. 特征提取特征提取是将原始数据转换为具有实际意义的特征参数。
在电能质量扰动数据中,常用的特征包括频率、幅值、相位等。
对于频率特征的提取,可以使用功率谱密度估计方法,如傅里叶变换或小波变换。
这些方法可以将信号从时域转换为频域,得到信号的频率成分。
幅值特征的提取可以通过计算信号的均方根值或峰值来实现。
这些特征反映了信号的能量和振幅大小。
相位特征的提取可以使用相位角的计算方法。
相位角表示了信号在不同时间点上的相对位置。
3. 特征分析在特征提取之后,我们可以对提取得到的特征进行分析。
特征分析可以帮助我们理解电能质量扰动数据的特点和规律。
特征分析可以包括统计分析、频域分析和时域分析等方法。
统计分析可以计算特征的平均值、方差、偏度和峰度等,从而揭示数据的分布情况。
频域分析可以探索信号的频率成分和谱线特征。
时域分析可以通过观察信号的波形和周期来研究信号的周期性和时序特征。
4. 最优分辨率提取最优分辨率提取是在特征分析的基础上,确定合适的分辨率来描述电能质量扰动的特征。
电力系统中电能质量监测的数据分析方法
![电力系统中电能质量监测的数据分析方法](https://img.taocdn.com/s3/m/92a7df15f11dc281e53a580216fc700abb685293.png)
电力系统中电能质量监测的数据分析方法电力系统中电能质量监测是保障电力系统运行稳定和供电质量的重要环节。
随着电力系统的发展和复杂化,电能质量监测的数据量也日益增大,如何高效地利用这些数据成为了一个关键问题。
本文将介绍电力系统中电能质量监测的数据分析方法,包括数据预处理、特征提取和异常检测等方面。
一、数据预处理数据预处理是数据分析的第一步,通常包括数据清洗、数据转换和数据集成等过程。
在电能质量监测中,由于监测设备的限制或环境因素的影响,得到的数据可能存在噪声、缺失值或异常值等问题。
1.数据清洗数据清洗主要是对收集到的原始数据进行质量控制和修复,以保证后续的数据分析可靠性。
具体而言,可以采用滤波算法对数据进行平滑处理,滤除来自测量装置和其它设备的高频噪声。
另外,对于数据中的异常值,可以通过一些统计方法进行检测和修复。
2.数据转换数据转换是将原始数据转换为适合进一步分析的形式。
在电能质量监测中,可以采用数字滤波技术对数据进行降采样,以减少数据存储和计算量。
此外,还可以进行数据标准化,将数据转换为特定的单位或范围。
3.数据集成数据集成是将来自不同监测设备或测量点的数据进行统一整合,以便于后续的分析。
在电能质量监测中,可以采用时间对齐等方法将数据进行整合,并计算相应的统计特征。
二、特征提取特征提取是从原始数据中提取有用的信息以描述数据的过程。
在电能质量监测中,特征提取通常包括时间域特征、频域特征和时频域特征等。
1.时间域特征时间域特征是对数据在时间上的变化进行描述。
常用的时间域特征有均值、方差、最大值、最小值等。
这些特征可以反映电能质量的基本统计特性。
2.频域特征频域特征是对数据在频率上的分布进行描述。
通常通过傅里叶变换或小波变换等方法将数据从时域转换到频域。
常用的频域特征有频谱密度、谐波含量等。
这些特征可以反映电能质量的频率组成和谐波含量等信息。
3.时频域特征时频域特征是对数据在时域和频域上的变化进行描述。
电能质量扰动检测的研究综述
![电能质量扰动检测的研究综述](https://img.taocdn.com/s3/m/9541ca3717fc700abb68a98271fe910ef12daee0.png)
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。
ITD算法在电能质量扰动信号特征量提取中的应用
![ITD算法在电能质量扰动信号特征量提取中的应用](https://img.taocdn.com/s3/m/bc278609c4da50e2524de518964bcf84b9d52dd8.png)
ITD算法在电能质量扰动信号特征量提取中的应用邓志勇;彭晓亮;陈俊;唐曲【摘要】For non-linear characteristics of power quality disturbance signal, the characteristic parameters of power quality disturbance signal such as amplitude, frequency, phase, attenuation factor and the starting and ending time of the disturbance can be quickly and accurately extracted by intrinsic time-scale decomposition. Firstly, voltage disturbance signals are decomposed into proper rotation component (PRC) by intrinsic time-scale decomposition algorithm. To apply the Hilbert transform to get phase and instantaneous frequency of PRC components, then according to hyper mutation of instantaneous frequency, the starting and ending time of the disturbance are got; the envelope function is utilized to calculate amplitude and the attenuation factor. Utilizing Matlab, simulations of single disturbance signal and mixed disturbance signals are done and calculation results show that this method can accurately identify power quality disturbance signal parameters and anti-noise performance. The timeliness and feasibility of the proposed method is verified.%针对电能质量扰动信号非线性特点,采用固有时间尺度分解算法(Intrinsic Time-scale Decomposition, ITD)准确快速地提取电能质量扰动信号的幅值、频率、相位、衰减因子、扰动起止时刻等特征量。
一种新的电能质量扰动特征提取与识别方法
![一种新的电能质量扰动特征提取与识别方法](https://img.taocdn.com/s3/m/a846f72602768e9951e738a5.png)
一种新的电能质量扰动特征提取与识别方法作者:熊建平陈克绪马鲁娟肖露欣吴建华来源:《现代电子技术》2017年第14期摘要:为了克服电能质量扰动识别时由于特征选择和提取不当造成最后识别精度低的缺点,提出一种基于数学统计的电能质量扰动幅值采样点数的特征提取方法和PSO⁃SVM电能质量扰动识别新方法。
该方法根据10个周波信号的幅值差异,统计每段幅值范围内的采样点数,对其进行处理后作为各扰动信号的特征,然后采用PSO⁃SVM分类器对多种扰动信号进行分类识别。
该方法特征提取的过程简单,减少了大量的计算处理时间。
仿真实验结果表明,该方法能快速地识别出各种扰动信号,且识别精度高于传统方法并具有较好的抗噪声性能。
关键词:电能质量;数学统计;特征提取; PSO⁃SVM中图分类号: TN911.25+4⁃34; TM76 文献标识码: A 文章编号: 1004⁃373X(2017)14⁃0174⁃04Abstract: To overcome the shortcomings of low recognition accuracy caused by improper feature selection and extraction in power quality disturbance recognition, a new feature extraction and recognition method is proposed based on the sample points of power quality disturbance amplitude of mathematical statistics and PSO⁃SVM. According to the amplitude distribution difference over 10 cycles of signals, the number of samples in amplitude range of each section is calculated, and then used as features of different disturbances after preprocessing. PSO?SVM classifier is used for classification recognition of multiple disturbance signals. The proposed method is simple in the process of feature extraction and efficient in computation. The simulation results show that the proposed method is capable of classifying various disturbance signals at a high speed, and has a higher recognition accuracy and better anti⁃noise performance in comparison with the traditional methods.Keywords: power quality; mathematical statistics; features extraction; PSO⁃SVM0 引言随着科技的进步和工业的发展,越来越多的非线性、冲击性以及不平衡负荷在电力系统中投入运行,产生了一系列的电能质量扰动[1]。
基于组合特征和BTSVM的电能质量扰动识别
![基于组合特征和BTSVM的电能质量扰动识别](https://img.taocdn.com/s3/m/30feba62f56527d3240c844769eae009581ba27b.png)
基于组合特征和BTSVM的电能质量扰动识别赵强;穆克【摘要】为了克服单一特征不能完全表征各种暂态扰动信号特征的不足,提出了一种基于组合特征和二叉树结构支持向量机相结合的电能质量多分类方案。
利用小波包变换对扰动信号进行分解,提取特定频带下信号的能量,利用S变换获得扰动信号的模矩阵,从中提取出特征信息,然后将多频带信号的能量和对应的S变换特征信息组合得到组合特征。
对依据聚类思想设计出的二叉树结构支持向量机分类器进行了训练和测试。
仿真结果表明,该方法具有较好的准确性和识别速度,能够有效识别常见扰动信号,平均识别率提高了6%以上,测试总用时缩短0.06秒,训练时间减小1.8秒。
%While transient power quality disturbances are made classifications, single feature can not be fully representative of transient disturbance, it may cause errors. In order to overcome the weaknesses, this paper extracts scheme of power quality multi-classification based on combined features and binary tree support vector machine. Using wavelet packet transform to decompose the disturbance signal is extracted under specific band signal energy, and the feature information is extracted by modulus matrix of perturbation signal using S transform. Then the multi-band signal energy and the corre-sponding S conversion feature information grouped together to get a combination of features. Finally, the binary tree support vector machine classifier with clustering ideas is trained and tested. The simulation result shows that the proposed method can effectively classify disturbance signals with higher recognition accuracy and faster recognition speed, the average recog-nition rate increases more than 6%, total test time shortened 0.06 s, the training time is reduced to 1.8 s.【期刊名称】《计算机工程与应用》【年(卷),期】2015(000)010【总页数】5页(P232-236)【关键词】小波包变换;S变换;二叉树;支持向量机;电能质量【作者】赵强;穆克【作者单位】辽宁石油化工大学信息与控制工程学院,辽宁抚顺 113001;辽宁石油化工大学信息与控制工程学院,辽宁抚顺 113001【正文语种】中文【中图分类】TM714电能质量扰动类型识别是电能质量研究领域的一个重要部分。
特征抽取技术在智能电力系统中的应用探讨
![特征抽取技术在智能电力系统中的应用探讨](https://img.taocdn.com/s3/m/ebc5d122c4da50e2524de518964bcf84b9d52d81.png)
特征抽取技术在智能电力系统中的应用探讨随着科技的不断进步和人们对能源需求的增长,智能电力系统在现代社会中扮演着重要的角色。
智能电力系统通过采用先进的技术和算法,实现电力的高效利用和管理。
在智能电力系统中,特征抽取技术被广泛应用,以提取和分析电力数据中的有价值信息,为系统的运行和管理提供支持。
特征抽取技术是一种将原始数据转化为可用于分析和决策的有意义特征的方法。
在智能电力系统中,特征抽取技术可以应用于多个方面,如电力负荷预测、异常检测和能源管理等。
首先,特征抽取技术可以用于电力负荷预测。
通过对历史电力负荷数据进行特征抽取,可以得到一系列与电力负荷相关的特征,如峰值、波动性和周期性等。
这些特征可以用于建立负荷预测模型,从而实现对未来负荷的准确预测。
准确的负荷预测可以帮助电力系统规划者和运营商制定合理的电力供应策略,提高电力系统的运行效率和可靠性。
其次,特征抽取技术在智能电力系统中的另一个重要应用是异常检测。
电力系统中存在各种各样的异常情况,如电力波动、电力故障和电力盗窃等。
通过对电力数据进行特征抽取和分析,可以发现这些异常情况并及时采取相应的措施。
例如,通过提取电力波动的特征,可以检测到电力系统中的异常波动,并及时采取措施来稳定电力供应。
特征抽取技术的应用可以帮助电力系统管理者及时发现和解决潜在的问题,提高电力系统的可靠性和安全性。
此外,特征抽取技术还可以应用于智能电力系统的能源管理。
能源管理是智能电力系统中的一个重要任务,旨在实现电力的高效利用和节约。
通过对电力数据进行特征抽取和分析,可以得到电力使用的有关特征,如峰谷差、功率因数和能效等。
这些特征可以用于评估电力系统的能源利用效率,并提供相应的优化建议。
例如,通过分析电力数据中的峰谷差特征,可以确定电力系统的高峰期和低谷期,并制定相应的电力调度策略,以实现电力的合理分配和利用。
总之,特征抽取技术在智能电力系统中具有重要的应用价值。
通过对电力数据进行特征抽取和分析,可以提取出有关电力负荷、异常情况和能源利用等方面的有价值信息,为电力系统的运行和管理提供支持。
电能质量扰动识别步骤
![电能质量扰动识别步骤](https://img.taocdn.com/s3/m/79905cd9dbef5ef7ba0d4a7302768e9951e76efc.png)
电能质量扰动识别步骤1. 引言1.1 背景介绍电能质量扰动是指电力系统中出现的各种电压、电流和频率等参数的异常波动或扰动。
随着电气设备的不断增加和电力负载的不断增长,电能质量问题日益成为电力系统运行中的一个重要难题。
电能质量扰动不仅会影响电力设备的正常运行,还会对电网的稳定性和可靠性造成严重影响。
目前,随着电力系统的智能化和自动化程度的不断提升,对电能质量扰动的识别和监测也越来越重要。
为了有效识别电能质量扰动并及时采取相应的措施加以应对,研究人员开始探索各种识别方法和建立相应的模型。
了解电能质量扰动的概念、影响以及有效的识别方法对于保障电网安全稳定运行具有重要意义。
本文将从以上几个方面展开阐述,希望能够为电力系统中的电能质量扰动识别提供一些参考和借鉴。
1.2 研究意义电能质量扰动是当前电力系统中面临的重要问题之一,其产生可能导致电力设备损坏、影响电力系统正常运行甚至引发事故。
对电能质量扰动进行准确、快速的识别具有重要的意义。
通过识别电能质量扰动,可以及时采取措施对扰动进行控制,保障电力系统的安全稳定运行。
随着电力系统的现代化和智能化发展,对电能质量扰动的识别要求也越来越高。
传统的人工识别方法已经无法满足现代电力系统对高效、准确识别的需求。
开展对电能质量扰动识别方法的研究,不仅可以提高电力系统的运行效率和可靠性,还可以为电力系统的智能化发展提供技术支持。
1.3 研究目的研究目的是为了提高电能质量扰动的识别准确性和效率,从而保障电网运行的稳定性和可靠性。
通过深入探究电能质量扰动的特征和影响,我们的目的是建立一套科学有效的扰动识别方法,并通过验证实际案例的方式验证其准确性和可靠性。
通过研究电能质量扰动的识别方法和建立模型,我们希望能够在实际生产中提供及时有效的干预措施,避免因质量问题导致的损失和安全隐患。
我们也希望通过本研究为未来电能质量扰动识别的研究提供一定的参考和价值,促进相关领域的进步和发展。
通过明确研究目的,我们能够更好地指导和组织我们的研究工作,确保研究方向的正确性和实用性。
一种特征提取新方法在PQD识别中的应用
![一种特征提取新方法在PQD识别中的应用](https://img.taocdn.com/s3/m/14722a1b4431b90d6c85c776.png)
类 器设 计 2 部 分 , 效 的 特 征是 提 高 分 类 率 的关 个 有 键. 目前 , 征 向量提 取主 要是 通过 时频 分析 方法 实 特
现 的 , 括 小 波 变 换 l ] 希 尔 伯 特一 变 换 l 、 包 3 、 黄 6 S变 ] 换 _等 . 中小 波 变换 已被 广 泛 应 用 于 P 7 】 其 QD 分 析
中, 由于小 波 函数 本 身 衰 减 很 快 , 一 种 瞬 态 波形 , 属 将 其用 于 电能质 量 分 析领 域 , 尤其 是 瞬态 过 程 分 析 领域将 具有 快速傅 里 叶变 换和 短时 傅里 叶变 换无 法 比拟 的优点 , 但缺 点 是 要 对原 始信 号 进 行 多 尺 度 分
表 1 P QD 信 号 模 型
收 稿 日期 : 0 9 1 — 8 2 0 — 20 基 金 项 目 : 方 民 族 大 学 科 研 基 金 资 助 项 目( 。 8 2 ) 北 2 O YO O 作者简介 : 张新 闻 ( 9 6 ) 男 , 师 , 士 , 要 从 事 电力 系统 信 息 检 测 与 智 能 信 息 处 理 研 究 17一 , 讲 硕 主
摘 要 : 时 域 和 频 域 出发 , 出一 种 Hi e t变换 和 Fo re 从 提 l r b u ir变 换 相 结 合 的 方 法 , 速 识 别 电 能 质 量 扰 动 . 方 法 快 该
先 利 用 Hi et l r 变换 提 取 扰 动 信 号 的 包络 , 据 包络 线 提 取 扰 动 特 征 , 5 扰 动 从 常 见 的 8类扰 动 中 分 离 , 未 b 根 将 种 对 识 别 3类扰 动 的 包络 线进 行 F T 变换 , 从 频 域 中提 取 特 征 对 其 分 类. 助 Mal F 再 借 t b随 机 生成 8 0个 样 本 , 方 法 a 0 此
电力系统中高频噪声的特征提取及识别技术研究
![电力系统中高频噪声的特征提取及识别技术研究](https://img.taocdn.com/s3/m/d956dfd0e109581b6bd97f19227916888486b91d.png)
电力系统中高频噪声的特征提取及识别技术研究随着电力系统的发展,人们在使用电力的同时也遭遇到了许多问题。
其中一个最大的问题就是电压的波动和噪音的干扰。
由于电力系统中会产生高频噪声,因此需要对其进行特征提取和识别技术的研究。
高频噪声是指高于50kHz的电磁干扰,由于其频率高、幅度小,往往被忽略或被误解。
但是,高频噪声给电力系统带来了许多问题,例如,对于计量设备的影响、导致高频谐振、设备损坏等等。
为此,研究高频噪声的特征和识别技术变得十分重要。
首先,高频噪声的特征提取是研究的重点之一。
目前常用的特征提取方法有时域分析、频域分析、小波分析和矩分析。
本文将详细介绍三种主流的特征提取方法。
一、时域分析时域分析是传统的信号分析方法。
在时域下,高频噪声呈现出高频率、快速变化的特征,这使得时域分析可以很好地区分出高频噪声信号。
其中,最重要的时域参数是峰值、方均根值和波形因数。
峰值用于描述信号的最大振幅,方均根值代表信号的均方根值,而波形因数则用于描述信号的波形特征,是其峰值和方均根值的比值。
二、频域分析频域分析是通过对时域信号进行傅里叶变换来获得频谱信息的一种信号分析方法。
在频域下,高频噪声呈现出频率较高的特点。
因此,频域分析可以通过找到高频噪声的频率范围、能量密度和频谱形状等特征,进行识别。
常用的频域参数有峰值频率、功率谱密度和谱线峰宽。
峰值频率表示信号峰值所对应的频率,功率谱密度表示信号在某一频段内的能量密度,而谱线峰宽则表示信号在频域的分布宽度。
三、小波分析小波分析是一种新兴的信号分析技术,在处理高速电能数据中表现出了独特的优势。
小波分析通过将信号分解成多个具有不同频带的子信号,可以更好地对各种频率分量进行研究。
并且,小波分析对信号进行平稳性分析,这可以减少高频噪声引起的不稳定性问题。
常用的小波分析参数有小波系数和小波包系数。
小波系数描述信号在小波变换下每个小波函数表示中的系数,而小波包系数是小波包变换下每个基础小波包中的系数。
采用tt变换的电能质量扰动检测与分类方法
![采用tt变换的电能质量扰动检测与分类方法](https://img.taocdn.com/s3/m/0c5ab5dd6394dd88d0d233d4b14e852458fb39ee.png)
采用tt变换的电能质量扰动检测与分类方法采用TT变换的电能质量扰动检测与分类方法电能质量问题一直是电力系统中的一个重要课题。
电能质量扰动对电力设备和用电负荷均造成了不良影响,因此电能质量扰动的检测和分类显得尤为重要。
电能质量扰动的检测和分类方法较多,其中采用TT变换的电能质量扰动检测与分类方法具有较高的精确度和可靠性,本文将对该方法进行介绍与讨论。
1. TT变换的原理TT变换是传统的变换方法之一,通过将时域信号变换到频域,实现对信号的分析和处理。
TT变换是短时傅里叶变换的一种改进方法。
它将时域信号分段处理,每一段信号通过快速傅里叶变换转换到频域。
TT变换具有高分辨率和高精确度的特点,可应用于信号处理的多个领域。
2. TT变换在电能质量扰动检测与分类中的应用采用TT变换的电能质量扰动检测与分类方法涉及到以下步骤:(1)数据采集:通过对电能质量的监测和采集,获取相关的数据样本。
(2)预处理:对采集到的数据进行预处理,包括去噪、滤波、分段等操作。
(3)TT变换:将预处理后的信号分段进行TT变换,得到相应的频谱信号。
(4)特征提取:从变换后的频谱信号中提取相应的特征参数,纳入特征库。
(5)分类:将提取到的特征参数输入到分类模型中,进行分类预测。
(6)模型训练:通过大量的数据样本对分类模型进行训练,提高其分类精确度和可靠性。
3. 优点与应用采用TT变换的电能质量扰动检测与分类方法具有以下优点:(1)精度高:TT变换具有高分辨率和高精确度,可精确地对信号进行分析和处理。
(2)鲁棒性强:该方法对信号的采集质量要求低,能够有效地应对复杂环境下的电能质量问题。
(3)应用广泛:该方法可应用于电力系统的多个领域,如电力质量监测、电力分析与诊断等。
综上所述,采用TT变换的电能质量扰动检测与分类方法具有较高的精确度和可靠性,可应用于电力系统的多个领域。
电能质量扰动的检测和分类对于保障电力设备的正常运行和提升用电质量具有重要意义。
基于分形特征提取的电能质量数据挖掘
![基于分形特征提取的电能质量数据挖掘](https://img.taocdn.com/s3/m/74670be8f605cc1755270722192e453610665b9c.png)
基于分形特征提取的电能质量数据挖掘于燕平;林涛【摘要】发现“海量”监测数据中电能质量问题,并提取出有用信息,是电能质量有效治理的关键。
将大数据挖掘技术应用于电能质量知识发现,8类电能质量数据先进行 EMD 分解,取前2阶 IMF 参数后结合分形理论分别求取计盒维、截距等10维特征参数。
经泛化处理后,训练并生成了可靠的决策树,抽取出 IF-THEN 分类规则,用于电能质量问题预测。
通过对比分析,分形参数较其他特征参数更有利于如振荡暂态、切痕、尖峰、闪变等电能质量问题分析,特别是对含噪电能质量的分析。
结合大数据挖掘技术,不含噪和含噪信号的平均识别率分别提高了1.8%和4.1%。
%To find the power quality problems from "mass"monitoring data and to extract available information from it,this is the key to control the power quality effectively.We applied the big data mining technology to power quality knowledge discovery,exerted the empirical mode decomposition (EMD)on 8 kinds of power quality data in advance,took the first 2-order IMF parameters and then combined the fractal theory to calculate respectively 10-dimension feature vectors of box-counting dimension,intercept,etc.After the generalisation processing,they were trained and generated the reliable decision tree which was used to extract the classification rules of IF-THEN,and was used to forecast the power quality problems.By comparative analysis,the fractal parameters were more conducive to analysing the power quality problems such as oscillatory transient,notch,spike,flicker etc.,than other features,especially to the analysis of power quality signals with bining the big data miningtechnology,the average recognition rate of signals with and without noise increased 1.8% and 4.1% respectively.【期刊名称】《计算机应用与软件》【年(卷),期】2016(033)011【总页数】5页(P24-27,65)【关键词】数据挖掘;EMD分解;分形理论;决策树【作者】于燕平;林涛【作者单位】柳州铁道职业技术学院动力技术学院广西柳州 545616; 武汉大学电气工程学院湖北武汉 430072;武汉大学电气工程学院湖北武汉 430072【正文语种】中文【中图分类】TP391.9现代工业技术的不断发展使得人们生活水平不断地提高,进而对电能质量和供电可靠性提出更严格的要求。
一种新的电能质量扰动特征提取与识别方法
![一种新的电能质量扰动特征提取与识别方法](https://img.taocdn.com/s3/m/f1552d0bb5daa58da0116c175f0e7cd1842518cb.png)
一种新的电能质量扰动特征提取与识别方法熊建平;陈克绪;马鲁娟;肖露欣;吴建华【期刊名称】《现代电子技术》【年(卷),期】2017(040)014【摘要】To overcome the shortcomings of low recognition accuracy caused by improper feature selection and extraction in power quality disturbance recognition,a new feature extraction and recognition method is proposed based on the sample points of power quality disturbance amplitude of mathematical statistics and PSO-SVM.According to the amplitude distribution difference over 10 cycles of signals,the number of samples in amplitude range of each section is calculated,and then used as features of different disturbances after preprocessing.PSO-SVM classifier is used for classification recognition of multiple disturbance signals.The proposed method is simple in the process of feature extraction and efficient in computation.The simulation results show that the proposed method is capable of classifying various disturbance signals at a high speed,and has a higher recognition accuracy and better anti-noise performance in comparison with the traditional methods.%为了克服电能质量扰动识别时由于特征选择和提取不当造成最后识别精度低的缺点,提出一种基于数学统计的电能质量扰动幅值采样点数的特征提取方法和PSO-SVM电能质量扰动识别新方法.该方法根据10个周波信号的幅值差异,统计每段幅值范围内的采样点数,对其进行处理后作为各扰动信号的特征,然后采用PSO-SVM分类器对多种扰动信号进行分类识别.该方法特征提取的过程简单,减少了大量的计算处理时间.仿真实验结果表明,该方法能快速地识别出各种扰动信号,且识别精度高于传统方法并具有较好的抗噪声性能.【总页数】5页(P174-177,182)【作者】熊建平;陈克绪;马鲁娟;肖露欣;吴建华【作者单位】深圳职业技术学院,广东深圳518055;国网江西电力公司电力科学研究院,江西南昌330096;深圳职业技术学院,广东深圳518055;南昌大学信息工程学院,江西南昌 330031;南昌大学信息工程学院,江西南昌 330031【正文语种】中文【中图分类】TN911.25+4-34;TM76【相关文献】1.一种基于多特征量的复合电能质量扰动自动识别方法 [J], 刘德建;焦琛钧;郑晓龙2.一种新的电能质量扰动信号压缩感知识别方法 [J], 曹思扬;戴朝华;朱云芳;陈维荣3.一种基于MEM-LBP的动作特征提取及识别方法 [J], 陈恩庆;樊军博4.一种自动特征提取的SAR图像水华识别方法 [J], 戚雯雯;孙梦伟;徐冰冰5.一种新的电能质量扰动识别方法 [J], 武昭旭;杨岸;祝龙记因版权原因,仅展示原文概要,查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
参考文献
[1] 胡铭, 陈 珩 . 电 能 质 量 及 其 分 析 方 法 综 述[J].电网技术,2000,24(2):36~38. [2] 林海雪.现代电能质量的基本问题[J]. 电网技术,2001,25(10):5~12. [3] 肖 湘 宁 . 电 能 质 量 分 析 与 控 制 [ M ] . 北 京:中国电力出版社,2004. [4] 徐 永 海 ,肖 湘 宁 ,杨 以 涵 ,等. 基于d q 变 换和ANN的电能质量扰动辨识[J].电力 系统自动化,2001,33(5):24~26. [5] 王霄桦,程浩忠,胡丹.基于数学形态学 复合滤波和无时延d - q变换的电压暂态 扰动识别[J].继电器,2007,35(9):32~ 35. [6] 张秀娟,徐永海,肖湘宁.基于dq变换与 小波变换的电能质量扰动检测与识别 方法[J].电力自动化设备,2005,25(7): 1~3. [7] 欧 阳 森, 王 建 华 , 宋 政 湘 , 等. 一种基于 dq0变换和专家系统的电能质量信号辨 识方法[J].电力系统自动化学报,2003, 15(5):21~23. [8] HEYDT G T,FJELD P S,LIU C C, et al. Application of thwindowed FFT to electric power quality assessment[J]. IEEETransactions on Power Delivery, 1999,14(4):1411~1416. [9] 唐求,王耀南,郭斯羽,等.基于S变换与 傅里叶变换的电能质量多扰动分类识 别[J]. 湖南大学学报(自然科学版), 2009,36(4):38~40. [10] 赵凤展, 杨仁刚. 基于时域、 小波变换和 F F T的 电 能 质 量 扰 动 识 别[ J ] .继 电 器, 2006,34(8):50~52. [11]张斌,孙静. 基于Mallat算法和快速傅里 叶的电能质量分析方法[J]. 电网技术, 2007,31(19):35~37. [12]刘晓芳,刘会金,柯定芳.基于小波变换 和神经网络的暂态电能质量扰动自动 识别[J].继电器,2005,33(23):46~48. [13]秦英林,田立军,常学飞.基于3) − cos(wt − 2π / 3) 1/ 2
Cdq0
图 1 P Q D 治理系统示意图
cos(wt + 2π / 3) − cos(wt + 2π / 3) 1/ 2
图 2 d q 变换 P Q D 扰动检测示意图
文献 将dq 变 换 后 直 轴 和 交 轴 的 输 出 量的平方和作为特征量对低频、 高频振荡、 脉冲暂态和谐波进行识别。 文献 [5]通过dq变 换监测瞬时有效值是否超过一定的限值识 别有电压骤降和骤升。 文献 [6]利用dq变换结 果进行处理作为相位跳变和频率偏移扰动 识别的依据。 文献 [ 7 ] 通过dq0变换计算波动
科技资讯
2010 NO.32 SCIENCE & TECHNOLOGY INFORMATION
工 程 技 术
特征提取方法在电能质量扰动识别中的应用 ①
张新闻 周春艳 ( 北方民族大学电气信息工程学院 银川 7 5 0 0 2 1 ) 摘 要 :全面综述了特征提取方法在电能质量扰动识别中的应用。 将电能质量特征提取方法划分为基于时频与非时频两种方法,重点对 基于非时频方法的dq0变换法、 FFT变换和基于时频分析方法的小波变换、 S变换在电能质量扰动识别特征提取中的应用加以讨论,并对 比分析了各种方法的利弊,对进一步研究的问题及今后的主要研究方向进行了展望。 关键词 : 电能质量扰动 特征提取 扰动识别 dq0变换法 F F T变换 小波变换 S变换 中 图 分 类 号 :TM714 文 献 标 识 码 :A 文 章 编 号 :1672-3791(2010)11(b)-0066-03
2010 NO.32 SCIENCE & TECHNOLOGY INFORMATION
科技资讯
在 各 种 缺 点, 没 有 一 种 方 法 能 有 效 的 将 目 前 已 知 的 PQD的 识 别 提 至 较 高 的 水 平,这 是由PQD自身特点所决定的。 未来PQD特 征提取的方法将向以下两个方向发展。 ( 1 )更多特征提取方法的结合。 特征提 取方法的目标是为了提高扰动识别的准确 率, 各种种扰动产生的机理又千差万别, 这 很难有一种方法实现对各种扰动的识别。 (2) 特 征 提 取 方 法 的 实 时 性 。 对 PQD 识 别的目的是为了了解其产生的机理,为 PQD的治理提供依据。 如果特征提取方法 过 于 复 杂 , 耗 费 时 间 长 , 必 将 会 导 致 PQD 治 理系统的实时性不好, 未来的对特征提取 算法的要求是耗时要小。
cos wt 2 = − sin wt 3 1/ 2
[4]
1 电能质量扰动的特征
特征为扰动识别提供依据。 直接对各 种 扰 动 信 号 时 域 波 形 进 行 特 征 提 取, 所 能 提取的特征主要有扰动波形幅值、 均方根 值、 均值或能量、 扰动持续时间等, 直接利 用这些特征对含有基波的PQD信号进行识 别, 扰动信号还不能有效的识别。 为了提高 扰动识别的分类率,一般都要对含有扰动 的原始信号进行数学变换,在扰动新的变 换域中可以实现对扰动信号由表及里、 由 粗及精的分析,进而揭示各种扰动内在不 同, 从 中 找 到 更 为 有 效 的 扰 动 特 征 。
近 年 来, 随 着 电 力 系 统 容 量 不 断 扩 大, 各 种 分 布 式 发 电 单 元 逐 步 接 入 电 网, 同 时 各种大功率的非线性负载使用不断增加, 造成公用电网电能质量日益恶化。 电力系 统中由各种电能质量扰动(Power Quality Disturbance,PQD)引起的电能质量问题主 要分为稳态和暂态两大类:稳态电能质量 问题以波形畸变为特征, 主要包括谐波、 间 谐波、 电压波动等; 暂态电能质量问题常以 幅值、 频谱和暂态持续时间为特征, 常见的 扰动有电压中断、 电压暂升(暂降)和电磁暂 态等 [1~2] 。 为了采取合理的措施提高电能质 量, 减小扰动带来的影响, 首先要对电能质 量 问 题 进 行 评 估 与 分 析, 对 各 种 扰 动 进 行 正确的识别 [3]。 PQD 治 理 系 统 如 图 1所 示 , 从 中 可 以 看
出P Q D 识 别 主 要 包 括 扰 动 特 征 提 取 和 分 类 器设计两个环节,而有效特征的提取是提 高识别率的关键因素之一。
2 特征提取方法
基于数学变换的特征提取方法主要有 的基于时频分析的方法和基于非时频分 析的方法。 其中,基于非时频分析的方法 主要包括Hirbert变换、 FFT变换、 数学形态 学、 dq0变换和瞬时无功功率理论等方法。 基于时频分析的方法主要包括小波变换、 希尔伯特-黄变换、 S变换等。 基于以上几 种分析方法的PQD的特征提取是识别扰动 的基础。 2 . 1 非时频方法 (1)dq变换。 如图2 所示, 三相标准电压经过变换 后, 在 d , q 轴 上 表 现 为 直 流 分 量 。 且由式中 可知,当 w = w1 且 ϕ = 0 时, d 轴 的 直 流 分 量为0, q 轴的直流分量为 − 3U ,再在 q 轴 上 3U 就相当于减去了三相标准的正弦基 波,剩下部分经过反变换后就得到了扰动 信号。 其中
表 1 电能质量扰动识别中几种特征提取方法的比较
①项目基金:北方民族大学科研项目基金资助(项目编号:2008Y020) 。
66
科技资讯 SCIENCE & TECHNOLOGY INFORMATION
工 程 技 术
开始至扰动结束的最大值、 平均值、 最小值 和持续时间作为特征对多相同时出现电压 暂升、 电压暂降等扰动进行识别。 dq0变换能够反映扰动随时间的变化 规律, 但对表述信号的另一个重要参数 —频率却无法反映,这是dq0变换方法的 不足。 (2)FFT 变换。 F F T变换是离散傅氏变换的快速算法, FFT存 在 频 谱 泄 露 和 栅 栏 效 应 等 缺 陷 ,无 法满足对具有暂态、 突变等特性的电能质 量扰动非平稳信号进行分析的要求。 通常 采用加窗插值算法对FFT算法进行修正, 可大大减小频谱泄露, 有效抑制各次谐波 之间的干扰 [8],在谐波和间谐波等稳态信号 的分析中是很有优势的。 文献 [9] 通过FFT变 换得到频域最大3 个波峰值及其对应的 频率点6个频域特征量对扰动进行识别。 文 献 [10]对 小 波 系 数 呈 现 相 似 分 布 的 陷 波 和谐波应用FFT变换后的频谱特性进行 区分。 文 献 [ 1 1 ] 根 据闪变的频谱只分布在基 频 及 其 附 近,利 用 FFT提 取 特 征 并 对 谐 波 与闪变进行识别。 虽然FFT变换能够将信号的时域特征 和频域特征联系起来, 分别从信号的时域 和频域观察, 但却不能把二者有机地结合 起来。 2 . 2 时频方法 (1)小波变换。 小波变换是由Morlet于1980年在进行 地震数据分析工作时创造的。 小波就是最 短最简单的振动。 小波分析方法是一种窗 口大小固定但其形状可改变的时频局部化 分析方法。 它在低频部分具有较高的频率 分辨率和较低的时间分辨率, 而在高频部 分具有较高的时间分辨率和较低的频率分 辨率。 对于电能质量领域的非平稳时间序 列 ,小 波 变 换 在 提 取 这 类PQD特 征 优 势 很 明显。 近年来, 国外许多学者都利用小波变 换对电能质量问题进行研究。 文 献 [ 1 2 ] 利用 Daubechie先提取基波频段所在的小波系数 将电压暂升、 电压暂降和电压中断分别检 测出来;然后将小波包分解结果中的最佳 子空间的熵值作为特征量,区分暂态脉冲 和振荡。 文献 [13] 采 用 了db4小波对PQD进行 分解,计算各尺度的能量和与基波信号能 量作差作为特征对电压暂升、 电压暂降和 电压中断识别。 小波变换的本质是度量被分析信号波 形与所用小波波形的局部相似程度。 要想 使这种变换方法取得成功,选择合适的小 波, 使之尽可能地与被分析的信号相匹配, 是必须认真考虑的关键问题。 不同的小波 基在正交性、 紧支性、 平滑性甚至对称性上 表现出不同的特性,不同的小波基对同一 信号的分析效果是不同的。 小波基的选取 没有固定的模式,一般依据其对待分析信 号的检测效果来确定。 但实际上进行PQD 类型识别时, 由于无法提前预知扰动类型, 所以就只能采用一种类型的小波基和固定 的尺度数去分析所有类型的扰动波形。 今 后要做的工作应该是找出最适合电能质量 分析的小波基函数。 (2)S变换。 S变换是Stockwell 等人于1996年提出 的一种时频分析方法, 它继承和发展了小 波变换和STFT变换的局部化思想。 利用S 变换可以独立分析信号各频率分量的幅值 变化特征,并且可以得到更高的频率分辨 率 [14] 。 由信号S变换得到的幅值矩阵与STFT 变换一样也为一个2维矩阵,其行、 列分别 对应采样点与频率值, 矩阵元素为对应时 频点的幅值。 目 前 ,基 于 S变 换 的 PQD特征 一般是从待分析扰动信号的S 变换幅值矩 阵中提取。 文献[15]利用S变换提取以下3组特 征向量: S 变换幅值矩阵中与额定频率对应 的行向量、 各频率对应的行向量的平均值 组成的向量以及各频率对应的行向量的标 准 差 组 成 的 向 量 ,实 现 了 7种 单 一 型 P Q D的 有效识别。 文献 [16] 利用信号不同分辨率的S 变换提取信号的时频特征并利用1 4 条规则 实现了7 种扰动类型的识别。 以上这些基于 S变 换 的 P Q D 特 征 提 取 方 法 , 可 以 直 观 地 、 定 性 的 反 映P Q D信号变化特点 [ 1 7 ] 。 2 . 3 各方法的分析比较( 见表 1 ) 特征的有效与否要看对P Q D 分类率的 高低,一般一种单一的特征提取方法很难 对 所 有 PQD准 确 识 别 ,只 能 有 效 识 别 部 分 扰动。 为了提高扰动的识别, 一般要根据不 同扰动的特点选择不同的特征提取方法, 如文献[18]利用信号S变换幅值矩阵和时域信 息直接提取与各类电能质量扰动相应的特 征 ,实 现 了 不 同 噪 声 水 平 下 的 多 种PQD的 有较识别。 文献[19]利用扰动的Hibert包罗线 和 FFT变 换 提 取 时 域 特 征 实 现 了8种 常 见 扰动的识别。 文献 [20]利用统计特性,提出了 短窗功率算法和短窗自相关算法, 能在噪 声情况下定位扰动时间并实现识别。 文献 [21] 提出利用瞬时无功功率理论并结合差变 法来实现扰动信号的定位与识别, 该方法 简单、 快捷, 但噪声的影响会使分析产生较 大的误差。 文献[22]采用差变信号与复小波相 结合,利用二十进制转换法对电能质量扰 动 进 行 识 别, 不 同 的 电 能 质 量 扰 动 信 号 对 应特有的二进制码,这种识别方法避免了 歧义性问题,具有快速、 准确、 可扩展等特 点。 文献[23~24]利用数学形态学在保留突变点 信息方面的优越性,结合网格分形或dq分 解, 对扰动进行了快速而准确的时间定位, 也便于提取特征,进行识别 [25] 。