CN108197073B - 一种改进的电动汽车充电电能信号特征分析方法 - Google Patents

一种改进的电动汽车充电电能信号特征分析方法 Download PDF

Info

Publication number
CN108197073B
CN108197073B CN201810132525.9A CN201810132525A CN108197073B CN 108197073 B CN108197073 B CN 108197073B CN 201810132525 A CN201810132525 A CN 201810132525A CN 108197073 B CN108197073 B CN 108197073B
Authority
CN
China
Prior art keywords
signal
voltage
phase
frequency
harmonic
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
CN201810132525.9A
Other languages
English (en)
Other versions
CN108197073A (zh
Inventor
刘建
田正其
徐晴
周超
祝宇楠
欧阳曾恺
王立辉
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
Southeast University
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Southeast University
Electric Power Research Institute of State Grid Jiangsu 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, Southeast University, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201810132525.9A priority Critical patent/CN108197073B/zh
Publication of CN108197073A publication Critical patent/CN108197073A/zh
Application granted granted Critical
Publication of CN108197073B publication Critical patent/CN108197073B/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种改进的电动汽车充电电能信号特征分析方法。首先运用神经网络法训练小波变换的相关参数，使训练后的小波变换更加适宜提取电动汽车充电电压瞬变信号特征；其次，通过神经网络法实时监测电压/电流信号的骤升（降）点，利用小波变换识别电压/电流骤升（降）处的信号特征；最后，消除非稳态波、信号骤升（降）等异常信号的影响后，利用卡尔曼滤波算法判断谐波、间谐波含有率、频率偏差以及三相不平衡度等信号特征。本发明能在传统小波变换基础上进一步提高电动汽车充电电压/电流瞬变信号，骤升（降）信号的识别准确度，能够进一步增强常规卡尔曼滤波算法在非稳态波影响下谐波含有率以及三相电压不平衡度的检测能力，从而更加全面、可靠地分析电动汽车充电电能信号特征。

Description

一种改进的电动汽车充电电能信号特征分析方法
技术领域
本发明涉及电动汽车充电电能质量分析，尤其是涉及一种改进的电动汽车充电电能信号特征分析方法。
技术背景
近年来，随着全球能源危机问题日益严重，可替代能源与能源可持续发展问题迫在眉睫，电能以其清洁的可再生能源优势成为众多国家的首选。目前，纯电动汽车已经开始产业化进入市场，配套的电动汽车充电机也大规模生产建设。
电动汽车充电站的充电机属于新型大功率非线性设备，过分密集的集中充电可能导致充电站瞬时负荷过大，使电动汽车充电过程中时常出现电压/电流信号骤升(降)的情况，且三相不平衡度也十分严重。电动汽车蓄电池充也属于非线性负载，充电负荷体现非线性特征，尤其是非正弦和非常数性的直流充电，充电期间会出现大量的一次和二次信号，与现有的交流充电有很大区别。充电过程的复杂性，导致充电过程中将产生大量的谐波、非稳态波，对充电站的电能质量产生巨大影响。
目前最常用的分析方法是傅立叶变换算法，将周期性信号按照傅立叶级数的方式分解为不同频率分量的叠加形式，适合用来进行稳态谐波含量的检测，具有较好的频域分辨率、较高的测量精度。但是，在谐波信号发生畸变或出现非稳态波时，傅立叶算法不能精确获取各次谐波信号的幅值，频率和相位信息更无法识别骤降(升)信号，电能质量的分析存在很大的局限性；在傅立叶变换的基础上，所提出的短时傅立叶变换，通过窗函数在时域上的滑动，来得到对信号的时频局部化分析，仍然在时频分辨率方面存在不足，信号的时域波形和频谱不能同时获得高的分辨率，且其观测窗固化，局部观测特性不够详细；小波变换也时常应用于电压/电流信号的分析，能够在时域和频域同时对信号进行局部化分析，可以精确检测非平稳的信号特性，但是无法获取信号的特征，需要进一步分析，而且没有针对性的话，信号分析的精度难以保证。
发明内容
本发明所要解决的技术问题在于，提供一种改进的电动汽车充电电能信号特征分析方法，可弥补现有FFT算法以及卡尔曼滤波算法不能全面分析电动汽车充电电能信号特征的缺陷。
为解决上述技术问题，本发明提供一种改进的电动汽车充电电能信号特征分析方法，包括如下步骤：
步骤1：采集电动汽车充电电压/电流信号f(t)
步骤2：神经网络法训练小波变换的相关参数
将通过理论公式(1)(2)计算分层参数m0、阈值参数Ds0的初始值作为输入,以大量的电动汽车交直流充电数据进行训练，输出修正后的分层参数m和阈值参数Ds。
Figure BDA0001575326400000021
Figure BDA0001575326400000022
其中，fs为采样频率；f0为谐波(纹波)频率的最大公约数；Ds为处理后的数据；D为采集的数据；σ为选取的阈值，W为初始小波系数。
步骤3：电压瞬变情况分析
①电压/电流瞬变信号的提取
Figure BDA0001575326400000023
其中，f(t)为原始采集的电动汽车充电电压/电流信号，f'(t)f'(t)为小波重构的非稳态信号；j，j+1为小波分解的分解层数；t是时间参数；d为尺度离散化的幂级数；aj,d为尺度参数；aj,z、aj+1,z分别为j、j+1层谐波的逼近参数，bj,z、bj+1,z分别为j、j+1层谐波的局部特征参数；z为谐波的层次；
Figure BDA0001575326400000024
为尺度空间函数；ψ(*)为小波母函数；h(*)为低通滤波函数，实现信号对低频部分的分解；g(*)为高通滤波函数，实现信号对高频部分的分解；H为非稳态波所在的层数,aj,H为小波重构时非稳态波所在层次的逼近参数，bj,H为小波重构时非稳态波所在层次的局部特征参数；
②电压/电流瞬变信号判断机制
确定瞬变信号(非稳态波)取样最大时间间隔Tmax，其中Tall为瞬变信号存在时间：
Figure BDA0001575326400000031
其中，
Figure BDA0001575326400000032
为提取的瞬变信号经傅立叶变换后的幅频信号，λ为傅立叶变换后的频率；
按时间间隔TS(TS<Tmax)采样，第n个采样数据为f1(tn)，第n+1个采样数据为f1(tn+1)，则
Figure BDA0001575326400000033
步骤4：电压/电流骤升(降)信号的识别与特征分析
通过事先筛选出来的大量电动汽车充电骤升(降)信号的数据，利用神经网络进行训练和深度学习，从而对比判断出骤升(降)信号的类型。进而调整小波变化算法低频分解的分层、阈值、尺度逼近等参数，分解出电压/电流骤升(降)处的信号。
步骤5：消除瞬变信号和骤升(降)信号的影响后，分析谐波含有率、频率偏差以及三相电压不平衡度等特征
①卡尔曼滤波算法的参数选择
Figure BDA0001575326400000034
其中g1,j,g2,j为代表一层谐波(纹波)的组合信号；Δui为第i次谐波的幅值；θi第i次谐波(纹波)的相位；Q(k)为k时刻的观测值，P(k)为k时刻的观测矩阵，
Figure BDA0001575326400000035
为系统噪声矩阵，ρ(k)为观测噪声矩阵，y(k)、y(k+1)分别为k、k+1时刻的系统状态矩阵；f1、...、fN分别为谐波(纹波)的频率，其中fN为谐波(纹波)的最高频率；
②谐波含有率、频率偏差以及三相电压不平衡度的特征分析
各次谐波含有率表示为
Figure BDA0001575326400000041
频率偏差为
Figure BDA0001575326400000042
其中，
Figure BDA0001575326400000043
为基波相位经傅立叶变换后的幅频信号，ω为追踪的基波相位的圆频率，θ1为追踪的基波相位数据，f0为计算的基波频率，ηf为频率偏差率，g1,1、g2,1为代表基波的组合信号。
三相不平衡度表示为
Figure BDA0001575326400000044
其中
Figure BDA0001575326400000045
和
Figure BDA0001575326400000046
为相电压的正序和负序分量，α为旋转算子，
Figure BDA0001575326400000047
和
Figure BDA0001575326400000048
为代表A相电压基波的组合信号，
Figure BDA0001575326400000049
和
Figure BDA00015753264000000410
为代表B相电压基波的组合信号，
Figure BDA00015753264000000411
和
Figure BDA00015753264000000412
为代表C相电压基波的组合信号，
Figure BDA00015753264000000413
为代表A相电压基波的相位，
Figure BDA00015753264000000414
为代表B相电压基波的相位，
Figure BDA00015753264000000415
为代表C相电压基波的相位。
本发明的有益效果为：利用神经网络法训练小波变换的相关参数，避免了传统小波变换对电动汽车直流充电信号中的一次和二次信号的分层误差；利用神经网络进行训练和深度学习后，对骤升(降)信号的类型和定位更加准确；消除瞬变信号和骤升(降)信号的影响后，卡尔曼滤波算法对电动汽车充电电能信号特征的分析更加精确。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图对本发明做进一步描述。以下实例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
结合图1所示，本发明的方法主要包括以下步骤：
步骤1：采集电动汽车充电电压/电流信号f(t)；
步骤2：神经网络法训练小波变换的相关参数；
将通过理论公式(1)(2)计算分层参数m0、阈值参数Ds0的初始值作为输入,以大量的电动汽车交直流充电数据进行训练，输出修正后的分层参数m和阈值参数Ds。
Figure BDA0001575326400000051
Figure BDA0001575326400000052
其中，fs为采样频率；f0为谐波(纹波)频率的最大公约数；Ds为处理后的数据；D为采集的数据；σ为选取的阈值，W为初始小波系数。
步骤3：电压瞬变情况分析
①电压/电流瞬变信号的提取
Figure BDA0001575326400000053
其中，f(t)为原始采集的电动汽车充电电压/电流信号，f'(t)f'(t)为小波重构的非稳态信号；j，j+1为小波分解的分解层数；t是时间参数；d为尺度离散化的幂级数；aj,d为尺度参数；aj,z、aj+1,z分别为j、j+1层谐波的逼近参数，bj,z、bj+1,z分别为j、j+1层谐波的局部特征参数；z为谐波的层次；
Figure BDA0001575326400000054
为尺度空间函数；ψ(*)为小波母函数；h(*)为低通滤波函数，实现信号对低频部分的分解；g(*)为高通滤波函数，实现信号对高频部分的分解；H为非稳态波所在的层数,aj,H为小波重构时非稳态波所在层次的逼近参数，bj,H为小波重构时非稳态波所在层次的局部特征参数。
②电压/电流瞬变信号判断机制
确定瞬变信号(非稳态波)取样最大时间间隔Tmax，其中Tall为瞬变信号存在时间：
Figure BDA0001575326400000061
其中，
Figure BDA0001575326400000062
为提取的瞬变信号经傅立叶变换后的幅频信号，λ为傅立叶变换后的频率。
按时间间隔TS(TS<Tmax)采样，第n个采样数据为f1(tn)，第n+1个采样数据为f1(tn+1)，则
Figure BDA0001575326400000063
步骤4：电压/电流骤升(降)信号的识别与特征分析；
通过事先筛选出来的大量电动汽车充电骤升(降)信号的数据，利用神经网络进行训练和深度学习，从而对比判断出骤升(降)信号的类型。进而调整小波变化算法低频分解的分层、阈值、尺度逼近等参数，分解出电压/电流骤升(降)处的信号。
步骤5：消除瞬变信号和骤升(降)信号的影响后，分析谐波含有率、频率偏差以及三相电压不平衡度等特征；
①卡尔曼滤波算法的参数选择
Figure BDA0001575326400000064
其中g1,j,g2,j为代表一层谐波(纹波)的组合信号；Δui为第i次谐波的幅值；θi第i次谐波(纹波)的相位；Q(k)为k时刻的观测值，P(k)为k时刻的观测矩阵，
Figure BDA0001575326400000065
为系统噪声矩阵，ρ(k)为观测噪声矩阵，y(k)、y(k+1)分别为k、k+1时刻的系统状态矩阵；f1、...、fN分别为谐波(纹波)的频率，其中fN为谐波(纹波)的最高频率。
②谐波含有率、频率偏差以及三相电压不平衡度的特征分析
各次谐波含有率表示为
Figure BDA0001575326400000071
频率偏差为
Figure BDA0001575326400000072
其中，
Figure BDA0001575326400000073
为基波相位经傅立叶变换后的幅频信号，ω为追踪的基波相位的圆频率，θ1为追踪的基波相位数据，f0为计算的基波频率，ηf为频率偏差率，g1,1、g2,1为代表基波的组合信号。
三相不平衡度表示为
Figure BDA0001575326400000074
其中
Figure BDA0001575326400000075
和
Figure BDA0001575326400000076
为相电压的正序和负序分量，α为旋转算子，
Figure BDA0001575326400000077
和
Figure BDA0001575326400000078
为代表A相电压基波的组合信号，
Figure BDA0001575326400000079
和
Figure BDA00015753264000000710
为代表B相电压基波的组合信号，
Figure BDA00015753264000000711
和
Figure BDA00015753264000000712
为代表C相电压基波的组合信号，
Figure BDA00015753264000000713
为代表A相电压基波的相位，
Figure BDA00015753264000000714
为代表B相电压基波的相位，
Figure BDA00015753264000000715
为代表C相电压基波的相位。

Claims (7)

1.一种改进的电动汽车充电电能信号特征分析方法，其特征在于，包括如下步骤：
步骤1：采集电动汽车充电电压/电流信号f(t)；
步骤2：利用神经网络法对采集的信号的小波变换的相关参数进行训练修正；
步骤3：对采集的电压信号的瞬变情况进行分析；
步骤4：利用神经网络法分析识别电压/电流骤升/降信号的种类与位置，进而利用小波变换进行分析；
步骤5：消除瞬变信号和骤升/降信号的影响后，分析谐波含有率、频率偏差以及三相电压不平衡度特征；
步骤3中对采集的电压信号的瞬变情况进行分析的步骤为：
①电压/电流瞬变信号的提取
Figure FDA0002963527550000011
其中，f(t)为原始采集的电动汽车充电电压/电流信号，f'(t)为小波重构的非稳态信号；j，j+1为小波分解的分解层数；t是时间参数；d为尺度离散化的幂级数；aj,d为尺度参数；aj,z、aj+1,z分别为j、j+1层谐波的逼近参数，bj,z、bj+1,z分别为j、j+1层谐波的局部特征参数；z为谐波的层次；
Figure FDA0002963527550000012
为尺度空间函数；ψ(*)为小波母函数；h(*)为低通滤波函数，实现信号对低频部分的分解；g(*)为高通滤波函数，实现信号对高频部分的分解；H为非稳态波所在的层数,aj,H为小波重构时非稳态波所在层次的逼近参数，bj,H为小波重构时非稳态波所在层次的局部特征参数；
②电压/电流瞬变信号判断机制
确定瞬变信号或非稳态波取样最大时间间隔Tmax，其中Tall为瞬变信号存在时间：
Figure FDA0002963527550000013
其中，
Figure FDA0002963527550000021
为提取的瞬变信号经傅立叶变换后的幅频信号，λ为傅立叶变换后的频率；
按时间间隔TS采样，TS<Tmax，第n个采样数据为f1(tn)，第n+1个采样数据为f1(tn+1)，则
Figure FDA0002963527550000022
2.如权利要求1所述的一种改进的电动汽车充电电能信号特征分析方法，其特征在于，步骤2中利用神经网络法对小波变换的分层参数、阈值参数进行训练修正。
3.如权利要求2所述的一种改进的电动汽车充电电能信号特征分析方法，其特征在于，将通过理论公式(1)(2)计算分层参数m0、阈值参数Ds0的初始值作为输入,以大量的电动汽车交直流充电数据进行训练，输出修正后的分层参数m和阈值参数Ds；
Figure FDA0002963527550000023
Figure FDA0002963527550000024
其中，fs为采样频率；f0为谐波或纹波频率的最大公约数；Ds为处理后的数据；D为采集的数据；σ为选取的阈值，W为初始小波系数。
4.如权利要求1所述的一种改进的电动汽车充电电能信号特征分析方法，其特征在于，步骤4中，通过事先筛选出来的大量电动汽车充电骤升/降信号的数据，利用神经网络进行训练和深度学习，从而对比判断出骤升/降信号的类型，进而调整小波变化算法低频分解的分层、阈值、尺度逼近等参数，分解出电压/电流骤升/降处的信号。
5.如权利要求4所述的一种改进的电动汽车充电电能信号特征分析方法，其特征在于，所属参数包括分层参数、阈值参数和尺度逼近参数。
6.如权利要求1所述的一种改进的电动汽车充电电能信号特征分析方法，其特征在于，步骤5中，利用卡尔曼滤波算法分析谐波含有率、频率偏差，包括以下步骤：
①卡尔曼滤波算法的参数选择
Figure FDA0002963527550000031
其中g1,j,g2,j为代表一层谐波或纹波的组合信号；△ui为第i次谐波的幅值；θi第i次谐波或纹波的相位；Q(k)为k时刻的观测值，P(k)为k时刻的观测矩阵，
Figure FDA0002963527550000032
为系统噪声矩阵，ρ(k)为观测噪声矩阵，y(k)、y(k+1)分别为k、k+1时刻的系统状态矩阵；f1、...、fN分别为谐波或纹波的频率，其中fN为谐波或纹波的最高频率；
②谐波含有率、频率偏差分析
各次谐波含有率表示为
Figure FDA0002963527550000033
频率偏差为
Figure FDA0002963527550000034
其中，
Figure FDA0002963527550000035
为基波相位经傅立叶变换后的幅频信号，ω为追踪的基波相位的圆频率，θ1为追踪的基波相位数据，f0为计算的基波频率，ηf为频率偏差率，g1,1、g2,1为代表基波的组合信号。
7.如权利要求6所述的一种改进的电动汽车充电电能信号特征分析方法，其特征在于，步骤6中，分析三相电压不平衡度特征，包括以下步骤：
三相不平衡度表示为
Figure FDA0002963527550000036
其中
Figure FDA0002963527550000037
和
Figure FDA0002963527550000038
为相电压的正序和负序分量，α为旋转算子，
Figure FDA0002963527550000039
和
Figure FDA00029635275500000310
为代表A相电压基波的组合信号，
Figure FDA00029635275500000311
和
Figure FDA00029635275500000312
为代表B相电压基波的组合信号，
Figure FDA00029635275500000313
和
Figure FDA00029635275500000314
为代表C相电压基波的组合信号，
Figure FDA00029635275500000315
为代表A相电压基波的相位，
Figure FDA00029635275500000316
为代表B相电压基波的相位，
Figure FDA0002963527550000041
为代表C相电压基波的相位。
CN201810132525.9A 2018-02-09 2018-02-09 一种改进的电动汽车充电电能信号特征分析方法 Active CN108197073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810132525.9A CN108197073B (zh) 2018-02-09 2018-02-09 一种改进的电动汽车充电电能信号特征分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810132525.9A CN108197073B (zh) 2018-02-09 2018-02-09 一种改进的电动汽车充电电能信号特征分析方法

Publications (2)

Publication Number Publication Date
CN108197073A CN108197073A (zh) 2018-06-22
CN108197073B true CN108197073B (zh) 2021-05-14

Family

ID=62593558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810132525.9A Active CN108197073B (zh) 2018-02-09 2018-02-09 一种改进的电动汽车充电电能信号特征分析方法

Country Status (1)

Country Link
CN (1) CN108197073B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163148B (zh) * 2019-05-21 2021-02-09 东南大学 一种电动汽车直流充电畸变信号自适应识别方法
CN111551785B (zh) * 2020-04-29 2022-08-12 南京理工大学 基于无迹卡尔曼滤波的频率与谐波检测方法
CN112269058A (zh) * 2020-10-16 2021-01-26 国网江苏省电力有限公司无锡供电分公司 电动汽车直流充电信号特征提取方法
US20230241993A1 (en) * 2021-01-19 2023-08-03 Guizhou Power Grid Company Limited A charging state analysis method for electric vehicle based on electrical characteristic sequence analysis

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447464A (zh) * 2015-11-23 2016-03-30 广东工业大学 一种基于pso的电能质量扰动识别与分类方法
CN106026260A (zh) * 2016-06-24 2016-10-12 南京航空航天大学 一种带有均衡电路的串连电池组soc估算方法
CN106645929A (zh) * 2016-09-30 2017-05-10 国网江苏省电力公司电力科学研究院 一种改进的电动汽车充电非线性负荷谐波电能计量方法
CN106908663A (zh) * 2017-03-07 2017-06-30 国网江苏省电力公司电力科学研究院 一种基于小波变换的电动汽车充电谐波辨识方法
CN106940407A (zh) * 2017-03-15 2017-07-11 湘潭大学 一种配电网系统电能质量扰动定位与识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9618583B2 (en) * 2015-03-10 2017-04-11 Mitsubishi Electric Research Laboratories, Inc Fault detection in induction motors based on current signature analysis

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447464A (zh) * 2015-11-23 2016-03-30 广东工业大学 一种基于pso的电能质量扰动识别与分类方法
CN106026260A (zh) * 2016-06-24 2016-10-12 南京航空航天大学 一种带有均衡电路的串连电池组soc估算方法
CN106645929A (zh) * 2016-09-30 2017-05-10 国网江苏省电力公司电力科学研究院 一种改进的电动汽车充电非线性负荷谐波电能计量方法
CN106908663A (zh) * 2017-03-07 2017-06-30 国网江苏省电力公司电力科学研究院 一种基于小波变换的电动汽车充电谐波辨识方法
CN106940407A (zh) * 2017-03-15 2017-07-11 湘潭大学 一种配电网系统电能质量扰动定位与识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种小波神经网络的电能质量信号去噪新方法;秦代春等;《电力系统保护与控制》;20100701;第38卷(第13期);第88-93页 *

Also Published As

Publication number Publication date
CN108197073A (zh) 2018-06-22

Similar Documents

Publication Publication Date Title
CN108197073B (zh) 一种改进的电动汽车充电电能信号特征分析方法
CN107451557B (zh) 基于经验小波变换与局部能量的输电线路短路故障诊断方法
CN101291055B (zh) 一种输电线路故障行波初始波头到达时刻精确标定方法
Gargoom et al. Automatic classification and characterization of power quality events
CN108802525A (zh) 基于小样本的设备故障智能预测方法
CN110006652B (zh) 一种滚动轴承故障诊断方法及系统
CN109375060B (zh) 一种配电网故障波形相似度计算方法
CN102608441B (zh) 基于s变换的sdpqd信号识别方法、设备及系统
CN113375939B (zh) 基于svd和vmd的机械件故障诊断方法
CN103018629A (zh) 一种基于马拉算法的电力系统故障录波数据分析方法
CN106404399B (zh) 基于自适应冗余提升小波包分解树的轴承故障诊断方法
Guo et al. An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression
CN105548739B (zh) 一种避雷器运行状态信号处理方法
CN106908663A (zh) 一种基于小波变换的电动汽车充电谐波辨识方法
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
CN109029999B (zh) 基于增强调制双谱分析的滚动轴承故障诊断方法
CN111077386A (zh) 一种电气设备早期故障信号降噪方法
CN111289796A (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
CN106501602A (zh) 一种基于滑窗频谱分离的基波参数测量方法
CN115618213A (zh) 充电机电压扰动分析方法及系统、设备、存储介质
Bruna et al. Selection of the most suitable decomposition filter for the measurement of fluctuating harmonics
CN111504640B (zh) 一种加权滑动窗二阶同步压缩s变换轴承故障诊断方法
CN105550450B (zh) 一种电能质量干扰源特征谐波建模方法
CN108089100A (zh) 小电流接地系统弧光电阻接地故障的检测方法
Lv et al. Longitudinal synchroextracting transform: A useful tool for characterizing signals with strong frequency modulation and application to machine fault diagnosis

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