CN103488996A - 一种基于小波域统计值的电能质量扰动信号分类方法 - Google Patents
一种基于小波域统计值的电能质量扰动信号分类方法 Download PDFInfo
- Publication number
- CN103488996A CN103488996A CN201310398977.9A CN201310398977A CN103488996A CN 103488996 A CN103488996 A CN 103488996A CN 201310398977 A CN201310398977 A CN 201310398977A CN 103488996 A CN103488996 A CN 103488996A
- Authority
- CN
- China
- Prior art keywords
- power quality
- eigenwert
- quality disturbance
- wavelet domain
- wavelet
- 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.)
- Pending
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于小波域统计值的电能质量扰动信号分类方法,该方法包括特征值提取、分类器训练和分类器分类。电能质量扰动信号类型包括电压凸起、电压凹陷、电压闪变、电压中断、谐波、振荡暂态、脉冲暂态。特征值提取在小波域进行,特征值包括计算小波子带系数的平方和、绝对值均值、方差、偏度和斜度;分类器训练采用神经网络作为分类器,输入电能质量扰动信号特征值,得到分类器参数。分类器分类输入待分类电能质量扰动信号的特征值和分类器参数,自动分类得到电能质量扰动信号的类别。本发明基于小波域统计值的电能质量扰动信号分类方法计算简单快速,能满足电力系统电能质量领域的实际要求。适用于科研机构、企业的电能质量治理技术的验证应用。
Description
技术领域
本发明涉及一种基于小波域统计值的电能质量扰动信号分类方法,属电力系统电能质量领域。
背景技术
随着智能电网的建设发展,用户对电能质量的要求不断提高,电能质量问题受到越来越多的关注。在电网中广泛使用的电力电子设备和装置都带有基于微处理器的数字控制器和功率电子器件,对各种电磁干扰较为敏感,细微的电压扰动会影响到其电子控制系统的正常工作,甚至导致跳闸停电。例如大型海上风电场的并网运行,会引起电网电压的突变与闪动;带有电力电子变流器的变速风电机组还会向电网注入高次谐波电流,引起电网电压的谐波畸变;由系统或用户内部的短路故障引起的电压凹陷等暂态电能质量问题会直接影响用户的正常供电,造成严重的经济损失。
根据相关统计,电压凸起、电压凹陷、电压闪变、电压中断、谐波、振荡暂态和脉冲暂态等已成为日益突出的电能质量问题。要想控制和治理电能质量问题,建设高可靠性电力系统,需要对电能质量扰动进行快速、准确的检测与识别。电能质量扰动分析是改善和控制电能质量的前提和依据。只有明确电能质量扰动的起因和来源,检测分析扰动现象,确定扰动类型,正确识别影响电能质量的各种因素,才能从根本上综合治理并提高电能质量。对电力系统正常可靠性运行具有重要的现实意义。
发明内容
本发明的目的在于,提供一种基于小波域统计值的电能质量扰动信号分类方法。
本发明的技术方案,本发明一种基于小波域统计值的电能质量扰动信号分类方法包括特征值提取、分类器训练和分类器分类。特征值提取在小波域进行,特征值包括计算小波子带系数的平方和、绝对值均值、方差、偏度和斜度;分类器训练采用神经网络作为分类器,输入电能质量扰动信号小波域统计特征值,得到分类器参数;分类器分类输入待分类电能质量扰动信号小波域统计特征值和分类器参数,得到电能质量扰动信号的类别。
所述特征值提取首先对不同类型的电能质量扰动信号进行离散小波变换,对每一级的小波近似子带和细节子带系数分别计算其平方和、绝对值均值、方差、偏度和斜度,构成电能质量扰动信号小波域统计特征值。
所述分类器训练首先随机生成训练样本,计算得到电能质量扰动信号小波域统计特征值,并将电能质量扰动信号小波域统计特征值输入到神经网络,然后采用神经网络作为分类器生成分类器参数,包括:输入层到隐含层权值、隐含层阈值、隐含层到输入层权值、输出层阈值、迭代次数、学习目标、学习效率和动量因子。
所述分类器分类首先计算得到电能质量扰动信号小波域统计特征值,结合分类器参数,将待分类电能质量扰动信号小波域统计特征值和分类器参数输入到神经网络分类器,自动分类得到电能质量扰动信号的类别。
本发明与现有技术比较的有益效果是,本发明电能质量扰动信号小波域统计特征值提取计算时间复杂度低,包含了统计分析的常用手段,能在小波域内有效反映不同类型电能质量扰动信号的统计差异,有效地提高了分类准确率。本发明基于小波域统计值的电能质量扰动信号分类方法能实现电压凸起、电压凹陷、电压闪变、电压中断、谐波、振荡暂态和脉冲暂态扰动信号的分类,计算简单快速,能满足电力系统电能质量领域的实际要求。
本发明用于电力系统对电能质量的综合管理。
具体实施方式
本发明的具体实施方式如下:本实施例一种基于小波域统计值的电能质量扰动信号分类方法包括特征值提取、分类器训练和分类器分类三个步骤。
特征值提取在小波域进行,特征值包括平方和、绝对值均值、方差、偏度和斜度;分类器训练采用神经网络作为分类器,输入电能质量扰动信号特征值,得到分类器参数。分类器分类输入待分类电能质量扰动信号的特征值和分类器参数,得到电能质量扰动信号的类别。
本实施例基于小波域统计值的电能质量扰动信号分类方法,特征值提取首先对不同类型的电能质量扰动信号进行离散小波变换,对每一级的小波近似子带和细节子带系数分别计算其平方和、绝对值均值、方差、偏度和斜度,构成特征向量。
本实施例基于小波域统计值的电能质量扰动信号分类方法,分类器训练首先随机生成训练样本,计算得到电能质量扰动信号小波域统计特征值,然后采用神经网络作为分类器生成分类器参数,包括:输入层到隐含层权值、隐含层阈值、隐含层到输入层权值、输出层阈值、迭代次数、学习目标、学习效率和动量因子。
本实施例基于小波域统计值的电能质量扰动信号分类方法,分类器分类首先计算得到待分类电能质量扰动信号小波域统计特征值,将待分类电能质量扰动信号小波域统计特征值和分类器参数输入到神经网络分类器,自动分类得到电能质量扰动信号的类别。
本实施例中,电能质量扰动信号小波域统计特征值提取计算时间复杂度低,包含了统计分析的常用手段,能在小波域有效反映不同类型电能质量扰动信号的统计差异,有效地提高了分类准确率。
Claims (4)
1.一种基于小波域统计值的电能质量扰动信号分类方法,其特征在于,包括特征值提取、分类器训练和分类器分类;所述特征值提取在小波域进行,特征值包括计算小波子带系数的平方和、绝对值均值、方差、偏度和斜度;所述分类器训练采用神经网络作为分类器,输入电能质量扰动信号小波域统计特征值,得到分类器参数;所述分类器分类输入待分类电能质量扰动信号小波域统计特征值和分类器参数,自动分类得到电能质量扰动信号的类别。
2.根据权利要求1所述的一种基于小波域统计值的电能质量扰动信号分类方法,其特征在于,所述特征值提取首先对不同类型的电能质量扰动信号进行离散小波变换,对每一级的小波近似子带和细节子带系数分别计算其平方和、绝对值均值、方差、偏度和斜度,构成电能质量扰动信号小波域统计特征值。
3.根据权利要求1所述的一种基于小波域统计值的电能质量扰动信号分类方法,其特征在于,所述分类器训练首先随机生成训练样本,计算得到电能质量扰动信号小波域统计特征值,并将电能质量扰动信号小波域统计特征值输入到神经网络,然后采用神经网络作为分类器生成分类器参数,包括:输入层到隐含层权值、隐含层阈值、隐含层到输入层权值、输出层阈值、迭代次数、学习目标、学习效率和动量因子。
4.根据权利要求1所述的一种基于小波域统计值的电能质量扰动信号分类方法,其特征在于,所述的分类器分类首先计算得到电能质量扰动信号小波域统计特征值,结合分类器参数,将待分类电能质量扰动信号小波域统计特征值和分类器参数输入到神经网络分类器,自动分类得到电能质量扰动信号的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310398977.9A CN103488996A (zh) | 2013-09-05 | 2013-09-05 | 一种基于小波域统计值的电能质量扰动信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310398977.9A CN103488996A (zh) | 2013-09-05 | 2013-09-05 | 一种基于小波域统计值的电能质量扰动信号分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103488996A true CN103488996A (zh) | 2014-01-01 |
Family
ID=49829203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310398977.9A Pending CN103488996A (zh) | 2013-09-05 | 2013-09-05 | 一种基于小波域统计值的电能质量扰动信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103488996A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109101890A (zh) * | 2018-07-16 | 2018-12-28 | 中国科学院自动化研究所 | 基于小波变换的电能质量扰动识别方法及装置 |
CN113361427A (zh) * | 2021-06-11 | 2021-09-07 | 温州大学 | 基于wt与ga-pnn的复合电能质量扰动分类方法 |
Citations (1)
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 |
-
2013
- 2013-09-05 CN CN201310398977.9A patent/CN103488996A/zh active Pending
Patent Citations (1)
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 |
Non-Patent Citations (4)
Title |
---|
何朝辉: "基于小波变换和人工神经网络的电能质量扰动分类", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
何正友: "《小波分析在电力系统暂态信号处理中的应用》", 31 March 2011, 北京:中国电力出版社 * |
姚建刚等: "基于小波和BP神经网络的电能扰动分类新方法", 《电网技术》 * |
梅雪等: "基于小波和ANN的电能质量分类方法", 《浙江大学学报(工学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109101890A (zh) * | 2018-07-16 | 2018-12-28 | 中国科学院自动化研究所 | 基于小波变换的电能质量扰动识别方法及装置 |
CN113361427A (zh) * | 2021-06-11 | 2021-09-07 | 温州大学 | 基于wt与ga-pnn的复合电能质量扰动分类方法 |
CN113361427B (zh) * | 2021-06-11 | 2024-03-15 | 温州大学 | 基于wt与ga-pnn的复合电能质量扰动分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | DA-DCGAN: An effective methodology for DC series arc fault diagnosis in photovoltaic systems | |
Luo et al. | Stacked auto-encoder based fault location in VSC-HVDC | |
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 | |
CN102982347B (zh) | 一种基于kl距离的电能质量扰动分类方法 | |
Zhang et al. | Fault diagnosis of power grid based on variational mode decomposition and convolutional neural network | |
Li et al. | A power system disturbance classification method robust to PMU data quality issues | |
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 | |
CN103018537B (zh) | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 | |
CN106786567B (zh) | 一种基于pmu类噪声数据的在线负荷建模方法 | |
CN106548013B (zh) | 利用改进不完全s变换的电压暂降源识别方法 | |
CN110543921A (zh) | 一种基于波形学习的电缆早期故障识别方法 | |
Kamble et al. | Detection of power quality disturbances using wavelet transform and artificial neural network | |
CN103488996A (zh) | 一种基于小波域统计值的电能质量扰动信号分类方法 | |
CN104979829A (zh) | 一种基于改进的FastICA算法的谐波电流估计方法 | |
Nguyen et al. | Wavelet-based Neural Network for recognition of faults at NHABE power substation of the Vietnam power system | |
Ma et al. | An intelligent classification framework for complex PQDs using optimized KS-transform and multiple fusion CNN | |
Wang et al. | Classification of power quality disturbances using time-frequency ambiguity plane and neural networks | |
Wang et al. | A fast load-shedding algorithm for power system based on artificial neural network | |
Naik et al. | Analysis of power quality disturbances using wavelet packet transform | |
Xia et al. | Power Quality Data Compression and Disturbances Recognition Based on Deep CS-BiLSTM Algorithm with Cloud-Edge Collaboration | |
Wang et al. | Fault line selection method of small current to ground system based on atomic sparse decomposition and extreme learning machine | |
Jiang et al. | A new method for recognition and classification of power quality disturbances based on IAST and RF | |
Manjula et al. | Assessment of power quality events by empirical mode decomposition based neural network | |
MoeinDarbari et al. | Design of an automated system for detection and classification of power quality disturbances | |
Dash et al. | Multiple power quality event detection and classification using wavelet transform and random forest classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140101 |