CN104459397A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN104459397A CN104459397A CN201410740831.2A CN201410740831A CN104459397A CN 104459397 A CN104459397 A CN 104459397A CN 201410740831 A CN201410740831 A CN 201410740831A CN 104459397 A CN104459397 A CN 104459397A
- Authority
- CN
- China
- Prior art keywords
- disturbance
- value
- frequency
- signal
- power quality
- 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
Abstract
本发明是一种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,其特点是,包括电能质量扰动信号采集、将扰动信号利用自适应多分辨率广义S变换进行处理、扰动信号特征提取和设计决策树分类器对样本进行分类等步骤。与以往的电能质量扰动分类方法相比,在保证了单一扰动的识别准确率基础上,考虑到各频域特征的表现需要,分频域设计窗宽调整因子,能够进一步提高复合扰动的识别准确率,具有科学合理,适应性强,较高的推广应用价值等优点。
Description
技术领域
本发明是一种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,应用于电能质量暂态扰动自动分类及定位、设备状态在线监测及评估以及电能质量治理。
背景技术
电能质量暂态扰动自动分类是电能质量分析与控制的重要基础,对暂态治理、电力电子设备状态监控、扰动源定位等工作具有重要意义。随着智能电网将“安全、经济、电能质量”作为建设核心,电能质量的监控与分析已经逐渐由发电、输电环节向配电环节扩展,对扰动识别的准确性、实时性提出了更高的要求。研究重点逐渐从单一扰动识别向单一扰动与复合扰动共同识别过渡。
常用的扰动识别方法一般包括信号处理与模式识别2个步骤。传统的电能质量暂态扰动自动分类方法常采用希尔伯特-黄变换(Hilbert-Huang Transform,HHT)、小波变换(WaveletTransform)、S变换(S-transform,ST)和Hyperbolic S变换(Hyperbolic S-transform,HST)等作为信号处理手段。但由于时-频测不准原理,难以将时间分辨率与频率分辨率兼顾。模式识别方面,常用的方法包括神经网络(Neural Networks,NNs)、支持向量机(Support VectorMachine,SVM)与决策树(Decision Tree,DT)等。相比其他方法,决策树分类效率高、实现简单,适用于实时性要求高的现场应用环境。但分类效果依赖于特征的分类能力,且不同噪声水平下,最优分类阈值变化较大。需要对采用的特征及相关阈值设定进行深入分析。
发明内容
本发明的目的在于克服现有技术的不足,提供一种科学合理,识别准确率高,适应性强,具有较高推广应用价值的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。
本发明的目的是通过以下技术方案来实现的:一种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,其特征是,它包括以下步骤:
1)电能质量扰动信号采集
利用变电站中的电压、电流互感器及二次设备对相关扰动信号进行采集和记录;
2)将扰动信号利用自适应多分辨率广义S变换,亦称AMGST进行处理:
AMGST是广义S变换的扩展,其关键在于对广义S变换高斯窗函数的傅里叶变换结果中窗宽因子的调整,具体设置如下:
在低频部分,计算公式为:
其中:低频部分为1Hz至100Hz,在此范围内令低频窗宽调整因子λLF=2;
在中频部分,计算公式为:
其中:中频部分为101Hz至700Hz,在此范围内令中频窗宽调整因子
在高频部分,计算公式为:
其中:高频部分为701Hz至(fs/2)Hz,fs为系统采样率;通过基频50Hz傅里叶谱判断信号是否含有基频扰动,若无扰动,取高频窗宽调整因子否则,取
3)扰动信号特征提取
确定6种特征构建分类决策树,从原始信号和AMGST计算结果矩阵中提取分类所需特征,用于分类的特征向量为:X=(Ad,Ar,σF0,Anorm,AMmax,EHF),特征向量中各元素含义及计算方法如下:
Ad表示原始信号1/4周期能量跌落幅度,计算方法为原始信号各1/4周期的均方根值的最小值比上无噪声标准电能质量信号的1/4周期均方根值;
Ar表示原始信号1/4周期能量上升幅度,计算方法为原始信号各1/4周期的均方根值的最大值比上无噪声标准电能质量信号的1/4周期均方根值;
表示AMGST计算结果矩阵中基频对应幅值标准差;
Anorm表示AMGST计算结果矩阵中基频归一化幅值因子,计算方法为基频各采样点对应幅值中的最大值加最小值再减1pu后再整体除以2;
AMmax表示AMGST计算结果矩阵中,101Hz到700Hz部分,各个频率对应平均幅值最大值;
EHF表示改进的高频能量,计算公式为:
STh为高频频域内幅值大于0.02pu的元素;
4)设计决策树分类器对样本进行分类
针对所涉及的13种扰动设计决策树进行分类,其中包括电压暂降C1、电压暂升C2、电压中断C3、闪变C4、暂态振荡C5、谐波C6、电压切痕C7、电压尖峰C8单一扰动8种,和谐波含暂降C9、谐波含暂升C10、谐波含闪变C11、谐波含振荡C12、暂降含振荡C13复合扰动5种;决策树的每个决策节点的阈值设定方面,无交叉样本节点阈值由无交叉特征值范围的中间值确定;含交叉样本的节点阈值提出最小分类损失原则进行确定,如果最后仍不能确定确切阈值,则选取可行范围的中值作为阈值;
最小分类损失原则原理如下:定义误识别率Er,令其中p为选定阈值后,待分类样本被误识别的个数,M为样本总数,分别设定交叉范围内样本特征值为分类阈值,并寻找Er最小值对应的阈值,即确定具有最小分类损失的阈值。
利用本发明的一种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,由于能够根据不同类型扰动信号能量在模时-频矩阵中的频域分布特点,将信号经快速傅里叶变换后获得的频谱分为低频、中频、高频3个频域,分别设定S变换窗函数窗宽调整因子,使其在各个频域具有不同的时-频分辨率,满足不同扰动信号识别要求;并针对高频振荡识别问题,设计基于基频傅里叶谱特征的自适应窗宽调整方法;在此基础上,从自适应多分辨率广义S变换时-频模矩阵和原始信号中提取6种特征用于构建决策树;最后,提出最小分类损失原则,确定决策树节点分类阈值,设计基于决策树的扰动分类器对电能质量扰动进行自动识别,充分反应本发明对电能质量暂态扰动的识别的准确性和实用性,与以往的电能质量扰动分类方法相比,在保证了单一扰动的识别准确率基础上,考虑到各频域特征的表现需要,分频域设计窗宽调整因子,能够进一步提高复合扰动的识别准确率,科学合理,适应性强,具有较高的推广应用价值。
附图说明
图1为本发明的总体算法流程图;
图2为AMGST的计算流程图;
图3为根据最小分类损失原则确定阈值的示意图;
图4为训练样本为1000组时,决策节点随阈值变化的误识别率变化曲线;
图5为决策树结构图。
具体实施方式
本发明的一种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,包括以下步骤:
1)电能质量扰动信号采集
利用变电站中的电压、电流互感器及二次设备对相关扰动信号进行采集和记录;
2)将扰动信号利用自适应多分辨率广义S变换(Adaptive Multiresolution GeneralizedS-transform,AMGST)进行处理:
AMGST是广义S变换的扩展,其关键在于对广义S变换高斯窗函数的傅里叶变换结果中窗宽因子的调整,具体设置如下:
在低频部分,计算公式为:
其中:低频部分为1Hz至100Hz,在此范围内令低频窗宽调整因子λLF=2;
在中频部分,计算公式为:
其中:中频部分为101Hz至700Hz,在此范围内令中频窗宽调整因子
在高频部分,计算公式为:
其中:高频部分为701Hz至(fs/2)Hz,fs为系统采样率;通过基频50Hz傅里叶谱判断信号是否含有基频扰动,若无扰动,取高频窗宽调整因子否则,取
3)扰动信号特征提取
确定6种特征构建分类决策树,从原始信号和AMGST计算结果矩阵中提取分类所需特征,用于分类的特征向量为:特征向量中各元素含义及计算方法如下:
Ad表示原始信号1/4周期能量跌落幅度,计算方法为原始信号各1/4周期的均方根值的最小值比上无噪声标准电能质量信号的1/4周期均方根值;
Ar表示原始信号1/4周期能量上升幅度,计算方法为原始信号各1/4周期的均方根值的最大值比上无噪声标准电能质量信号的1/4周期均方根值;
表示AMGST计算结果矩阵中基频对应幅值标准差;
Anorm表示AMGST计算结果矩阵中基频归一化幅值因子,计算方法为基频各采样点对应幅值中的最大值加最小值再减1pu后再整体除以2;
AMmax表示AMGST计算结果矩阵中,101Hz到700Hz部分,各个频率对应平均幅值最大值;
EHF表示改进的高频能量,计算公式为:
STh为高频频域内幅值大于0.02pu的元素;
4)设计决策树分类器对样本进行分类
针对所涉及的13种扰动设计决策树进行分类,其中包括电压暂降C1、电压暂升C2、电压中断C3、闪变C4、暂态振荡C5、谐波C6、电压切痕C7、电压尖峰C8单一扰动8种,和谐波含暂降C9、谐波含暂升C10、谐波含闪变C11、谐波含振荡C12、暂降含振荡C13复合扰动5种;决策树的每个决策节点的阈值设定方面,无交叉样本节点阈值由无交叉特征值范围的中间值确定;含交叉样本的节点阈值提出最小分类损失原则进行确定,如果最后仍不能确定确切阈值,则选取可行范围的中值作为阈值;
最小分类损失原则原理如下:定义误识别率Er,令其中p为选定阈值后,待分类样本被误识别的个数,M为样本总数,分别设定交叉范围内样本特征值为分类阈值,并寻找Er最小值对应的阈值,即确定具有最小分类损失的阈值;
参照图1-图5,具体实施方式的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,包括:
A、电能质量扰动原始数据的产生
由于实际电能质量信号并不能完全反应扰动信号的多样性,本发明采用MATLAB按照数学模型仿真生成不同类型电能质量信号,分别随机生成13种扰动信号各500组,信号采样频率为3.2kHz,并在所有信号中加入范围为30dB至50dB随机信噪比的高斯白噪声;
B、对原始数据进行AMGST运算方法(Adaptive Multiresolution Generalized S-transform,AMGST)
对电能质量扰动信号进行AMGST分析,其过程如图2;
C、提取分类所需特征
从原始信号数据和AMGST的运算结果中分别提取特征,共提取6种特征用于建立决策树;
D、设计决策树,决策树的结构如图5所示;
决策树的每个决策节点的阈值设定方面,无交叉样本节点阈值由无交叉特征值范围的中间值确定;含交叉样本的节点阈值提出最小分类损失原则进行确定,如果最后仍不能确定确切阈值,则选取可行范围的中值作为阈值;
最小分类损失原则原理如下:定义误识别率Er,令其中p为选定阈值后,待分类样本被误识别的个数,M为样本总数。分别设定交叉范围内样本特征值为分类阈值,并寻找Er最小值对应的阈值,即确定具有最小分类损失的阈值;
图3描述了根据最小分类损失原则确定阈值的操作方法,实际操作过程中将按照从阈值下限到阈值上限的顺序逐渐增大阈值,并计算对应的误识别率。最后将选择使误识别率达到最小的阈值,即最优阈值。图4为训练样本为1000组时,决策节点随阈值变化的误识别率变化曲线;
E、使用仿真信号验证本发明的有效性
利用MATLAB软件仿真生成信噪比为30dB、40dB、50dB和30dB到50dB随机值的仿真信号,每类各500组,验证本发明的有效性。并构建基于ST、GST、HST的决策树,开展比较试验。结果如表1和表2所示。
表1信噪比为30dB到50dB随机值情况的分类准确率比较
从表1可以看出,本发明的方法分类准确率较其他方法都有提高,尤其识别复合扰动时,优势尤其明显。
表2信噪比分别为30dB、40dB、50dB情况的分类准确率比较
从表2可以看出,本发明的方法在不同噪声水平下的分类总准确率均高于其他方法,且保持在97.66%以上,因此,本发明的方法具有良好的抗噪性和鲁棒性。
Claims (1)
1.一种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,其特征是,它包括以下步骤:
1)电能质量扰动信号采集
利用变电站中的电压、电流互感器及二次设备对相关扰动信号进行采集和记录;
2)将扰动信号利用自适应多分辨率广义S变换,亦称AMGST进行处理:
AMGST是广义S变换的扩展,其关键在于对广义S变换高斯窗函数的傅里叶变换结果中窗宽因子的调整,具体设置如下:
在低频部分,计算公式为:
其中:低频部分为1Hz至100Hz,在此范围内令低频窗宽调整因子λLF=2;
在中频部分,计算公式为:
其中:中频部分为101Hz至700Hz,在此范围内令中频窗宽调整因子
在高频部分,计算公式为:
其中:高频部分为701Hz至(fs/2)Hz,fs为系统采样率;通过基频50Hz傅里叶谱判断信号是否含有基频扰动,若无扰动,取高频窗宽调整因子否则,取
3)扰动信号特征提取
确定6种特征构建分类决策树,从原始信号和AMGST计算结果矩阵中提取分类所需特征,用于分类的特征向量为:特征向量中各元素含义及计算方法如下:
Ad表示原始信号1/4周期能量跌落幅度,计算方法为原始信号各1/4周期的均方根值的最小值比上无噪声标准电能质量信号的1/4周期均方根值;
Ar表示原始信号1/4周期能量上升幅度,计算方法为原始信号各1/4周期的均方根值的最大值比上无噪声标准电能质量信号的1/4周期均方根值;
表示AMGST计算结果矩阵中基频对应幅值标准差;
Anorm表示AMGST计算结果矩阵中基频归一化幅值因子,计算方法为基频各采样点对应幅值中的最大值加最小值再减1pu后再整体除以2;
AMmax表示AMGST计算结果矩阵中,101Hz到700Hz部分,各个频率对应平均幅值最大值;
EHF表示改进的高频能量,计算公式为:
STh为高频频域内幅值大于0.02pu的元素;
4)设计决策树分类器对样本进行分类
针对所涉及的13种扰动设计决策树进行分类,其中包括电压暂降C1、电压暂升C2、电压中断C3、闪变C4、暂态振荡C5、谐波C6、电压切痕C7、电压尖峰C8单一扰动8种,和谐波含暂降C9、谐波含暂升C10、谐波含闪变C11、谐波含振荡C12、暂降含振荡C13复合扰动5种;决策树的每个决策节点的阈值设定原则是,无交叉样本节点阈值由无交叉特征值范围的中间值确定;含交叉样本的节点阈值提出最小分类损失原则进行确定,如果最后仍不能确定确切阈值,则选取可行范围的中值作为阈值;
最小分类损失原则原理如下:定义误识别率Er,令其中p为选定阈值后,待分类样本被误识别的个数,M为样本总数,分别设定交叉范围内样本特征值为分类阈值,并寻找Er最小值对应的阈值,即确定具有最小分类损失的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410740831.2A CN104459397B (zh) | 2014-12-08 | 2014-12-08 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410740831.2A CN104459397B (zh) | 2014-12-08 | 2014-12-08 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104459397A true CN104459397A (zh) | 2015-03-25 |
CN104459397B CN104459397B (zh) | 2017-05-17 |
Family
ID=52905767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410740831.2A Active CN104459397B (zh) | 2014-12-08 | 2014-12-08 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104459397B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108267657A (zh) * | 2018-02-02 | 2018-07-10 | 哈尔滨工业大学 | 一种基于s变换的电能质量扰动检测方法及系统 |
CN108919008A (zh) * | 2018-07-16 | 2018-11-30 | 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 |
CN109239458A (zh) * | 2018-09-06 | 2019-01-18 | 华北电力大学(保定) | 一种高噪声背景下电能质量扰动信号降噪方法 |
CN110046593A (zh) * | 2019-04-22 | 2019-07-23 | 三峡大学 | 基于分段改进s变换和随机森林的复合电能质量扰动识别方法 |
CN110222953A (zh) * | 2018-12-29 | 2019-09-10 | 北京理工大学 | 一种基于深度学习的电能质量混合扰动分析方法 |
CN110940882A (zh) * | 2019-12-11 | 2020-03-31 | 国网上海市电力公司 | 一种遗传算法优化s变换的电能质量扰动识别方法 |
CN111325485A (zh) * | 2020-03-22 | 2020-06-23 | 东北电力大学 | 计及物联带宽约束的轻量级梯度提升机电能质量扰动识别方法 |
CN116541686A (zh) * | 2022-11-01 | 2023-08-04 | 河海大学 | 基于多域特征融合极限学习机的电能质量扰动分类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080074441A (ko) * | 2007-02-09 | 2008-08-13 | 김영일 | 지능형 전기품질 진단 분석 방법 |
CN101738551A (zh) * | 2009-12-15 | 2010-06-16 | 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 |
CN102445620A (zh) * | 2011-11-21 | 2012-05-09 | 东北大学 | 一种暂态电能质量检测装置和方法 |
CN102608441A (zh) * | 2011-01-25 | 2012-07-25 | 华北电力科学研究院有限责任公司 | 基于s变换的sdpqd信号识别方法、设备及系统 |
CN102831433A (zh) * | 2012-06-06 | 2012-12-19 | 西南交通大学 | 一种基于时频域多特征量的电能质量混合扰动分类方法 |
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 |
CN103995178A (zh) * | 2014-05-20 | 2014-08-20 | 江苏大学 | 一种基于时频聚集特性准则s变换的电压暂降检测方法 |
-
2014
- 2014-12-08 CN CN201410740831.2A patent/CN104459397B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080074441A (ko) * | 2007-02-09 | 2008-08-13 | 김영일 | 지능형 전기품질 진단 분석 방법 |
CN101738551A (zh) * | 2009-12-15 | 2010-06-16 | 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 |
CN102608441A (zh) * | 2011-01-25 | 2012-07-25 | 华北电力科学研究院有限责任公司 | 基于s变换的sdpqd信号识别方法、设备及系统 |
CN102445620A (zh) * | 2011-11-21 | 2012-05-09 | 东北大学 | 一种暂态电能质量检测装置和方法 |
CN102831433A (zh) * | 2012-06-06 | 2012-12-19 | 西南交通大学 | 一种基于时频域多特征量的电能质量混合扰动分类方法 |
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 |
CN103995178A (zh) * | 2014-05-20 | 2014-08-20 | 江苏大学 | 一种基于时频聚集特性准则s变换的电压暂降检测方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108267657B (zh) * | 2018-02-02 | 2020-01-21 | 哈尔滨工业大学 | 一种基于s变换的电能质量扰动检测方法及系统 |
CN108267657A (zh) * | 2018-02-02 | 2018-07-10 | 哈尔滨工业大学 | 一种基于s变换的电能质量扰动检测方法及系统 |
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 |
CN108919008A (zh) * | 2018-07-16 | 2018-11-30 | 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 |
CN109239458A (zh) * | 2018-09-06 | 2019-01-18 | 华北电力大学(保定) | 一种高噪声背景下电能质量扰动信号降噪方法 |
CN109239458B (zh) * | 2018-09-06 | 2021-03-19 | 华北电力大学(保定) | 一种高噪声背景下电能质量扰动信号降噪方法 |
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 |
CN110222953A (zh) * | 2018-12-29 | 2019-09-10 | 北京理工大学 | 一种基于深度学习的电能质量混合扰动分析方法 |
CN110046593A (zh) * | 2019-04-22 | 2019-07-23 | 三峡大学 | 基于分段改进s变换和随机森林的复合电能质量扰动识别方法 |
CN110046593B (zh) * | 2019-04-22 | 2023-08-01 | 三峡大学 | 基于分段改进s变换和随机森林的复合电能质量扰动识别方法 |
CN110940882A (zh) * | 2019-12-11 | 2020-03-31 | 国网上海市电力公司 | 一种遗传算法优化s变换的电能质量扰动识别方法 |
CN111325485A (zh) * | 2020-03-22 | 2020-06-23 | 东北电力大学 | 计及物联带宽约束的轻量级梯度提升机电能质量扰动识别方法 |
CN116541686A (zh) * | 2022-11-01 | 2023-08-04 | 河海大学 | 基于多域特征融合极限学习机的电能质量扰动分类方法 |
CN116541686B (zh) * | 2022-11-01 | 2024-03-15 | 河海大学 | 基于多域特征融合极限学习机的电能质量扰动分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104459397B (zh) | 2017-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104459397A (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 | |
Kaushik et al. | A hybrid algorithm for recognition of power quality disturbances | |
CN110956220B (zh) | 一种非侵入式家用电器负荷识别方法 | |
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 | |
Hao et al. | An intelligent algorithm for fault location on VSC-HVDC system | |
CN103033567B (zh) | 一种基于导波的管道缺陷信号识别方法 | |
CN103323702B (zh) | 复合电能质量扰动信号识别方法 | |
CN103197218B (zh) | 一种高压电缆绝缘缺陷局放带电检测诊断方法 | |
CN104459398B (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 | |
CN101924354B (zh) | 利用s变换能量样本属性的配电网故障的人工神经网络选线方法 | |
CN106447086B (zh) | 一种基于风电场数据预处理的风电功率组合预测方法 | |
CN103344875A (zh) | 谐振接地系统单相接地故障分类选线方法 | |
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 | |
CN109672221B (zh) | 一种用于次同步振荡分析的直驱风电场动态等值方法 | |
CN111325485B (zh) | 计及物联带宽约束的轻量级梯度提升机电能质量扰动识别方法 | |
CN103198184A (zh) | 一种电力系统低频振荡特征类噪声辨识方法 | |
CN103018537B (zh) | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 | |
Chen et al. | Detection and classification of power quality disturbances in time domain using probabilistic neural network | |
CN105550450B (zh) | 一种电能质量干扰源特征谐波建模方法 | |
CN114236234A (zh) | 一种基于基波和谐波混合判据的电器特征辨识方法 | |
CN104730384A (zh) | 基于不完全s变换的电能扰动识别与定位方法 | |
Wang et al. | Stockwell‐transform and random‐forest based double‐terminal fault diagnosis method for offshore wind farm transmission line | |
Jiang et al. | A new method for recognition and classification of power quality disturbances based on IAST and RF | |
Prasetyowati et al. | Comparison Accuracy W-NN and WD-SVM Method In Predicted Wind Power Model on Wind Farm Pandansimo | |
CN112993977A (zh) | 一种基于hht及rvm的主动配电网电能质量扰动识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230117 Address after: Room 301, Building 7, No. 333, Liuwen Road, Gongshu District, Hangzhou City, Zhejiang Province, 310000 Patentee after: Hangzhou Taiyuan Electric Co.,Ltd. Address before: 132012, Changchun Road, Jilin, Jilin, 169 Patentee before: NORTHEAST DIANLI University |