电能质量扰动波形的识别

合集下载

基于多尺度融合选择卷积网络的电能质量扰动识别

基于多尺度融合选择卷积网络的电能质量扰动识别

现代电子技术Modern Electronics TechniqueFeb.2022Vol.45No.42022年2月15日第45卷第4期0引言电能质量扰动是指系统的电压波形、电流波形或固有频率出现偏差[1]。

电力系统中的新能源发电容量增加和众多非线性负载接入[2],导致电网中电能质量扰动问题频繁出现[3],危害工业生产和居民生活,造成了一定的经济损失[4]。

此外,计算机、可编程逻辑控制器、控制和测量设备的广泛使用,会导致更高电能质量可靠运行的需求增加[5]。

低电能质量会导致敏感设备故障、过热或严重损坏等,影响多能源系统的运行及其可靠性。

假设各种干扰对系统的影响不同,根据检测到的系统扰动,可以采取更有针对性、更有效的解决方案[6]。

因此,迫切需要对系统中存在的电能质量扰动进行识别和分类,以提高电能质量。

随着科技的进步,大数据、云计算等技术的飞跃发DOI :10.16652/j.issn.1004⁃373x.2022.04.020引用格式:王凯,孙贤明,任成昊,等.基于多尺度融合选择卷积网络的电能质量扰动识别[J].现代电子技术,2022,45(4):107⁃112.基于多尺度融合选择卷积网络的电能质量扰动识别王凯1,孙贤明1,任成昊2,胡玉耀1,王文成1,路尧1(1.山东理工大学电气与电子工程学院,山东淄博255049;2.淄博哇呦创飞智能科技有限公司,山东淄博255000)摘要:传统的电能质量扰动识别在提取分类时都是人工手动单一地选择特征,这种方法普遍存在精度低、成本高、泛化能力弱等缺陷。

针对目前深度学习在故障识别分类处理中的应用,文中提出一种基于多尺度融合选择卷积网络实现端到端的电能质量扰动识别分类方法。

文中通过仿真实现了单一扰动信号和复合扰动信号,将Multi⁃scale 目标检测和轻量级模块SKNet 算法思路相结合,利用不同卷积核构造多个尺度下不同的特征,将特征融合选择得到新的主要特征量,并用线性分类器进行快速的扰动识别。

基于HHT和决策树的电能质量扰动分类识别

基于HHT和决策树的电能质量扰动分类识别

基于HHT和决策树的电能质量扰动分类识别电能质量扰动是指在电力系统中由于各种原因引起的电压、电流和频率等电能质量参数的异常波动或变化。

电能质量扰动对电力系统的正常运行和电气设备的安全性和可靠性都会产生一定的影响,因此电能质量扰动的分类和识别对于电力系统的稳定运行和电气设备的保护具有重要意义。

本文基于Hilbert黄变换(HHT)和决策树方法来对电能质量扰动进行分类和识别。

希尔伯特谱分析是一种通过使用希尔伯特变换来提取信号的时频特性的方法。

希尔伯特变换可以将时域信号转换为时频域信号,从而可以准确地分析信号的瞬态和非平稳特性。

EMD是一种非线性信号分解方法,它能将任意一个非线性和非平稳信号分解为若干个固有模态函数(Intrinsic Mode Functions,IMF),每个IMF表示信号的不同振动模态。

通过对IMF进行谱分析,可以获得信号的时频特性。

将HHT方法应用于电能质量扰动分类和识别,首先将电能质量扰动信号进行EMD分解,得到若干个IMF分量。

然后对每个IMF分量进行希尔伯特谱分析,得到各自的希尔伯特谱特征。

接下来介绍决策树方法,决策树是一种常用的机器学习算法,它通过构建一棵树状结构来进行分类和预测。

每个节点代表一个属性或特征,每条边代表一个属性的取值,而每个叶节点则表示一个类别。

在电能质量扰动分类和识别中,可以将从HHT得到的希尔伯特谱特征作为输入特征,将电能质量扰动的类型作为输出类别。

通过对已经标记好的训练样本进行学习,决策树可以自动地构建一个分类模型。

在识别阶段,将未知电能质量扰动信号的希尔伯特谱特征输入到决策树模型中,经过判断和分类,即可得到扰动信号的类型。

总结一下,本文提出了基于HHT和决策树的电能质量扰动分类识别方法。

通过HHT的希尔伯特谱分析和EMD分解,可以提取扰动信号的时频特性。

通过决策树方法,可以构建一个分类模型,实现对电能质量扰动的自动识别。

该方法能够有效地对电能质量扰动进行分类和识别,并为电力系统的故障检测和故障处理提供参考。

电能质量扰动检测与识别方法研究综述

电能质量扰动检测与识别方法研究综述

电能质量扰动检测与识别方法研究综述摘要:电能质量是衡量供电系统是否正常的一项重要指标,由于新能源发电的并网及各种非线性负荷的接入,使得电能质量问题越加严重和复杂。

在真实环境中投入运营的电力系统,其存在的电能质量扰动在同一个时间段内并不可能是仅仅由一种构成,而是由许多种扰动在信号波形上叠加而成的,所以研究这些信号波形的检测算法对于后期的改善具有重要意义。

鉴于此,本文主要分析电能质量扰动检测与识别方法。

关键词:电能质量;扰动检测;识别方法中图分类号:TU756 文献标识码:A1、引言电能作为现代使用最广的能源,随着国民生活质量的提升以及科技的不断进步,对电能的需求及质量要求也越来越高。

当电网中投入的电力电子器件增多,各种大型电机的投切使用时,会使其电能质量朝着逐渐恶化的方向发展,不但对用电设备产生一定的损坏还会对生产生活造成一定的破坏。

与此同时,现代科学技术对高精度大运算量的仪器使用逐渐增多,在医学方面需要更加精密的仪器实现控制,因此要求电力系统更加稳定,具有更高的质量,在电力系统的各个环节及部门,都需对电力网中存在干扰从而降低供电质量问题投入更多的关注和研究。

2、电能质量扰动概述2.1、电能质量的定义电能质量(PowerQuality)传统上来说即为供电的质量,但对电能质量的具体解释目前没有一个绝对的定论。

根据美国著名的电子技术协会对其给出的定义来看,为用电负荷设备提供的电力均为符合该设备正常工作即为合格的电能质量,可以看出只要供电对设备及电网不产生影响就是合格的,但在实际生产中这是无法实现的理想情况。

国际电工委员会(InternationalElectrotechnicalCommission,IEC)对电能质量给出了不同的定义为:电能质量即为供电设备在运行时不出现断电且不影响对用户的正常使用的一种物理特征。

我国目前遇到的电能质量突变通常有下面几个因素:电压损失、频率波动、含有多种谐波、三相不平衡。

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

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。

电能质量扰动波形的识别

电能质量扰动波形的识别
Ala a t T e p p rb asrc n d a c s i a eae I . frl , r f iln u a ew r d t e r f vd n e frrc g i n n t r c : h a e e r e e ta v n e n w v ]t a1 ons a t ca e r l t ok a o yo ie c o e o nz g a d Ti s i i n n h e i ie tyn o e u l y dsub n e w v fr . nie p s tc nq e h r e ie t c t n i p r r d i i e d man u ig a d d ni i p w rq ai i r a c a eo ms U l a t e h iu ss e e t n f ai f me t o i sn n fg t t k h d i i o se o n m
id vd a u a n o k 。te sh me po  ̄ t n te p p ri c r e U h v ]t d lan u i s t f l pe n u a e- n i u ln r l t r s h c e rp i e ew o h e ar d O t t ewa e e on i n ae t l e rln t i a s i n i a sg o mui
与 5 z的背 景 信号相 比 , 动事 件 中 的波形 是 OH 扰 不规 则 的 , 因此 , 扰 动 的小 波 变换 系数 与 没有 扰 动 有 的值 相 比其值 很 大 。然 而 由于所 有 的实 际 电 能质 量 信号 中都 含噪 声 , 测 结果 或 扰 动 特 征 可 能变 坏 , 检 为 了提高 与扰 动有关 的系 数 值 而压 低 与噪 声 有关 的系 数值 , 将所 有 的小 波变换 系数值 平方 , 通过这 种方 法 ,

基于小波和进化网络的电能质量动态扰动自动识别

基于小波和进化网络的电能质量动态扰动自动识别

对 供 电 局 录 波 器 中 所 取 得 的 塌 陷 、 振 荡 、 脉 冲 暂
态 、瞬 间 断 电等 几 种 扰 动 进 行 分 类 。实 验 结 果 表 明 基 于 遗 传 算 法 的神 经 网 络 分 类 器 比传 统 的基 于 B P
算 法 的 神 经 网络 分 类 器 性 能 有 明 显 提 高 。
个 能 量 有 限 的信  ̄f t ) 即 ( cL( , ) 尺
Ke r s o rq ai ;d s r a c e o iin y wo d :p we u l y t it b n erc g t ;wa ee ; u n o v lt
维普资讯
第2 9卷 第 3期 20 0 2年 7月








V o12 .9. N o. 3 Jl u y,20 02
Jour lofN or h hi e t c Po e ni er iy na Байду номын сангаас t C na El c ri w r U v st
1 扰 动信 号 的 小波 变 换
11 小 波 变 换 . 小 波 变 换 实 质 是 用 一 个 小 波 基 函数 f 表 示 ) 来

Ge e c g rh ( A) ae n h e rl e r e a e nt o tm G bs d e ua t k h  ̄ m i Al i ot n n wo t p
Ab t a t A o e p r a ht e e t n l s iy v r u p s s r c : n v l p o c d t c dc a sf a o s y e a o a i t

电能质量扰动波形的识别

电能质量扰动波形的识别
t P T
m c ( t + 1) = ( 4) 这里 收敛。
( 6)
神经元 K 的权重矢量是 : m k = [ m ( k , 1) , !, m ( k , p ) ] 。输出 Uk 可通过一个简单的门槛阀值函数 或更复杂函数的& 启动系数∋ ( #) 来传递。在神经元 K 启动 函 数 的 输 出 是 Yk = ( LVQ) 来进行模式识别。 令 X = X ( t ) 为 LVQ 训练阶段 t 的输入信号列向 量, 这里 X ( R 。假设有 K 个神经元以权重矢量{ m i
T
图1
LVQ 结构图
T
pi=
( 9) ( 10) ( 11) ( 12)
x ( t ) m c ( t ) = max { X ( t ) m c ( t ) } 对{ i , 2, !, K - 1, K }
T
( 5)
ci = ∀( - { ( i ) } ) ( 1- ∀( - { i } ) ) 1- ∀( - { i } ) u ( { i } ) r i = 1- ( p i + ci ) d i = c i + ri
∃四川电力技术% 2002 年第 3 期
# 41 #
电能质量扰动波形的识别
蒋国旗, 廖帅戈 ( 武汉大学电气工程学院 , 湖北武汉 430072)
摘 要 : 利用最近在小波变换 、 人工神经网络和 证据理 论上取 得的进 展来进 行电能质 量扰动 波形的 识别 。 与 以往在
时域用单个神经网络进行识别不同 , 提出的方案 是在小波域用一组多层神经网络来进行的 。 最后 , 用 Dempster- Shafer 证据理论综合了网络的输出 , 并由分类器提供已 辨识的扰动波形的信任度 。 关键词 : 电能质量 ; 小波变换 ; 模式识别 ; 神经网络 ; 学习矢量量化 ; 证据理论 中图法分类号 :TM933 文献 标识码 : A 文章编号 : 1003- 6954( 2002) 03- 0041- 03

基于小波包和支持向量机的电能质量扰动识别

基于小波包和支持向量机的电能质量扰动识别

里 叶 变 换 和 小 波 变 换 的 组 合 与 发 展 ,文 献 [ , 3 4] 中 提 出 了通 过 s变 换 法 提 取 扰 动 信 号 的特 征 ,
类 器 性 能优 劣 的重 要 因素 之 一 。
本 文 选 用 小 波 包 分 析 法 对 电 能 质 量 扰 动 信 号
VM 分 类 器 的 训 练 样 仿 真结 果 表 明 ,这 种 方 法 能 够 在 噪 声 环 境 中 检 浸 进 行 特 征 提 取 ,将 其 作 为 S 0 各 种 扰 动信 号 ,但 是 其 检 测 精 度 与 信 噪 比值 相 关 本 ;利 用 S VM 和 粒 子 群 优 化 算 法 快 速 训 练 S VM
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
S M核 函数参数 y和惩罚参数 c寻优 ,确 定最优 S M 分 类模 型,最终测试 精度 为 9.2% ,表 明该算 V V 815
法 实 时性 强 、 识 别 精 度 高 ,从 而验 证 了所 用 方 法 的 可 行 性 。
力 部 门 、用 户 及 相 关 研 究 人 员 的关 注 , 同 时 , 电 求 解 问 题 能 力 强 ,具 有 大 规 模 分 布 并 行 处 理 、非
力 系 统 中产 生 的数 据 正 在 以指 数 速 度 增 长 , 因此 , 线 性 、 自组 织 和 自学 习 等 优 良特 性 , 目前 是 分 类
征 量 均有 较好 地 检 测 能 力 ,但 其 易 受 到 噪声 干 扰 , 选 取较 大 ,会 导 致 S VM 范 化 能 力 变 弱 ,识 别 精 度 不 易 准 确 识 别 是 哪 种 扰 动 类 型 ;S变 换 法 ,是 傅 不 高 ,因此 ,S VM 的参 数 选 择 问题 是决 定 S VM 分

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

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。

电能质量扰动检测与识别方法研究

电能质量扰动检测与识别方法研究

电能质量扰动检测与识别方法研究摘要:电能质量扰动信号进行傅里叶变换时,时域信号中存在的非平稳分量会产生频谱泄漏,随机噪声也会干扰信号,从而使频谱中出现大量无效极大值点,严重时导致EWT的频谱区间错分,进而影响信号最终的检测结果。

本文对电能质量扰动检测与识别方法进行分析,以供参考。

关键词:电能质量;扰动检测;特征提取;特征选择;研究引言伴随电气设备中非线性电力电子器件的大量应用,电网中可再生能源的广泛接入,以及节能设备的大量使用,电能质量受扰动问题日益严重,另一方面,当前的生产过程和精密设备对电能扰动的耐受性低,对电能质量要求愈发严格,这些都使得电能质量问题受到日益关注。

一般电能质量问题包括扰动检测、扰动分类、扰动源定位,其中电能质量扰动检测是提高电能质量的首要环节。

1配电物联网电能质量复合扰动检测新型电气设备在工业生产和社会生活中得到了广泛应用,但冲击性负荷在设备运行过程中会影响电力系统的安全性,导致电能数据在电网中出现质量扰动问题。

在电气化水平提高的情况下,用户对电能质量提出了较高的要求。

电能质量扰动在配电物联网中较为复杂,如短时间中断、电压暂降和谐波等都是其中常见的扰动,其检测难度较高,而在配电网中检测电能质量扰动就可以提高电能质量。

在峰度和检测误差的基础上调整S变换的参数,根据调整后的S变换方法提取电能信号的时频特征,并将其输入分类,实现电能质量扰动检测,但其无法精准地获取电能质量复合扰动的特征,降低了该方法的识别率。

利用Fourier谱包络动态测度算法获取电能信号在配电网中的特征频点,并采用小波变换对其完成分解处理,在此基础上对信号实现希尔伯特变换,最终检测电能质量扰动,但在实际应用中该方法获得的检测结果偏差较大。

在小波域中确定扰动信号的稀疏性,并通过小波压缩感知方法降维处理电能信号,在正交匹配追踪算法的基础上计算稀疏系数,并建立稀疏矩阵,获得电能信号的峭度、标准差和最大值,将其作为特征,在神经网络中输入获取的特征,实现电能质量扰动检测,但该方法无法准确检测出电能质量复合扰动在配电物联网中的发生时间和结束时间。

基于瞬时无功功率理论和小波变换的电能质量扰动识别

基于瞬时无功功率理论和小波变换的电能质量扰动识别
收 稿 日期 :0 7 0 — l 20 — 8 3
瞬时 无功功 率理论 被广 泛应 用于谐 波和无 功 电
流 的检测 , 这里用 来 确定 电压 信号 的幅 度 。
设 三相 电路 为j 相三线 制 , 其各项 电压 、 电流 的
作者简介 : 张
萍 (98 )女 , 17 一 , 硕士研 究生 , 从事 电力系统 自动化方面工作 。
摘 要 : 出一 种 基 于 瞬 时无 功 功 率理 论 和 小 波 变换 相 结合 对 电能 质 量进 行检 测 辨 识 的 方 法 。 首 先利 用 瞬 时无 提
功 功 率 理 论 对 各 种 电能 质 量 信 号进 行 变 换 , 测 出扰 动 的 起 止 时 刻 , 检 并将 在 幅 值 上 有 显 著 特 征 的 电 能质 量 扰 动
1 电能质 量 扰 动 辨 识 方 法
11 瞬 时无功 功率 理论基 本原 理 .
目前 对 电能质量 信号进 行识 别 的方 法 主要有 基 于小 波 分 解 的 方 法 [ 、 于 人 工 神 经 网络 ( N 基 A N: at c l erl e ok 的方 法f以及结 合小 波技 术 rfi ua nt r) i an i w O l 的A N N 方法 … 2 。基 于小 波分解 的方 法 只能 对 有 1 等 限的几种 扰动 进行辨 识 , 而且 当扰动 信号发 生在0 或
信号识别出来; 再利用小波变换对突变信号 的敏感性以及在频率分解 中的特性将其余信号检 测识 别出来。计算
结 果 表 明该 方法 简 单 . 测 精 度 较 高 。 检 关 键 词 : 时无 功 功 率 ; 波 变换 ; 类 与识 别 ; 能质 量 扰 动 瞬 小 分 电 中 图分 类 号 :M9 3 T 3. 4 文献 标 志 码 : A 文章 编 号 :6 4 0 0 (0 70 — 0 8 0 17 —0 9 2 0 )7 0 2 — 5

基于小波变换和SVM算法的电能质量扰动识别

基于小波变换和SVM算法的电能质量扰动识别
I E r so e rl ew rs, 0 2,1 2 E ETa nN ua tok 2 0 n N 3( ):
41 — 2 . 5 4 5
同 Ke e U ari lsict n ad sp ot rbl .P i s c s ai n u pr we a f o i
号分别有 2 0个样本用于训练集和测试集 。 0 首先 , 选定适合用于 P D识别的小波函数; Q 其次 , 应用上述 S M算法中 1a r 1a 1 V - — 和 - 一 对 P D自动分类 , Q 得到表现较好的方法。 4 2实验结果和分析 4 . 波函数 的选 取 .1小 2 由于小波变换结果的好坏直接与小波基 的选取密切相关 。所 以选择一种适合的小波 基函数是一项重要的工作。目前 比较主要的 正交小波基 ,分别是 Har r小波, ab is D u  ̄he 小波, y l s C i t小波 。以小波能量 Sme 和 o e t l fs 为特征属性 ,应用 S M算法 中 l ar V — - 方法 , 通过大量的仿真实例对不同的小波函数的识 别结果进行了比 较。具体分析如下 : 应用不 同族的小波对 P D识别其结果 Q 如表 1 所示 ,其中选用十层分解 ,因为 6 . 4 kz H 的信号最多可以进行 1 层分解 , O 当分解 为最大层数时不一定是最准确的, 但其包含 了大部分的信息, 能保证较高的正确率。 均值 的计算公式如下:
h nw in ii rcgio [ 】. rco n a d rigdgt eont n C t i Po fIt
Co fo ten Re o io .J r slm ,1 9 : n n Patr c g t n eu ae n i 94
7 —7 7 8

电能质量扰动识别步骤

电能质量扰动识别步骤

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。

短时电能质量扰动波形的识别

短时电能质量扰动波形的识别
YU in ri g Ja — n ,Z ANG n u H Pig ,W EILe。 i,XU i Jn
( . a u t f Au o to n n o ma in En i e rn Xia ie st fTe h o o y Xi a 1 0 8 Ch n ; 1 F c ly o t ma in a d I f r t g n e i g, ’ n Un v r i o c n lg , ’ n 7 0 4 , i a o y
o i n l a e p o e s d u i g t e wa e e r n f r , n h e t r s r l t d t r q e c a d f sg a s r r c s e sn h v l tt a s o m a d t e fa u e e a e o f e u n y b n
维普资讯
1O 5
西 安 理 工 大 学 学 报 J u n l f ’n Unv r i f e h oo y 2 0 )V 12 o 2 o r a o a i s yo c n lg ( 0 6 o. 2 N . Xi e t T
文 章 编 号 : 0 64 1 《0 6O 一1OO 1 0—7 0 2 0 )2O 5 —4
短 时 电能质 量 扰 动 波形 的识 别
余 健 明 ,张 萍 ,魏 磊 ,许 瑾
(. 安理 工 大 学 自动 化 与 信 息 工 程 学 院 , 西 西安 7 0 4 ;. 北 电 力 设 计 院 , 西 西安 70 3 ) 1西 陕 1082西 陕 1 0 2
do i x r c e r s d t nd c t he sgn l f d fe e o r qu lte ma n e t a t d a e u e o i ia e t i a s o if r nt p we a ii s,a h s e t r s nd t e e f a u e c n b e st npu e t r o a e us d a he i tv c o fANN o ca sf h h ttme p we a iy sgn l .The e f— t l s iy t e s or— i o rqu lt i a s f i ce c n a i iy o hi e ho s v rfe y t e c l u a i e u t . i n y a d v ld t ft sm t d i e ii d b h a c l ton r s ls Ke r s ns a t n o e tv we he r y wo d :i t n a e us r ac i e po rt o y;wa e e r nsor ;ne r lne wo k;ca sfc 一 v l tt a f m u a t r ls i a i ‘ to n de iia i i n a d i ntfc ton;s or— i e p h ttm owe ua iy d s u ba c rq lt i t r n e

电能质量扰动分类方法

电能质量扰动分类方法

电能质量扰动分类方法电能质量问题是现代电力系统中的重要问题之一,它涉及到电能的稳定性、可靠性和安全性等方面。

电能质量扰动是指电力系统中出现的电压、电流、频率等参数发生变化的现象,它会对电力系统中的各种设备和用电设备造成不同程度的影响,如设备的损坏、工作效率下降、电能浪费等。

因此,对电能质量扰动进行分类和分析对于电力系统的稳定运行和电能质量的提高具有重要意义。

电能质量扰动分类方法主要包括时间域方法、频域方法、时频域方法等。

时间域方法是指通过对电能质量扰动信号进行时域分析,如绘制波形、波形包络线、瞬时功率曲线、功率因数曲线等,从而判断电能质量扰动的类型和程度。

频域方法是指通过对电能质量扰动信号进行频域分析,如计算频谱、谐波含量、谐波失真率等,从而判断电能质量扰动的类型和来源。

时频域方法是指通过对电能质量扰动信号进行时频分析,如小波变换、短时傅里叶变换等,从而判断电能质量扰动的类型、程度和来源。

时间域方法是电能质量扰动分类方法中最常用的方法之一。

时间域方法主要包括以下几种:1. 波形分析法波形分析法是指通过对电压、电流波形进行分析,从中提取出电能质量扰动的特征,如波形的振幅、频率、周期、波形包络线等。

根据波形的变化特征,可以将电能质量扰动分为瞬时性扰动、短时性扰动、长时性扰动等。

2. 瞬时功率曲线分析法瞬时功率曲线分析法是指通过对电压、电流瞬时功率曲线进行分析,从中提取出电能质量扰动的特征,如功率的变化、功率因数的变化等。

根据功率曲线的变化特征,可以将电能质量扰动分为瞬时性扰动、短时性扰动、长时性扰动等。

3. 功率因数曲线分析法功率因数曲线分析法是指通过对电压、电流功率因数曲线进行分析,从中提取出电能质量扰动的特征,如功率因数的变化、功率因数的波动等。

根据功率因数曲线的变化特征,可以将电能质量扰动分为瞬时性扰动、短时性扰动、长时性扰动等。

频域方法是电能质量扰动分类方法中另一种常用的方法。

频域方法主要包括以下几种:1. 频谱分析法频谱分析法是指通过对电压、电流信号进行傅里叶变换,从中提取出电能质量扰动的频谱特征,如频率、谐波含量、谐波失真率等。

基于小波神经网络的电能质量扰动辨识

基于小波神经网络的电能质量扰动辨识
量变化的标准。最终选取的特征矢量 P 归一化后的
表达式为
p : P , 一八1 [ I 八,,
几= 凡一气
之,, 1 一} ,,
(当 { 一’ 习 ,一 全 :j]<0 1 , 0 : 时少 ,
l 3 然后, [ 。 选择一 种新型的 人工神经网 络一小波神经 网络对扰动特征量进行分类。 该网络由4 个子小波神
经网络并行组成, 采用具有局部特性的小波函数作为 激励函数, 各个子网络结构简单, 训练非常迅速, 具 有很好的收敛速度, 当有新的扰动信号需要识别时只 要相应地增加一个网络, 因此整个网络的学习及扩展 能力大为增强。 最后通过仿真计算验证了利用该方法 进行电能质量扰动识别的有效性叫 。
Abst act T imprO t e Power ef ciency, is necess娜 to cla sif t p we qua it signa s r o ve h i f it s y h o r e l y l 邵cu at ly and cla if them efl七i vely, Pa e develo s a P a t ca method to cIassif Pow r qualit r e r y ct This P r P r ci l y e y va ations, i t which combines t e t a t o wa elet t nsf r in a aly石 non一 tionar signals wit a h ri f v a om r n ng st a y h novel neur习networ n妙 d wavelet networ Power quality signa s we decomPosed wit wave et k k l e r h l u m lti一 solut on a a ysis a d t e f a ur vect r wer ex acte f om t e power var ation o Power e r i nl n h et e os e t r d r h i f quality. Then wa let n twor was use f r a toma ic conve sion of t e Power qua ity. Resea h shows e v e k d o u t r h l c r this m t o can ef ctive1 classif es voltage sag, e hd e f y i voll鳍e swell, g e il er Ption, t ansient‘ volta l m t and r K叮 words: Power qualit : wavelet network留wavelet mult 一 solution analysis y i r e

一种新的电能质量扰动分类识别算法

一种新的电能质量扰动分类识别算法
,Xi o n, a SUN n c e g Ho g—h n
( hnd o e d is ao ,hnd 10 ,hn ) C eguPw r mnt tn C egu6 03 C ia A ri 1
Absr c : n v l lsic t no o rq ai itr a c a e np o oe ya ayiigo o rq ai iu b t a t A o e asf ai f we u lyds b n eh sb e rp sdb n lss f we u l ds r - c i o p t u n p y t t
< 电气开关> 2 1. o2 (0 1 N . )
文章 编号 :04— 8 X(0 1 0 0 4 0 10 2 9 2 1 ) 2— 0 4— 3

种 新 的 电能 质量 扰 动分 类识 别算 法
赖晓君 , 孙洪成 ( 成都电业局龙泉驿供 电局 , 成都 6 0 3 ) 四川 10 1
e au t n o we u lt itr a c s a f au e o u e ff au e e emie a dit r n e u i u l n od rt v l a i fpo rq aiy d su b n e . e tr ra n mb ro e t r sd tr n su ba c n q ey i r e o o
mie it r a c MAT x d dsu b n e. LAB smu ain r s ls s o ta h sme o s efc ie i ls i c t n o i ge a d mie i lt e u t h w h tt i t d i fe tv n ca sf a i f sn l n x d o h i o p we u l y d su b n e , n e s t — o s mi g o ac lt n o rq ai it r a c s a d ls i t me c n u n fc l ua i . o

基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别

基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别

第52卷第4期电力系统保护与控制Vol.52 No.4 2024年2月16日Power System Protection and Control Feb. 16, 2024 DOI: 10.19783/ki.pspc.230241基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别毕贵红,鲍童语,陈臣鹏,赵四洪,陈仕龙,张梓睿(昆明理工大学电力工程学院,云南 昆明 650500)摘要:能源互联网背景下的电能质量问题越来越凸显,针对传统电能质量扰动(power quality disturbances, PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种混合分量多尺度时频图和残差神经网络(residual neural network, ResNet)、门控循环单元(gated recurrent units, GRU)网络与注意力机制(attention, AT)组合的电能质量复合扰动识别新方法—Res-GRU-A T。

首先利用奇异谱分解(singular spectrum decomposition, SSD)和逐次变分模态分解(successive variational mode decomposition, SVMD)对PQDs信号分别进行多尺度分解得到混合分量,再对混合分量进行希尔伯特黄变换(Hilbert-Huang transform, HHT),分析得到多尺度时频图。

其次,利用Res-GRU-AT模型对多尺度时频图进行深层次特征提取、强化和识别。

Res-GRU-AT模型能够利用ResNet的二维图像空间特征提取能力和GRU的时序特征提取能力进行特征融合,再通过AT进行特征加权强化,提高了PQDs的识别能力。

不同方案的仿真结果表明,所提方法特征提取能力强且抗噪性能好,对复合扰动识别率高。

关键词:电能质量;故障识别;时频分析;混合模式分解;深度学习Composite PQDs identification based on a hybrid decomposition multi-scale time-frequencymap and Res-GRU-ATBI Guihong, BAO Tongyu, CHEN Chenpeng, ZHAO Sihong, CHEN Shilong, ZHANG Zirui (School of Electric Power Engineering, Kunming University of Science and Technology, Kunming 650500, China)Abstract: The power quality problem in the context of the energy internet is becoming more and more prominent.However, there are several problems in the traditional power quality disturbance (PQD) identification process, such as the signal feature extraction is complex, the algorithm recognition ability is insufficient, and it is difficult to differentiate composite disturbance, etc. Thus a new method—Res-GRU-A T, combining hybrid component multi-scale time-frequency diagram, residual neural network (ResNet), gated recurrent units (GRU) network and attention (AT) mechanism, is proposed for power quality composite disturbance identification. First, the PQDs signals are decomposed at multiple scales using singular spectrum decomposition (SSD) and successive variational modal decomposition (SVMD) respectively to obtain the hybrid components. Then the hybrid components are analyzed by Hilbert-Huang transform (HHT) to obtain the multi-scale time-frequency diagram. Secondly, multi-scale time-frequency diagrams are deeply extracted, strengthened, and recognized using the Res-GRU-AT model. The Res-GRU-AT model can perform feature fusion by using the spatial feature extraction capability for 2D images of ResNet and the temporal feature extraction capability of GRU. Then the feature-weighted enhancement is done by A T to improve the recognition capability of PQDs.Simulation results of different schemes show that the proposed method has strong feature extraction capability, good noise immunity, and high recognition rate of composite perturbation.This work is supported by the National Natural Science Foundation of China (No. 51767012).Key words: power quality; fault identification; time and frequency analysis, hybrid decomposition; deep learning基金项目:国家自然科学基金项目资助(51767012)毕贵红,等基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别- 13 -0 引言大力发展以风、光等新能源为主体的新型电力系统,已成为推动我国能源清洁低碳转型的重要举措。

  1. 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. 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. 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)。

输入信号列矢信号 X ( t ) 是在一定尺度下的小波
∃四川电力技术% 2002 年第 3 期
# 43 #
K
-1
= [ 1. + d q ] [ 1+ q. n
1. q . n

pq ]dq
*
1. q . n
+ cq
( 13)
决策制定。它可以与其他专家系统结合来简化电能 质量扰动的识别 , 并可以被安装于配电馈线来检测电 能质量问题 , 估计扰动的统计特征。
目前提高和保证电能质量已经为成为世界上许 多国家包括我国在内日益重视的问题。为了改进电 能质量 , 电力部门需对电能质量进行连续的监测, 并 利用电能监测设备连续记录扰动波形。现有的分析 辨识电能扰动波形的方法由于其基本方法是基于对 扰动波形的波形记录, 因此, 需要观察记录大量的数 据, 这使得这一工作显得十分繁重。 电能质量扰动波形的识别实质上是一个模式识 别问题。由于电能质量扰动识别包含了许多的扰动 种类, 扰动的特征边缘 可能重叠 , 使其实现很 困难。 利用近来信号分析技术成果 , 尤其是小波变换, 人工 神经网进行辨识 , 并用投票框架或 D- S 证据理 论综合网络输出, 从而解 决电能扰动波形的 自动辨 识。

参考文献
4
总体框架
[ 1]
彭玉华
小波变换与工程应用 , 科学出版社 , 1999.
在评价了小波和方法在电能质量扰动波形识别 中的用途后, 这里介绍基于小波神经网络方法在波形 识别中的整个过程。其基本思想是在小波域用多层 神经网络来进行波形识别。图 2 表明了基于小波的 神经分类器的理论框图由预处理、 处理和后处理阶段 组成。分类器的输入是时域扰动信号, 然后将时域电 能质量扰动波形在被输入神经网络之前被转换到小 波域 , 并以二进正交小波变换来实现以同步时频信息 的形式检测和抽取扰动特征和扰动信号的斜率与坡 度, 这些提取的信息有助于神经网络区分扰动事件。 处理阶段包括了一组以小波变换系数作为输入信号 的多层人工神经网络 , 需用后处理过程来综合多层神 经网络的输出, 以便决定扰动的类型并为决策提供一 个信任等级。输出是扰动的类型和其相应的置信度。
POWER QUALITY DISTURBANCE WAVEFORM RECOGNITION Abstract: The paper bears recent advances in wavelate transforms, artificial neural network and theory of evidence for recognizing and identifying power quality disturbance waveforms. Unlike past techniques shere the identification is performed in time domain using and individual neural entworks, the scheme proposed in the paper is carried out in the wavelate domain using aset of multiple neural net works. At last, the outcomes are integrated using Dempster- Shafer theory of evidence. Then a degree of belief for the identified distur bance waveform os provided by the classifier. Keywords: power quality; wavelet transform; pattern recognition; artificial neural network; learning vector quantization; theory of evidence
T
图1
LVQ 结构图
T
pi=
( 9) ( 10) ( 11) ( 12)
x ( t ) m c ( t ) = max { X ( t ) m c ( t ) } 对{ i , 2, !, K - 1, K }
T
( 5)
ci = ∀( - { ( i ) } ) ( 1- ∀( - { i } ) ) 1- ∀( - { i } ) u ( { i } ) r i = 1- ( p i + ci ) d i = c i + ri
T
经网络的输出必须被合并 , 最简单的方法是使用投票 制度。另一种方法是使用 Dempster- Shafer 证据理论 来综合每个神经网络的输出。 Dempster- Shafer 证据理论提供了一种制定决策 的方法 , 并给出决策制定的可信度。 ∗ 为所有可能假设中互斥的完备 有限组, n = | ∗ | 是 ∗ 中的元素的总数。令 ! i , j 代表支持假设 i 的 证据, 这里 j 表示 ! i , j 的一个集合。令 u ( { i } ) 为代表 确切表示支持 i 的累加证据 , 定义如下 : u ( { i } ) = 1- + ( 1- ! i, j ( { i } ) allj ( 7) 同样, 令 ∀i , j 代表反对假 设的证据。因此 , 确切 表示反对类型 , 的累加证据是 ∀( - { i } ) , 定义类似 式 ( 7) 。本文中, 不采用反对假设的证据。支持 i 的 证据 u ( { i } ) 和反对 i 的证据 ∀( - { i } ) 现在被综合进 基本可能性分配 m ( { i } ) : m( { i } ) = [ p i q+ d q + r i q+ cq ] −i −i 这里: u ( { ( i ) } ) ( 1- ∀( - { i } ) ) 1- u ( { i } ) ∀( - m { i } ) ( 8)
pq ] + [ q (+ cq ] - Z dq ( 14) ( 15)
+ cq ] )
B ( i ) = 1- Bel ( - i )
多层神经网络组被用来提供支持假设 的证据。 由于没有反对任何假设的证据 , 所以 ∀i , j = 0。因此, 置信区间的计算过程可以简化如下 : m ( { i} ) = C
2
模式识别
神经网络具有很好的自学功能和自适应能力 , 当
给其提供一系列样本时, 它可以依靠其经验来识别模 式。一个 神 经 元的 输 入 列向 量 X = [ x ( 1) , !, x ( p ) ] 的第 n 个元素 X ( n ) 通过一个权重因子 m ( k , n ) 与一个神经元 K 联系在一起。 Uk = mx = i = ∀1 m ( k , i ) x ( i )
*
u( { i } ) 1- u ( { q } )
i
( 16) ( 17) ( 18)
图2 基于小波的神经分类器的理论框图
B ( i ) = 1- C q (∀ 这里 C
- 1
u ( { i} ) 1- u ( { q } ) u( { i } ) 1- u ( { q } )
= 1+
1. q . n
1。输入模式矢量 X ( t ) 和神经元 mi ( t ) 间的最近距 离是以 m c ( t ) 表示的最佳匹配神经元。因此在 k 个 神经元中, 只有神经元 m c ( t ) 对输入信号 X ( t ) 作出 响应 , 竞争学习的输出矢量是 B 。确定最匹配神经元 的一种简单方法是点乘距离测量。 X ( t ) 和 m i ( t ) 的 点乘距离测度是 X ( t ) m c ( t ) 。最匹配神经元 mc ( t ) 可以从下式中的神经元中选取最大点乘距离测度得 到:
成分自动调节取样疏密 , 以分析信号的任意细节 , 提 取信号的特征。由于小波变换对非正常信号很敏感 , 而对近似正常的信号不敏感, 所以它对检测和抽取不 同的电能质量扰动特征是很有用的。 与 50 Hz 的背景信号相比, 扰动事件中的波形是 不规则的, 因此, 有扰动的小波变换系数与没有扰动 的值相比其值很大。然而由于所有的实际电能质量 信号中都含噪声, 检测结果或扰动特征可能变坏 , 为 了提高与扰动有关的系数值而压低与噪声有关的系 数值, 将所有的小波变换系数值平方 , 通过这种方法 , 小波变换就可以抽取扰动信息。 小波变换对信号的响应与下式有关 :
∃四川电力技术% 2002 年第 3 期
# 41 #
电能质量扰动波形的识别
蒋国旗, 廖帅戈 ( 武汉大学电气工程学院 , 湖北武汉 430072)
摘 要 : 利用最近在小波变换 、 人工神经网络和 证据理 论上取 得的进 展来进 行电能质 量扰动 波形的 识别 。 与 以往在
时域用单个神经网络进行识别不同 , 提出的方案 是在小波域用一组多层神经网络来进行的 。 最后 , 用 Dempster- Shafer 证据理论综合了网络的输出 , 并由分类器提供已 辨识的扰动波形的信任度 。 关键词 : 电能质量 ; 小波变换 ; 模式识别 ; 神经网络 ; 学习矢量量化 ; 证据理论 中图法分类号 :TM933 文献 标识码 : A 文章编号 : 1003- 6954( 2002) 03- 0041- 03
-
∀ m= 1
( t0) m ( t- t0) m!
* ,
( t) ( 2)
一种数学分析方法, 被认为是继傅立叶变换以来的又 一重大理论突破。小波变换具有良好的时域和频域 局部化性质, 可以在时域 ( 频域 ) 根据信号的不同频率
注意上式中的 m 从一开始, 由于泰勒级数的系 数组成一个单调序列 , 因此等式 2 可以近似为: WT { x ( t ) } =
-
t ( dt ) dt = 0
相关文档
最新文档