CN108108659B - 基于经验模态分解的孤岛检测关键特征提取方法 - Google Patents

基于经验模态分解的孤岛检测关键特征提取方法 Download PDF

Info

Publication number
CN108108659B
CN108108659B CN201711182530.2A CN201711182530A CN108108659B CN 108108659 B CN108108659 B CN 108108659B CN 201711182530 A CN201711182530 A CN 201711182530A CN 108108659 B CN108108659 B CN 108108659B
Authority
CN
China
Prior art keywords
signal
imf
layer
empirical mode
singular
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
Application number
CN201711182530.2A
Other languages
English (en)
Other versions
CN108108659A (zh
Inventor
李铁
苏安龙
唐俊刺
曲祖义
高凯
何晓洋
金晓明
孔祥瑞
曾辉
崔岱
梁晓赫
冯占稳
孙文涛
王钟辉
王亮
许小鹏
张艳军
王顺江
周纯莹
宁辽逸
王澍
严正
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.)
State Grid Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Liaoning Electric Power Co Ltd, Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201711182530.2A priority Critical patent/CN108108659B/zh
Publication of CN108108659A publication Critical patent/CN108108659A/zh
Application granted granted Critical
Publication of CN108108659B publication Critical patent/CN108108659B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法。根据孤岛与非孤岛干扰情况下信号特征不易发掘的特点，进行信号的深度特征分析。将公共点电压信号进行多分辨率经验模态分解。利用分解信号进行相空间重构，对每层相空间矩阵进行奇异谱分解得到每层奇异值，根据各层奇异值提取各层相空间奇异谱熵。多层奇异谱熵组合后构成该信号下的多分辨率奇异谱熵的特征向量。该方法中，多分辨率经验模态分解实现了对信号频谱分层细致的解析，各层奇异谱熵对表征信号各层的唯一特征进行了统一的度量，组合后的特征向量定量描述了信号的本质特征，对同类信号和同种样本具有稳定性，适用于孤岛检测关键特征的提取。

Description

基于经验模态分解的孤岛检测关键特征提取方法
技术领域
本发明涉及一种孤岛检测关键特征提取方法，尤其是涉及一种基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法。
背景技术
随着光伏发电等新能源系统的快速发展，光伏系统并网中产生的技术问题需要得到更好的解决。孤岛检测是光伏系统并网中不可或缺的，对孤岛状态的快速准确检测有利于提高配电系统的可靠性，减少对电网的不良影响及降低经济损失。随着光伏发电系统并入的增多，用户对电能质量要求的提高，如何在高效识别的基础上找寻出能定量描述孤岛本质的方法，减少噪声干扰对识别的影响，对发展光伏发电系统非常重要。
目前对于孤岛检测提出的方法主要分为被动检测方法，主动检测方法和基于通讯的开关状态检测方法。现有的被动检测方法即为检测公共点电压、频率等参数，是否超过设定阈值，这种方法实施起来相对容易，但是由于电网存在扰动现象，造成的时域状态与孤岛状态相似度高，使得这种方法存在很高的误判率。现有的主动检测方法在电压电流信号上加入一定规律的扰动，通过扰动的累加检测孤岛现象的产生。但是由于扰动的加入，这种方法会对电能质量造成不同程度的影响。
目前在提取孤岛检测特征量提取上，有小波能量系数作为特征向量的检测办法，结合决策树、神经网络等模式识别办法判断孤岛，这种方法能够快速识别孤岛，但是小波能量系数受噪声的影响严重，仍有待改善。
发明内容
发明目的：
为了克服上述现有技术存在的不足，本发明提供一种基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法。
技术方案：
基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法，其特征在于：该方法步骤如下：
(1)录入原始电压信号f(k)(k＝1,2,…,N)，N为采样点数；
(2)对待分析离散信号f(k)(k＝1,2,…,N)，N为采样点数，用经验模态分解进行处理，分解出第1个固有模态函数(IMF)的候选分量h1；
(3)判断h1是否为一个IMF函数，若是满足IMF条件，则h1被判定为f(k)的第1个IMF分量，若不是，则将h1作为待处理信号重新计算，进而持续分解完毕；
(4)对每层的重构信号进行n维的相空间重构，重构矩阵为A；
(5)对每层矩阵A进行奇异值分解，得到对应层重构矩阵A的奇异值，基于信息熵理论，计算各层信号的奇异谱熵Hj；
(6)将各层熵值Hj组合，得到的特征向量T，作为孤岛检测的特征向量。
所述步骤(2)具体为：
f(k)的第一个固有模态函数(IMF)候选h1可由式(1)确定：
h1＝f(k)-m1 (1)；
式中：m1表示f(k)的上、下包络线均值。
判断h1是否为一个IMF函数，若满足IMF条件，则h1就是原始信号的第1个IMF分量。
所述步骤(3)中的IMF判定规则如下：
(1)信号的整个波形中极值点的个数与过零点的个数必须相等或最多相差不超过1个；
(2)任意时刻由局部极值点组成的包络线相对于时间轴局部对称。
所述步骤(3)中对判定结果为是的分量进行如下处理：
若h1被判定为IMF分量，则将d1记作第一个IMF函数，分离d1，得到剩余量信号r1：
r1＝f(k)-d1 (2)。
所述步骤(3)中对判定结果为否的分量进行如下处理：
将h1替代原公式中的f(k)作为待处理信号，重新计算，再次判定是否为IMF。
所述步骤(3)中继续分解其余IMF的规则如下：
将r1视为原始数据，重复步骤(1)-(3)直至最后的rn不满足IMF函数成立条件，获得IMF分量组：
rn＝rn-1-dn (3)；
从而得到：
Figure BDA0001479465630000031
所述步骤(4)中相空间重构的规则如下：
记每层IMF分量为Dj，对每层IMF分量进行n维相空间重构，将Dj中的dj(1),dj(2),…,dj(n)作为n维相空间第1个矢量，然后右移1步，将dj(2),dj(3),…,dj(n+1)作为第2个矢量，如此构造出一个(N-n+1)×n维的矩阵A：
Figure BDA0001479465630000032
所述步骤(5)中奇异值分解(SVD)方法如下：
对矩阵A(N-n+1)×n进行奇异值分解，得到A＝U(N-n+1)×lΛl×lVT n×l，其中Λl×l的非零对角元素λij(i＝1,2,…,l)(l＝min((N-n+1),n))为j层A的奇异值。
所述步骤(5)中奇异谱熵计算方法：
Figure BDA0001479465630000041
Figure BDA0001479465630000042
式中：pij为一不确定的概率分布；Hj为j层分布所具有的信息熵。
所述步骤(6)中特征向量的表示形式和意义如下：
T＝[H1 H2 H3 … Hj] (8)；
式中，H1,H2,H3,…,Hj对应的各分层频率由高到低。
优点及效果：
与现有技术相比，本发明具有如下优点：
现有的孤岛检测方法中，通过小波变换后的阈值分析对电力信号的本质挖掘不够深入，无法区别出电网扰动等情况；使用小波分析信号能够分析不同频段的信号特征，快速得到判别结果，但是这种分析方法在分析中易受噪声干扰。使用这些方法进行分析，在对孤岛状态的判别中易出现大量的误判情况。本方法将多分辨率分析和多分辨率奇异谱熵融合，经验模态分解将信号按不同分辨率进行频域分层分解，信息熵对信息按频域分层后得到的特性量化，得到最为简洁清晰的信息性质描述。这种方法即能更好的挖掘信号的本质特征，直观反应出孤岛信号与电网扰动信号的不同性质，同时也避免小波系数的影响，减少噪声干扰，提高了特征提取的速度和精度。此外，通过本方法提取的特征向量对同类信号和同种样本具有稳定性，对区分孤岛和非孤岛状态，降低非孤岛状态时的误判，避免光伏系统误动作起到了很好的作用。
附图说明
图1是本发明方法流程图。
图2是光伏并网仿真系统示意图。
图3是四种情景下的PCC点原始电压信号示意图，其中图3(a)为扰动电压暂降图，图3(b)为扰动电压暂升图，图3(c)为孤岛电压暂降图，图3(d)为孤岛电压暂升图。
图4是四种情景分解后波形图，其中图4(a)为扰动电压暂降图，图4(b)为扰动电压暂升图，图4(c)为孤岛电压暂降图，图4(d)为孤岛电压暂升图。
具体实施方式
下面结合附图对本发明做进一步的说明：
本发明涉及一种基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法。根据孤岛与非孤岛干扰情况下信号特征不易发掘的特点，进行信号的深度特征分析。将公共点电压信号进行多分辨率经验模态分解。利用分解信号进行相空间重构，对每层相空间矩阵进行奇异谱分解得到每层奇异值，根据各层奇异值提取各层相空间奇异谱熵。多层奇异谱熵组合后构成该信号下的多分辨率奇异谱熵的特征向量。
本发明方法的具体实施流程图如图1所示：
所述基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法的步骤如下：
(1)录入原始电压信号f(k)(k＝1,2,…,N)，N为采样点数；
(2)对待分析离散信号f(k)(k＝1,2,…,N)，N为采样点数，用经验模态分解进行处理，分解出第1个固有模态函数(IMF)的候选分量h1；
(3)判断h1是否为一个IMF函数，若是满足IMF条件，则h1被判定为f(k)的第1个IMF分量，若不是，则将h1作为待处理信号重新计算，进而持续分解完毕；
(4)对每层的重构信号进行n维的相空间重构，重构矩阵为A；
(5)对每层矩阵A进行奇异值分解，得到对应层重构矩阵A的奇异值，基于信息熵理论，计算各层信号的奇异谱熵Hj；
(6)将各层熵值Hj组合，得到的特征向量T，作为孤岛检测的特征向量。
所述步骤(1)具体为：利用图2中的光伏并网仿真系统，选取公共电压节点(PCC)的电压信号作为输入信号，记为f(k)，选取四种样本，包括孤岛状态下的电压暂升和暂降、扰动状态下的暂升和暂降状态(如图3所示)。
所述步骤(2)具体为：根据图1中经验模态分解步骤，原始信号f(k)的第一个固有模态函数(IMF)候选h1可由式(1)确定：
h1＝f(k)-m1 (1)；
式中：m1表示f(k)的上、下包络线均值。
步骤(3)具体过程为：
判断h1是否为一个IMF函数，若满足IMF条件，则h1就是原始信号的第1个IMF分量；
IMF判定规则如下：
(1)信号的整个波形中极值点的个数与过零点的个数必须相等或最多相差不超过1个；
(2)任意时刻由局部极值点组成的包络线相对于时间轴局部对称。
步骤(3)中对判定结果为是的分量进行如下处理：
对判定结果为是的分量进行如下处理：
若h1被判定为IMF分量，则将d1记作第一个IMF函数，分离d1，得到剩余量信号r1：
r1＝f(k)-d1 (2)；
对判定结果为否的分量进行如下处理：
将h1替代原公式中的f(k)作为待处理信号，重新计算，再次判定是否为IMF。
继续分解其余IMF，将r1视为原始数据，重复步骤(1)-(3)直至最后的rn不满足IMF函数成立条件，获得IMF分量组：
rn＝rn-1-dn (3)；
从而得到：
Figure BDA0001479465630000071
完成各个IMF分量的分解，得到分解后波形如图4所示，从图中可看出，经过经验模态分解的初步处理，孤岛与扰动状态下的分解信号存在一定差异。
步骤(4)中的相空间重构方法如下：
记每层IMF分量为Dj，对每层IMF分量进行n维相空间重构，将Dj中的dj(1),dj(2),…,dj(n)作为n维相空间第1个矢量，然后右移1步，将dj(2),dj(3),…,dj(n+1)作为第2个矢量，如此可以构造出一个(N-n+1)×n维的矩阵A：
Figure BDA0001479465630000072
步骤(5)中奇异值分解(SVD)方法如下：
对矩阵A(N-n+1)×n进行奇异值分解，得到A＝U(N-n+1)×lΛl×lVT n×l，其中Λl×l的非零对角元素λij(i＝1,2,…,l)(l＝min((N-n+1),n))为j层A的奇异值。
步骤(5)中奇异谱熵计算方法：
Figure BDA0001479465630000081
Figure BDA0001479465630000082
式中：pij为一不确定的概率分布；Hj为j层分布所具有的信息熵，熵值见表1所示。在仿真过程中注入噪声分量后，本发明所提方法能够明显克服噪声干扰，所求的的熵值见表2，与表1对比可知，本方法具备很好的噪声干扰抵抗能力。
步骤(6)中特征向量的表示形式和意义如下：
T＝[H1 H2 H3 … Hj] (8)；
式中，H1,H2,H3,…,Hj对应的各分层频率由高到低。
表1未注入噪声的四种情景PCC点多分辨率奇异谱熵值表
Figure BDA0001479465630000083
表2注入噪声后的四种情景多分辨率奇异谱熵值表
Figure BDA0001479465630000091
结论：本发明中，多分辨率经验模态分解实现了对信号频谱分层细致的解析，各层奇异谱熵对表征信号各层的唯一特征进行了统一的度量，组合后的特征向量定量描述了信号的本质特征，对同类信号和同种样本具有稳定性，适用于孤岛检测关键特征的提取。

Claims (10)

1.基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法，其特征在于：该方法步骤如下：
(1)录入原始电压信号f(k)(k＝1,2,…,N)，N为采样点数；
(2)对待分析离散信号f(k)(k＝1,2,…,N)，N为采样点数，用经验模态分解进行处理，分解出第1个固有模态函数(IMF)的候选分量h1；
(3)判断h1是否为一个IMF函数，若是满足IMF条件，则h1被判定为f(k)的第1个IMF分量，若否，则将h1作为待处理信号重新计算，进而持续分解完毕；
(4)对每层的重构信号进行n维的相空间重构，重构矩阵为A；
(5)对每层矩阵A进行奇异值分解，得到对应层重构矩阵A的奇异值，基于信息熵理论，计算各层信号的奇异谱熵Hj；
(6)将各层熵值Hj组合，得到的特征向量T，作为孤岛检测的特征向量。
2.根据权利要求1所述的基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法，其特征在于：步骤(2)具体为：
f(k)的第一个固有模态函数(IMF)候选h1可由式(1)确定：
h1＝f(k)-m1 (1)；
式中：m1表示f(k)的上、下包络线均值。
3.根据权利要求1所述的基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法，其特征在于：判断h1是否为一个IMF函数，若满足IMF条件，则h1就是原始信号的第1个IMF分量；
步骤(3)中的IMF判定规则如下：
(1)信号的整个波形中极值点的个数与过零点的个数必须相等或最多相差不超过1个；
(2)任意时刻由局部极值点组成的包络线相对于时间轴局部对称。
4.根据权利要求1所述的基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法，其特征在于：步骤(3)中对判定结果为是的分量进行如下处理：
若h1被判定为IMF分量，则将d1记作第一个IMF函数，分离d1，得到剩余量信号r1：
r1＝f(k)-d1 (2)。
5.根据权利要求4所述的基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法，其特征在于：步骤(3)中对判定结果为否的分量进行如下处理：
将h1替代公式(2)中的f(k)作为待处理信号，重新计算，再次判定是否为IMF。
6.根据权利要求4或5所述的基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法，其特征在于：步骤(3)中继续分解其余IMF的规则如下：
将r1视为原始数据，重复步骤(1)-(3)直至最后的rn不满足IMF函数成立条件，获得IMF分量组：
rn＝rn-1-dn (3)；
从而得到：
Figure FDA0003256343720000021
7.根据权利要求1所述的基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法，其特征在于：步骤(4)中相空间重构的规则如下：
记每层IMF分量为Dj，对每层IMF分量进行n维相空间重构，将Dj中的dj(1),dj(2),…,dj(n)作为n维相空间第1个矢量，然后右移1步，将dj(2),dj(3),…,dj(n+1)作为第2个矢量，如此构造出一个(N-n+1)×n维的矩阵A：
Figure FDA0003256343720000031
8.根据权利要求1所述的基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法，其特征在于：步骤(5)中奇异值分解(SVD)方法如下：
对矩阵A(N-n+1)×n进行奇异值分解，得到A＝U(N-n+1)×lΛl×lVT n×l，其中Λl×l的非零对角元素λij(i＝1,2,…,l)(l＝min((N-n+1),n))为j层A的奇异值。
9.根据权利要求8所述的基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法，其特征在于：步骤(5)中奇异谱熵计算方法：
Figure FDA0003256343720000032
Figure FDA0003256343720000033
式中：pij为一不确定的概率分布；Hj为j层分布所具有的信息熵。
10.根据权利要求1所述的基于多分辨率奇异谱熵和经验模态分解的孤岛检测关键特征提取方法，其特征在于：
步骤(6)中特征向量的表示形式和意义如下：
T＝[H1 H2 H3 … Hj] (8)；
式中，H1,H2,H3,…,Hj对应的各分层频率由高到低。
CN201711182530.2A 2017-11-23 2017-11-23 基于经验模态分解的孤岛检测关键特征提取方法 Active CN108108659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711182530.2A CN108108659B (zh) 2017-11-23 2017-11-23 基于经验模态分解的孤岛检测关键特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711182530.2A CN108108659B (zh) 2017-11-23 2017-11-23 基于经验模态分解的孤岛检测关键特征提取方法

Publications (2)

Publication Number Publication Date
CN108108659A CN108108659A (zh) 2018-06-01
CN108108659B true CN108108659B (zh) 2021-11-09

Family

ID=62207378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711182530.2A Active CN108108659B (zh) 2017-11-23 2017-11-23 基于经验模态分解的孤岛检测关键特征提取方法

Country Status (1)

Country Link
CN (1) CN108108659B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110161370A (zh) * 2019-04-25 2019-08-23 国网辽宁省电力有限公司 一种基于深度学习的电网故障检测方法
CN110095814B (zh) * 2019-05-28 2021-01-26 广东工业大学 一种地壳应力状态检测方法、系统及相关组件
CN112858485B (zh) * 2021-01-15 2024-04-19 沈阳工业大学 一种转子碰摩故障声发射诊断方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101046497A (zh) * 2006-03-29 2007-10-03 宝山钢铁股份有限公司 一种对电力设备局部放电信号的检测方法
CN103049798A (zh) * 2012-12-05 2013-04-17 浙江大学城市学院 一种应用于光伏发电系统的短期发电功率预测方法
CN105488520A (zh) * 2015-11-24 2016-04-13 昆明理工大学 基于多分辨奇异谱熵和svm的泄漏声发射信号识别方法
CN107153845A (zh) * 2017-05-25 2017-09-12 华北电力大学 一种基于机器学习的自适应并网光伏系统的孤岛检测法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7908103B2 (en) * 2007-05-21 2011-03-15 Nilanjan Senroy System and methods for determining masking signals for applying empirical mode decomposition (EMD) and for demodulating intrinsic mode functions obtained from application of EMD

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101046497A (zh) * 2006-03-29 2007-10-03 宝山钢铁股份有限公司 一种对电力设备局部放电信号的检测方法
CN103049798A (zh) * 2012-12-05 2013-04-17 浙江大学城市学院 一种应用于光伏发电系统的短期发电功率预测方法
CN105488520A (zh) * 2015-11-24 2016-04-13 昆明理工大学 基于多分辨奇异谱熵和svm的泄漏声发射信号识别方法
CN107153845A (zh) * 2017-05-25 2017-09-12 华北电力大学 一种基于机器学习的自适应并网光伏系统的孤岛检测法

Also Published As

Publication number Publication date
CN108108659A (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
CN110398663B (zh) 一种基于卷积神经网络的柔性直流电网故障识别方法
CN109975673B (zh) 一种光伏微电网直流侧故障电弧识别方法
CN108108659B (zh) 基于经验模态分解的孤岛检测关键特征提取方法
Malik et al. EMD and ANN based intelligent fault diagnosis model for transmission line
CN110728360A (zh) 一种基于bp神经网络的微能源器件能量识别方法
CN105760889A (zh) 一种高效的不均衡数据集分类方法
CN110726898B (zh) 一种配电网故障类型识别方法
CN105701470A (zh) 一种基于最优小波包分解的模拟电路故障特征提取方法
Song et al. A negative selection algorithm-based identification framework for distribution network faults with high resistance
Barrios et al. Partial discharge identification in MV switchgear using scalogram representations and convolutional AutoEncoder
Yılmaz et al. Automated classification of power quality disturbances in a SOFC&PV-based distributed generator using a hybrid machine learning method with high noise immunity
Jamali et al. Identification of faulted line section in microgrids using data mining method based on feature discretisation
CN115238759A (zh) 基于压缩感知的电力数据压缩与电能质量扰动识别方法
Fu et al. PowerCog: A practical method for recognizing power quality disturbances accurately in a noisy environment
CN114397569A (zh) 基于vmd参数优化、样本熵的断路器故障电弧检测方法
CN109635428A (zh) 一种基于机械状态信号分析的gis机械故障诊断方法
CN113608073A (zh) 变频谐振下电缆局部放电脉冲分离方法
Belkov et al. Advanced approach for automatic PRPD pattern recognition in monitoring of HV assets
Khond et al. Data mining methods for bad data detection and event data acquisition in microgrids
Cui et al. Exploiting spatial signatures of power ENF signal for measurement source authentication
Bhuiyan et al. Weighted entropy for data compression in smart grid
Luo et al. Stacked denoising autoencoder based fault location in voltage source converters‐high voltage direct current
Gianoglio et al. Tensor based algorithm for automatic partial discharges pattern classification
CN110968073B (zh) 一种hvdc系统换相失败故障原因双层溯源辨识方法
CN112834959A (zh) 基于高频特征提取的直流配电系统故障检测方法

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