CN106548013A - 利用改进不完全s变换的电压暂降源识别方法 - Google Patents

利用改进不完全s变换的电压暂降源识别方法 Download PDF

Info

Publication number
CN106548013A
CN106548013A CN201610910582.6A CN201610910582A CN106548013A CN 106548013 A CN106548013 A CN 106548013A CN 201610910582 A CN201610910582 A CN 201610910582A CN 106548013 A CN106548013 A CN 106548013A
Authority
CN
China
Prior art keywords
frequency
transformation
point
similarity
signal
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
Application number
CN201610910582.6A
Other languages
English (en)
Other versions
CN106548013B (zh
Inventor
邵文权
吉玥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN201610910582.6A priority Critical patent/CN106548013B/zh
Publication of CN106548013A publication Critical patent/CN106548013A/zh
Application granted granted Critical
Publication of CN106548013B publication Critical patent/CN106548013B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16ZINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00Subject matter not provided for in other main groups of this subclass
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12Classification; Matching

Landscapes

  • Measurement Of Resistance Or Impedance (AREA)

Abstract

本发明公开的利用改进不完全S变换的电压暂降源识别方法,具体为:先对电压暂降信号进行FFT变换,对得到的功率谱进行动态测度提取信号的主要频率点;然后对主要频率分量及其附近的频率点进行改进S变换,对得到的模时频矩阵进行时频尺度缩放,构造各类暂降源的标准模板;对待测电压暂降信号进行同样改进S变换和尺度缩放,计算其与标准模板的平均相似度;最后结合主要频率点信息和相似度最大原理实现暂降源的识别。本发明利用改进不完全S变换的电压暂降源识别方法,对S变换进行改进,避免了对所有频率点的计算,大大提高了计算速度和效率;并且使用模板匹配的分类方法,无需添加分类器,抗干扰能力强。

Description

利用改进不完全S变换的电压暂降源识别方法
技术领域
本发明属于电压暂降检测方法技术领域,涉及一种利用改进不完全S变换的电压暂降源识别方法。
背景技术
电压暂降是电力系统中最严重的电能质量问题之一,电压暂降可能导致程序逻辑控制器误动作、生产过程停止、调速装置失灵、计算机数据丢失等,从而造成巨大的经济损失。其中,输电线路短路故障、异步电机启动、变压器投运是引起电压暂降的主要原因。因此,快速准确地识别引起电压暂降的扰动源对于预防和治理电压暂降十分重要,同时对于明确电能质量责任方和改善电能质量具有重要意义。
目前,国内外学者对电压暂降扰动源识别问题提出很多方法,但主要归结为特征提取和分类器两大类。对于特征提取,常用的特征提取方法有:短时傅里叶变换、小波变换和S变换等;其中,短时傅里叶变换时频分辨率固定,不适用于分析暂态电能质量扰动信号;小波变换虽然具有良好的时频局部化特性,但小波变换易受噪声的影响;S变换具有良好的时频分析能力,但S变换需对所有频率点的FFT值均进行运算,会影响算法的实时性和有效性。对于分类器,现有的分类器主要有:人工神经网络、支持向量机和贝叶斯分类等;人工神经网络分类方法结构简单,能较好地处理噪声数据,但是算法容易产生过拟合,收敛性较差,训练时间较长;支持向量机分类算法结构简单,训练简单,但分类的效果过分依赖于核函数的选择和参数的设置;贝叶斯分类法利用概率推断能力,学习过程简单,不需要搜索,但其计算量较大,所须训练样本较多。
针对现有电压暂降源识别的不足,先对S变换进行改进并利用功率谱包络的动态测度检测出电压暂降信号的主要频率点和暂降信号的模时频矩阵;然后对模时频矩阵进行尺度缩放,构建各类扰动源的标准模板;接着对待测电压暂降信号进行同样改进S变换和尺度缩放,计算出各类待测试暂降信号与其标准模板的平均相似度,最后结合信号的主要频率点和相似度最大原理就能实现暂降源的识别。
发明内容
本发明的目的在于提供一种利用改进不完全S变换的电压暂降源识别方法,能快速准确地识别引起电压暂降的扰动源。
本发明所采用的技术方案是,利用改进不完全S变换的电压暂降源识别方法,具体按照以下方法实施:
步骤1、先采集线路电压暂降期间三相电压uφ(k),k=0,1,2,......N-1,其中,φ=A,B,C;然后对三相电压进行FFT变换;
步骤2、利用经步骤1FFT变换后的功率谱进行动态测度检测信号所含有的主要频率成分fk,k=(2,3,4);
步骤3、经步骤2后,利用改进S变换和时频尺度缩放,建立电压暂降信号的标准模板;
步骤4、待步骤3完成后,计算各类待测试暂降信号与各标准模板的平均相似度SEF,按照相似度最大原理实现电压暂降源的识别。
本发明的特点还在于:
设定h(k),k=(0,Ts...N-1)为任意输入信号且h(k)≥0,则将各采样点的数值看作是各点的高度;其中,N为采样点数,Ts为采样间隔;
定义1:两点之间的路径;
i、j是信号h(k)上不同的两点,则这两个点之间的部分称作路径l(i,j),具体表达式如下:
l(i,j)=(h(i),h(i+1),...,h(j)) (1);
定义2:路径的动态测度;
路径l(i,j)的动态测度定义为最高点与最低点的高度差,具体表达式如下:
Dyn[l(i,j)]=max(|lm-ln|),lm,ln∈l(i,j) (2);
定义3:极小点的动态测度;
设K为h(k)的一个极小值点,若在K的两侧都存在比K值更低的极小点,则极小点K的Dyn测度等于由点K通向同高度的所有路径中最小的路径Dyn测度;
由动态测度的定义得到:动态测度能反映信号所有极值点的特征,识别信号的主要极值点。
在步骤3中,改进S变换,具体按照以下方法实施:
信号g(t)的改进S变换具体如下:
式(3)中:f表示频率;a、b为尺度缩放因子;e常数;τ表示平移因子;t表示时间。
对通过FFT变换后的功率谱进行动态测度,提取信号的主要频率点,对主要频率点进行改进S变换,经这样处理后的改进S变换的离散形式具体如下:
在式(4)中:N为总采样点数;T为采样间隔;g(k)(k=0,1,...,N-1)为g(t)离散时间序列;j为时间采样点;n为频率采样点;nm为通过FFT变换后的信号进行动态测度所提取的主要频率点。
在步骤3中,时频尺度缩放,具体按照以下方法实施:
在式(5)中:a、b为尺度缩放因子;x、y为原始图像上的点;x1、y1为缩放后图像的点;
对原始图像上的点x、y所相邻的四个整数点的灰度值分别作两次双线性插值求出x、y点的灰度值,具体按照以下算法实施:
式(6)中:α、β表示缩放因子;
对于发生频率突变的电压暂降源是通过步骤2中的动态测度检测得到,因此只要建立单相短路故障、异步电机启动和故障类型变化的这三类电压暂降扰动源。
在步骤3中,电压暂降标准模板的建立,具体按照以步骤实施:
步骤a、通过基频幅值斜率变化曲线来定位扰动的发生时间和持续时间,提取各类电压暂降源发生前1周期至扰动结束后1周期、频率范围为20Hz~80Hz的各行各列元素,构成特征矩阵;
步骤b、经步骤a后,将各类电压暂降持续时间内的各列时间分量按双线性插值法,尺度缩放为11个周期;
步骤c、经步骤b后,对各行的频率分量按此尺度统一频率分辨率;各类电压暂降源的特征矩阵经时间尺度和频率分辨率的标准化以后便形成该类扰动的标准化全局模板;
步骤d、经步骤c后,在各类电压暂降源的标准化模板中选出最能表现该类电压暂降特征部分作为标准模板,以突出模板间的相似性。
步骤4具体按照以下方法实施:
平均相似度SEF的计算,具体按照以下算法实施:
在式(7)中:H代表行数,L代表矩阵的列数;E(i,j)、F(i,j)分别为待测试样本信号的局部模板与某类电压暂降标准模板中第i和j所对应元素的幅值;其中,平均相似度SEF的值反映两个矩阵的相关程度,其值越大表明两个矩阵的相似程度越大;
为了实现同类电压暂降相似度值最大化,异类电压暂降相似度值最小化,采用分频逐行计算相似度和能量归一化的思想,具体按照以下方法实施:
设定是第i行的平均值,经过频谱平移后矩阵各行的元素变为如下形式:
式(8)中:E′(i,j)表示频谱平移后的矩阵;E(i,j)表示频谱平移前的矩阵;表示矩阵中第i行的均值;
对频谱平移后的矩阵分频逐行计算相似度,则第i行的相似度为:
在式(9)中:L代表矩阵的列数;
对矩阵各行的相似度求取平均值,即得某类电压暂降信号与标准模板的相似度为:
在式(10)中:H代表矩阵的行数;
若待测试的电压暂降信号与某一类电压暂降信号标准模板的相似度最大,则认为待测试的电压暂降信号的类型与该标准模板的暂降类型相同,从而实现电压暂降源的分类。
本发明的有益效果在于:
(1)本发明利用改进不完全S变换的电压暂降源识别方法,先是对电压暂降信号进行FFT变换,对得到的功率谱进行动态测度提取信号的主要频率点;然后对主要频率分量及其附近的频率点进行改进S变换,对得到的模时频矩阵进行时频尺度缩放,构造各类暂降源的标准模板;接着对待测电压暂降信号进行同样改进S变换和尺度缩放,计算其与标准模板的平均相似度;最后结合主要频率点信息和相似度最大原理实现暂降源的识别。
(2)本发明利用改进不完全S变换的电压暂降源识别方法,与其他配电网电压暂降源识别原理相比,具有以下显著优点:通过改进不完全S变换提取电压暂降扰动信号所含有的主要频率点,避免了对所有频率点的计算,大大提高了算法的计算速度和效率;利用改进不完全S变换的电压暂降源识别方法,采用模板匹配的分类方法,无需添加分类器,原理简单,能快速准确地识别引起电压暂降的扰动源。
附图说明
图1是本发明利用改进不完全S变换的电压暂降源识别方法的流程图。
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。
本发明利用改进不完全S变换的电压暂降源识别方法,其方法流程如图1所示,具体按照以下步骤实施:
步骤1、先采集线路电压暂降期间三相电压uφ(k),k=0,1,2,......N-1,其中,φ=A,B,C;然后对三相电压进行FFT变换;
步骤2、利用经步骤1FFT变换后的功率谱进行动态测度检测信号所含有的主要频率成分fk,k=(2,3,4),即:
设定h(k),k=(0,Ts...N-1)为任意输入信号且h(k)≥0,则将各采样点的数值看作是各点的高度;其中,N为采样点数,Ts为采样间隔;
定义1:两点之间的路径;
i、j是信号h(k)上不同的两点,则这两个点之间的部分称作路径l(i,j),具体表达式如下:
l(i,j)=(h(i),h(i+1),...,h(j)) (1);
定义2:路径的动态测度;
路径l(i,j)的动态测度定义为最高点与最低点的高度差,具体表达式如下:
Dyn[l(i,j)]=max(|lm-ln|),lm,ln∈l(i,j) (2);
定义3:极小点的动态测度;
设K为h(k)的一个极小值点,若在K的两侧都存在比K值更低的极小点,则极小点K的Dyn测度等于由点K通向同高度的所有路径中最小的路径Dyn测度;
由动态测度的定义得到:动态测度能反映信号所有极值点的特征,识别信号的主要极值点。
步骤3、经步骤2后,利用改进S变换和时频尺度缩放,建立电压暂降信号的标准模板,具体方法如下:
改进S变换,具体按照以下方法实施:
信号g(t)的改进S变换具体如下:
式(3)中:f表示频率;a、b为尺度缩放因子;e常数;τ表示平移因子;t表示时间。
对通过FFT变换后的功率谱进行动态测度,提取信号的主要频率点,对主要频率点进行改进S变换,经这样处理后的改进S变换的离散形式具体如下:
在式(4)中:N为总采样点数;T为采样间隔;g(k)(k=0,1,...,N-1)为g(t)离散时间序列;j为时间采样点;n为频率采样点;nm为通过FFT变换后的信号进行动态测度所提取的主要频率点。
时频尺度缩放,具体按照以下方法实施:
在式(5)中:a、b为尺度缩放因子;x、y为原始图像上的点;x1、y1为缩放后图像的点;
对原始图像上的点x、y所相邻的四个整数点的灰度值分别作两次双线性插值求出x、y点的灰度值,具体按照以下算法实施:
式(6)中:α、β表示缩放因子;
对于发生频率突变的电压暂降源是通过步骤2中的动态测度检测得到,因此只要建立单相短路故障、异步电机启动和故障类型变化的这三类电压暂降扰动源。
电压暂降标准模板的建立,具体按照以步骤实施:
步骤a、通过基频幅值斜率变化曲线来定位扰动的发生时间和持续时间,提取各类电压暂降源发生前1周期至扰动结束后1周期、频率范围为20Hz~80Hz的各行各列元素,构成特征矩阵;
步骤b、经步骤a后,将各类电压暂降持续时间内的各列时间分量按双线性插值法,尺度缩放为11个周期;
步骤c、经步骤b后,对各行的频率分量按此尺度统一频率分辨率;各类电压暂降源的特征矩阵经时间尺度和频率分辨率的标准化以后便形成该类扰动的标准化全局模板;
步骤d、经步骤c后,在各类电压暂降源的标准化模板中选出最能表现该类电压暂降特征部分作为标准模板,以突出模板间的相似性。
步骤4、待步骤3完成后,计算各类待测试暂降信号与各标准模板的平均相似度SEF,按照相似度最大原理实现电压暂降源的识别,具体按照以下方法实施:
平均相似度SEF的计算,具体按照以下算法实施:
在式(7)中:H代表行数,L代表矩阵的列数;E(i,j)、F(i,j)分别为待测试样本信号的局部模板与某类电压暂降标准模板中第i和j所对应元素的幅值;其中,平均相似度SEF的值反映两个矩阵的相关程度,其值越大表明两个矩阵的相似程度越大。
为了能提高电压暂降信号分类识别的准确率,即实现同类电压暂降相似度值最大化,异类电压暂降相似度值最小化,采用分频逐行计算相似度和能量归一化的思想,具体按照以下方法实施:
设定Ei是第i行的平均值,经过频谱平移后矩阵各行的元素变为如下形式:
式(8)中:E′(i,j)表示频谱平移后的矩阵;E(i,j)表示频谱平移前的矩阵;表示矩阵中第i行的均值;
对频谱平移后的矩阵分频逐行计算相似度,则第i行的相似度为:
在式(9)中:L代表矩阵的列数;
对矩阵各行的相似度求取平均值,即得某类电压暂降信号与标准模板的相似度为:
在式(10)中:H代表矩阵的行数;
若待测试的电压暂降信号与某一类电压暂降信号标准模板的相似度最大,则认为待测试的电压暂降信号的类型与该标准模板的暂降类型相同,从而实现电压暂降源的分类。
本发明利用改进不完全S变换的电压暂降源识别方法,其创新之处是能快速准确地识别引起电压暂降的扰动源。本发明利用改进不完全S变换的电压暂降源识别方法是:先对电压暂降信号进行FFT变换,对得到的功率谱进行动态测度提取信号的主要频率点;然后对主要频率分量及其附近的频率点进行改进S变换,对得到的模时频矩阵进行时频尺度缩放,构造各类暂降源的标准模板;对待测电压暂降信号进行同样改进S变换和尺度缩放,计算其与标准模板的平均相似度;最后结合主要频率点信息和相似度最大原理实现暂降源的识别。本发明利用改进不完全S变换的电压暂降源识别方法能准确可靠地识别引起电压暂降的扰动源且分类简单,计算量小、无需添加分类器,抗干扰能力强。

Claims (6)

1.利用改进不完全S变换的电压暂降源识别方法,其特征在于,具体按照以下步骤实施:
步骤1、先采集线路电压暂降期间三相电压uφ(k),k=0,1,2,......N-1,其中,φ=A,B,C;然后对三相电压进行FFT变换;
步骤2、利用经步骤1FFT变换后的功率谱进行动态测度检测信号所含有的主要频率成分fk,k=(2,3,4);
步骤3、经步骤2后,利用改进S变换和时频尺度缩放,建立电压暂降信号的标准模板;
步骤4、待步骤3完成后,计算各类待测试暂降信号与各标准模板的平均相似度SEF,按照相似度最大原理实现电压暂降源的识别。
2.根据权利要求1所述的利用改进不完全S变换的电压暂降源识别方法,其特征在于,在所述步骤2中:
设定h(k),k=(0,Ts...N-1)为任意输入信号且h(k)≥0,则将各采样点的数值看作是各点的高度;其中,N为采样点数,Ts为采样间隔;
定义1:两点之间的路径;
i、j是信号h(k)上不同的两点,则这两个点之间的部分称作路径l(i,j),具体表达式如下:
l(i,j)=(h(i),h(i+1),...,h(j)) (1);
定义2:路径的动态测度;
路径l(i,j)的动态测度定义为最高点与最低点的高度差,具体表达式如下:
Dyn[l(i,j)]=max(|lm-ln|),lm,ln∈l(i,j) (2);
定义3:极小点的动态测度;
设K为h(k)的一个极小值点,若在K的两侧都存在比K值更低的极小点,则极小点K的Dyn测度等于由点K通向同高度的所有路径中最小的路径Dyn测度;
由动态测度的定义得到:动态测度能反映信号所有极值点的特征,识别信号的主要极值点。
3.根据权利要求1所述的利用改进不完全S变换的电压暂降源识别方法,其特征在于,在所述步骤3中,改进S变换,具体按照以下方法实施:
信号g(t)的改进S变换具体如下:
S ( τ , f ) = ∫ - ∞ ∞ g ( t ) | f | ( a f ) b 2 π e - ( t - τ ) 2 ( a f ) 2 b e - i 2 π f t d t - - - ( 3 ) ;
式(3)中:f表示频率;a、b为尺度缩放因子;e常数;τ表示平移因子;t表示时间;
对通过FFT变换后的功率谱进行动态测度,提取信号的主要频率点,对主要频率点进行改进S变换,经这样处理后的改进S变换的离散形式具体如下:
S ( j , n m ) = Σ k = 0 N - 1 g ( k ) w ( ( j - k ) T , n m N T ) e - i 2 πkn m N w ( ( j - k ) T , n m N T ) = | n m N T | 2 π ( n m a N T ) b e - ( ( j - k ) T ) 2 ( n m N T ) 2 2 ( an m N T ) 2 b - - - ( 4 ) ;
在式(4)中:N为总采样点数;T为采样间隔;g(k)(k=0,1,...,N-1)为g(t)离散时间序列;j为时间采样点;n为频率采样点;nm为通过FFT变换后的信号进行动态测度所提取的主要频率点。
4.根据权利要求1所述的利用改进不完全S变换的电压暂降源识别方法,其特征在于,在所述步骤3中,时频尺度缩放,具体按照以下方法实施:
x 1 y 1 1 = a 0 0 0 b 0 0 0 1 x y 1 - - - ( 5 ) ;
在式(5)中:a、b为尺度缩放因子;x、y为原始图像上的点;x1、y1为缩放后图像的点;
对原始图像上的点x、y所相邻的四个整数点的灰度值分别作两次双线性插值求出x、y点的灰度值,具体按照以下算法实施:
E ( x , y ) = S ( j , k ) ( 1 - α ) ( 1 - β ) + S ( j , k + 1 ) ( 1 - α ) β + S ( j + 1 , k ) α ( 1 - β ) + S ( j + 1 , k + 1 ) αβ - - - ( 6 ) ;
式(6)中:α、β表示缩放因子;
对于发生频率突变的电压暂降源是通过步骤2中的动态测度检测得到,因此只要建立单相短路故障、异步电机启动和故障类型变化的这三类电压暂降扰动源。
5.根据权利要求1所述的利用改进不完全S变换的电压暂降源识别方法,其特征在于,在所述步骤3中,电压暂降标准模板的建立,具体按照以步骤实施:
步骤a、通过基频幅值斜率变化曲线来定位扰动的发生时间和持续时间,提取各类电压暂降源发生前1周期至扰动结束后1周期、频率范围为20Hz~80Hz的各行各列元素,构成特征矩阵;
步骤b、经步骤a后,将各类电压暂降持续时间内的各列时间分量按双线性插值法,尺度缩放为11个周期;
步骤c、经步骤b后,对各行的频率分量按此尺度统一频率分辨率;各类电压暂降源的特征矩阵经时间尺度和频率分辨率的标准化以后便形成该类扰动的标准化全局模板;
步骤d、经步骤c后,在各类电压暂降源的标准化模板中选出最能表现该类电压暂降特征部分作为标准模板,以突出模板间的相似性。
6.根据权利要求1所述的利用改进不完全S变换的电压暂降源识别方法,其特征在于,所述步骤4具体按照以下方法实施:
平均相似度SEF的计算,具体按照以下算法实施:
S E F = Σ i = 1 H Σ j = 1 L E ( i , j ) F ( i , j ) Σ i = 1 H Σ j = 1 L E 2 ( i , j ) Σ i = 1 H Σ j = 1 L F 2 ( i , j ) - - - ( 7 ) ;
在式(7)中:H代表行数,L代表矩阵的列数;E(i,j)、F(i,j)分别为待测试样本信号的局部模板与某类电压暂降标准模板中第i和j所对应元素的幅值;其中,平均相似度SEF的值反映两个矩阵的相关程度,其值越大表明两个矩阵的相似程度越大;
为了实现同类电压暂降相似度值最大化,异类电压暂降相似度值最小化,采用分频逐行计算相似度和能量归一化的思想,具体按照以下方法实施:
设定Ei是第i行的平均值,经过频谱平移后矩阵各行的元素变为如下形式:
E ′ ( i , j ) = E ( i , j ) - E ‾ ( i , j ) - - - ( 8 ) ;
式(8)中:E′(i,j)表示频谱平移后的矩阵;E(i,j)表示频谱平移前的矩阵;表示矩阵中第i行的均值;
对频谱平移后的矩阵分频逐行计算相似度,则第i行的相似度为:
S EF i = Σ j = 1 L E ( i , j ) F ( i , j ) Σ j = 1 L E ′ 2 ( i , j ) Σ j = 1 L F ′ 2 ( i , j ) - - - ( 9 ) ;
在式(9)中:L代表矩阵的列数;
对矩阵各行的相似度求取平均值,即得某类电压暂降信号与标准模板的相似度为:
S E F = 1 H Σ i = 1 H S EF i - - - ( 10 ) ;
在式(10)中:H代表矩阵的行数;
若待测试的电压暂降信号与某一类电压暂降信号标准模板的相似度最大,则认为待测试的电压暂降信号的类型与该标准模板的暂降类型相同,从而实现电压暂降源的分类。
CN201610910582.6A 2016-10-19 2016-10-19 利用改进不完全s变换的电压暂降源识别方法 Active CN106548013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610910582.6A CN106548013B (zh) 2016-10-19 2016-10-19 利用改进不完全s变换的电压暂降源识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610910582.6A CN106548013B (zh) 2016-10-19 2016-10-19 利用改进不完全s变换的电压暂降源识别方法

Publications (2)

Publication Number Publication Date
CN106548013A true CN106548013A (zh) 2017-03-29
CN106548013B CN106548013B (zh) 2019-05-17

Family

ID=58369270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610910582.6A Active CN106548013B (zh) 2016-10-19 2016-10-19 利用改进不完全s变换的电压暂降源识别方法

Country Status (1)

Country Link
CN (1) CN106548013B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109470985A (zh) * 2018-06-19 2019-03-15 国网浙江省电力有限公司湖州供电公司 一种基于多分辨奇异值分解的电压暂降源识别方法
CN110954779A (zh) * 2019-11-29 2020-04-03 国网上海市电力公司 一种基于s变换与多维分形的电压暂降源特征识别方法
CN111398721A (zh) * 2020-04-14 2020-07-10 南京工程学院 一种引入调节因子的配电网电压暂降源分类识别方法
CN112116013A (zh) * 2020-09-24 2020-12-22 四川大学 一种基于波形特征的电压暂降事件归一化方法
CN113077012A (zh) * 2021-04-26 2021-07-06 福州大学 一种电压暂降同源检测方法及系统
CN113158941A (zh) * 2021-04-29 2021-07-23 浙江陀曼云计算有限公司 基于时序功率数据的机床加工波形的匹配方法及系统
CN117743807A (zh) * 2024-02-19 2024-03-22 四川大学 一种配电网多阶段电压暂降成因辨识方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
US20150270700A1 (en) * 2014-03-20 2015-09-24 Cisco Technology, Inc. Method and system to prevent bus voltage sagging when an oring-fet in an n+1 redundant power supply configuration is faulty during power up

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20150270700A1 (en) * 2014-03-20 2015-09-24 Cisco Technology, Inc. Method and system to prevent bus voltage sagging when an oring-fet in an n+1 redundant power supply configuration is faulty during power up
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
徐方维: "《基于改进S变换的电压暂降识别》", 《电力系统保护与控制》 *
李康瑞: "《基于S变换标准模板相似度的电压暂降分类》", 《电工技术学报》 *
肖助力: "《一种改进不完全S变换的电压暂降检测方法》", 《电力系统保护与控制》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109470985A (zh) * 2018-06-19 2019-03-15 国网浙江省电力有限公司湖州供电公司 一种基于多分辨奇异值分解的电压暂降源识别方法
CN110954779A (zh) * 2019-11-29 2020-04-03 国网上海市电力公司 一种基于s变换与多维分形的电压暂降源特征识别方法
CN111398721A (zh) * 2020-04-14 2020-07-10 南京工程学院 一种引入调节因子的配电网电压暂降源分类识别方法
CN112116013A (zh) * 2020-09-24 2020-12-22 四川大学 一种基于波形特征的电压暂降事件归一化方法
CN113077012A (zh) * 2021-04-26 2021-07-06 福州大学 一种电压暂降同源检测方法及系统
CN113077012B (zh) * 2021-04-26 2022-10-04 福州大学 一种电压暂降同源检测方法及系统
CN113158941A (zh) * 2021-04-29 2021-07-23 浙江陀曼云计算有限公司 基于时序功率数据的机床加工波形的匹配方法及系统
CN117743807A (zh) * 2024-02-19 2024-03-22 四川大学 一种配电网多阶段电压暂降成因辨识方法
CN117743807B (zh) * 2024-02-19 2024-04-26 四川大学 一种配电网多阶段电压暂降成因辨识方法

Also Published As

Publication number Publication date
CN106548013B (zh) 2019-05-17

Similar Documents

Publication Publication Date Title
CN106548013A (zh) 利用改进不完全s变换的电压暂降源识别方法
CN103245907B (zh) 一种模拟电路故障诊断方法
CN109444656A (zh) 一种变压器绕组变形位置的在线诊断方法
CN105572501B (zh) 一种基于sst变换和ls-svm的电能质量扰动识别方法
Luo et al. Stacked auto-encoder based fault location in VSC-HVDC
CN101763514B (zh) 基于特征重要度排序谱聚类的图像分割方法
CN105004939B (zh) 一种复合电能质量扰动信号定量分析方法
CN103558519A (zh) 一种gis局部放电超声波信号识别方法
CN110147760B (zh) 一种高效电能质量扰动图像特征提取与识别新方法
CN110609477B (zh) 一种基于深度学习的电力系统暂态稳定性判别系统及方法
CN108827605A (zh) 一种基于改进稀疏滤波的机械故障特征自动提取方法
CN105447464A (zh) 一种基于pso的电能质量扰动识别与分类方法
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
CN102982347B (zh) 一种基于kl距离的电能质量扰动分类方法
CN107589341A (zh) 一种基于配电自动化主站的单相接地在线故障定位方法
CN106096640A (zh) 一种多模式系统的特征降维方法
CN106199267B (zh) 一种电力设备故障特征分析方法
Fang et al. A statistical approach to estimate imbalance-induced energy losses for data-scarce low voltage networks
CN106599777A (zh) 一种基于能量百分比的电缆局部放电信号识别方法
CN112462355A (zh) 一种基于时频三特征提取的对海目标智能检测方法
CN114897138A (zh) 基于注意力机制和深度残差网络的系统故障诊断方法
CN111626559A (zh) 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统
CN116559650A (zh) 一种基于多维熵距的自动转换开关故障识别方法
CN117786587B (zh) 基于数据分析的电网数据质量异常诊断方法
CN116403032A (zh) 基于多域信息融合与深度学习的断路器故障评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant