CN104459398B - 一种采用二维形态学降噪的电能质量复合扰动识别方法 - Google Patents
一种采用二维形态学降噪的电能质量复合扰动识别方法 Download PDFInfo
- Publication number
- CN104459398B CN104459398B CN201410740863.2A CN201410740863A CN104459398B CN 104459398 B CN104459398 B CN 104459398B CN 201410740863 A CN201410740863 A CN 201410740863A CN 104459398 B CN104459398 B CN 104459398B
- Authority
- CN
- China
- Prior art keywords
- frequency
- noise reduction
- signal
- noise
- distribution
- 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.)
- Active
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000003066 decision tree Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 44
- 238000001678 elastic recoil detection analysis Methods 0.000 claims description 19
- 238000002474 experimental method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000010355 oscillation Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 239000006185 dispersion Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000001052 transient effect Effects 0.000 description 11
- 150000001875 compounds Chemical class 0.000 description 9
- 238000011946 reduction process Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Abstract
本发明是一种采用二维形态学滤波的扰动信号识别方法,其特征是,包括电能质量扰动信号采集、对扰动信号开展多分辨率快速S变换、二维形态学降噪、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,具有科学合理,简便易行,无需训练,实时性好,能够满足现场应用要求,抗噪声能力强,识别准确率高等优点。
Description
技术领域
本发明是一种采用二维形态学降噪的电能质量复合扰动识别方法,应用于高噪工业环境下的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
随着近年来电力电子设备的广泛应用与分布式电源的大量接入,电能质量问题的影响日益突出。电能质量暂态扰动的精确识别是电能质量扰动治理与电能质量分析的前提与基础,近年来国内外研究者针对扰动识别做出大量工作,取得了良好的识别效果。但是,现有扰动识别方法的准确率易受噪声干扰,部分分类器过于复杂,实时性低,不能满足实际工业环境需求。在高噪声环境下,对持续时间较短的扰动信号(特别是暂态振荡信号)识别准确率下降明显。此外,由于分布式可再生能源大量接入,高次谐波(40次以下)作为光伏、风电等分布式电源接入的重要电能质量指标,也列入需要监控分析的范畴。由此,导致谐波含振荡类型复合扰动中振荡成分与谐波成分在不同频域均存在交叉。因此,不能简单的通过不同频域特征,将谐波含振荡复合扰动简单视为不同频域内的单一扰动识别。需要对谐波含振荡类型的复合扰动的精确识别进一步深入研究。
现有的一种方法,S变换(S-transform,ST)及其改进形式被广泛应用于扰动信号特征提取,并取得了较好的效果。ST通过采用高斯窗函数,在不同频率范围内获得不同的时-频分辨率,满足提取不同时-频特征的需要。但是ST运算的时间复杂度与空间复杂度很高,如果处理高采样率扰动信号时,效率较低;现有的另一种快速S变换(Fast S-transform,FST)方法,通过选取主要频率点或扰动频率点,并且只针对选定频率进行傅里叶快速逆变换(inverse fast Fourier transform,IFFT),以降低运算量与空间复杂度。但是,针对高噪环境下的扰动信号主要频率点选择欠佳,同时,由于暂态振荡的频域分布于广泛的高频范围,且持续时间短,扰动能量小,在高噪声环境下,难以通过对信号FFT谱分析得到其频域分布,因此,现有FST方法尚不能完全满足扰动信号的识别需要;现有的又一种广义S变换(Generalized S-Transform,GST)方法,在处理不同类型的扰动信号识别过程中,通过改变窗宽调整因子,可以得到更具针对性的时-频分辨率,进一步提升S变换的特征表现能力,但GST需要根据原始信号的快速傅里叶变换(Fast Fourier Transform,FFT)的谱特征进行初步分析,确定窗宽调整因子,因此,一定程度上增加了分类算法的复杂度。同时,由于电力系统中存在大量更加复杂的复合扰动,如谐波含暂降等。复合扰动中存在的不同成分识别所需的时-频分辨率往往存在一定矛盾。如谐波含暂降类型复合扰动中的谐波成分分析需要更高的频率分辨率,而暂降成分分析则需要更高的时间分辨率,因此,GST尚不能满足复合扰动的识别要求。
在暂态扰动分类器设计领域,神经网络、支持向量机、模糊专家系统、决策树等方法都已经应用于扰动信号识别。从分类效率、实现难易程度等直接影响分类系统实际工业应用的角度比较,决策树方法具有较明显优势,其结构简单,分类效率高,不需训练。但决策树的分类效果取决于特征的选择与分类阈值的确定。由于噪声干扰,不同噪声水平下的决策树各节点最优分类阈值不同,很难设计满足不同噪声水平的决策树分类系统。同类研究成果一般只能应用于信噪比较高的环境下。因此,降低噪声干扰是提高决策树方法可应用性的重要前提。
发明内容
本发明的目的是,对现有技术进行实质性改进和创新,提供一种科学合理,简便易行,无需训练,实时性好,满足现场应用要求,具有抗噪声能力强,识别准确率高的采用二维形态学降噪的电能质量复合扰动识别方法。
本发明的目的是通过以下技术方案来实现:一种采用二维形态学降噪的电能质量复合扰动识别方法,其特征是,它包括以下步骤:
1)电能质量扰动信号采集
利用变电站中的故障录波器及二次设备对相关扰动信号进行采集和记录,鉴于实测信号不能完全覆盖全部电能质量现象类型与参数范围,查阅国家标准《GB/T 12325-2008电能质量供电电压偏差》、《GB/T 15543-2008电能质量三相电压不平衡度》、《GB/T 12326-2008电能质量电压波动和闪变》、《GB/T 14549-1993电能质量公用电网谐波》,通过MATLAB7.0软件数学模型仿真生成不同信噪比环境下覆盖所有参数范围的完整的样本用于训练与测试分类与畸变监测方法的有效性;
2)对扰动信号开展多分辨率快速S变换
综合考虑现有扰动特征分布情况,通过从ST基频与高频频域用于提取特征,保留原始信号FFT变换后的基频与部分高频频域变换结果进行IFFT,以降低ST的算法复杂度,并根据特征表现需要,获得在不同频率范围具有不同时-频分辨率的多分辨率快速S变换,亦为MFST,
MFST的离散表达为:
其中,T为采样间隔,N为采样点数,f0为基频,μBF为基频的高斯窗宽因子,μHF为高频窗宽调整因子,νHL为保留高频频域最小频率值,νHH为保留高频频域最大频率值,k和nx为计算的流程控制参数,
采用基频特征识别扰动,需要更高的时间分辨率,即变换结果准确体现基频幅值变化情况,因此,处理基频的高斯窗宽因子μBF,选择较小μBF=0.1,高频窗宽调整因子μHF选择μHF=5,根据所选特征要求,νHL=701Hz,νHH=1000Hz;
3)二维形态学降噪
二维形态学降噪分为两部分:阈值降噪和灰度图像开运算降噪,
a)阈值降噪
当采用MFST处理含噪声扰动信号时,需要对时-频矩阵先进行阈值滤波处理:
设阈值为Δ,矩阵内第i行、j列的时-频点幅值为fH(xi,yj);
如果fH(xi,yj)≤Δ,则滤波后的时-频点幅值为fH'(xi,yj)=0;否则,fH'(xi,yj)=fH(xi,yj),
经统计实验,滤波阈值取0.02pu,pu即标幺值;
b)灰度图像开运算降噪
在阈值滤波后的MFST模时频矩阵高频部分fH中,νHL=701Hz,νHH=1000Hz,振荡与噪声成分呈纵向带状分布,且时域宽度较窄;谐波能量呈横向分布,时域宽度较宽,因此,采用角度为0的线段结构元,保证滤波效果前提下,尽量减少滤波运算复杂度,
线段结构元的大小根据电能质量信号时域分布特点确定,高频频域内的震荡信号和噪声信号时域分布特性不同,高频震荡一般维持0.5周波以上,时域分布相对较宽;而噪声时域分布很窄;谐波信号分布时域宽度最宽,因此,结构元宽度应小于阈值滤波后振荡时-域分布宽度,且大于噪声时域分布宽度,由于仿真实验信号采样率5KHz,在统计实验基础上,最终确定结构元为线段型0角度结构元,长度为25;
4)扰动信号特征提取
在通过MFST与二维形态学降噪处理后,从原始信号、原始信号FFT谱、MFST基频幅值曲线和MFST高频矩阵中提取6条特征,组成六维特征向量用于识别扰动信号,
六维特征向量组中各元素意义如下:
a)Sign1为电压波形的总谐波畸变率或单次谐波电压含有率是否超过国家标准《GB/T14549-1993电能质量公用电网谐波》中的规定值
其中,THD为总谐波畸变率;HRUh为第h次谐波电压含有率;Mh——第h次谐波分量的方均根值;M1——基波分量方均根值;Kh——第h次谐波电压兼容水平;
b)Sign2为基频对应幅值最小值是否大于规定值
其中,An0min为基频幅值曲线的最小值;
c)Sign3为基频对应幅值最大值是否小于规定值
其中An0max为基频幅值曲线的最大值;
d)σSTD为基频对应幅值标准差;
其中,An0(t)为基频幅值向量,N为采样点数,σSTD为基频向量所有幅值元素的标准差,
e)D(R)为信号1/4周期能量跌落幅度
其中,R(m)是原始信号各个1/4周期的均方根值,亦为RMS,R0为1/4周期无噪声标准电能质量信号RMS
f)为形态学去噪后,fH各个频率所对应幅值的均方差的平均值
其中,S'(t,j)指形态学去噪后的MFST高频矩阵,为fH各个频率所对应幅值的均方差的平均值;
5)设计决策树分类器对样本进行分类
采用决策树实现扰动信号的自动识别,所识别的电能质量信号包括含噪声标准信号C0、电压暂降C1、电压暂升C2、电压中断C3、闪变C4、谐波C5、谐波含暂降C6、谐波含暂升C7、谐波含闪变C8、暂态振荡C9、暂降含振荡C10、暂升含振荡C11、闪变含振荡C12、谐波含振荡C13,决策树阈值确定以统计实验结果分类准确率最高为衡量指标。
本发明的一种采用二维形态学降噪的电能质量复合扰动识别方法,通过引入二维形态学降噪环节,降低高频噪声影响且保留谐波与振荡成分能量,在此基础上提取扰动信号特征,构建决策树分类器,克服了采用决策树识别电能质量信号时,不同噪声环境下分类阈值变化较大,高噪声环境下容易失效的问题;提高了高噪声环境下电能质量扰动识别的准确率,具有良好的抗噪性能与鲁棒性;能够有效识别频率范围存在交叉的含振荡与谐波成分的复合扰动,相较于神经网络等类型的识别系统,本发明具有科学合理,简便易行,无需训练,实时性好,满足现场应用要求,抗噪声能力强,识别准确率高等优点。
附图说明
图1为含20dB噪声暂态震荡信号MFST模时频矩阵高频部分的等高线图;
图2为含20dB噪声暂态震荡信号MFST模时频矩阵高频部分阈值降噪后的等高线图;
图3为含20dB噪声暂态震荡信号MFST模时频矩阵高频部分二维形态学滤波后的等高线图;
图4为20dB噪声下50组无降噪处理时MFST模时频矩阵高频部分各个频率所对应幅值的均方差的平均值分布图;
图5为30dB噪声下50组无降噪处理时MFST模时频矩阵高频部分各个频率所对应幅值的均方差的平均值分布图;
图6为40dB噪声下50组无降噪处理时MFST模时频矩阵高频部分各个频率所对应幅值的均方差的平均值分布图;
图7为50dB噪声下50组无降噪处理时MFST模时频矩阵高频部分各个频率所对应幅值的均方差的平均值分布图;
图8为20dB噪声下50组仅阈值降噪时MFST模时频矩阵高频部分各个频率所对应幅值的均方差的平均值分布图;
图9为30dB噪声下50组仅阈值降噪时MFST模时频矩阵高频部分各个频率所对应幅值的均方差的平均值分布图;
图10为40dB噪声下50组仅阈值降噪时MFST模时频矩阵高频部分各个频率所对应幅值的均方差的平均值分布图;
图11为50dB噪声下50组仅阈值降噪时MFST模时频矩阵高频部分各个频率所对应幅值的均方差的平均值分布图;
图12为20dB噪声下50组二维形态学降噪后MFST模时频矩阵高频部分各个频率所对应幅值的均方差的平均值分布图;
图13为30dB噪声下50组二维形态学降噪后MFST模时频矩阵高频部分各个频率所对应幅值的均方差的平均值分布图;
图14为40dB噪声下50组二维形态学降噪后MFST模时频矩阵高频部分各个频率所对应幅值的均方差的平均值分布图;
图15为50dB噪声下50组二维形态学降噪后MFST模时频矩阵高频部分各个频率所对应幅值的均方差的平均值分布图;
图16为决策树结构图。
具体实施方式
本发明是一种采用二维形态学降噪的电能质量复合扰动识别方法,包括以下步骤:
1)电能质量扰动信号采集
利用变电站中的故障录波器及二次设备对相关扰动信号进行采集和记录,对于未能采集到的扰动信号,查阅国家标准《GB/T 12325-2008电能质量供电电压偏差》、《GB/T15543-2008电能质量三相电压不平衡度》、《GB/T 12326-2008电能质量电压波动和闪变》、《GB/T 14549-1993电能质量公用电网谐波》,利用MATLAB 7.0软件随机产生;MATLAB 7.0软件为本领域技术人员所熟悉的公开软件;
2)对扰动信号开展多分辨率快速S变换
综合考虑现有扰动特征分布情况,通过从ST基频与高频频域用于提取特征,保留原始信号FFT变换后的基频与部分高频频域变换结果进行IFFT,以降低ST的算法复杂度,并根据特征表现需要,获得在不同频率范围具有不同时-频分辨率的多分辨率快速S变换,亦为MFST,
MFST的离散表达为:
其中,T为采样间隔,N为采样点数,f0为基频,μBF为基频的高斯窗宽因子,μHF为高频窗宽调整因子。νHL为保留高频频域最小频率值,νHH为保留高频频域最大频率值。k和nx为计算的流程控制参数。
采用基频特征识别扰动,需要更高的时间分辨率,即变换结果准确体现基频幅值变化情况。因此,在本发明中,处理基频的高斯窗宽因子μBF、选择较小μBF=0.1。高频部分由于考虑抑制噪声干扰与部分基频突变导致的局部扰动能量,本发明中高频窗宽调整因子μHF选择较大,μHF=5,根据所选特征要求,νHL=701Hz,νHH=1000Hz。
3)二维形态学降噪
二维形态学降噪分为两部分:阈值降噪和灰度图像开运算降噪。
a)阈值降噪
当采用MFST处理含噪声扰动信号时,得到的高频部分时-频矩阵各个时-频点上实际都具有幅值。因此,不同通过形态学方法直接滤波,需要对时-频矩阵先进行阈值滤波处理。其处理方法如下:
(1)设阈值为Δ,矩阵内第i行、j列的时-频点幅值为fH(xi,yj);
(2)如果fH(xi,yj)≤Δ,则滤波后的时-频点幅值为fH'(xi,yj)=0;否则,fH'(xi,yj)=fH(xi,yj)。
经统计实验,本发明滤波阈值取0.02pu,pu即标幺值。
b)灰度图像开运算降噪
在阈值滤波后的MFST模时频矩阵高频部分fH中,νHL=701Hz,νHH=1000Hz,振荡与噪声成分呈纵向带状分布,且时域宽度较窄;谐波能量呈横向分布,时域宽度较宽。因此,可采用角度为0的线段结构元,保证滤波效果前提下,尽量减少滤波运算复杂度。
线段结构元的大小根据电能质量信号时域分布特点确定。高频频域内的震荡信号和噪声信号时域分布特性不同。高频震荡一般维持0.5周波以上,时域分布相对较宽;而噪声时域分布很窄;谐波信号分布时域宽度最宽。因此,结构元宽度应小于阈值滤波后振荡时-域分布宽度,且大于噪声时域分布宽度。由于本发明仿真实验信号采样率5KHz,在统计实验基础上,最终确定结构元为线段型0角度结构元,长度为25。
4)扰动信号特征提取
在通过MFST与二维形态学降噪处理后,从原始信号、原始信号FFT谱、MFST基频幅值曲线和MFST高频矩阵中提取6条特征,组成六维特征向量用于识别扰动信号。
六维特征向量组中各元素意义如下:
a)Sign1为电压波形的总谐波畸变率或单次谐波电压含有率是否超过国家标准《GB/T14549-1993电能质量公用电网谐波》中的规定值
其中,THD为总谐波畸变率;HRUh为第h次谐波电压含有率;Mh——第h次谐波分量的方均根值;M1——基波分量方均根值;Kh——第h次谐波电压兼容水平;
b)Sign2为基频对应幅值最小值是否大于规定值
其中,An0min为基频幅值曲线的最小值;
c)Sign3为基频对应幅值最大值是否小于规定值
其中An0max为基频幅值曲线的最大值;
d)σSTD为基频对应幅值标准差;
其中,An0(t)为基频幅值向量,N为采样点数,σSTD为基频向量所有幅值元素的标准差。
e)D(R)为信号1/4周期能量跌落幅度
其中,R(m)是原始信号各个1/4周期的均方根值,亦为RMS,R0为1/4周期无噪声标准电能质量信号RMS
f)为形态学去噪后,fH各个频率所对应幅值的均方差的平均值
其中,S'(t,j)指形态学去噪后的MFST高频矩阵,为fH各个频率所对应幅值的均方差的平均值。
5)设计决策树分类器对样本进行分类
本发明采用决策树实现扰动信号的自动识别,所识别的电能质量信号包括含噪声标准信号C0、电压暂降C1、电压暂升C2、电压中断C3、闪变C4、谐波C5、谐波含暂降C6、谐波含暂升C7、谐波含闪变C8、暂态振荡C9、暂降含振荡C10、暂升含振荡C11、闪变含振荡C12、谐波含振荡C13,决策树阈值确定以统计实验结果分类准确率最高为衡量指标。
下面结合附图和具体实施例对本发明做进一步描述。
A、电能质量扰动信号的产生
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MATLAB7.0参照国家标准建立数学模型仿真生成不同类型电能质量信号。分别随机生成不同噪声环境下,信号噪声比分别为50dB、40dB、30dB与20dB的13种扰动信号和含噪标准信号各500组。
B、对生成扰动信号进行MFST运算
C、对MFST高频矩阵进行二维形态学降噪处理
取滤波阈值为0.02pu,νHL为701Hz,νHL为1000Hz。在图1中振荡与噪声成分均呈纵向带状分布,对MFST高频矩阵进行阈值滤波处理后大部分噪声成分被滤去如图2,再进行二维形态学滤波后MFST高频矩阵噪声成分被滤除如图3,仅剩暂态震荡扰动部分有利于扰动识别。
D、提取分类所需特征
从原始信号、原始信号FFT谱、MFST基频幅值曲线和MFST高频矩阵中提取6条特征,用于识别扰动信号。如图4、图5、图6、图7,不同信噪比下若不进行任何降噪处理振荡特征值的分类阈值所在范围波动较大;如图8、图9、图10、图11,当采用阈值降噪后,不同噪声环境下的最优分类阈值范围较无降噪处理变小;如图12、图13、图14、图15,当采用二维形态学降噪后,不同噪声环境下的最优分类阈值范围基本相同,适合高噪声环境下的分类器设计。
E、构建决策树分类器
阈值确定以统计实验结果分类准确率最高为衡量指标。最终决策树结构如图16。
F、使用仿真信号验证本发明的有效性
采用Matlab7.0仿真分别生成信噪比为50dB、40dB、30dB和20dB共4种噪声环境下的13类电能质量信号,每类每种噪声环境下500组用于验证分类系统准确率。仿真信号标准电压为1pu,参数覆盖不同的范围。分类准确率如表1所示。
表1不同噪声环境下分类准确率
由表1可知,本发明能够在更高的噪声水平下,20dB准确识别扰动,且采用随机参数实验时,综合准确率达到99.20%,能够满足高噪声环境下的应用要求。
Claims (1)
1.一种采用二维形态学降噪的电能质量复合扰动识别方法,首先通过多分辨率快速S变换处理扰动信号;在此基础上,对多分辨率快速S变换生成的时-频矩阵开展二维形态学降噪,包括阈值降噪和灰度图像开运算降噪两部分;最后,对降噪后的时-频矩阵提取特征,并采用决策树开展扰动识别,其特征是:
1)对扰动信号开展多分辨率快速S变换
综合考虑现有扰动特征分布情况,通过多分辨率快速S变换,亦为MFST,并确定用于降噪的高频频域最小频率值νHL=701Hz,保留高频频域最大频率值νHH=1000Hz;
2)二维形态学降噪
二维形态学降噪分为两部分:阈值降噪和灰度图像开运算降噪,
a)阈值降噪
当采用MFST处理含噪声扰动信号时,需要对时-频矩阵先进行阈值滤波处理:
设阈值为Δ,矩阵内第i行、j列的时-频点幅值为fH(xi,yj);
如果fH(xi,yj)≤Δ,则滤波后的时-频点幅值为fH'(xi,yj)=0;否则,fH'(xi,yj)=fH(xi,yj),经统计实验,滤波阈值取0.02pu,pu即标幺值;
b)灰度图像开运算降噪
在阈值滤波后的MFST模时频矩阵高频部分fH中,νHL=701Hz,νHH=1000Hz,振荡与噪声成分呈纵向带状分布,且时域宽度较窄;谐波能量呈横向分布,时域宽度较宽,因此,采用角度为0的线段结构元,保证滤波效果前提下,尽量减少滤波运算复杂度,
线段结构元的大小根据电能质量信号时域分布特点确定,高频频域内的震荡信号和噪声信号时域分布特性不同,高频震荡一般维持0.5周波以上,时域分布相对较宽;而噪声时域分布很窄;谐波信号分布时域宽度最宽,因此,结构元宽度应小于阈值滤波后振荡时-域分布宽度,且大于噪声时域分布宽度,由于仿真实验信号采样率5KHz,在统计实验基础上,最终确定结构元为线段型0角度结构元,长度为25。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410740863.2A CN104459398B (zh) | 2014-12-08 | 2014-12-08 | 一种采用二维形态学降噪的电能质量复合扰动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410740863.2A CN104459398B (zh) | 2014-12-08 | 2014-12-08 | 一种采用二维形态学降噪的电能质量复合扰动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104459398A CN104459398A (zh) | 2015-03-25 |
CN104459398B true CN104459398B (zh) | 2017-09-05 |
Family
ID=52905768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410740863.2A Active CN104459398B (zh) | 2014-12-08 | 2014-12-08 | 一种采用二维形态学降噪的电能质量复合扰动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104459398B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315111A (zh) * | 2017-07-17 | 2017-11-03 | 浙江群力电气有限公司 | 一种电能质量扰动分类方法及系统 |
CN107832777B (zh) * | 2017-10-12 | 2021-01-26 | 吉林化工学院 | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 |
CN107907738B (zh) * | 2017-10-27 | 2020-01-14 | 北京空间技术研制试验中心 | 航天遥测信号的畸变分析方法 |
CN107992853B (zh) * | 2017-12-22 | 2021-04-16 | 深圳市友信长丰科技有限公司 | 人眼检测方法、装置、计算机设备及存储介质 |
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 |
CN108594077B (zh) * | 2018-04-28 | 2020-06-02 | 国网山东省电力公司泰安供电公司 | 一种基于监测点观测交叉区域的电压暂降故障源定位方法 |
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 |
CN110532671A (zh) * | 2019-08-26 | 2019-12-03 | 北京航空航天大学 | 一种用于电磁信号分类识别的样本数据生成方法 |
CN110728195B (zh) * | 2019-09-18 | 2022-04-01 | 武汉大学 | 基于yolo算法的电能质量扰动检测方法 |
CN111025023B (zh) * | 2019-12-19 | 2021-03-23 | 西南交通大学 | 一种注入式谐波阻抗测量的扰动能量限值选定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2597899B2 (ja) * | 1988-12-14 | 1997-04-09 | 関西電力株式会社 | 変電所の事故点判別方法 |
-
2014
- 2014-12-08 CN CN201410740863.2A patent/CN104459398B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Non-Patent Citations (6)
Title |
---|
基于S变换和决策树算法的电能质量扰动识别;张春宁 等;《武汉大学学报(工学版)》;20101215;第43卷(第6期);第800-804、808页 * |
基于广义S变换的短时电能质量扰动信号分类;易吉良 等;《电网技术》;20090305;第33卷(第5期);第22页右栏第2段-第26页左栏第1段,图1-图8,表1 * |
基于改进S变换的电能质量扰动分类;徐方维 等;《中国电机工程学报》;20120205;第32卷(第4期);第78-79页 * |
基于数学形态学的电能质量扰动检测和定位;王丽霞;《电网技术》;20080520;第32卷(第10期);第63-68、88页 * |
基于数学形态学的电能质量扰动检测方法研究;李义红 等;《水电能源科学》;20080625;第26卷(第3期);第179-180页 * |
电能质量扰动的广义S变换分析和决策树算法分类;全惠敏 等;《湖南大学学报(自然科学版)》》;20090425;第36卷(第4期);第43-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104459398A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107832777B (zh) | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 | |
CN105510687B (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 | |
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 | |
CN103675616B (zh) | 电缆在线局部放电检测信号识别方法 | |
CN110490071A (zh) | 一种基于mfcc的变电站声信号特征提取方法 | |
CN108229382A (zh) | 振动信号特征提取方法、装置、存储介质和计算机设备 | |
CN102982347B (zh) | 一种基于kl距离的电能质量扰动分类方法 | |
CN107506330A (zh) | 一种基于粒子群算法的变分模态分解算法参数优化方法 | |
CN105044701B (zh) | 基于稳健性时频特征的地面目标分类方法 | |
CN104849633A (zh) | 一种开关柜局部放电模式识别方法 | |
CN102750543A (zh) | 一种基于bud谱峭度的暂态电能质量扰动分类识别方法 | |
CN105447464A (zh) | 一种基于pso的电能质量扰动识别与分类方法 | |
Yang et al. | Ship recognition via its radiated sound: The fractal based approaches | |
CN107870005A (zh) | 过采样下经验模态分解的归一化随机共振微弱信号检测 | |
CN107315111A (zh) | 一种电能质量扰动分类方法及系统 | |
CN111368892A (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
CN110458189A (zh) | 压缩感知和深度卷积神经网络电能质量扰动分类方法 | |
CN104156628A (zh) | 一种基于多核学习判别分析的舰船辐射信号识别方法 | |
Mengyuan et al. | Research of circuit breaker intelligent fault diagnosis method based on double clustering | |
CN108008187A (zh) | 基于变分模态分解的电网谐波检测方法 | |
CN107991531A (zh) | 基于变分模态分解和去除噪声的电网谐波检测方法 | |
CN107505495A (zh) | 一种电压信号扰动类别的检测方法及装置 | |
CN106355249A (zh) | 一种基于bp神经网络的继电保护设备状态识别方法 |
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: 20231025 Address after: No. 4799, Renmin Street, Changchun City, Jilin Province Patentee after: ECONOMIC TECHNOLOGY RESEARCH INSTITUTE OF STATE GRID JILIN ELECTRIC POWER CO.,LTD. Patentee after: Jilin Taisite Technology Development Co.,Ltd. Patentee after: NORTHEAST DIANLI University Address before: 132012, Changchun Road, Jilin, Jilin, 169 Patentee before: NORTHEAST DIANLI University |