CN103323702B - 复合电能质量扰动信号识别方法 - Google Patents
复合电能质量扰动信号识别方法 Download PDFInfo
- Publication number
- CN103323702B CN103323702B CN201310204610.9A CN201310204610A CN103323702B CN 103323702 B CN103323702 B CN 103323702B CN 201310204610 A CN201310204610 A CN 201310204610A CN 103323702 B CN103323702 B CN 103323702B
- Authority
- CN
- China
- Prior art keywords
- disturbance
- power quality
- quality disturbance
- characteristic quantity
- frequency
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000000284 extract Substances 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 abstract description 8
- 238000012806 monitoring device Methods 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 description 27
- 238000000691 measurement method Methods 0.000 description 11
- 150000001875 compounds Chemical class 0.000 description 10
- 238000005070 sampling Methods 0.000 description 9
- 230000001052 transient effect Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 8
- 230000010355 oscillation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Measurement Of Resistance Or Impedance (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电能质量分析与监测技术。本发明公开了一种复合电能质量扰动信号识别方法,主要包括如下步骤:a、电能质量扰动信号采集;b、电能质量扰动信号特征提取;c、电能质量扰动信号分类;本发明的复合电能质量扰动信号识别方法,利用电能质量监测设备采集到的电能质量扰动信号数据作为待识别扰动类型的输入,采用FFT和S变换对采集的信号进行处理,提取信号特征量构成特征向量,构建基于规则基“IF-THEN”形式的分类器进行自动识别,输出扰动信号类型。该方法不仅能识别多种单一电能质量扰动,还能识别多种双重电能质量扰动,进而为电能质量的分析、评估和治理提供辅助决策,以进一步提高供电质量。
Description
技术领域
本发明涉及电能质量分析与监测技术领域,特别涉及一种复合电能质量扰动信号识别方法。
背景技术
现代电力系统的电源类型与特性、电网结构和负荷构成正发生着深刻变化,越来越多的非线性、冲击性和不平衡负荷在电力系统中投入使用,如炼钢电弧炉、电气化铁路、电力电子装置等,导致电网发生诸如电压波动和闪变、谐波、系统频率波动等一系列电能质量扰动问题。然而,自20世纪80年代以来,数字式自动控制技术在工业中得到大规模使用,敏感性用电设备对供电系统的电能质量提出了更高要求。电能质量监测设备监测到的数据量越来越大,从海量的扰动数据中提取扰动特性并完成自动分类识别,对于评估电力系统电压质量显得尤为重要,只有这样才能找到扰动发生原因,然后采取相应措施,排除故障,提高电能质量。
电能质量扰动可以分为稳态电能质量扰动和暂态电能质量扰动。稳态电能质量扰动,如电压闪变、谐波等的研究比较成熟并且已经制定了相关标准。如今,为了实现电网的有效控制和优化能源结构,越来越多的新能源通过电力电子设备接入电网,导致电网暂态电能质量问题日益严重,并造成严重的经济损失。对暂态电能质量扰动的正确识别是暂态电能质量扰动治理和评估的前提,因此,电能质量扰动自动识别方法显得尤为重要。目前的电能质量扰动识别方法基本上针对单一扰动类型,而实际电力系统中,可能同时发生包含两种甚至两种以上单一扰动类型的复合扰动类型。复合电能质量扰动特征提取时由于单一扰动之间相互影响,会造成提取的分类特征混叠与失效,其识别问题比单一扰动识别要复杂得多。同时由于电能质量扰动自动识别系统不但需要识别单一扰动类型,而且需要识别多种复合扰动,这样待识别的扰动类型就很多,现有技术针对单一扰动类型进行识别的技术,不能适应电力网络发展的需要。
发明内容
本发明所要解决的技术问题,就是针对现有电能质量扰动识别方法的不足,提供一种复合电能质量扰动信号识别方法。
本发明为解决其技术问题,采用的技术方案是,复合电能质量扰动信号识别方法,包括如下步骤:
a、电能质量扰动信号采集
采集电网中电能质量监测点的电能质量扰动信号,并由此得到监测点的扰动电压信号U,作为电能质量扰动信号识别系统的输入;
b、电能质量扰动信号特征提取
采用快速傅里叶变换处理扰动电压信号U,提取傅里叶变换特征量,采用S变换处理扰动电压信号U,提取S变换特征量;
c、电能质量扰动信号分类
构建基于规则基“IF-THEN”形式的分类器软件模块,用提取的傅里叶变换特征量和S变换特征量构成特征向量,将所述特征向量输入所述分类器中,自动识别出电能质量扰动类型。
具体的,步骤a中,采用电压互感器采集电能质量扰动信号。
推荐的,步骤a中,电能质量监测点设置在变电站、重要支路和关键用户接入处。
具体的,步骤b中,提取的傅里叶变换特征量包括fp、Fz、Fh、fd、fq和fr;提取的S变换特征量包括Fav、Fm、Fb、Hmin和Sav。
更具体的,步骤c中,构建基于规则基“IF-THEN”形式的分类器软件模块,将所述特征向量输入到所述分类器中,自动识别出26种电能质量扰动信号。
本发明的有益效果是,具有较强的电能质量扰动分类能力,能从含扰动电压信号中识别出多种单一扰动类型和双重扰动类型。本发明对电能质量扰动信号进行识别时,采用基于规则基“IF-THEN”形式的分类器软件模块,分类器结构简单,易于维护和扩展,识别正确率高。本发明采用FFT变换和S变换相结合的方法,动态测度从基频、中频、高频、基频标准差、频谱极值点对称和变化幅度等各个方面提取扰动信号特征,充分考虑了单一扰动相互影响而造成的特征混叠或失效问题,因此,本发明对单一扰动类型和双重扰动类型的总识别正确率接近90%。
附图说明
图1为本发明特征量提取流程图;
图2为本发明采用的基于规则基“IF-THEN”形式的分类器软件模块结构示意图。
具体实施方式
下面结合附图,详细描述本发明的技术方案。
本发明的复合电能质量扰动信号识别方法,利用电能质量监测设备采集到的电能质量扰动信号数据作为待识别扰动类型的输入,通过自动识别,输出扰动信号类型。该方法不仅能识别多种单一电能质量扰动,还能识别多种双重电能质量扰动,进而为电能质量的分析、评估和治理提供辅助决策,以进一步提高供电质量。本发明包括如下步骤:
步骤1、电能质量扰动信号采集
本步骤中,可以采用电压互感器、霍尔传感器等采集电网中电能质量监测点的电能质量扰动信号,并由此得到监测点的扰动电压信号U,作为电能质量扰动信号识别系统的输入。电能质量监测点一般设置在各个变电站、重要支路和关键用户接入处。
步骤2、电能质量扰动信号特征提取
本步骤中,采用两种变换方法提取扰动信号特征,具体方法描述如下:
采用快速傅里叶变换(FFT)对步骤1中监测到的扰动电压信号U做变换,得到FFT幅度频谱A(f),然后从A(f)中直接提取特征fp、Fz、Fh和fd,并采用极值点包络的动态测度法提取特征fq和fr,共6个傅里叶变换特征量;
采用S变换处理步骤1中监测到的扰动电压信号U,得到S变换模时频矩阵Sa[l,f],其中l代表采样时间,f表示采样频率点;然后从Sa[l,f]中提取5个S变换特征量:Fav、Fm、Fb、Hmin和Sav。
扰动信号特征量提取过程示意图如附图1所示,具体特征提取方法及其特征功能如下:
(1)从A(f)中直接提4个特征量:fp、Fz、Fh和fd
①FFT幅度频谱中50Hz左右的极值点对称特征量fp
该特征用来描述扰动信号是否为电压闪变或者复合电能质量扰动信号中包含闪变。如果主要频率点关于基频对称则fp=1,否则令fp=0。
②FFT幅度频谱的中频段非谐波点频谱幅值平方和均值特征量Fz
特征Fz的定义式如下:
式中:频率点f的分析范围为[a:b],其中,a和b为A(f)中的频率点,且b>a,f的范围应该避开谐波频率点,只分析中频段非谐波频率点的频谱,避免谐波频率点的FFT谱值较大对分析结果的影响,由于脉冲暂态扰动Fz值较大,此特征用以区分脉冲暂态。
③FFT频谱的高频段频谱幅值特征量Fh,记为
暂态振荡的振荡频率较高,f的分析范围[c:d]应取在高频段,其中,c和d为A(f)中的频率点,且d>c,此特征用以区分暂态振荡扰动信号。
④电能质量扰动信号FFT频谱中基频右侧相邻极大极小值点的变化幅度特征fd
电压暂升/暂降/中断信号属于基频类扰动,基频附近存在着变化幅度较大的极大值极小值点。该特征用来辅助判断复合扰动信号中是否包含有电压暂升/暂降/中断信号。
(2)FFT结合极值点包络的动态测度法从A(f)中提取2个特征fq和fr
下面首先介绍极值点包络的动态测度法,然后再详细阐述FFT结合极值点包络的动态测度法从A(f)中提取2个特征fq和fr方法。
设|H(m)|为扰动信号的离散傅里叶变换结果的模,总共有L个极大值点,所有的极大值序列记为,i=1,2,…,L。设和之间频率点个数依次为X1,X2,…,XL-1,i=1,2,…,L-1,则和之间的Xi个频率点对应的极大值包络为j=1,2,…,Xi;其余频率点的极大值包络即为|H(m)|本身。极大值点包络能明显刻画出信号频谱包含的主要频率点。
然后可以使用动态测度法来寻找这些主要频率点。设x1和xM是某曲线上的两点,则曲线这两点间的部分称为路径P(x1,xM),P(x1,xM)=(x1,x2,…,xM),路径P(x1,xM)的动态测度定义为路径上最高点和最低点的高度差,定义为:Dyn[P(x1,xM)]={sup(|halt(xi)-halt(xj)|)};xi,xj∈P(x1,xM)},sup表示上确界,halt(·)表示高度。设xu为P(x1,xM)的一个极大点,如果存在比其更高的极大点,则极大点xu的动态测度等于由点xu通向同高度所有路径中最小路径动态测度:Dyn[xu]={inf{Dyn[P(xu,xv)]};halt(xu)=halt(xv)}。
FFT结合上述极值点包络的动态测度法提取特征fq和fr具体如下:
①FFT频谱中奇次谐波频率点特征fq
谐波信号中含有奇次谐波频率点,通过动态测度法寻找含复合扰动电压信号频谱中的谐波频率点,如果极值点xu的动态测度Dyn[xu]满足则为主要频率点,xmax表示频谱的最大幅值,Thr为设定的阈值;如果扰动信号中含有奇次谐波频率点,令fq=1,否则,令fq=0。
②FFT频谱中是否含有整数倍谐波频率点特征fr
切痕中含有整数倍的谐波频率点,通过动态测度法寻找复合电能质量扰动信号频谱中的谐波频率点,如果极值点xu的动态测度Dyn[xu]满足则为主要频率点;如果扰动信号中含有整数倍谐波频率点,令fr=1,否则,令fr=0。
(3)从S变换模时频矩阵Sa[l,f]提取的5个特征量Fav、Fm、Fb、Hmin和Sav,具体描述如下:
①基频幅值特征Fav
定义S变换模时频矩阵对应基波频率处的幅值随时间变化的基频曲线为Vfb(l),其表达式为Vfb(l)=Sa(l,fb)。
S变换的基频幅值均值特征为。式中,l代表采样时刻;fb代表基波频率;L为总采样点数。Fav反映了基频幅值变化情况。
②频标准差特征Fm
电压暂升/暂降/中断几类基频类扰动的基频幅值变化较大,因此求基频曲线Vfb(l)的标准差,可以辅助区分含复合扰动电压信号中是否包含有电压暂升/暂降/中断。
③S变换后基频成分幅值与0.5最大偏差的两倍特征Fb
Fb=2×max{max(Vfb(l))-0.5,0.5-min(Vfb(l))},此特征可以辅助区分扰动信号中是否包含有电压暂升/暂降/中断。
④基频幅值最小值对应时刻附近信号最小值特征Hmin
首先寻找基频曲线Vfb的最小值点Kmin。则Sa(Kmin,fb)=Sa(l,fb),然后计算基频最小值点Kmin前后半周采样点的均方根值,得到基频幅值最小值对应时刻附近信号的最小值特征N为基频电压一周波采样点数。此特征用来区分电压暂降和中断。
⑤S变换模时频矩阵列均值特征Sav(包含极大值点坐标N1、N2及其幅值M1、M2)
脉冲暂态的S变换模时频矩阵列均值中存在两个很大的峰值,为最大值M1和次最大值M2,且最大值点和次最大值点相隔很近。脉冲暂态的持续时间小于半个工频周期,通过扰动信号S变换后模时频矩阵中列均值中最大值点和次最大值点相隔时间以及这两个峰值点大于某一阈值来判定扰动信号中是否包含脉冲暂态。
步骤3、电能质量扰动信号分类
构建基于规则基“IF-THEN”形式的分类器软件模块,如图2虚线框所示。用步骤2中提取的11个电能质量扰动分类特征构成特征向量x,x=[fpFzFhfdfqfrFavFmFbHminSav],x输入到所述分类器中,就能自动识别电能质量扰动类型。
本发明能识别26种电能质量扰动信号,包含8种单一扰动信号以及18种双重扰动信号。8种单一扰动分别为:电压暂升、电压暂降、电压中断、谐波、电磁脉冲、振荡暂态、电压闪变、电压切痕,分别记为:C1、C2……C8。双重扰动中两种复合单一扰动之间用“&”连接,例如复合扰动信号由电压暂升和谐波构成,则记为C1&C5。
实施例
为了求解复合电能质量扰动信号识别问题,根据附图1中的流程图所示,需采取如下步骤:
步骤1、电能质量扰动信号采集
由于实际采样信号不能完全反应电能质量扰动信号的多样性,因而采用MATLAB软件随机产生上述26种扰动信号类型。每种扰动随机生成100个样本,同时每种扰动信号叠加40dB的高斯白噪声,信号采样率为3.2kHz,采样10个周波,即采样640个点。
步骤2、电能质量扰动信号特征提取
采用FFT对步骤1中的26种扰动信号类型作变换,得到幅度频谱A(f),然后从A(f)中直接提取特征fp、Fz、Fh和fd,并采用极值点包络的动态测度法从A(f)中提取特征fq和fr;采用S变换对步骤1中的26种扰动信号类型作变换,得到S变换模时频矩阵Sa[l,f],然后提取5个分类特征Fav、Fm、Fb、Hmin和Sav。这样一共得到11个特征,具体的特征提取流程示意图如附图1中的扰动信号特征提取部分,具体特征提取如下:
(1)从A(f)中直接提取4个特征量fp、Fz、Fh和fd
①FFT幅度频谱中50Hz左右的极值点对称特征fp:该特征用来描述扰信号是否为电压闪变或者复合电能质量扰动信号中包含闪变。如果主要频率点关于基频对称则fp=1,否则令fp=0。
②FFT幅度频谱的中频段非谐波点频谱幅值平方和均值特征Fz。设扰动信号FFT的幅度频谱为A(f),f为频率采样点,特征Fz的定义式如下:
式中频率点的分析范围为[32:50,52:70],即分析的频率范围为155Hz—345Hz。这样做避开了谐波频率点,只分析中频段非谐波频率点的频谱。脉冲暂态的特征值Fz较大,此特征可以辅助区分脉冲暂态扰动信号。
③FFT变换频谱的高频段频谱幅值特征Fh,记为f为151至321点,即分析的频率范围为750Hz-1600Hz,暂态振荡的频谱特征主要集中在这个频率段,该特征用以区分暂态振荡扰动信号。
④电能质量扰动信号FFT频谱中基频右侧相邻极大极小值点的变化幅度特征fd。电压暂升/暂降/中断信号属于基频类扰动,基频附近存在着变化幅度较大的极大值极小值点。fd阈值设为16,该特征用来辅助判断复合扰动信号中是否包含有电压暂升/暂降/中断信号。
(2)FFT结合极值点包络的动态测度法从A(f)中提取的2个特征量fq和fr,具体描述如下:
①FFT频谱中奇次谐波频率点特征fq
谐波信号中含有奇次谐波频率点,设定阈值Thr为3%,通过动态测度法寻找复合电能质量扰动信号频谱中的谐波频率点,如果极值点xu的动态测度Dyn[xu]满足则为主要频率点,xmax表示频谱的最大幅值;如果扰动信号中含有奇次谐波频率点,令fq=1,否则,令fq=0。
②FFT频谱中是否含有整数倍谐波频率点特征fr
切痕中含有整数倍的谐波频率点,设定阈值Thr为1%,如果扰动信号FFT幅度频谱中极值点xu的动态测度Dyn[xu]满足则为主要频率点;如果扰动信号中含有整数倍谐波频率点,令fr=1,否则,令fr=0。
(3)从Sa[l,f]提取的5个特征量Fav、Fm、Fb和Hmin具体描述如下:
①基频幅值特征Fav
定义S变换模时频矩阵对应基波频率处的幅值随时间变化的基频曲线为Vfb(l),其表达式为Vfb(l)=Sa(l,fb)。
S变换的基频幅值均值特征为式中,l代表采样时刻;fb代表基波频率;L为总采样点数640;Fav反映了基频幅值变化情况,其阈值设为0.5。
②频标准差特征Fm
电压暂升/暂降/中断几类基频类扰动的基频幅值变化较大,其基频曲线Vfb(l)的标准差也相应较大。Fm阈值设为14,此特征可以辅助区分复合电能质量扰动信号中是否包含有电压暂升/暂降/中断。
③S变换后基频成分幅值与0.5最大偏差的两倍特征Fb。Fb=2×max{max(Vfb(l))-0.5,0.5-min(Vfb(l))},此特征可以辅助区分扰动信号中是否包含有电压暂升/暂降/中断。
④S变换模时频矩阵列均值特征Sav(包含极大值点坐标N1、N2及其幅值M1、M2)
脉冲暂态的S变换模时频矩阵列均值中存在两个很大的峰值,为最大值M1和次最大值M2。如果|N1-N2|<32且M1>0.05,M2>0.05则判断电能质量扰动信号中包含脉冲暂态。
⑤基频幅值最小值对应时刻附近信号最小值特征
首先寻找基频曲线Vfb的最小值点Kmin。则Sa(Kmin,fb)=Sa(l,fb),然后计算基频最小值点Kmin前后半周采样点的均方根值,得到基频幅值最小值对应时刻附近信号的最小值特征此特征用来区分电压暂降和中断,阈值设为0.005。
步骤3、电能质量扰动信号分类
构建基于规则基“IF-THEN”形式的分类器软件模块,如图2虚线框所示。用步骤2中提取的11个特征量构成特征向量x,x=[fpFzFhfdfqfrFavFmFbHminSav],将x输入到所述分类器软件模块中,就能实现26种电能质量扰动信号的自动识别,其识别结果如表1所示。
从表1可看出,本发明构建的基于规则的分类系统在一定信噪比条件下能准确识别包含8种单一扰动类型和18种双重扰动类型的电能质量扰动信号。分类系统不但能准确识别单一扰动类型,并且能识别复合扰动类型。基于规则基“IF-THEN”形式的分类器软件模块易于维护和扩展,当需要对新的扰动信号进行分析时,只需提取新的扰动特征,形成新的分类规则即可。
规则基“IF-THEN”形式的分类器软件模块,是本领域应用比较普遍的分类器模块,根据图2中设定的判断条件和结论,其软件模块结构属于本领域常规技术,这里不对其进行进一步的描述。
综上所示,本发明提供了一种复合电能质量扰动信号识别方法,能识别含扰动电压信号中8种单一电能质量扰动类型和18种双重复合电能质量扰动类型,克服了已有识别方法中无法对多种复合扰动类型进行分类的缺点,且识别方法中构建的基于规则基“IF-THEN”形式的分类器软件模块结构简单,易于扩展。
表1复合电能质量扰动信号识别结果
Claims (4)
1.复合电能质量扰动信号识别方法,包括如下步骤:
a、电能质量扰动信号采集
采集电网中电能质量监测点的电能质量扰动信号,并由此得到监测点的扰动电压信号U,作为电能质量扰动信号识别系统的输入;
b、电能质量扰动信号特征提取
采用快速傅里叶变换处理扰动电压信号U,提取傅里叶变换特征量,采用S变换处理扰动电压信号U,提取S变换特征量;提取的傅里叶变换特征量包括fp、Fz、Fh、fd、fq和fr;提取的S变换特征量包括Fav、Fm、Fb、Hmin和Sav;
其中:fp为50Hz左右的极值点对称特征量;Fz为中频段非谐波点频谱幅值平方和均值特征量;Fh为高频段频谱幅值特征量;fd为基频右侧相邻极大极小值点的变化幅度特征量;fq为奇次谐波频率点特征量;fr为整数倍谐波频率点特征量;Fav为基频幅值特征量;Fm为频标准差特征量;Fb为基频成分幅值与0.5最大偏差的两倍特征量;Sav为时频矩阵列均值特征量;Hmin为基频幅值最小值对应时刻附近信号最小值特征量;
c、电能质量扰动信号分类
构建基于规则基“IF-THEN”形式的分类器软件模块,用提取的傅里叶变换特征量和S变换特征量构成特征向量,将所述特征向量输入所述分类器中,自动识别出电能质量扰动类型。
2.根据权利要求1所述的复合电能质量扰动信号识别方法,其特征在于,步骤a中,采用电压互感器采集电能质量扰动信号。
3.根据权利要求1所述的复合电能质量扰动信号识别方法,其特征在于,步骤a中,电能质量监测点设置在变电站、重要支路和关键用户接入处。
4.根据权利要求1所述的复合电能质量扰动信号识别方法,其特征在于,步骤c中,构建基于规则基“IF-THEN”形式的分类器软件模块,将所述特征向量输入到所述分类器中,自动识别出26种电能质量扰动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310204610.9A CN103323702B (zh) | 2013-05-28 | 2013-05-28 | 复合电能质量扰动信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310204610.9A CN103323702B (zh) | 2013-05-28 | 2013-05-28 | 复合电能质量扰动信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103323702A CN103323702A (zh) | 2013-09-25 |
CN103323702B true CN103323702B (zh) | 2016-04-13 |
Family
ID=49192569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310204610.9A Expired - Fee Related CN103323702B (zh) | 2013-05-28 | 2013-05-28 | 复合电能质量扰动信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103323702B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104034974A (zh) * | 2014-05-09 | 2014-09-10 | 西南交通大学 | 一种复合电能质量扰动信号的识别方法 |
CN104280668B (zh) * | 2014-11-05 | 2016-05-11 | 广东电网有限责任公司佛山供电局 | 配电网故障类型识别方法和系统 |
CN104316844B (zh) * | 2014-11-14 | 2016-05-11 | 广东电网有限责任公司佛山供电局 | 配电网故障类型识别方法及装置 |
CN104459397B (zh) * | 2014-12-08 | 2017-05-17 | 东北电力大学 | 采用自适应多分辨率广义s变换的电能质量扰动识别方法 |
CN104459398B (zh) * | 2014-12-08 | 2017-09-05 | 东北电力大学 | 一种采用二维形态学降噪的电能质量复合扰动识别方法 |
CN104535855A (zh) * | 2014-12-17 | 2015-04-22 | 国家电网公司 | 一种基于离散正交s变换的电能质量扰动信号检测算法 |
EP3252956A4 (en) * | 2015-01-28 | 2017-12-13 | Panasonic Intellectual Property Management Co., Ltd. | C/n ratio detection circuit and signal receiving circuit |
CN104730384A (zh) * | 2015-03-16 | 2015-06-24 | 华南理工大学 | 基于不完全s变换的电能扰动识别与定位方法 |
CN105004939B (zh) * | 2015-05-08 | 2017-10-13 | 浙江工业大学 | 一种复合电能质量扰动信号定量分析方法 |
CN106093678B (zh) * | 2016-06-15 | 2018-11-27 | 国网福建省电力有限公司 | 一种快速准确诊断柔性直流输电系统换流器故障的方法 |
CN106908661A (zh) * | 2017-02-20 | 2017-06-30 | 国网江西省电力公司电力科学研究院 | 一种特殊运行工况下电信号扰动识别方法及装置 |
CN108919008B (zh) * | 2018-07-16 | 2021-02-19 | 华北电力大学(保定) | 一种基于时频数据库在线电能质量扰动识别方法及系统 |
CN109034277A (zh) * | 2018-09-17 | 2018-12-18 | 吉林大学 | 基于多特征融合的电能质量扰动分类方法及系统 |
CN111639583A (zh) * | 2020-05-26 | 2020-09-08 | 国网湖南省电力有限公司 | 一种电网电能质量扰动的识别方法及系统 |
CN111965409B (zh) * | 2020-07-17 | 2023-01-03 | 浙江理工大学 | 基于分段差分波形有效值的电压暂态扰动检测方法 |
CN111965464A (zh) * | 2020-08-25 | 2020-11-20 | 杭州电力设备制造有限公司 | 一种基于监测数据分析的电能质量预警系统 |
CN112686503B (zh) * | 2020-12-16 | 2022-05-17 | 云南电网有限责任公司 | 一种异步电网频率调控质量的评价方法及系统 |
CN113567127B (zh) * | 2021-07-23 | 2022-06-07 | 西安交通大学 | 一种基于时频特征分离的滚动轴承退化指标提取方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8000914B2 (en) * | 2008-03-04 | 2011-08-16 | Washington State University | Systems and methods for electromechanical oscillation monitoring |
CN101738551B (zh) * | 2009-12-15 | 2011-12-21 | 西南交通大学 | 基于联网的暂态电能质量扰动智能分析方法 |
CN102750543B (zh) * | 2012-05-31 | 2015-10-14 | 西南交通大学 | 一种基于bud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 |
-
2013
- 2013-05-28 CN CN201310204610.9A patent/CN103323702B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN103323702A (zh) | 2013-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103323702B (zh) | 复合电能质量扰动信号识别方法 | |
Kaushik et al. | A hybrid algorithm for recognition of power quality disturbances | |
CN101339208B (zh) | 一种基于时域分析的电压质量监测与扰动自动分类方法 | |
CN109633368B (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 | |
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 | |
Li et al. | A generic waveform abnormality detection method for utility equipment condition monitoring | |
CN106569129B (zh) | 电机安全检测方法及系统和电机控制系统 | |
CN103344875A (zh) | 谐振接地系统单相接地故障分类选线方法 | |
CN105510687A (zh) | 一种基于经验模态分解的电压异常特征识别方法 | |
CN104459397B (zh) | 采用自适应多分辨率广义s变换的电能质量扰动识别方法 | |
CN103424620B (zh) | 一种基于时间序列相关度的10kV配网谐波源辨识方法 | |
CN111027408A (zh) | 一种基于支持向量机和v-i曲线特征的负荷识别方法 | |
CN110441654A (zh) | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 | |
CN105004939A (zh) | 一种复合电能质量扰动信号定量分析方法 | |
CN104459398A (zh) | 一种采用二维形态学降噪的电能质量复合扰动识别方法 | |
CN108876068A (zh) | 一种电网故障预测检测方法及装置 | |
CN106405230A (zh) | 频率测量方法和装置 | |
CN104034974A (zh) | 一种复合电能质量扰动信号的识别方法 | |
CN103018537B (zh) | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 | |
CN106680585B (zh) | 谐波/间谐波的检测方法 | |
CN111103498B (zh) | 一种低压台区变线户关系识别系统及方法 | |
CN109001602A (zh) | 基于极限学习机算法的局部放电严重程度评估方法 | |
CN110687400B (zh) | 一种暂态录波型故障指示器误启动滤除方法 | |
CN111398721A (zh) | 一种引入调节因子的配电网电压暂降源分类识别方法 | |
CN104714156A (zh) | 基于特高频放电在线监测数据的gis局部放电定位方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190805 Address after: 629000 No. 3777 Yulong Road, Suining Economic Development Zone, Sichuan Province Patentee after: SICHUAN HUATAI ELECTRICAL CO.,LTD. Address before: 610031 Sichuan City, Chengdu Province, No. two North Ring Road, No. 111 Patentee before: Southwest Jiaotong University |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160413 |