CN105572501B - 一种基于sst变换和ls-svm的电能质量扰动识别方法 - Google Patents
一种基于sst变换和ls-svm的电能质量扰动识别方法 Download PDFInfo
- Publication number
- CN105572501B CN105572501B CN201510952154.5A CN201510952154A CN105572501B CN 105572501 B CN105572501 B CN 105572501B CN 201510952154 A CN201510952154 A CN 201510952154A CN 105572501 B CN105572501 B CN 105572501B
- Authority
- CN
- China
- Prior art keywords
- sample group
- sst
- transformation
- svm
- electrical energy
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明公开了一种基于SST变换和LS‑SVM的电能质量扰动识别方法,实际信号采样,将采样到的实际信号分为训练样本组和测试样本组,分别对训练样本组和测试样本组进行SST变换,分别得到矩阵A和矩阵B,分别提取训练样本组和测试样本组中各种类型样本的特征分量,将提取的训练样本组的特征分量送入LS‑SVM中,求解线性决策函数,将提取的测试样本组中的特征分量送入LS‑SVM中,然后根据训练样本组求解出的线性决策函数对电能质量扰动类型进行分类识别。本发明一种基于SST变换和LS‑SVM的电能质量扰动识别方法,具有响应时间适中、识别效果好特别是提高了谐波检测能力、抗干扰能力强的优点,应用效果好。
Description
技术领域
本发明属于电能质量分析技术领域,具体涉及一种基于SST变换和LS-SVM的电能质量扰动识别方法。
背景技术
现代电力系统中,电力电子设备的应用越来越广泛,各种非线性、冲击性、波动性负载也大量增加,使电力系统所遭受的电能质量(Power Quality,PQ)污染也日趋严重。电能质量扰动(Power Quality Disturbance,PQD)类型众多,信号形式复杂,其中有电压骤升、电压骤降、电压中断、暂态振荡、电压尖峰、谐波等,对其分析、提取特征量及正确识别、分类成为解决与提高电能质量的重要方面。常规的电能质量扰动一般分为特征提取和分类识别二个步骤,特征提取一般是把信号首先进行各种变换,然后在变换域提取易于辨识的各种扰动的特征,最初傅立叶变换用于PQD分析,傅立叶变换(Fourier Transform,FT)由于仅适合分析平稳信号、还由于频谱泄漏和栅栏现象等缺陷,而不适合分析属于非平稳信号的电能质量扰动。传统S变换也被用于特征提取,但是S变换的频率分辨率低,特别是存在高频谐波时,S变换难于准确提取正确的频率,小波变换也被用于特征提取,但是小波变换也存在和S变换一样的问题,高频的频率分辨率低,而且小波变换是时间-尺度变换,尺度与频率之间的转换和母小波的选择有关系。在分类识别方法上,神经网络也可以分类,但是神经网络分类器训练时间长,易陷入局部最小值;贝叶斯分类器所需先验概率难以给定;决策树分类虽速度较快,但规则制定复杂,多类分类模型难于处理。
发明内容
本发明的目的是提供一种基于SST变换和LS-SVM的电能质量扰动识别方法,解决了现有技术中存在的当有高频谐波干扰时,各种辨识方法识别精度不高,速度不快的问题。
本发明所采用的技术方案是,一种基于SST变换和LS-SVM的电能质量扰动识别方法,实际信号采样,将采样到的实际信号分为训练样本组和测试样本组,分别对训练样本组和测试样本组进行SST变换,分别得到矩阵A和矩阵B,分别提取训练样本组和测试样本组中各种类型样本的特征分量,将提取的训练样本组的特征分量送入LS-SVM中,求解线性决策函数,将提取的测试样本组中的特征分量送入LS-SVM中,然后根据训练样本组求解出的线性决策函数对电能质量扰动类型进行分类识别。
本发明的特点还在于:
采样实际信号,将采样到的实际信号分为训练样本组和测试样本组:利用采用设备对待检测电力系统电压信号多次进行采样和离散化,得到实际信号,然后将实际信号分为训练样本组和测试样本组。
对待检测电力系统电压信号进行采样和离散化的设备采用互感器或霍尔传感器。
实际信号包含电压正常、电压骤升、电压骤降、电压中断、暂态振荡、电压尖峰、电压含谐波七种电能质量扰动情况的样本各若干个,将上述七种电能质量扰动情况分别定义为Y1-Y7。
SST变换采用六种母小波为gauss、morlet、mexican hat、complex mexican hat、bump、hermitian hat中任意一种对应的SST变换。
矩阵A或矩阵B的元素表示为:
Ai,j=b(i≤m,j≤n)或Bi,j=b(i≤m,j≤n)
其中,i表示元素所在行,j表示元素所在列,b表示该元素的值,b对应的是SST变换结果的绝对值,m表示矩阵A或矩阵B的行数,n表示矩阵A或矩阵B的列数;
SST变换结果的行信息与信号的频率成自然对数关系;
SST变换结果的列信息与信号的运行时刻成正比,每个j表示实际时间j*dt,dt是采样间隔。
提取训练样本组和测试样本组中各种类型样本的特征分量包括:①每个频段对应时序点的标准差;②每个频段最大幅值;③额定频率对应的所有时序点的幅值。
SVM算法最初是为二类问题设计的,当处理多类问题时,需要构造合适的多类分类器,将多类问题转换成两类问题,可以通过最小输出编码解决,最小输出编码的输出位数N0为:T为样本总类型个数,即扰动信号的类型总数7,Y1-Y7七种扰动信号采用最小输出编码的编码方案如下式:
其中,每一列对于一种扰动类型的编码。
本发明的有益效果是:本发明一种基于SST变换和LS-SVM的电能质量扰动识别方法,具有响应时间适中、识别效果好特别是提高了谐波检测能力、抗干扰能力强的优点,应用效果好。
附图说明
图1是本发明基于SST变换和LS-SVM的电能质量扰动识别方法示意图;
图2是含有弱高次谐波的时域波形图;
图3是图2信号的SST变换模系数等高线图;
图4是图2信号的WT变换模系数等高线图;
图5是图2信号的ST变换模系数等高线图;
图6是图3提取的标准差图;
图7是图4提取的标准差图;
图8是图5提取的标准差图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于SST变换和LS-SVM的电能质量扰动识别方法,如图1所示,具体步骤为:
步骤1:利用采用设备(互感器、霍尔传感器或其他类似设备)对待检测电力系统电压信号多次进行采样和离散化,得到实际信号,实际信号包含电压正常、电压骤升、电压骤降、电压中断、暂态振荡、电压尖峰、电压含谐波七种电能质量扰动情况的样本各若干个,将上述七种电能质量扰动情况分别定义为Y1-Y7,将采样到的实际信号分为训练样本组和测试样本组,
步骤2:进行SST(synchrosqueezing wavelet transform,SST,同步挤压小波变换)分析
分别对训练样本组和测试样本组进行SST变换,分别得到矩阵A和矩阵B,SST变换采用六种母小波为gauss、morlet、mexican hat、complex mexican hat、bump、hermitianhat中任意一种对应的SST变换。
例如morlet小波的时域表达方式为:
其中,f0是母小波的中心频率,理论上大于5.33,实践中取6。
步骤3:提取特征分量
首先对SST变换获得的矩阵(矩阵A和矩阵B)中的元素进行说明,矩阵A或矩阵B的元素表示为:
Ai,j=b(i≤m,j≤n)或Bi,j=b(i≤m,j≤n) (2)
其中,i表示元素所在行,j表示元素所在列,b表示该元素的值,b对应的是SST变换结果的绝对值,m表示矩阵A或矩阵B的行数,n表示矩阵A或矩阵B的列数;
SST变换结果的行信息与信号的频率成自然对数关系;
SST变换结果的列信息与信号的运行时刻成正比,每个j表示实际时间j*dt,dt是采样间隔。
提取3种分量构建扰动信号的特征向量:
①每个频段对应时序点的标准差;
②每个频段最大幅值;
③额定频率对应的所有时序点的幅值。
步骤4:求解训练样本组的线性决策函数
将步骤3中提取的3个特征分量送入LS-SVM(Least Squares-Support VectorMachines,最小二乘支持向量机)中,求解线性决策函数,SVM算法最初是为二类问题设计的,当处理多类问题时,需要构造合适的多类分类器,将多类问题转换成两类问题,可以通过最小输出编码(MOC,Minimum Output Coding)解决,最小输出编码的输出位数N0为:,T为样本总类型个数,即扰动信号的类型总数7,Y1-Y7七种扰动信号采用最小输出编码的编码方案如下式:
其中,每一列对于一种扰动类型的编码。
步骤5:对测试样本组的电能质量扰动类型分类识别
将提取的测试样本组中的3个特征分量送入LS-SVM中,然后根据训练样本组求解出的线性决策函数对电能质量扰动类型进行分类识别。
SST变换的基本原理如下:
SST变换是由Daubechies等人于2011年提出,该方法结合了经验模式分解和小波变换方法。对给定的信号s(t),其连续小波变换为:
式中:a和b分别是尺度和时间平移,*代表共轭,ψ代表母小波。上式把一维信号映射到二维时间-尺度平面。对于这个平面的每一点,利用式(5)求取瞬时频率:
式中:ω(a,b)代表时间-尺度平面上每点的瞬时频率,i是虚数单位。上式是对小波系数的求导运算,对于频率为ω0的正弦信号,式(5)求出的瞬时频率就是正弦信号的频率ω0。在获得瞬时频率后,把小波系数按照瞬时频率利用下式重排:
式(6)即是信号s(t)的同步挤压小波变换。式中ωl为瞬时频率,ak为尺度,在应用中,频率和尺度都是离散的,Δω、Δa分别是频率和尺度的离散间隔。也就是说,对于某个具体的ωl,它代表频率的范围为(ωl-Δω/2,ωl+Δω/2)。上式实际上是把属于同一瞬时频率的小波系数加权求和。
SST的重构公式可以通过小波变换的重构公式获得,假定信号为实信号,小波重构公式为:
上式进一步离散可以写成:
上式中, 是母小波的傅立叶变换。
经过以上的数学分析可知,SST变换可以提高时频曲线的频率精度,有效的识别瞬时频率,因而可以应用于电能质量扰动识别当中。
最小二乘支持向量机(LS-SVM)的基本原理:
最小二乘支持向量机首先通过选择非线性映射,将输入向量从原空间映射到高维特征空间,变成线性可分样本,在此高维空间中,利用结构风险最小化原则,构造最优决策函数,使正、负样本之间的隔离边缘最大。
设给定训练集为{(x1,y1),…,(xn,yn)},xi∈Rm,yi∈{-1,1},n为样本数。非线性映射将样本从原空间Rm映射到高维特征空间,构造最优线性决策函数其中w为权向量,b为常数。
最小二乘支持向量机可表述如下:
其中:c为容错惩罚系数,c>0;ξi为松弛因子,ξi≥0。
定义拉格朗日函数:
式中:αi为拉格朗日因子。
根据KTT优化条件得到如下的方程组:
其中为核函数,本发明中采用RBF函数:K(xi,xj)=exp(-||xi-xj||2/2σ2)。用最小二乘法求出α和b,得线性决策函数为:
与人工神经网络相比,支持向量机(SVM)能够很好地克服前者训练时间长、训练结果存在随机性和过学习等不足,因而可以应用于电能质量扰动识别这种较复杂的多类问题识别当中。
以下给出仿真对比证明本发明提出方法的检测效果
表1 电能质量扰动模型
建立正常电压、电压骤升、电压骤降、电压中断、暂态振荡、电压尖峰、谐波七种扰动数学模型,如表1所示,相同的计算环境下,按照上面提取特征向量,表1中参数在范围内随机变化,对每一类扰动信号产生300个样本数据,其中200个用作训练样本,100个作为测试样本。加以均值为零的高斯白噪声,信噪比分别为40dB、30dB、20dB。表2为7种信号在有噪声与无噪声下的分类识别结果。如表2所示,对不同的扰动类型,本发明的方法都能很好的识别,得到良好的识别分类效果。在大噪声情况下,扰动类型的识别率在98%以上,而且大部分扰动类型的识别都能够达到100%的正确率,因此噪声对于本发明方法的影响并不明显。本发明采用的LS-SVM受容错惩罚因子c和RBF核函数σ2两个参数的影响,参数的选取本发明采用交叉验证法求取最优参数。表3为七种信号200个训练样本、100个测试样本用SST所用训练时间、分类时间、特征提取时间以及第一位输出编码采用最优参数。由表3可以看出用SST提取特征量所用时间稳定,都在6s左右,一个信号的分类时间在1s左右,利用SST在已训练好的模板上进行扰动信号特征提取及分类所用时间不超过8.5s。
表2 电能质量扰动分类测试结果
表3 SST训练与分类时间
图2-8为以含有弱高次谐波信号为例对比本发明方法和传统的小波变换(WT)和S变换(ST)方法在扰动识别方面的差异。
其中,图2是含有弱高次谐波的时域波形图。图3是图2信号的SST变换模系数等高线图。图4是图2信号的WT变换模系数等高线图。图5是图2信号的ST变换模系数等高线图。图6是图3提取的标准差图。图7是图4提取的标准差图。图8是图5提取的标准差图。
由图3-8可知,对比传统的WT变换和ST变换,本发明提出的SST变换可清晰的确定待测信号中的频率信息。
Claims (4)
1.一种基于SST变换和LS-SVM的电能质量扰动识别方法,其特征在于,实际信号采样,将采样到的实际信号分为训练样本组和测试样本组,分别对训练样本组和测试样本组进行SST变换,分别得到矩阵A和矩阵B,分别提取训练样本组和测试样本组中各种类型样本的特征分量,将提取的训练样本组的特征分量送入LS-SVM中,求解线性决策函数,将提取的测试样本组中的特征分量送入LS-SVM中,然后根据训练样本组求解出的线性决策函数对电能质量扰动类型进行分类识别;
所述采样实际信号,将采样到的实际信号分为训练样本组和测试样本组:利用采用设备对待检测电力系统电压信号多次进行采样和离散化,得到实际信号,然后将实际信号分为训练样本组和测试样本组;
所述实际信号包含电压正常、电压骤升、电压骤降、电压中断、暂态振荡、电压尖峰、电压含谐波七种电能质量扰动情况的样本各若干个,将上述七种电能质量扰动情况分别定义为Y1-Y7;
所述提取训练样本组和测试样本组中各种类型样本的特征分量包括:①每个频段对应时序点的标准差;②每个频段最大幅值;③额定频率对应的所有时序点的幅值;
所述SVM算法最初是为二类问题设计的,当处理多类问题时,需要构造合适的多类分类器,将多类问题转换成两类问题,可以通过最小输出编码解决,最小输出编码的输出位数N0为:T为样本总类型个数,即扰动信号的类型总数7,Y1-Y7七种扰动信号采用最小输出编码的编码方案如下式:
其中,每一列对于一种扰动类型的编码。
2.根据权利要求1所述的一种基于SST变换和LS-SVM的电能质量扰动识别方法,其特征在于,所述对待检测电力系统电压信号进行采样和离散化的设备采用互感器或霍尔传感器。
3.根据权利要求1所述的一种基于SST变换和LS-SVM的电能质量扰动识别方法,其特征在于,所述SST变换采用六种母小波为gauss、morlet、mexican hat、complex mexican hat、bump、hermitian hat中任意一种对应的SST变换。
4.根据权利要求1所述的一种基于SST变换和LS-SVM的电能质量扰动识别方法,其特征在于,所述矩阵A或矩阵B的元素表示为:
Ai,j=b(i≤m,j≤n)或Bi,j=b(i≤m,j≤n)
其中,i表示元素所在行,j表示元素所在列,b表示该元素的值,b对应的是SST变换结果的绝对值,m表示矩阵A或矩阵B的行数,n表示矩阵A或矩阵B的列数;
SST变换结果的行信息与信号的频率成自然对数关系;
SST变换结果的列信息与信号的运行时刻成正比,每个j表示实际时间j*dt,dt是采样间隔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510952154.5A CN105572501B (zh) | 2015-12-17 | 2015-12-17 | 一种基于sst变换和ls-svm的电能质量扰动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510952154.5A CN105572501B (zh) | 2015-12-17 | 2015-12-17 | 一种基于sst变换和ls-svm的电能质量扰动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105572501A CN105572501A (zh) | 2016-05-11 |
CN105572501B true CN105572501B (zh) | 2018-11-09 |
Family
ID=55882861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510952154.5A Active CN105572501B (zh) | 2015-12-17 | 2015-12-17 | 一种基于sst变换和ls-svm的电能质量扰动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105572501B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570533A (zh) * | 2016-11-14 | 2017-04-19 | 国网江西省电力公司电力科学研究院 | 一种电信号扰动类型的分类识别方法 |
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 |
CN107356843B (zh) * | 2017-04-17 | 2020-05-08 | 武汉科技大学 | 基于分层阈值同步挤压小波的变压器局放故障诊断方法 |
CN108321802A (zh) * | 2018-02-13 | 2018-07-24 | 东北电力大学 | 一种改进的次同步谐振模态分析方法 |
CN108508297B (zh) * | 2018-04-04 | 2020-12-15 | 杭州家和物联技术有限公司 | 一种基于突变系数和svm的故障电弧检测方法 |
CN109374997B (zh) * | 2018-09-03 | 2020-07-28 | 三峡大学 | 基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法 |
CN109633368B (zh) * | 2018-12-03 | 2020-11-06 | 三峡大学 | 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 |
CN110617964A (zh) * | 2019-07-29 | 2019-12-27 | 中国铁道科学研究院集团有限公司城市轨道交通中心 | 用于滚动轴承故障诊断的同步压缩变换阶比分析法 |
CN111639715B (zh) * | 2020-06-01 | 2023-06-06 | 重庆大学 | 基于ls-svm的汽车仪表组装质量预测方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136587A (zh) * | 2013-03-07 | 2013-06-05 | 武汉大学 | 基于支持向量机的配电网运行状态分类识别方法 |
CN103743980A (zh) * | 2014-01-14 | 2014-04-23 | 山东科技大学 | 基于pso优化的svm的电能质量扰动识别与分类方法 |
CN104820786A (zh) * | 2015-05-13 | 2015-08-05 | 西安交通大学 | 一种瞬时加权同步挤压小波双谱分析方法 |
CN105044457A (zh) * | 2015-06-30 | 2015-11-11 | 西安理工大学 | 一种抗噪声的电力系统谐波检测方法 |
CN105044458A (zh) * | 2015-06-30 | 2015-11-11 | 西安理工大学 | 一种基于tt变换的电力系统谐波检测方法 |
-
2015
- 2015-12-17 CN CN201510952154.5A patent/CN105572501B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136587A (zh) * | 2013-03-07 | 2013-06-05 | 武汉大学 | 基于支持向量机的配电网运行状态分类识别方法 |
CN103743980A (zh) * | 2014-01-14 | 2014-04-23 | 山东科技大学 | 基于pso优化的svm的电能质量扰动识别与分类方法 |
CN104820786A (zh) * | 2015-05-13 | 2015-08-05 | 西安交通大学 | 一种瞬时加权同步挤压小波双谱分析方法 |
CN105044457A (zh) * | 2015-06-30 | 2015-11-11 | 西安理工大学 | 一种抗噪声的电力系统谐波检测方法 |
CN105044458A (zh) * | 2015-06-30 | 2015-11-11 | 西安理工大学 | 一种基于tt变换的电力系统谐波检测方法 |
Non-Patent Citations (6)
Title |
---|
Synchrosqueezed wavelet transforms: An empirical mode decomposition-like tool;Ingrid Daubechies et al.;《Applied and Computational Harmonic Analysis》;20100820(第30期);第243-261页 * |
Synchrosqueezing-based time-frequency analysis of multivariate data;Alireza Ahrabian et al.;《Signal Processing》;20140813(第106期);第331-341页 * |
利用快速S变换的电能质量扰动识别方法;满蔚仕 等;《西安交通大学学报》;20130831;第47卷(第8期);第133-140页 * |
基于聚类改进S变换与直接支持向量机的电能质量扰动识别;徐志超 等;《电力自动化设备》;20150731;第35卷(第7期);第50-58页 * |
快速S变换在电能质量分析中的应用;张志禹 等;《电网技术》;20130531;第37卷(第5期);第1285-1290页 * |
混沌干扰中基于同步挤压小波变换的谐波信号提取方法;汪洋莉 等;《物理学报》;20150325;第64卷(第10期);第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105572501A (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105572501B (zh) | 一种基于sst变换和ls-svm的电能质量扰动识别方法 | |
Manikandan et al. | Detection and classification of power quality disturbances using sparse signal decomposition on hybrid dictionaries | |
Jain et al. | Exact model order ESPRIT technique for harmonics and interharmonics estimation | |
CN103968933B (zh) | 基于模糊域特征的光纤振动信号识别方法 | |
CN103743980A (zh) | 基于pso优化的svm的电能质量扰动识别与分类方法 | |
Panigrahi et al. | Hybrid signal processing and machine intelligence techniques for detection, quantification and classification of power quality disturbances | |
CN101655520B (zh) | 对电力系统中雷击信号与暂态谐波信号的提取方法 | |
CN110346142A (zh) | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 | |
CN108983051A (zh) | 基于同步挤压小波变换的局部放电类型识别方法 | |
Sahani et al. | Variational mode decomposition and weighted online sequential extreme learning machine for power quality event patterns recognition | |
CN104714075B (zh) | 一种电网电压闪变包络参数提取方法 | |
CN111289796B (zh) | 一种高比例可再生能源电力系统次同步振荡的检测方法 | |
CN105447464A (zh) | 一种基于pso的电能质量扰动识别与分类方法 | |
CN106548013A (zh) | 利用改进不完全s变换的电压暂降源识别方法 | |
Koley et al. | Wavelet-aided SVM tool for impulse fault identification in transformers | |
Huang et al. | SVM‐based PQ disturbance recognition system | |
CN109270346A (zh) | 一种opgw雷击处偏振态波形信号处理方法 | |
CN106991773A (zh) | 一种基于s变换特征提取的安防系统振动信号识别方法 | |
CN105606892B (zh) | 一种基于sst变换的电网谐波与间谐波分析方法 | |
CN104102900A (zh) | 一种车辆识别系统 | |
Fu et al. | Locating impact on structural plate using principal component analysis and support vector machines | |
Jiang et al. | A combined denoising method of empirical mode decomposition and singular spectrum analysis applied to Jason altimeter waveforms: A case of the Caspian Sea | |
CN106709428A (zh) | 一种基于欧拉核主成分分析的一维距离像稳健识别方法 | |
Zhu et al. | Aiming to Complex Power Quality Disturbances: A Novel Decomposition and Detection Framework | |
Shi et al. | Extraction method of weak underwater acoustic signal based on the combination of wavelet transform and empirical mode decomposition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
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: 20210528 Address after: Room 103, building A8, 727 science and Technology Innovation Park, 727 Zhoushi Road, Hezhou community, Hangcheng street, Bao'an District, Shenzhen, Guangdong 518100 Patentee after: SHENZHEN E-ENERGY INTERNET TECHNOLOGY Co.,Ltd. Address before: 710048 No. 5 Jinhua South Road, Shaanxi, Xi'an Patentee before: XI'AN University OF TECHNOLOGY |