电能质量扰动

摘要： 针对实际电能质量扰动数据大、识别多重扰动精度不高的问题,提出了一种基于自适应最大似然卡尔曼滤波和深度置信网络相结合的电能质量扰动识别方法。首先,该方法使用自适应最大似然卡尔曼滤波对含有噪声的原始扰动信号进行去噪。然后,通过深度置信网络对去除噪声的扰动信号进行训练、分类,以此实现电能质量扰动类型的识别。最后,在20类不同噪声水平下的电能质量扰动信号上进行测试。由仿真结果可知,在不同的噪声水平下,该方法都具有较高的分类正确率,表明了该方法的有效性及对噪声的强鲁棒性。

摘要： 为提高电能质量扰动检测定位在高噪声环境下的准确性,在小波包降噪的基础上引入模糊熵判据,对不同噪声水平的扰动信号自适应最优分解层数,构造阈值随噪声系数改变的函数。选取噪声序列模糊熵最大时的阈值作为最优阈值,对降噪后的扰动信号进行Hilbert-Huang变换,以确定其起止时间与频率等参数。将算法与传统的小波阈值降噪方法进行对比,结果表明算法对于不同的噪声环境均具有良好的抗噪能力。由此可见基于模糊熵的小波包降噪可以更好地提高电能质量扰动分析的精度。

摘要： 近年来分布式能源发电的规模逐渐扩大,更具优势的直流供电技术也随之飞速发展,未来电网的主要模式将大概率趋向交流电网和直流电网混联的电网结构。其中交流电能质量问题已逐渐成熟,而相应的直流部分仍有待研究。对直流电能质量扰动波形进行有效区分与准确辨识,是研究直流电能质量必不可少的环节。直流电能质量扰动波形分类算法研究对直流配电网的实际工程推广应用具有重大意义。文中通过搭建交直流仿真系统,模拟各类直流电能质量问题并监测异常波形,对不同扰动源造成电能质量扰动问题波形进行了特征分析。通过训练二元树结构的支持向量机辨识扰动波形的类型。仿真算例验证了该方法的可行性与高准确率。

摘要： 为更加有效地对电能质量扰动信号进行分类,将小波变换和神经网络进行有机结合,构建4层小波神经网络模型,同时将混沌引入到粒子群优化算法中,通过混沌运动的特性,提高网络模型训练的收敛速度和精度。使用训练好的网络模型,对正常电压和几种常见电能质量扰动进行分类。结果表明,混沌粒子群优化小波神经网络能够有效地对电能质量扰动进行分类,且具有抗干扰性强,稳定性好的优点。另外,与粒子群优化算法和BP算法相比,使用混沌粒子群优化算法能够更好地对电能质量扰动进行分类,具有更高的分类准确率。

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。研究结果表明,与未改进的深度学习识别方法对比,文中方法在特征提取上具有更强的区分空间、更高的识别率和鲁棒性,整体识别率达到99%,可为电能质量扰动识别研究提供一种新的思路。

摘要： 为了提高电能质量扰动识别的准确性,弥补基于传统单一特征量模式识别方法易受干扰、精度低的缺陷,提出基于模糊聚类分析的电能质量扰动模式识别方法。该方法利用HHT变换从多种不同类型的电能质量扰动信号中提取出相应的扰动特征量,再将提取的特征量进行模糊聚类分析,准确地把这些电能质量扰动信号一一归类至光伏扰动与公共电网扰动两大类别,同时建立基于模糊聚类分析的电能质量扰动识别流程。仿真结果表明,该方法克服了传统单一特征量模式识别方法的局限性,优化了扰动信号的识别效果,提高了识别效率,识别精度高,抗噪能力强。

摘要： 针对电网中电能质量扰动信号在强噪声环境下扰动时刻难以准确检测问题,该文提出一种基于自适应辛几何模态分解(SGMD)和短时能量差分因子的电能质量扰动检测算法。基于自适应SGMD改进传统SGMD的滤波重构环节,准确重构电能质量扰动信号,计算重构信号的短时能量,推导基于短时能量的无参自适应阈值算式,构建短时能量差分因子,据此开发基于虚拟仪器的电能质量扰动检测平台,以实现电能质量扰动准确实时检测。仿真和实测结果表明,该文提出的算法在噪声环境下对单一扰动、复合扰动与过零扰动,均能有效地检测扰动起止时刻,且能有效地克服扰动幅值波动对检测结果的影响,相较于现有检测算法,其测量结果更加快速准确。

摘要： 针对传统S变换存在时频分辨率低且计算量大的问题,该文提出一种基于最优Bohman窗的改进S变换。该方法通过直接控制窗长获得最优时频分辨率,同时只针对主要频率点进行时频分析,实现对各类扰动信号特征的精确快速提取。首先根据所提评价标准确定最优长度参数;其次将采样信号进行快速傅里叶变换得到FFT频谱,再通过基于极大值包络的动态测度快速算法确定主要频率点;然后根据主要频率点所处频段选择对应最优长度参数进行计算处理;最后根据模时频矩阵计算时频幅值向量完成时频特征提取。仿真分析和实验结果表明,所提方法相较于传统S变换具有更高的时频分辨率和更短的计算时间,适用于电能质量扰动信号特征的精确快速提取。

摘要： 针对电能质量扰动检测精度低和抗干扰性弱的问题,提出了一种基于能量收敛因子与PSO优化的VMD-HT方法.首先通过改进的VMD方法自适应地选择k和 α的最优取值,然后通过Hilbert变换求取VMD分解后IMF分量的瞬时幅值-频率仿真图,定位扰动发生的起止时刻,实现电能质量扰动的检测.通过加入白噪声模拟实际电能质量扰动和随机改变电能质量扰动数学模型的起止时刻,进行大量检测仿真实验.结果显示,其暂态振荡扰动信号在含20 dB白噪声的环境下发生的起止时刻检测精度相较于HHT分别提高了0.007 s和0.006 s,且其检测误差在0.003 s内的概率达到99.84％.复合电能质量扰动等检测仿真实验结果也表明,改进的VMD-HT方法相较于传统的HHT方法具有更好的检测效果,避免了因EMD容易发生模态混叠的现象导致检测精度低、抗干扰性弱和容错性差的问题.

摘要： 为了精确实现电能质量扰动的定位和分类,提出了一种基于改进的Hilbert-Huang变换(Hilbert-Huang transform,HHT)的电能质量扰动辨识新方法.对传统HHT得到的幅频参数运用极值滑窗均值算法进行去极值均值化处理,提高了在Hilbert-Huang谱中判断扰动发生和结束时刻的精确性.通过新方法求出幅频曲线、Hilbert-Huang谱和Hilbert边际谱并从中提取扰动的频率成分、持续时间、电压幅值和Hilbert-Huang谱幅值4个特征量,以实现扰动的分类与辨识.仿真结果表明:改进HHT和决策树的结合不仅适用于单一扰动的定位与分类,对复杂非平稳扰动也能取得较好的效果,具备一定的抗噪能力.

摘要： 针对S交换窗函数固定,时-频分辨率有限的缺点,提出一种根据电能质量扰动信号傅里叶谱特征,自适应调整窗函数宽度的广义S变换用于分析扰动信号.首先,根据暂态扰动信号傅里叶谱,确定信号主要频率成分,由此初步确定扰动类型.然后,根据扰动信号对时间与频率分辨率的不同需求,自适应调整广义S变换的窗宽调整因子,控制窗口宽度.将优化后的自适应广义S变换用于分析扰动信号.最后,提取7种特征,构造概率神经网络分类器,识别含2种复合扰动在内的10种扰动信号.仿真实验证明,新方法分类过程简单,识别准确率高,抗噪声干扰能力强.

摘要： 本文首先仿真分析了常见的几种电能质量扰动Park 变换和αβ变换特性，在此基础上提取了扰动的三个特征量A1～A3，并针对这些特征量的特点提出一种分类方法，对5 种单一扰动和5 种混合扰动进行了较为准确的分类。且本文提出的算法简单，易于硬件实现，并可以作为电量参数评估的基础。最后，本文对提出的扰动分类方法进行了Matlab 仿真，仿真结果表明，本文提出的特征量及分类方法准确，有效，误判率低，有较好的识别混合扰动能力。

摘要： 本文针对电压暂降和电压暂升两种电压波形畸变进行了定量检测研究,提出了基于小波变换的电能质量扰动检测和精确定位的方法.首先对含有噪声的电压信号进行小波消噪处理,得到信噪比较高的信号;采用小波网络提取信号的基频分量,然后应用小波变换的模极大值方法实现对电压暂降和电压暂升扰动发生、恢复时间的精确定位.仿真结果表明了该方法的有效性.

摘要： 将DCT(离散余弦变换)变换和差变算法结合起来进行短时电能质量扰动的检测.对含强噪声的短时电能质量扰动采样信号(电压凹陷、电压凸起和电压间断)进行DCT变换,从所得DCT系数中提取出差变信号,通过DCT系数和差变序列检测出扰动的幅值和起止时间.仿真结果表明,用该方法检测扰动,分析过程简单,利用DCT系数的噪声鲁棒性能实现强噪声环境下的扰动信号检测,且检测精度较高.

摘要： 小波包变换能够实现信号频带的均匀划分,在任意频率聚焦,是分析暂态电能质量扰动时频特性的良好工具.但是电气信号中的电磁噪声严重影响了小波包的检测特性.本文提出了一种小波包除噪算法.通过仿真验证,本文提出的算法可以消除扰动检测中的噪声影响,从而为噪声环境中电能质量扰动的检测和定位提供了良好的依据.

摘要： 本文提出一种新的短时电能质量扰动(SDPQD)的测量与分类方法.SDPQD的位置与范围用差变信号实时确定,幅度用小波变换(WT)方法确定.WT用新设计的复小波,采用塔式二进快速算法即可达到移动不变效果.分类用特征量为极容易在时域与WT域提取的新定义的二进数量,用简单的二-十进制转换方法即可得到毫无歧义的正确的分类结果.对5种SDPQD的仿真结果表明,本文方法快速,正确,扩展到分析更多的SDPQD时极为方便.

摘要： 提升电网电能质量是保障电网和用户经济可靠运行的重要手段.随着信息通信技术和电能质量监测技术的快速发展,电能质量实时在线监测的逐渐普及,电网电能质量监测系统目前可以提供丰富的监测数据,但是数据分析还停留在传统的指标统计和多维分析上,并未充分挖掘数据中的信息.本文基于异常指标关联分析的电能质量扰动特征挖掘算法,提出一种用于实时监测电能质量扰动事件的事件检测服务.该服务在无需业务经验提取电能质量指标特征的前提下,以数据为驱动挖掘电能质量指标之间、监测点之间的异常指标共现关联,从而分析电网中具有该扰动特征的电能质量扰动事件.经过电网实测扰动数据验证,本文提出的电能质量扰动事件检测服务能够有效检测电能质量扰动事件.

摘要： 介绍了基于变电站自动化系统的综合电能质量监控设备的组成，详细阐述了具有扰动触发功能的电能质量监测仪的硬件电路组成和触发单元的工作原理。该电能质量监测仪可以进行有功、无功、谐波畸变率、不平衡度等稳态电能质量的测量，同时可以检测电能质量瞬态扰动信号。当监测仪检测到瞬态电能质量扰动信号时产生单元触发信号，通知中央处理器记录触发时刻前后的扰动波形，记录的扰动波形通过CAN总线传输到上位机。触发单元使用抽取算法，对瞬态扰动信号进行检测，提出的检测方法对于被检测信号的频率偏移和零均值误差扰动信号均具有较好的鲁棒性。

摘要： 本文介绍了综合电能质量监控系统的组成和工作原理，同时详细说明了各个构成模块的工作原理和在系统的中作用。该综合电能质量监控系统融入了具有触发功能的电能质量监测仪，电能质量监测仪可以进行有功、无功、THD等稳态分量的测量，同时在发生扰动时记录扰动波形。记录的扰动波形通过CAN总线传输到上位机，通过小波多分辨分析和方差分形计算提取扰动的特征矢量，提取的特征矢量输入到概率神经网络实现训练和测试。融入了小波多分辨分析的电能质量监控系统能够实现输、配电系统的各种瞬态扰动的检测，定位和分类功能，同时系统集成了去噪子程序模块，可以实现噪声条件下的电能质量扰动检测。采用IEEE标准1159的电能质量监控测试数据，系统对扰动的识别率可以达到90％左右。

摘要： 小波变换（（WT）具有良好的时频局部化特性，可以同时提取信号的时频特性，是分析电能质量问题的有力工具。本文采用连续小波变换（CWT）算法,选用具有良好频域特性的Morlet复值小波对电能扰动信号进行处理，并通过数字信号处理器（DSP）进行验证。测试结果表明，该算法对给定的采样数据，能够准确地得到扰动信号中的各种特征参数，从而为电能扰动的精确检测提供了有效的手段。

摘要： 本发明公开了一种电能质量扰动的抑制方法，在获取到配电网中负荷侧瞬时三相电压之后，可以基于park变换理论提取瞬时三相电压的基波正序电压，并计算出补偿电压并注入输电线路，从而缓解电压骤变问题；在获取到配电网中负荷侧瞬时三相电流之后，可以利用瞬时功率理论提取瞬时三相电流的瞬时有功功率和瞬时无功功率，并计算出补偿电流并注入输电线路，达到阻断电流谐波传递以解决电流谐波问题的目的。而且，无论是park变换理论还是瞬时功率理论，其本质上都是矩阵变换，所以能够简化补偿电压和补偿电流的计算过程，缩短计算时间，进而提升本抑制方法的响应速度。此外，本发明还公开了一种统一电能质量调节器，具有如上效果。

摘要： 本发明涉及一种基于格拉姆角场和感知哈希的电能质量扰动识别方法，包括：获取待检测信号；将待检测信号转换为待检测图像；根据所述待检测图像，计算待检测信号的哈希指纹；获取扰动信号的哈希指纹；根据待检测信号的哈希指纹与扰动信号的哈希指纹，确定待检测信号的扰动类别。本发明将原始信号进行格拉姆角场密度展示，将一维的时间序列转换为二维的图像，丰富了特征可视化能力；通过感知哈希算法，将图像转化为唯一的哈希指纹，完成从图像到二进制数值的映射，最后根据哈希指纹进行信号相似性匹配，实现扰动类别识别。本发明对传统电能方法进行了优化，能够深层次的提取电能质量扰动信号的特征，实现快速且高精度的复合电能质量扰动识别。

摘要： 本发明公开了一种电能质量扰动分类方法，所述电能质量扰动方法包括：S1：利用S变换窗函数提取电能质量扰动信号，得到模时频矩阵；S2：根据所述模时频矩阵中的各行各列的元素，得到初始扰动特征集；S3：根据所述初始扰动特征集，得到多标签扰动特征集；S4：根据所述多标签扰动特征集，利用多粒度特征优化方法，得到各粒度空间对应的最优扰动特征集；S5：根据各粒度空间所对应的最优扰动特征集，得到对应的各基分类器模型；S6：利用加权投票集成策略对所有所述基分类器模型进行集成，得到强分类器模型；S7：根据所述强分类器模型和电能质量扰动数据测试集，得到电能质量扰动分类结果。

摘要： 本发明涉及一种复合电能质量扰动可视化方法，按如下方法进行波形延拓和电能质量扰动可视化转换：首先，通过波形匹配延拓对10T采样电能质量扰动信号进行最佳匹配延拓，再结合分段三次埃米特插值拟合得到10T包络线序列；然后，通过2T滑动时间窗截取包络线序列，结合可视化技术得到复合电能质量扰动信号的可视化轨迹曲线图；最后，建立可电能质量扰动可视化曲线图样本库，结合先进图像识别算法实现复合电能质量扰动的检测分类。该方法有利于快速、准确辨识复合电能质量扰动。

摘要： 本发明公开了一种电能质量扰动检测方法及装置、电子设备、存储介质，涉及信息安全技术领域，包括：构建基于智能合约与联邦学习的私有区块链，解决了客户端本地电能质量数据不共享情况下的模型训练；通过基于无证书加密的设备身份验证，解决了采集电能质量数据的客户端的可信问题，用于保证所述参与任务的客户端节点本身的安全可信；对梯度更新参数加密，解决了提供模型训练参数泄露的危险，用于保证全局模型梯度更新参数安全；通过构建的电能质量扰动检测模型以保证模型的精度。最终在设备可信的情况下，对各个能源子公司的数据在保护隐私的情况下进行共享，从而完成准确高效的电能质量扰动检测。

摘要： 本发明涉及一种低压配电网重要用户电能质量扰动溯源方法，包括以下步骤：步骤1、提出低压用户电能质量扰动模式特征；步骤2、基于谐波状态静态估计算法，计算低压电力用户的不同节点谐波数值；步骤3、依据步骤2的低压电力用户的不同节点谐波数值，计算电能质量扰动源的高、中、弱三个等级的低压电力用户的谐波变化量，与步骤1获得的电能质量扰动源的高、中、弱三个等级的电力用户电能质量扰动模型特征曲线进行对应归类分析，然后从电力用户容量大小、扰动强弱、谐波变化大小三个方面，对重要电力用户电能质量扰动进行综合评价，定位重要电力用户点电能质量扰动源。本发明能够实现低压配电用户的电能质量扰动快速定位。

摘要： 一种基于多尺度分析二维特征提取的电能质量复合扰动识别方法，通过采用小波包分解，对电能质量扰动信号进行精细划分，实现信号的多分辨率正交分解；同时结合改进S变换将一维电压时序信号转换为二维时频特征矩阵，实现电能质量扰动信号时频特征二维矩阵的自适应构建；引入拉普拉斯变换处理，实现图像锐化，最大化突出图像特征信息；最后，利用卷积神经网络实现对电能质量扰动不同模式的自动识别与分类。本发明可以更好的实现电能质量扰动信号多尺度多分辨率的特征提取，并对电能质量扰动事件类型进行快速、准确的辨识。

摘要： 本发明公开了一种基于深度空间残差学习的电能质量扰动分类方法及系统，本发明包括将多种类型的电能质量扰动信号输入预先训练好的深度空间残差模型来将获得电能质量扰动信号的分类结果，深度空间残差模型包括：空间残差模块，用于提取空间信息；特征融合模块，主要用于融合输入电能质量扰动信号数据的空间信息和序列信息；特征提取模块用于提取特异性特征；分类模块用于区分出不同类别的电能质量扰动信号得到分类结果。本发明能够自动提取扰动信号特征，不用人工参与设计特征，避免了人工设计特征的繁琐步骤，而且本发明方法具有很好的抗干扰能力以及精准的分类检测能力，在强噪声环境下能够对多种复杂的电能质量扰动信号实现精准的分类。

摘要： 本发明公开了一种电能质量扰动检测方法及装置，方法包括：S1，通过电压互感器、电流互感器采集电网的电能质量信息，将采集后的多路采样信号数据并输出；S2，进行预处理，通过压缩感知算法采用稀疏变换基进行稀疏表示后，使用测量矩阵观测信号获得测量值并将测量值重构为原始离散信号及获得包含原始扰动信号细节特征的稀疏向量来获得保持原始信号结构，最后通过求解数值优化问题精确重构原始信号；S3，通过由卷积层、池化层、全连接层和Softmax层组成的深度卷积神经网络模型训练到误差满足预设精确度后，对原始信号进行电能质量扰动分类并输出分类结果。采用压缩感知技术以及深度学习框架，减少噪声对识别精度的影响，提高识别精度，实现快速分类。

摘要： 本发明公开了一种基于T‑S模糊模型的电能质量信号扰动分类方法，包括以下步骤：步骤1：构建T‑S模糊模型，对模型进行训练确定模型参数，形成模糊分类器；步骤2：采用模糊分类器对扰动信号的辨识和分类；确定模型参数过程如下：S1：确定信号扰动特征的类型和数量p，作为模糊模型的输入变量，确定初始聚类数；S2：根据多个扰动类型样本数据计算扰动特征对应的论域区间；S3：对步骤S2中的论域区间进行模糊划分，确定扰动类型对应的论域空间；S4：输入待分类的扰动信号特征值，得到结论参数aip；本发明考虑了多个暂态电能质量扰动信号的非线性扰动特征，实现了系统复杂非线性的拟合，具有很强的分类准确率和鲁棒性。