CN102750543A - 一种基于bud谱峭度的暂态电能质量扰动分类识别方法 - Google Patents
一种基于bud谱峭度的暂态电能质量扰动分类识别方法 Download PDFInfo
- Publication number
- CN102750543A CN102750543A CN2012101743430A CN201210174343A CN102750543A CN 102750543 A CN102750543 A CN 102750543A CN 2012101743430 A CN2012101743430 A CN 2012101743430A CN 201210174343 A CN201210174343 A CN 201210174343A CN 102750543 A CN102750543 A CN 102750543A
- Authority
- CN
- China
- Prior art keywords
- spectrum kurtosis
- kurtosis
- spectrum
- bud
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明为一种基于BUD谱峭度的暂态电能质量扰动分类识别方法。该方法该算法采用BUD谱峭度方法计算暂态脉冲和暂态振荡两类扰动信号的谱峭度,选取谱峭度的最大值、最小值和均值作为特征量,输入PSO优化参数的SVM进行训练测试。通过PSCAD/EMTDC获得仿真数据,用该方法进行分析。结果表明,基于BUD谱峭度方法能够有效提取扰动特征量,且具有良好的抗噪性能;利用SVM分类器在小样本和叠加有其他扰动时,有效识别两类扰动,识别率较高。
Description
技术领域
本发明涉及电力系统智能监测,尤其是基于BUD谱峭度的暂态电能质量分类识别技术领域。
背景技术
随着电力系统规模的不断扩大和各种电力电子设备、非线性负荷、冲击性负荷的大量投入,导致电能质量水平与用户对其要求之间的差距日益加大,严重影响工业产品质量和居民日常生活,所带来的问题已引起了各国电力工作者的高度重视,暂态电能质量也逐渐成为供电部门和广大用户所共同关心的问题。现有装置对暂态扰动的监测识别存在着十分明显的局限性,监测的指标较少,大多产品只能针对电压暂降、电压暂升和电压中断这三种扰动进行监测识别,对脉冲暂态、振荡暂态的监测识别比较缺乏。因此本发明主要对这两类暂态扰动进行识别研究。
特征提取是暂态扰动识别的首要步骤,其目的是使不同类别的扰动相互能够得到充分的区分,有效地减少输入分类器的向量维数,提高分类速度和准确度。目前,常用的特征提取方法有:基于多分辨率得到的信号子频带的能量,小波变换系数的标准差,小波熵,基于S变换得到的各种特征,等等。对于扰动信号的特征提取,目前尚未找到一种特别适合的方法,各种新方法的使用也在不断探索中。
峭度是随机变量的四阶累计量,作为一个全局性指标不能反映特定信号分量的变化情况,因此,为了克服峭度在工程应用中的不足之处,Dwyer首先提出了谱峭度(SpectralKurtosis—SK)方法,并用来检测信号中的暂态成分。V.Vrabie定义谱峭度为一个过程偏离高斯分布的程度,并在将其应用到轴承故障诊断中。J.Antoni系统的定义了谱峭度,提出了基于短时傅里叶变换(STFT)的谱峭度方法并且在理论上进行了证明,论证了其具有检测加性噪声中非平稳、非高斯信号特征的能力。N.Sawalhi提出了基于Morlet小波变换(WT)的谱峭度法,通过构造最优Morlet小波滤波器来诊断回转机械故障。石锁林提出基于WVD(Wigner-VilleDistribution)的谱峭度法,并将其应用到轴承的故障诊断中。
谱峭度能够表征信号中的非平稳和非高斯成分,并且能够自动抑制白噪声干扰。本发明提出一种基于巴特沃斯分布(Butterworth Distribution,BUD)的谱峭度计算新方法,并将其用来提取脉冲暂态和振荡暂态两类扰动的特征。通过仿真分析验证了本发明方法的可行性和有效性。
发明内容
鉴于现有技术的以上局限,本发明的目的是提供一种基于BUD谱峭度的暂态电能质量分类识别方法。使之对脉冲和振荡两类暂态扰动提取的特征区别明显,且有较强的抗噪性能。
本发明实现其发明目的所采用的技术方案是:一种基于BUD谱峭度的暂态电能质量分类识别方法,在电力系统中对暂态扰动进行识别,其具体作法是:
A、提取扰动特征信号
设u(n)为含有扰动信号的输入电压信号,n=1,2,...,N,N为数据长度。将u(n)进行小波变换,提取扰动特征信号ur(n)。
B、计算扰动特征信号谱峭度
首先求出扰动特征信号ur(n)的Butterworth分布为Cur(t,f),再根据Cur(t,f)的2n阶瞬时谱矩得出2阶和4阶瞬时谱距,最后根据谱峭度的定义,可求得ur(n)的谱峭度
C、提取扰动特征向量
D、PSO优化参数的SVM分类识别
将特征向量和特征向量对应的类别输入PSO优化参数的SVM进行训练,然后对测试样本进行分类,得出并向后续处理设备输出所求分类结果。
采用如上的方法,通过求取两类暂态扰动信号的谱峭度,提取各自特征向量,输入粒子群(Particle Swarm Optimization,PSO)优化参数的支持向量机(Support Vector Machine,SVM),对两类暂态扰动信号进行分类,用来提取脉冲暂态和振荡暂态两类扰动的特征,对脉冲和振荡两类暂态扰动提取的特征区别明显,且有较强的抗噪性能。PSO优化参数的SVM具有较强的小样本学习能力,模型推广能力强,适合于暂态扰动信号的识别。本发明的优点还包括:
1、本发明所采用的谱峭度方法属于高阶统计方法的范畴,谱峭度是一个四阶累积量,理论上能够完全抑制白噪声,表征信号中的非平稳和非高斯信号,并且能够确定其在频带上的位置。谱峭度方法自身具有良好的性质。
2、本发明的所采用的基于BUD的谱峭度计算方法,继承了BUD较高的时频聚焦性和抑制交叉项干扰的能力,且满足Kernel类时频分布的大多数时频分布性质,能够更清晰、更准确地表征信号中包含的非平稳和非高斯成分。
3、本发明所提取的扰动特征量使不同类别的扰动相互能够得到充分的区分,且受噪声干扰小,有效地减少输入分类器的向量维数,提高分类速度和准确度。
为便于理解,将本发明的具体各部再作详述如下:
上述A步提取扰动特征信号的具体做法是:
设u(n)为含有扰动信号的输入电压信号,n=1,2,...,N,N为数据长度。将u(n)进行小波变换。
式中Aj(n)表示尺度j的近似分量,Dj(n)表示尺度j的细节分量,J为最大分解尺度。当j=J时,AJ(n)为最大分解尺度下的近似分量,可认为此近似分量只包含工频信号,则扰动信号可由下式表示
ur(n)=u(n)-AJ(n) (9)
上述B步计算扰动特征信号谱峭度的具体做法是:
B1、扰动特征信号ur(n),计算其Butterworth分布,结果为Cur(t,f)。
其中,<·>k表示的是k阶时平均。
B3、根据谱峭度定义,求得基于BUD的谱峭度。
上述C步提取扰动特征向量的具体做法是:
T=(Kmax,Kmin,Kavg) (10)
其中Kmax为谱峭度的最大值,Kmin为谱峭度的均值,Kavg为谱峭度的均值。
上述D步PSO优化参数的SVM分类识别的具体做法是:
D1、核函数的选取
SVM中主要采用的核函数有:线性核函数、多项式核函数、径向基核函数和Sigmoid核函数。线性核函数多用于样本线性可分的情况;其余核函数多用于样本线性不可分的情况,其中径向基核函数用得较为普遍,分类效果也较好。因此,本发明选择径向基核函数,表达式为
K(xi,x)=exp(-||xi-x||)2/2δ2 (11)
式中δ为核宽度。
D2、参数选择
惩罚因子C和径向基核宽度δ的选取对分类结果有较大影响。本发明利用文献[17]提出的PSO优化SVM参数方法。主要步骤:①读取数据样本,并随机产生(C,δ)作为粒子的初始位置Pi。②计算各粒子适应度函数值,记录最小适应度函数值并更新粒子的位置和速度。③令②得到的为模式搜索的初始值,并给定单位向e,精度ε>0,置k=0,④从y出发,依次做平行于e的轴向探测移动。⑤若且|δk|≤ε,则停止迭代,输出结果,否则返回④。若达到最大迭代次数|δk|>ε,则返回②。
D3、分类识别
将特征向量和特征向量对应的类别输入PSO优化参数的SVM进行训练,然后对测试样本进行分类,得出分类结果。
附图说明
图1为本发明提出基于BUD谱峭度的暂态电能质量分类识别算法的主要步骤框图。
图2为本发明实施例一中220KV输电线路简化模型图。
图3a为本发明实施例一中原始含噪脉冲暂态扰动信号图。
图3b为本发明实施例一中原始含噪振荡暂态扰动信号图。
图4a为本发明实施例一中经小波变换提取的脉冲扰动分量图。
图4b为本发明实施例一中经小波变换提取的振荡扰动分量图。
图5为本发明实施例一中脉冲和振荡扰动谱峭度图。
图6为本发明实施例一中不同SNR的谱峭度图。
图7为本发明实施例一中不同扰动参数的谱峭度图。
具体实施方式
下面结合附图和具体的实施方式,对本发明作进一步详细的说明。
实施例一
图1所示,本发明的一种具体实施方式为:一种基于BUD谱峭度的暂态电能质量分类识别方法,其具体作法是:
A、提取扰动特征信号
图2示出利用PSCAD/EMTDC建立了一个输电线路模型示意图。电源E1、E2为220KV,相角为零;A1、A2、A3为母线;B1、B2、B3、B4为断路器;C1、C2、C3为对地电容。
(1)产生脉冲暂态。在点M处加一个控制源为雷电流的受控电流源模拟雷击现象,获得脉冲暂态信号。
(2)产生振荡暂态。在母线A3处投入1uF的接地电容组C3,获得振荡暂态信号。
用PSCAD/EMTDC产生仿真信号,但是实际采集的扰动信号中经常夹杂着噪声,因此,需要加入噪声。
图3示出加入信噪比(signal to noise ratio,SNR)30db的白噪声模拟实际环境,采样频率设为10kHz,采样时间设为3个工频周期,采集的原始含噪脉冲和振荡暂态扰动信号。
图4示出采用利用小波变换分别提取暂态脉冲和暂态振荡各自扰动分量。其具体做法为:
对原始含噪扰动信号u(n)进行小波变换。
式中Aj(n)表示尺度j的近似分量,Dj(n)表示尺度j的细节分量,J为最大分解尺度。当j=J时,AJ(n)为最大分解尺度下的近似分量,可认为此近似分量只包含工频信号,则扰动信号可由下式表示
ur(n)=u(n)-AJ(n) (9)
B、计算扰动特征信号谱峭度
图5示出基于BUD的含噪脉冲分量和振荡分量的谱峭度。
图6示出不同信噪比条件下两类扰动的特征量。
上述计算扰动特征信号谱峭度步骤的具体做法是:
B1、扰动特征信号ur(n),计算其Butterworth分布,结果为Cur(t,f)。
其中,<·>k表示的是k阶时平均。
B3、根据谱峭度定义,求得基于BUD的谱峭度。
为了体现本发明在不同信噪比条件下,对暂态脉冲和暂态振荡两类扰动信号特征的提取性能,对原始扰动信号分别加入SNR为20db和40db的白噪声,利用本发明提出方法,得出不同信噪比条件下两类扰动的特征量如图6所示。由图6可知,加入不同SNR(分别为40db、30db、20db)的噪声对谱峭度的计算结果影响不大,对暂态脉冲和暂态振荡提取出的特征量总体趋势基本不变,只是个别值的大小有所不同。本发明提出的基于BUD谱峭度计算方法对脉冲和振荡两类暂态扰动提取的特征区别明显,有较强的抗噪性能,对后续SVM分类器的设计与识别非常有利。
为了体现本发明方法的一般性,改变脉冲的幅值、发生的时间,振荡的幅值、持续时间、频率和衰减系数,信噪比选为30db,利用本发明方法对两类扰动进行特征提取,如图7所示。由图7可知,当扰动信号参数不同时,可以看出谱峭度对两类扰动提取的特征比较明显,暂态脉冲特征基本保持不变,但是随着暂态振荡的频率的升高,持续时间的缩短,衰减系数的增大,其特征向暂态脉冲靠拢,但是其特征还是能够对这两类扰动进行区分。
C、提取扰动特征向量
选取谱峭度的最大值、最小值和均值组成特征向量T。
上述提取扰动特征向量步骤的具体做法为:
T=(Kmax,Kmin,Kavg) (10)
其中Kmax为谱峭度的最大值,Kmin为谱峭度的均值,Kavg为谱峭度的均值。
D、PSO优化参数的SVM分类识别
将特征向量T和特征向量对应的类别输入PSO优化参数的SVM进行训练,然后对测试样本进行分类,得出分类结果。
D1、核函数的选取
本发明选择径向基核函数,表达式为
K(xi,x)=exp(-||xi-x||)2/2δ2 (11)
式中δ为核宽度。
D2、参数选择
惩罚因子C和径向基核宽度δ的选取对分类结果有较大影响。本发明利用PSO优化SVM参数方法,得到最优参数(C,δ)=(0.45,0.1)。
D3、分类识别
利用PSCAD/EMTDC软件分别产生两类扰动信号各250组仿真数据,采样频率设为10kHz,采样时间设为3个工频周期,SNR≥20db。随机选取两类暂态扰动各50组作为训练样本,其余各200组作为测试样本。采用PSO优化参数的SVM进行分类识别。
分类结果如表1所示。
表1分类结果
根据表1可以得出,对暂态扰动的识别率达到99.5%。脉冲暂态能够完全识别,分错样本均为振荡暂态,通过查验原始振荡样本得出,这些错分振荡样本都是在振荡频率特别高,衰减系数特别大,持续时间特别短的情况下产生,由于这些条件使得其特征向量更接近于脉冲暂态。PSO优化参数的SVM具有较强的小样本学习能力,模型推广能力强,适合于暂态扰动信号的识别。
通过叠加其他扰动来讨论PSO优化参数的SVM分类器的性能。本发明主要讨论叠加电压暂升、电压暂降、谐波。采样频率设为10kHz,采样时间设为3个工频周期,SNR≥20db。用PSCAD/EMTDC分别产生叠加了电压暂升、暂降和谐波的脉冲暂态和振荡暂态信号,训练样本各50组,测试样本各200组。利用本发明方法进行分类识别,结果如表2所示。
表2叠加其他扰动的分类结果
根据表2可知,叠加暂升和暂降对SVM分类器的识别影响不大,因为暂升和暂降只在幅值的大小上变化,其频率保持不变,在提取扰动信号分量时不会对脉冲和振荡造成影响;而谐波的频率范围比较大,可能与脉冲和振荡混叠,影响其识别。总的来说,叠加其他扰动后,本发明方法乃有较高识别率。
Claims (2)
1.一种基于BUD谱峭度的暂态电能质量扰动分类识别方法,在电力系统中对暂态扰
动进行识别,其主要步骤是:
A、提取扰动特征信号
输入含有扰动信号的输入电压信号u(n),n=1,2,...,N,N为数据长度,将u(n)进行小波变换,提取扰动特征信号ur(n);
B、计算扰动特征信号谱峭度
T=(Kmax,Kmin,Kavg) (10)
其中Kmax为谱峭度的最大值,Kmin为谱峭度的均值,Kavg为谱峭度的均值;
D、PSO优化参数的SVM分类识别
将特征向量和特征向量对应的类别输入PSO优化参数的SVM进行训练,然后对测试样本进行分类,得出并向后续处理设备输出所求分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210174343.0A CN102750543B (zh) | 2012-05-31 | 2012-05-31 | 一种基于bud谱峭度的暂态电能质量扰动分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210174343.0A CN102750543B (zh) | 2012-05-31 | 2012-05-31 | 一种基于bud谱峭度的暂态电能质量扰动分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102750543A true CN102750543A (zh) | 2012-10-24 |
CN102750543B CN102750543B (zh) | 2015-10-14 |
Family
ID=47030708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210174343.0A Expired - Fee Related CN102750543B (zh) | 2012-05-31 | 2012-05-31 | 一种基于bud谱峭度的暂态电能质量扰动分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102750543B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982347A (zh) * | 2012-12-12 | 2013-03-20 | 江西省电力科学研究院 | 一种基于kl距离的电能质量扰动分类方法 |
CN103018537A (zh) * | 2012-11-28 | 2013-04-03 | 西南交通大学 | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 |
CN103323702A (zh) * | 2013-05-28 | 2013-09-25 | 西南交通大学 | 复合电能质量扰动信号识别方法 |
CN103926509A (zh) * | 2014-04-01 | 2014-07-16 | 河南理工大学 | 基于谱峭度相对能量熵的配电网故障阶梯式选线方法 |
CN105447464A (zh) * | 2015-11-23 | 2016-03-30 | 广东工业大学 | 一种基于pso的电能质量扰动识别与分类方法 |
CN106019046A (zh) * | 2016-05-18 | 2016-10-12 | 成都理工大学 | 一种新型小电流接地系统暂态选线方法 |
CN106248201A (zh) * | 2016-07-25 | 2016-12-21 | 南京航空航天大学 | 基于增强谱峭度的谐波成分检测方法 |
CN107885179A (zh) * | 2016-09-30 | 2018-04-06 | 中国电力科学研究院 | 一种电子式互感器异常甄别方法 |
CN108090270A (zh) * | 2017-12-12 | 2018-05-29 | 华南理工大学 | 一种基于形态学滤波和盲源分离的暂态振荡参数识别方法 |
CN110110762A (zh) * | 2019-04-18 | 2019-08-09 | 东南大学 | 一种计及雷击情况的基于pdt-svm暂降源辨识方法 |
CN110648088A (zh) * | 2019-11-26 | 2020-01-03 | 国网江西省电力有限公司电力科学研究院 | 一种基于鸟群算法与svm的电能质量扰动源判断方法 |
CN114548150A (zh) * | 2022-01-11 | 2022-05-27 | 西南交通大学 | 基于参数自适应增强med的传动系统故障诊断方法 |
CN115640918A (zh) * | 2022-12-26 | 2023-01-24 | 电子科技大学中山学院 | 电缆温度异常预测方法、装置、介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050270809A1 (en) * | 2002-12-20 | 2005-12-08 | Leader Electronics Inc. | Device and method for converting an ac voltage |
CN201450504U (zh) * | 2009-06-23 | 2010-05-05 | 广州市圣大电子有限公司 | 一种中长波预选器 |
CN101972841A (zh) * | 2010-10-18 | 2011-02-16 | 河北钢铁股份有限公司唐山分公司 | 一种连铸钢包下渣自动控制系统及控制方法 |
-
2012
- 2012-05-31 CN CN201210174343.0A patent/CN102750543B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050270809A1 (en) * | 2002-12-20 | 2005-12-08 | Leader Electronics Inc. | Device and method for converting an ac voltage |
CN201450504U (zh) * | 2009-06-23 | 2010-05-05 | 广州市圣大电子有限公司 | 一种中长波预选器 |
CN101972841A (zh) * | 2010-10-18 | 2011-02-16 | 河北钢铁股份有限公司唐山分公司 | 一种连铸钢包下渣自动控制系统及控制方法 |
Non-Patent Citations (1)
Title |
---|
王晓冬等: "滚动轴承故障诊断的多小波谱峭度方法", 《西安交通大学学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018537A (zh) * | 2012-11-28 | 2013-04-03 | 西南交通大学 | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 |
CN103018537B (zh) * | 2012-11-28 | 2016-04-06 | 西南交通大学 | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 |
CN102982347A (zh) * | 2012-12-12 | 2013-03-20 | 江西省电力科学研究院 | 一种基于kl距离的电能质量扰动分类方法 |
CN102982347B (zh) * | 2012-12-12 | 2015-05-13 | 江西省电力科学研究院 | 一种基于kl距离的电能质量扰动分类方法 |
CN103323702A (zh) * | 2013-05-28 | 2013-09-25 | 西南交通大学 | 复合电能质量扰动信号识别方法 |
CN103926509A (zh) * | 2014-04-01 | 2014-07-16 | 河南理工大学 | 基于谱峭度相对能量熵的配电网故障阶梯式选线方法 |
CN103926509B (zh) * | 2014-04-01 | 2016-08-17 | 河南理工大学 | 基于谱峭度相对能量熵的配电网故障阶梯式选线方法 |
CN105447464A (zh) * | 2015-11-23 | 2016-03-30 | 广东工业大学 | 一种基于pso的电能质量扰动识别与分类方法 |
CN106019046A (zh) * | 2016-05-18 | 2016-10-12 | 成都理工大学 | 一种新型小电流接地系统暂态选线方法 |
CN106248201A (zh) * | 2016-07-25 | 2016-12-21 | 南京航空航天大学 | 基于增强谱峭度的谐波成分检测方法 |
CN106248201B (zh) * | 2016-07-25 | 2019-04-19 | 南京航空航天大学 | 基于增强谱峭度的谐波成分检测方法 |
CN107885179A (zh) * | 2016-09-30 | 2018-04-06 | 中国电力科学研究院 | 一种电子式互感器异常甄别方法 |
CN107885179B (zh) * | 2016-09-30 | 2022-06-21 | 中国电力科学研究院 | 一种电子式互感器异常甄别方法 |
CN108090270A (zh) * | 2017-12-12 | 2018-05-29 | 华南理工大学 | 一种基于形态学滤波和盲源分离的暂态振荡参数识别方法 |
CN110110762A (zh) * | 2019-04-18 | 2019-08-09 | 东南大学 | 一种计及雷击情况的基于pdt-svm暂降源辨识方法 |
CN110648088A (zh) * | 2019-11-26 | 2020-01-03 | 国网江西省电力有限公司电力科学研究院 | 一种基于鸟群算法与svm的电能质量扰动源判断方法 |
CN110648088B (zh) * | 2019-11-26 | 2020-04-14 | 国网江西省电力有限公司电力科学研究院 | 一种基于鸟群算法与svm的电能质量扰动源判断方法 |
CN114548150A (zh) * | 2022-01-11 | 2022-05-27 | 西南交通大学 | 基于参数自适应增强med的传动系统故障诊断方法 |
CN115640918A (zh) * | 2022-12-26 | 2023-01-24 | 电子科技大学中山学院 | 电缆温度异常预测方法、装置、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102750543B (zh) | 2015-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102750543B (zh) | 一种基于bud谱峭度的暂态电能质量扰动分类识别方法 | |
CN104297635B (zh) | 基于原子稀疏分解与极限学习机的配电网故障选线方法 | |
CN103018537B (zh) | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 | |
CN107255772B (zh) | 一种半监督电压暂降事故源识别方法 | |
Luo et al. | Stacked auto-encoder based fault location in VSC-HVDC | |
CN102982347B (zh) | 一种基于kl距离的电能质量扰动分类方法 | |
CN105136454A (zh) | 一种风电机组齿轮箱故障识别方法 | |
CN109633368A (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
CN103454562A (zh) | 谐振接地系统单相接地聚类法选线 | |
CN104966161B (zh) | 一种基于高斯混合模型的电能质量录波数据计算分析方法 | |
CN102510044A (zh) | 基于小波变换和概率神经网络的励磁涌流鉴别方法 | |
Chakravorti et al. | Detection and classification of islanding and power quality disturbances in microgrid using hybrid signal processing and data mining techniques | |
CN103743980A (zh) | 基于pso优化的svm的电能质量扰动识别与分类方法 | |
Manjula et al. | Comparison of empirical mode decomposition and wavelet based classification of power quality events | |
CN105447502A (zh) | 一种基于s变换和改进svm算法的暂态电能扰动识别方法 | |
CN111308260B (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN105572501A (zh) | 一种基于sst变换和ls-svm的电能质量扰动识别方法 | |
Samantaray et al. | Power transformer protection using S-transform with complex window and pattern recognition approach | |
CN102230951A (zh) | 一种电力系统单一或多重电能扰动事件在线监测与识别方法 | |
CN111537853A (zh) | 基于多源异构数据分析的开关柜局部放电智能检测方法 | |
CN111639583A (zh) | 一种电网电能质量扰动的识别方法及系统 | |
Wang et al. | Stator single-line-to-ground fault protection for bus-connected powerformers based on S-transform and bagging ensemble learning | |
CN113702767B (zh) | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 | |
Jazebi et al. | Magnetizing inrush current identification using wavelet based Gaussian mixture models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151014 Termination date: 20180531 |
|
CF01 | Termination of patent right due to non-payment of annual fee |