CN108919008A - 一种基于时频数据库在线电能质量扰动识别方法及系统 - Google Patents
一种基于时频数据库在线电能质量扰动识别方法及系统 Download PDFInfo
- Publication number
- CN108919008A CN108919008A CN201810776012.1A CN201810776012A CN108919008A CN 108919008 A CN108919008 A CN 108919008A CN 201810776012 A CN201810776012 A CN 201810776012A CN 108919008 A CN108919008 A CN 108919008A
- Authority
- CN
- China
- Prior art keywords
- frequency
- data library
- domain data
- disturbing signal
- identified
- 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
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
Abstract
本发明公开了一种基于时频数据库在线电能质量扰动识别方法及系统。该方法包括:根据各类扰动信号特征曲线建立树状结构的时频数据库;采集待识别电能的质量扰动信号;对待识别扰动信号进行多分辨率双曲线S变换;根据经过多分辨率双曲线S变换后的所述待识别扰动信号,确定所述待识别扰动信号的特征曲线;将所述待识别扰动信号的特征曲线与所述特征曲线数据库中的特征曲线对比,确定所述待识别扰动信号的特征曲线的类别。本发明的目的是提供一种基于时频数据库在线电能质量扰动识别方法及系统,提出一种科学合理的方法,不仅正确率高,而且还舍弃的复杂的阈值设置,具有良好适用价值。
Description
技术领域
本发明涉及电能质量扰动识别领域,特别是涉及一种基于时频数据库在线电能质量扰动识别方法及系统。
背景技术
在现代科技发展的今天,各种电力电子器件的应用,给电网带来巨大的挑战。同时,各种精密仪器以及高精度控制装置的使用,也对电网的供电质量提出了更高的要求。作为电能质量评估以及治理的基础,电能质量复合扰动识别与分类就显得格外重要。
电能质量扰动识别一般包含两个步骤分别为信号处理和识别与分类。常用的电能质量扰动信号处理主要有傅立叶变换、小波变换、dq变换、S变换、希尔伯特-黄变换等,缺点是需要大量的阈值计算,而且对分类器的设计要求很高,计算速度比较慢。
发明内容
本发明的目的是提供一种基于时频数据库在线电能质量扰动识别方法及系统,提出一种科学合理的方法,不仅正确率高,而且还舍弃的复杂的阈值设置,具有良好适用价值。
为实现上述目的,本发明提供了如下方案:
一种基于时频数据库在线电能质量扰动识别方法,其特征在于,所述方法包括:
根据各类扰动信号特征曲线建立树状结构的时频数据库,所述树状结构的父节点为频域数据库,所述树状结构的子节点为时域数据库,所述频域数据库中存储有所述扰动信号特征曲线的频率幅值部分曲线,所述时域数据库中存储有所述扰动信号特征曲线的基频幅值曲线;
采集待识别电能的质量扰动信号;
对待识别扰动信号进行多分辨率双曲线S变换;
根据经过多分辨率双曲线S变换后的所述待识别扰动信号,确定所述待识别扰动信号的特征曲线;
将所述待识别扰动信号的特征曲线与所述特征曲线数据库中的特征曲线对比,确定所述待识别扰动信号的特征曲线的类别。
可选的,所述频域数据库包括第一频域数据库、第二频域数据库、第三频域数据库和第四频域数据库,所述第一频域数据库包括由扰动信号S1、S2、S3、S4各生成多条频率幅值部分曲线,所述第二频域数据库包括由扰动信号S5、S6、S7、S8各生成多条频率幅值部分曲线,所述第三频域数据库包括由扰动信号S9、S10、S11、S12各生成多条频率幅值部分曲线,所述第四频域数据库包括由扰动信号S13、S14、S15、S16各生成多条频率幅值部分曲线,所述时域数据结构包括第一时域数据库、第二时域数据库、第三时域数据库和第四时域数据库,所述第一时域数据库包括由扰动信号S1、S2、S3、S4各生成多条基频幅值曲线,所述第二时域数据库包括由扰动信号S5、S6、S7、S8各生成多条基频幅值曲线,所述第三时域数据库包括由扰动信号S9、S10、S11、S12各随机生成的多条基频幅值曲线,所述第四时域数据库包括由扰动信号S13、S14、S15、S16各生成多条基频幅值曲线,所述S1、S2、S3、S4、S5、S6、S7、S8、S9、S10、S11、S12、S13、S14、S15和S16为16种扰动信号。
可选的,所述将所述待识别扰动信号的特征曲线与所述特征曲线数据库中的特征曲线对比,确定所述待识别扰动信号的特征曲线的类别,具体包括:
对离散弗雷歇距离算法进行改进,得到改进的离散弗雷歇距离算法;
采用改进离散弗雷歇距离算法计算所述待识别扰动信号的特征曲线中的频率幅值部分曲线与各所述频域数据库中的频率幅值部分曲线的距离,确定频域数据库中距离最小的频率幅值部分曲线;
确定距离最小的频率幅值部分所隶属的频域数据库,得到隶属频域数据库;
采用改进离散弗雷歇距离算法计算所述待识别扰动信号的基频幅值曲线与所述隶属频域数据库对应的时域数据库中的基频幅值曲线的距离,确定时域数据库中距离最小的基频幅值曲线;
将距离最小的基频幅值曲线的类别确定为所述待识别扰动信号的类别。
可选的,所述对待识别扰动信号进行多分辨率双曲线S变换,具体包括:
对所述待识别扰动信号进行低频部分的多分辨率双曲S变换;
对所述待识别扰动信号进行中频部分的多分辨率双曲S变换;
对所述待识别扰动信号进行高频部分的多分辨率双曲S变换。
可选的,确定所述待识别扰动信号的特征曲线,具体包括:
选取基频幅值曲线,所述基频幅值曲线为多分辨率双曲S变换模矩阵频率为50Hz处的行向量;
选取频率幅值部分曲线,所述频率幅值部分曲线为多分辨率S变换模矩阵每行的最大值,并在频率幅值曲线的基础上选取大于100Hz的范围。
一种基于时频数据库在线电能质量扰动识别系统,所述系统包括:
树状时频数据库模块,用于根据各类扰动信号特征曲线建立树状结构的时频线数据库,所述树状结构的父节点为频域数据库,所述树状结构的子节点为时域数据库,所述频域数据库中存储有所述扰动信号特征曲线的频率幅值部分曲线,所述时域数据库中存储有所述扰动信号特征曲线的基频幅值曲线;
信号采集模块,用于采集待识别电能的质量扰动信号;
S变换模块,用于对待识别扰动信号进行多分辨率双曲线S变换;
特征曲线提取模块,用于根据经过多分辨率双曲线S变换后的所述待识别扰动信号,确定所述待识别扰动信号的特征曲线;
类别识别模块,用于将所述待识别扰动信号的特征曲线与所述特征曲线数据库中的特征曲线对比,确定所述待识别扰动信号的特征曲线的类别。
可选的,所述类别识别模块,具体包括:
离散弗雷歇距离算法改进单元,用于对离散弗雷歇距离算法进行改进,得到改进的离散弗雷歇距离算法;
确定距离最小的频率幅值部分曲线单元,用于采用改进离散弗雷歇距离算法计算所述待识别扰动信号的频率幅值部分曲线与各所述频域数据库中的频率幅值部分曲线的距离,确定频域数据库中距离最小的频率幅部分值曲线;
隶属度单元,用于确定距离最小的频率幅值部分曲线所隶属的频域数据库,得到隶属频域数据库;
确定距离最小的基频幅值曲线单元,用于采用改进离散弗雷歇距离算法计算所述待识别扰动信号的基频幅值曲线与所述隶属频域数据库对应的时域数据库中的基频幅值曲线的距离,确定时域数据库中距离最小的基频幅值曲线;
识别单元,用于将距离最小的基频幅值曲线的类别确定为所述待识别扰动信号的类别。
可选的,所述S变换模块,具体包括:
低频部分S变换单元,用于对所述待识别扰动信号进行低频部分的多分辨率双曲S变换;
中频部分S变换单元,用于对所述待识别扰动信号进行中频部分的多分辨率双曲S变换;
高频部分S变换单元,用于对所述待识别扰动信号进行高频部分的多分辨率双曲S变换。
可选的,特征曲线提取模块,具体包括:
基频幅值曲线选取单元,用于选取基频幅值曲线,所述基频幅值曲线为多分辨率双曲S变换模矩阵频率为50Hz处的行向量;
频率幅值部分曲线选取单元,用于选取频率幅值部分曲线,所述频率幅值部分曲线为多分辨率S变换模矩阵每行的最大值,并在频率幅值曲线的基础上选取大于100Hz的范围。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的一种基于时频数据库在线电能质量扰动识别方法及系统,根据各类扰动信号特征曲线建立树状结构的时频数据库,所述树状结构的父节点为频域数据库,所述树状结构的子节点为时域数据库,所述频域数据库中存储有所述扰动信号特征曲线的频率幅值部分曲线,所述时域数据库中存储有所述扰动信号特征曲线的基频幅值曲线;采集待识别电能的质量扰动信号;对待识别扰动信号进行多分辨率双曲线S变换;根据经过多分辨率双曲线S变换后的所述待识别扰动信号,确定所述待识别扰动信号的特征曲线;将所述待识别扰动信号的特征曲线与所述特征曲线数据库中的特征曲线对比,确定所述待识别扰动信号的特征曲线的类别,而且对扰动信号的识别率高达99.3%以上。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于时频数据库在线电能质量扰动识别方法的结构示意图;
图2为本发明实施例基于时频数据库在线电能质量扰动识别系统的结构示意图;
图3为本发明实施例基于时频数据库在线电能质量扰动识别方法和系统的流程图;
图4为本发明实施例16种扰动信号的特征曲线图;
图5为本发明实施例树状时频数据图;
图6为本发明实施例树状时频数据库查询流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于时频数据库在线电能质量扰动识别方法及系统,提出一种科学合理的方法,不仅正确率高,而且还舍弃的复杂的阈值设置,具有良好适用价值。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例基于时频数据库在线电能质量扰动识别方法的结构示意图,如图1所示,本发明提供的基于时频数据库在线电能质量扰动识别方法的步骤具体如下:
步骤101:根据各类扰动信号特征曲线建立树状结构的时频数据库,所述树状结构的父节点为频域数据库,所述树状结构的子节点为时域数据库,所述频域数据库中存储有所述扰动信号特征曲线的频率幅值部分曲线,所述时域数据库中存储有所述扰动信号特征曲线的基频幅值曲线;
步骤102:采集待识别电能的质量扰动信号;
步骤103:对待识别扰动信号进行多分辨率双曲线S变换;
步骤104:根据经过多分辨率双曲线S变换后的所述待识别扰动信号,确定所述待识别扰动信号的特征曲线;
步骤105:根据经过多分辨率双曲线S变换后的所述待识别扰动信号,确定所述待识别扰动信号的特征曲线。
其中,步骤101具体包括:所述频域数据库501包括第一频域数据库、第二频域数据库、第三频域数据库和第四频域数据库,所述第一频域数据库包括由扰动信号S1、S2、S3、S4各生成多条频率幅值部分曲线,所述第二频域数据库包括由扰动信号S5、S6、S7、S8各生成多条频率幅值部分曲线,所述第三频域数据库包括由扰动信号S9、S10、S11、S12各生成多条频率幅值部分曲线,所述第四频域数据库包括由扰动信号S13、S14、S15、S16各生成多条频率幅值部分曲线,所述时域数据库包括第一时域数据库502、第二时域数据库503、第三时域数据库504和第四时域数据库505,所述第一时域数据库502包括由扰动信号S1、S2、S3、S4各生成多条基频幅值曲线,所述第二时域数据库503包括由扰动信号S5、S6、S7、S8各生成多条基频幅值曲线,所述第三时域数据库504包括由扰动信号S9、S10、S11、S12各生成多条基频幅值曲线,所述第四时域数据库505包括由扰动信号S13、S14、S15、S16各生成多条基频幅值曲线,所述S1、S2、S3、S4、S5、S6、S7、S8、S9、S10、S11、S12、S13、S14、S15和S16为16种扰动信号。
针对所涉及的16种扰动设计时频数据库,分别为电压中断S1、电压暂降S2、电压暂升S3、闪变S4、谐波S5、暂降含谐波S6、暂升含谐S7、闪变含谐波S8、暂态振荡S9、暂降含暂态振荡S10、暂升含暂态振荡S11、闪变含暂态振荡S12、暂态振荡含谐波S13、暂态振荡含谐波与电压暂降S14、暂态振荡含谐波与电压暂升S15、暂态振荡含谐波与闪变S16。频域数据库501为频率幅值部分曲线,它由四部分组成,分别为第一频域数据库1b1、第二频域数据库1b2、第三频域数据库1b3和第四频域数据库1b4。时域数据库为基频幅值曲线,它由四个平级的子数据库组成,分别为第一时域数据库503、第二时域数据库504、第三时域数据库505和第四时域数据库506。第一时域数据库503由四部分组成,分别为2b11、2b12、2b13和2b14;第二时域数据库504由四部分组成,分别为2b21、2b22、2b23、2b24;第三时域数据库由四部分组成,分别为2b31、2b32、2b33、2b34;第四时域数据库由四部分组成,分别为2b41、2b42、2b43、2b44。数据库各部分解释如下:
1b1:S1、S2、S3、S4这四种扰动多分辨率双曲S变换的频率幅值部分曲线具有相同特征,即曲线水平平滑且曲线幅值接近于零。各取S1、S2、S3、S4这四种扰动多分辨率S变换的频率幅值部分曲线50条组成200条波形数据,即为1b1。
1b2:S5、S6、S7、S8这四种扰动多分辨率双曲S变换的频率幅值部分曲线具有相同特征,即曲线在中频部分(100Hz到900Hz)出现多个尖峰,其它部分水平平滑且曲线幅值接近于零。在随机的条件下,各取S5、S6、S7、S8这四种扰动多分辨率S变换的频率幅值部分曲线50条组成200条波形数据,即为1b2。
1b3:S9、S10、S11、S12这四种扰动多分辨率双曲S变换的频率幅值部分曲线具有相同特征,即曲线在高频部分(900Hz以上)出现一个缓慢上升的波峰,其它部分水平平滑且曲线幅值接近于零。各取S9、S10、S11、S12这四种扰动多分辨率S变换的频率幅值部分曲线50条组成200条波形数据,即为1b3。
1b4:S13、S14、S15、S16这四种扰动多分辨率双曲S变换的频率幅值部分曲线具有相同特征,即曲线在中频部分(100Hz到900Hz)出现多个尖峰并且曲线在高频部分(900Hz以上)出现一个缓慢上升的波峰,其它部分水平平滑且曲线幅值接近于零。各取S13、S14、S15、S16这四种扰动多分辨率双曲S变换的频率幅值部分曲线50条组成200条波形数据,即为1b4。
2b21、2b31、2b41分别取自S5、S9、S13这三种扰动多分辨率双曲S变换的基频幅值曲线,每一种扰动选取50条。这三种扰动多分辨率双曲S变换的基频幅值曲线具有相同特征,即基频幅值曲线的幅值基本不变,呈现水平直线形状。
2b11、2b12、2b22、2b32、2b42分别取自S1、S2、S6、S10、S14这五种扰动多分辨率双曲S变换的基频幅值曲线,每一种扰动选取50条。这五种扰动多分辨率双曲S变换的基频幅值曲线具有相同特征,即基频幅值曲线的幅值出现先下降再上升,呈现下凹的形状,其中S1和S2基频幅值曲线下凹的程度不同。
2b13、2b23、2b33、2b43分别取自S3、S7、S11、S15这四种扰动多分辨率双曲S变换的基频幅值曲线,每一种扰动选取50条。这四种扰动多分辨率双曲S变换的基频幅值曲线具有相同特征,即基频幅值曲线的幅值出现先上升再下降,呈现上凸的形状。
2b14、2b24、2b34、2b44分别取自S4、S8、S12、S16这四种扰动多分辨率双曲S变换的基频幅值曲线,每一种扰动选取50条。这四种扰动多分辨率双曲S变换的基频幅值曲线具有相同特征,即基频幅值曲线的幅值出现先周期性变换,呈现波浪的形状。
步骤102具体包括:
利用变电站中的电压、电流互感器及二次设备对相关扰动信号进行在线采集和记录。
步骤103具体包括:
对采集到的扰动信号进行S变换时,将频率分为三部分进行S变换,具体如下:
对所述待识别扰动信号进行低频部分的多分辨率双曲S变换;
对所述待识别扰动信号进行中频部分的多分辨率双曲S变换;
对所述待识别扰动信号进行高频部分的多分辨率双曲S变换;
多分辨率双曲S变换的方法由公式(1)和公式(2)确定:
令τ→jT,双曲S变换的离散表达式如下:
当n≠0时,
当n=0(相当于零频率)时,
式中j,m,n=0,1,...,N-1。GH(m,n)的离散化表达式:
N为进行双曲S变换的离散信号的点数;T采集信号相邻两点的时间,即采样周期;f为频率;t是时间;m用来实现在不同频率变换;参数τ用来控制时间轴上双曲窗口的位置。信号通过快速傅里叶变换得到加入参数m得到GH(m,n)为双曲窗口函数;GH(m,n)的离散化表达式由公式(3)求解,公式(3)中的变量X由公式(4)求解;决定了双曲窗口前半曲线的衰减度;决定了双曲窗口后半曲线的衰减度;λHY确定了双曲窗口的曲率。的增加会使双曲窗口的前后两半曲线衰减,从而改变了双曲窗口的形状。通过调整值的和,使窗宽随频率成反比变化的速度,达到调节时频精度的目的。
其中,低频部分S变换单元进行变换时,低频部分频率范围为1Hz≤fL≤100Hz,多分辨率双曲S变换离散表达式的nL的取值范围为NT≤nL≤100NT的参数为λHY=3,将上述所述参数代入公式(1)中,进行待识别信号低频部分的S变换。
中频部分S变换单元进行变换时,中频部分频率范围为101Hz≤fM≤900Hz,多分辨率双曲S变换离散表达式的nM的取值范围为101NT≤nM≤900NT的参数为λHY=16,将上述所述参数代入公式(1)中,进行待识别信号中频部分的S变换。
高频部分S变换单元进行变换时,高频部分频率范围为901Hz≤fH≤1300Hz,离散表达式的nH的取值范围为901NT≤nH≤1300NT的参数为λHY=32,将上述所述参数代入公式(1)中,进行待识别信号高频部分的S变换。
最后,多分辨率双曲S变换的结果为复数矩阵,对矩阵每一个元素取模得到多分辨率双曲S变换的模矩阵。模矩阵列表示采样时间,行表示频率。
步骤104,具体包括:
选取基频幅值曲线,所述基频幅值曲线为多分辨率双曲S变换模矩阵频率为50Hz处的行向量;
选取频率幅值部分曲线,所述频率幅值部分曲线为多分辨率S变换模矩阵每行的最大值,并在频率幅值曲线的基础上选取大于100Hz的范围。
步骤105,具体包括:
对离散弗雷歇距离算法进行改进,得到改进的离散弗雷歇距离算法;
采用改进离散弗雷歇距离算法计算所述待识别扰动信号的频率幅值部分曲线与各所述频域数据库中的频率幅值部分曲线的距离,确定频域数据库中距离最小的频率幅值部分曲线;
确定距离最小的频率幅值部分曲线所隶属的频域数据库,得到隶属频域数据库;
采用改进离散弗雷歇距离算法计算所述待识别扰动信号的基频幅值曲线与所述隶属频域数据库对应的时域数据库中的基频幅值曲线的距离,确定时域数据库中距离最小的基频幅值曲线;
将距离最小的基频幅值曲线的类别确定为所述待识别扰动信号的类别。
所述对离散弗雷歇距离算法进行改进,得到改进的离散弗雷歇距离算法,具体包括:
首先离散弗雷歇距离的定义为:
给定一个有C个至高点(或者至低点)的多边形链Q=<q1,q2,...,ql>,一个沿着Q的h步,把Q的至高点(或者至低点)分割成h个不相交的非空子集{qi}i=1...k(1≤h≤l),使得Q=<q1,q2,...,ql>和0=l0<l1<...<lk=l。
A、B表示给定的两个多边形链,其中A=<a1,...,ae>,B=<b1,,...br>,一个沿着A和B的组合步是一个沿着A的h步{Ai}i=1...h和一个沿着B的h步{Bi}i=1...h组成,使得对于1≤i≤h,要么|Ai|=1,要么|Bi|=1。
确定离散弗雷歇距离算法,算法有由公式(5)和(6)确定:
A为被识别扰动信号,B为时频数据数据库中相对应的扰动曲线,公式(5)表示一个沿着A和B的组合步W={(Ai,Bi)}的花费,公式(6)表示A和B之间的离散的弗雷歇距离,由公式(5)求解其最小值得到公式(6)。
改进离散弗雷歇距离:
由于离散弗雷歇距离的多链A和B的对应关系只需满足:要么|Ai|=1,要么|Bi|=1,其中|Ai|表示Ai中包含制高点的个数,|Bi|表示Bi中包含制高点的个数,ψ为限制Ai和Bi中包含制高点的个数,这就存在大量不必要的对应关系,增加了计算时间,针对这一问题,本发明提出了限定条件(以下条件只需满足其一):
①ψ>|Bi|>|Ai|=1,常数ψ满足C>ψ>1
②ψ>|Ai|>|Bi|=1,常数ψ满足C>ψ>1
③|Bi|=|Ai|=1
隶属度单元,具体包括:
根据隶属度的查询对应的扰动信号:
通过互感器测得的信号Y经过多分辨率双曲S变换得到频率幅值部分曲线,通过改进离散弗雷歇距离与频域数据库(1B)的每条曲线进行对比,计算出最小的dH(A,B)并找出对应的曲线以及对应的部分(1b1、1b2、1b3、1b4)。根据隶属度原则,信号Y属于这四种1b1、1b2、1b3、1b4的某一种。如果Y属于1b1,则把信号Y经过多分辨率双曲S变换得到基频幅值曲线与时域数据库2B1进行比对;如果Y属于1b2,则把信号Y经过多分辨率双曲S变换得到基频幅值曲线与时域数据库2B2进行比对;如果Y属于1b3,则把信号Y经过多分辨率双曲S变换得到基频幅值曲线与时域数据库2B3进行比对;如果Y属于1b4,则把信号Y经过多分辨率双曲S变换得到基频幅值曲线与时域数据库2B4进行比对;最终得到属于2b11、2b12、2b13、2b14、2b21、2b22、2b23、2b24、2b31、2b32、2b33、2b34、2b41、2b42、2b43、2b44中的某一类,则信号Y为S1、S2、S3、S4、S5、S6、S7、S8、S9、S10、S11、S12、S13、S14、S15、S16中对应的扰动。
本发明提供的一种基于时频数据库在线电能质量扰动识别方法,根据各类扰动信号特征曲线建立树状结构的时频数据库,所述树状结构的父节点为频域数据库,所述树状结构的子节点为时域数据库,所述频域数据库中存储有所述扰动信号特征曲线的频率幅值部分曲线,所述时域数据库中存储有所述扰动信号特征曲线的基频幅值曲线;采集待识别电能的质量扰动信号;对待识别扰动信号进行多分辨率双曲线S变换;根据经过多分辨率双曲线S变换后的所述待识别扰动信号,确定所述待识别扰动信号的特征曲线;将所述待识别扰动信号的特征曲线与所述特征曲线数据库中的特征曲线对比,确定所述待识别扰动信号的特征曲线的类别,而且对扰动信号的识别率高达99.3%以上。
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,电能质量扰动原始数据的产生采用按照数学模型仿真生成不同类型电能质量信号,分别随机生成种扰动信号各150组,信号采样频率为3.2kHz,并在所有信号中加入30dB信噪比的高斯白噪声,然后对原始数据进行多分辨率双曲S变换,提取分类所需特征曲线,时频数据库建立,改进离散弗雷歇距离的隶属度查询方法,使用仿真信号验证本发明的有效性,本发明利用软件仿真生成信噪比为30dB的仿真信号,验证本发明的有效性,结果证明对扰动信号的识别率高达99.3%以上。
图2为本发明提供的基于时频数据库在线电能质量扰动识别系统的结构示意图,如图2所示,本发明提供的一种基于时频数据库在线电能质量扰动识别系统步骤具体如下:
树状时频数据库模块201,用于根据各类扰动信号特征曲线建立树状结构的时频数据库,所述树状结构的父节点为频域数据库,所述树状结构的子节点为时域数据库,所述频域数据库中存储有所述扰动信号特征曲线的频率幅值部分曲线,所述时域数据库中存储有所述扰动信号特征曲线的基频幅值曲线;
信号采集模块202,用于采集待识别电能的质量扰动信号;
S变换模块203,用于对待识别扰动信号进行多分辨率双曲线S变换;
特征曲线提取模块204,用于根据经过多分辨率双曲线S变换后的所述待识别扰动信号,确定所述待识别扰动信号的特征曲线;
类别识别模块205,用于根据经过多分辨率双曲线S变换后的所述待识别扰动信号,确定所述待识别扰动信号的特征曲线。
其中,树状时频数据库模块201具体包括:所述频域数据库501包括第一频域数据库、第二频域数据库、第三频域数据库和第四频域数据库,所述第一频域数据库包括由扰动信号S1、S2、S3、S4各生成多条频率幅值部分曲线,所述第二频域数据库包括由扰动信号S5、S6、S7、S8各生成多条频率幅值部分曲线,所述第三频域数据库包括由扰动信号S9、S10、S11、S12各生成多条频率幅值部分曲线,所述第四频域数据库包括由扰动信号S13、S14、S15、S16各生成多条频率幅值部分曲线,所述时域数据库包括第一时域数据库502、第二时域数据库503、第三时域数据库504和第四时域数据库505,所述第一时域数据库502包括由扰动信号S1、S2、S3、S4各生成多条基频幅值曲线,所述第二时域数据库503包括由扰动信号S5、S6、S7、S8各生成多条基频幅值曲线,所述第三时域数据库504包括由扰动信号S9、S10、S11、S12各生成多条基频幅值曲线,所述第四时域数据库505包括由扰动信号S13、S14、S15、S16各生成多条基频幅值曲线,所述S1、S2、S3、S4、S5、S6、S7、S8、S9、S10、S11、S12、S13、S14、S15和S16为16种扰动信号。
针对所涉及的16种扰动设计时频数据库,分别为电压中断S1、电压暂降S2、电压暂升S3、闪变S4、谐波S5、暂降含谐波S6、暂升含谐S7、闪变含谐波S8、暂态振荡S9、暂降含暂态振荡S10、暂升含暂态振荡S11、闪变含暂态振荡S12、暂态振荡含谐波S13、暂态振荡含谐波与电压暂降S14、暂态振荡含谐波与电压暂升S15、暂态振荡含谐波与闪变S16。频域数据库501为频率幅值部分曲线,它由四部分组成,分别为第一频域数据库1b1、第二频域数据库1b2、第三频域数据库1b3和第四频域数据库1b4。时域数据库为基频幅值曲线,它由四个平级的子数据库组成,分别为第一时域数据库502、第二时域数据库503、第三时域数据库504和第四时域数据库505。第一时域数据库502由四部分组成,分别为2b11、2b12、2b13和2b14;第二时域数据库503由四部分组成,分别为2b21、2b22、2b23、2b24;第三时域数据库504由四部分组成,分别为2b31、2b32、2b33、2b34;第四时域数据库505由四部分组成,分别为2b41、2b42、2b43、2b44。数据库各部分解释如下:
1b1:S1、S2、S3、S4这四种扰动多分辨率双曲S变换的频率幅值部分曲线具有相同特征,即曲线水平平滑且曲线幅值接近于零。各取S1、S2、S3、S4这四种扰动多分辨率S变换的频率幅值部分曲线50条组成200条波形数据,即为1b1。
1b2:S5、S6、S7、S8这四种扰动多分辨率双曲S变换的频率幅值部分曲线具有相同特征,即曲线在中频部分(100Hz到900Hz)出现多个尖峰,其它部分水平平滑且曲线幅值接近于零。在随机的条件下,各取S5、S6、S7、S8这四种扰动多分辨率S变换的频率幅值部分曲线50条组成200条波形数据,即为1b2。
1b3:S9、S10、S11、S12这四种扰动多分辨率双曲S变换的频率幅值部分曲线具有相同特征,即曲线在高频部分(900Hz以上)出现一个缓慢上升的波峰,其它部分水平平滑且曲线幅值接近于零。各取S9、S10、S11、S12这四种扰动多分辨率S变换的频率幅值部分曲线50条组成200条波形数据,即为1b3。
1b4:S13、S14、S15、S16这四种扰动多分辨率双曲S变换的频率幅值部分曲线具有相同特征,即曲线在中频部分(100Hz到900Hz)出现多个尖峰并且曲线在高频部分(900Hz以上)出现一个缓慢上升的波峰,其它部分水平平滑且曲线幅值接近于零。各取S13、S14、S15、S16这四种扰动多分辨率双曲S变换的频率幅值部分曲线50条组成200条波形数据,即为1b4。
2b21、2b31、2b41分别取自S5、S9、S13这三种扰动多分辨率双曲S变换的基频幅值曲线,每一种扰动选取50条。这三种扰动多分辨率双曲S变换的基频幅值曲线具有相同特征,即基频幅值曲线的幅值基本不变,呈现水平直线形状。
2b11、2b12、2b22、2b32、2b42分别取自S1、S2、S6、S10、S14这五种扰动多分辨率双曲S变换的基频幅值曲线,每一种扰动选取50条。这五种扰动多分辨率双曲S变换的基频幅值曲线具有相同特征,即基频幅值曲线的幅值出现先下降再上升,呈现下凹的形状,其中S1和S2基频幅值曲线下凹的程度不同。
2b13、2b23、2b33、2b43分别取自S3、S7、S11、S15这四种扰动多分辨率双曲S变换的基频幅值曲线,每一种扰动选取50条。这四种扰动多分辨率双曲S变换的基频幅值曲线具有相同特征,即基频幅值曲线的幅值出现先上升再下降,呈现上凸的形状。
2b14、2b24、2b34、2b44分别取自S4、S8、S12、S16这四种扰动多分辨率双曲S变换的基频幅值曲线,每一种扰动选取50条。这四种扰动多分辨率双曲S变换的基频幅值曲线具有相同特征,即基频幅值曲线的幅值出现先周期性变换,呈现波浪的形状。
S变换模块203具体包括:
低频部分S变换单元,用于对所述待识别扰动信号进行低频部分的多分辨率双曲S变换;
中频部分S变换单元,用于对所述待识别扰动信号进行中频部分的多分辨率双曲S变换;
高频部分S变换单元,用于对所述待识别扰动信号进行高频部分的多分辨率双曲S变换。
多分辨率双曲S变换的方法由公式(1)、(2)、(3)和(4)确定:
令τ→jT,双曲S变换的离散表达式如下:
当n≠0时,
当n=0(相当于零频率)时,
式中j,m,n=0,1,...,N-1。GH(m,n)的离散化表达式:
N为进行双曲S变换的离散信号的点数;T采集信号相邻两点的时间,即采样周期;f为频率;t是时间;m用来实现在不同频率变换;参数τ用来控制时间轴上双曲窗口的位置。信号通过快速傅里叶变换得到加入参数m得到GH(m,n)为双曲窗口函数;GH(m,n)的离散化表达式由公式(3)求解,公式(3)中的变量X由公式(4)求解;决定了双曲窗口前半曲线的衰减度;决定了双曲窗口后半曲线的衰减度;λHY确定了双曲窗口的曲率。的增加会使双曲窗口的前后两半曲线衰减,从而改变了双曲窗口的形状。通过调整值的和,使窗宽随频率成反比变化的速度,达到调节时频精度的目的。
其中,低频部分S变换单元进行变换时,低频部分频率范围为1Hz≤fL≤100Hz,多分辨率双曲S变换离散表达式的nL的取值范围为NT≤nL≤100NT的参数为λHY=3,将上述所述参数代入公式(1)中,进行待识别信号低频部分的S变换。
中频部分S变换单元进行变换时,中频部分频率范围为101Hz≤fM≤900Hz,多分辨率双曲S变换离散表达式的nM的取值范围为101NT≤nM≤900NT的参数为λHY=16,将上述所述参数代入公式(1)中,进行待识别信号中频部分的S变换。
高频部分S变换单元进行变换时,高频部分频率范围为901Hz≤fH≤1300Hz,离散表达式的nH的取值范围为901NT≤nH≤1300NT的参数为λHY=32,将上述所述参数代入公式(1)中,进行待识别信号高频部分的S变换。
最后,多分辨率双曲S变换的结果为复数矩阵,对矩阵每一个元素取模得到多分辨率双曲S变换的模矩阵。模矩阵列表示采样时间,行表示频率。
特征曲线提取模块204,具体包括:
基频幅值曲线选取单元,用于选取基频幅值曲线,所述基频幅值曲线为多分辨率双曲S变换模矩阵频率为50Hz处的行向量;
频率幅值部分曲线选取单元,用于选取频率幅值部分曲线,所述频率幅值部分曲线为多分辨率S变换模矩阵每行的最大值,并在频率幅值曲线的基础上选取大于100Hz的范围。
类别识别模块205,具体包括:
离散弗雷歇距离算法改进单元,用于对离散弗雷歇距离算法进行改进,得到改进的离散弗雷歇距离算法;
确定距离最小的频率部分幅值曲线单元,用于采用改进离散弗雷歇距离算法计算所述待识别扰动信号的频率幅值部分曲线与各所述频域数据库中的频率幅值部分曲线的距离,确定频域数据库中距离最小的频率幅值部分曲线;
隶属度单元,用于确定距离最小的频率幅值曲线频率幅值曲线所隶属的频域数据库,得到隶属频域数据库;
确定距离最小的基频幅值曲线单元,用于采用改进离散弗雷歇距离算法计算所述待识别扰动信号的基频幅值曲线与所述隶属频域数据库对应的时域数据库中的基频幅值曲线的距离,确定时域数据库中距离最小的基频幅值曲线;
识别单元,用于将距离最小的基频幅值曲线的类别确定为所述待识别扰动信号的类别。
离散弗雷歇距离算法改进单元,具体包括:
首先离散弗雷歇距离的定义为:
给定一个有C个至高点(或者至低点)的多边形链Q=<q1,q2,...,ql>,一个沿着Q的h步,把Q的至高点(或者至低点)分割成h个不相交的非空子集{qi}i=1...k(1≤h≤l),使得Q=<q1,q2,...,ql>和0=l0<l1<...<lk=l。
A、B表示给定的两个多边形链,其中A=<a1,...,ae>,B=<b1,,...br>,一个沿着A和B的组合步是一个沿着A的h步{Ai}i=1...h和一个沿着B的h步{Bi}i=1...h组成,使得对于1≤i≤h,要么|Ai|=1,要么|Bi|=1。
确定离散弗雷歇距离算法,算法有由公式(5)和(6)确定:
A为被识别扰动信号,B为时频数据数据库中相对应的扰动曲线,公式(5)表示一个沿着A和B的组合步W={(Ai,Bi)}的花费,公式(6)表示A和B之间的离散的弗雷歇距离,由公式(5)求解其最小值得到公式(6)。
改进离散弗雷歇距离:
由于离散弗雷歇距离的多链A和B的对应关系只需满足:要么|Ai|=1,要么|Bi|=1,其中|Ai|表示Ai中包含制高点的个数,|Bi|表示Bi中包含制高点的个数,c为限制Ai和Bi中包含制高点的个数,这就存在大量不必要的对应关系,增加了计算时间,针对这一问题,本发明提出了限定条件(以下条件只需满足其一):
①ψ>|Bi|>|Ai|=1,常数ψ满足h>ψ>1
②ψ>|Ai|>|Bi|=1,常数ψ满足h>ψ>1
③|Bi|=|Ai|=1
隶属度单元,具体包括:
根据隶属度的查询对应的扰动信号:
通过互感器测得的信号Y经过多分辨率双曲S变换得到频率幅值部分曲线,通过改进离散弗雷歇距离与频域数据库(1B)的每条曲线进行对比,计算出最小的dH(A,B)并找出对应的曲线以及对应的部分(1b1、1b2、1b3、1b4)。根据隶属度原则,信号Y属于这四种1b1、1b2、1b3、1b4的某一种。如果Y属于1b1,则把信号Y经过多分辨率双曲S变换得到基频幅值曲线与时域数据库2B1进行比对;如果Y属于1b2,则把信号Y经过多分辨率双曲S变换得到基频幅值曲线与时域数据库2B2进行比对;如果Y属于1b3,则把信号Y经过多分辨率双曲S变换得到基频幅值曲线与时域数据库2B3进行比对;如果Y属于1b4,则把信号Y经过多分辨率双曲S变换得到基频幅值曲线与时域数据库2B4进行比对;最终得到属于2b11、2b12、2b13、2b14、2b21、2b22、2b23、2b24、2b31、2b32、2b33、2b34、2b41、2b42、2b43、2b44中的某一类,则信号Y为S1、S2、S3、S4、S5、S6、S7、S8、S9、S10、S11、S12、S13、S14、S15、S16中对应的扰动。
图3为本发明实施例基于时频数据库在线电能质量扰动识别方法和系统的流程图,如图3所示:
开始301,时频数据库在线电能质量扰动识别系统开始工作;
采集待识别电能的质量扰动信号302,利用变电站中的电压、电流互感器及二次设备对相关扰动信号进行在线采集和记录;
多分辨率双曲S变换303,对待识别扰动信号进行多分辨率双曲线S变换;
提取特征曲线304,根据经过多分辨率双曲线S变换后的所述待识别扰动信号,通过选取基频幅值曲线和频率幅值部分曲线这两条特征曲线,确定所述待识别扰动信号的特征曲线;
改进离散弗雷歇距离查询树树状波形子数据库进行分类识别305,将所述待识别扰动信号的特征曲线与所述特征曲线数据库中的特征曲线对比,确定所述待识别扰动信号的特征曲线的类别;
结束306,表示扰动识别系统停止工作。
图4为本发明实施例16种扰动信号的特征曲线图,如图4所示,电压中断S1经过多分辨率双曲S变换后的特征曲线为S1基频幅值曲线1和S1频率幅值部分曲线2;电压暂降S2经过多分辨率双曲S变换后的特征曲线为S2基频幅值曲线3和S2频率幅值部分曲线4;电压暂升S3经过多分辨率双曲S变换后的特征曲线为S3基频幅值曲线5和S3频率幅值部分曲线6;闪变S4经过多分辨率双曲S变换后的特征曲线为S4基频幅值曲线7和S4频率幅值部分曲线8;谐波S5经过多分辨率双曲S变换后的特征曲线为S5基频幅值曲线9和S5频率幅值部分曲线10;暂降含谐波S6经过多分辨率双曲S变换后的特征曲线为S6基频幅值曲线11和S6频率幅值部分曲线12;暂升含谐S7经过多分辨率双曲S变换后的特征曲线为S7基频幅值曲线13和S7频率幅值部分曲线14;闪变含谐波S8经过多分辨率双曲S变换后的特征曲线为S8基频幅值曲线15和S8频率幅值部分曲线16;暂态振荡S9经过多分辨率双曲S变换后的特征曲线为S9基频幅值曲线17和S9频率幅值部分曲线18;暂降含暂态振荡S10经过多分辨率双曲S变换后的特征曲线为S10基频幅值曲线19和S10频率幅值部分曲线20;暂升含暂态振荡S11经过多分辨率双曲S变换后的特征曲线为S11基频幅值曲线21和S11频率幅值部分曲线22;闪变含暂态振荡S12经过多分辨率双曲S变换后的特征曲线为S12基频幅值曲线23和S12频率幅值部分曲线24;暂态振荡含谐波S13经过多分辨率双曲S变换后的特征曲线为S13基频幅值曲线25和S13频率幅值部分曲线26;暂态振荡含谐波与电压暂降S14经过多分辨率双曲S变换后的特征曲线为S14基频幅值曲线27和S14频率幅值部分曲线28;暂态振荡含谐波与电压暂升S15经过多分辨率双曲S变换后的特征曲线为S15基频幅值曲线29和S15频率幅值部分曲线30;暂态振荡含谐波与闪变S16经过多分辨率双曲S变换后的特征曲线为S16基频幅值曲线31和S16频率幅值部分曲线32。
图5为本发明实施例树状时频数据图,如图5所示,频域数据库501为频率幅值部分曲线,它由四部分组成,分别为第一频域数据库1b1、第二频域数据库1b2、第三频域数据库1b3和第四频域数据库1b4。时域数据库为基频幅值曲线,它由四个平级的子数据库组成,分别为第一时域数据库502、第二时域数据库503、第三时域数据库504和第四时域数据库505。第一时域数据库502由四部分组成,分别为2b11、2b12、2b13和2b14;第二时域数据库503由四部分组成,分别为2b21、2b22、2b23、2b24;第三时域数据库504由四部分组成,分别为2b31、2b32、2b33、2b34;第四时域数据库505由四部分组成,分别为2b41、2b42、2b43、2b44。
图6为本发明实施例树状时频数据库查询流程图,如图6所示,
首先得到波形数据601;
查询频域数据库1B得出分类类别602,得到被识别扰动信号属于1b1、1b2、1b3和1b4某一类别;
根据602查询对应的时域数据库2B1得出分类类别603或时域数据库2B2得出分类类别604或时域数据库2B3得出分类类别605或时域数据库2B4得出分类类别606;
最终得到属于2b11、2b12、2b13、2b14、2b21、2b22、2b23、2b24、2b31、2b32、2b33、2b34、2b41、2b42、2b43、2b44中的某一类,则被识别扰动信号为S1、S2、S3、S4、S5、S6、S7、S8、S9、S10、S11、S12、S13、S14、S15、S16中对应的扰动。
本发明提供的一种基于时频数据库在线电能质量扰动识别系统,根据各类扰动信号特征曲线建立树状结构的时频数据库,所述树状结构的父节点为频域数据库,所述树状结构的子节点为时域数据库,所述频域数据库中存储有所述扰动信号特征曲线的频率幅值部分曲线,所述时域数据库中存储有所述扰动信号特征曲线的基频幅值曲线;采集待识别电能的质量扰动信号;对待识别扰动信号进行多分辨率双曲线S变换;根据经过多分辨率双曲线S变换后的所述待识别扰动信号,确定所述待识别扰动信号的特征曲线;将所述待识别扰动信号的特征曲线与所述特征曲线数据库中的特征曲线对比,确定所述待识别扰动信号的特征曲线的类别,而且对扰动信号的识别率高达99.3%以上。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于时频数据库在线电能质量扰动识别方法,其特征在于,所述方法包括:
根据各类扰动信号特征曲线建立树状结构的时频数据库,所述树状结构的父节点为频域数据库,所述树状结构的子节点为时域数据库,所述频域数据库中存储有所述扰动信号特征曲线的频率幅值部分曲线,所述时域数据库中存储有所述扰动信号特征曲线的基频幅值曲线;
采集待识别电能的质量扰动信号;
对待识别扰动信号进行多分辨率双曲线S变换;
根据经过多分辨率双曲线S变换后的所述待识别扰动信号,确定所述待识别扰动信号的特征曲线;
将所述待识别扰动信号的特征曲线与所述特征曲线数据库中的特征曲线对比,确定所述待识别扰动信号的特征曲线的类别。
2.根据权利要求1所述的基于时频数据库在线电能质量扰动识别方法,其特征在于,所述频域数据库包括第一频域数据库、第二频域数据库、第三频域数据库和第四频域数据库,所述第一频域数据库包括由扰动信号S1、S2、S3、S4各随机生成的多条频率幅值部分曲线,所述第二频域数据库包括由扰动信号S5、S6、S7、S8各生成多条频率幅值部分曲线,所述第三频域数据库包括由扰动信号S9、S10、S11、S12各生成多条频率幅值部分曲线,所述第四频域数据库包括由扰动信号S13、S14、S15、S16各生成多条频率幅值部分曲线,所述时域数据库包括第一时域数据库、第二时域数据库、第三时域数据库和第四时域数据库,所述第一时域数据库包括由扰动信号S1、S2、S3、S4各生成多条基频幅值曲线,所述第二时域数据库包括由扰动信号S5、S6、S7、S8各生成多条基频幅值曲线,所述第三时域数据库包括由扰动信号S9、S10、S11、S12各生成多条基频幅值曲线,所述第四时域数据库包括由扰动信号S13、S14、S15、S16各生成多条基频幅值曲线,所述S1、S2、S3、S4、S5、S6、S7、S8、S9、S10、S11、S12、S13、S14、S15和S16为16种扰动信号。
3.根据权利要求1所述的基于时频数据库在线电能质量扰动识别方法,其特征在于,所述将所述待识别扰动信号的特征曲线与所述特征曲线数据库中的特征曲线对比,确定所述待识别扰动信号的特征曲线的类别,具体包括:
对离散弗雷歇距离算法进行改进,得到改进的离散弗雷歇距离算法;
采用改进离散弗雷歇距离算法计算所述待识别扰动信号的特征曲线与各所述频域数据库中的频率幅值部分曲线的距离,确定频域数据库中距离最小的频率幅值部分曲线;
确定距离最小的频率幅值部分所隶属的频域数据库,得到隶属频域数据库;
采用改进离散弗雷歇距离算法计算所述待识别扰动信号的基频幅值曲线与所述隶属频域数据库对应的时域数据库中的基频幅值曲线的距离,确定时域数据库中距离最小的基频幅值曲线;
将距离最小的基频幅值曲线的类别确定为所述待识别扰动信号的类别。
4.根据权利要求1所述的基于时频数据库在线电能质量扰动识别方法,其特征在于,所述对待识别扰动信号进行多分辨率双曲线S变换,具体包括:
对所述待识别扰动信号进行低频部分的多分辨率双曲S变换;
对所述待识别扰动信号进行中频部分的多分辨率双曲S变换;
对所述待识别扰动信号进行高频部分的多分辨率双曲S变换。
5.根据权利要求1所述的基于时频数据库在线电能质量扰动识别方法,其特征在于,确定所述待识别扰动信号的特征曲线,具体包括:
选取基频幅值曲线,所述基频幅值曲线为多分辨率双曲S变换模矩阵频率为50Hz处的行向量;
选取频率幅值部分曲线,所述频率幅值部分曲线为多分辨率S变换模矩阵每行的最大值,并在频率幅值曲线的基础上选取大于100Hz的范围。
6.一种基于时频数据库在线电能质量扰动识别系统,其特征在于,所述系统包括:
树状时频数据库模块,用于根据各类扰动信号特征曲线建立树状结构的时频线数据库,所述树状结构的父节点为频域数据库,所述树状结构的子节点为时域数据库,所述频域数据库中存储有所述扰动信号特征曲线的频率幅值部分曲线,所述时域数据库中存储有所述扰动信号特征曲线的基频幅值曲线;
信号采集模块,用于采集待识别电能的质量扰动信号;
S变换模块,用于对待识别扰动信号进行多分辨率双曲线S变换;
特征曲线提取模块,用于根据经过多分辨率双曲线S变换后的所述待识别扰动信号,确定所述待识别扰动信号的特征曲线;
类别识别模块,用于将所述待识别扰动信号的特征曲线与所述特征曲线数据库中的特征曲线对比,确定所述待识别扰动信号的特征曲线的类别。
7.根据权利要求6所述的基于时频数据库在线电能质量扰动识别系统,其特征在于,所述类别识别模块,具体包括:
离散弗雷歇距离算法改进单元,用于对离散弗雷歇距离算法进行改进,得到改进的离散弗雷歇距离算法;
确定距离最小的频率幅值部分曲线单元,用于采用改进离散弗雷歇距离算法计算所述待识别扰动信号的特征曲线与各所述频域数据库中的频率幅值部分曲线的距离,确定距离最小的频率幅值部分曲线;
隶属度单元,用于确定距离最小的频率幅值部分曲线所隶属的频域数据库,得到隶属频域数据库;
确定距离最小的基频幅值曲线单元,用于采用改进离散弗雷歇距离算法计算所述待识别扰动信号的基频幅值曲线与所述隶属频域数据库对应的时域数据库中的基频幅值曲线的距离,确定时域数据库中距离最小的基频幅值曲线;
识别单元,用于将距离最小的基频幅值曲线的类别确定为所述待识别扰动信号的类别。
8.根据权利要求6所述的基于时频数据库在线电能质量扰动识别系统,其特征在于,所述S变换模块,具体包括:
低频部分S变换单元,用于对所述待识别扰动信号进行低频部分的多分辨率双曲S变换;
中频部分S变换单元,用于对所述待识别扰动信号进行中频部分的多分辨率双曲S变换;
高频部分S变换单元,用于对所述待识别扰动信号进行高频部分的多分辨率双曲S变换。
9.根据权利要求6所述的基于时频数据库在线电能质量扰动识别系统,其特征在于,特征曲线提取模块,具体包括:
基频幅值曲线选取单元,用于选取基频幅值曲线,所述基频幅值曲线为多分辨率双曲S变换模矩阵频率为50Hz处的行向量;
频率幅值部分曲线选取单元,用于选取频率幅值部分曲线,所述频率幅值部分曲线为多分辨率S变换模矩阵每行的最大值,并在频率幅值曲线的基础上选取大于100Hz的范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810776012.1A CN108919008B (zh) | 2018-07-16 | 2018-07-16 | 一种基于时频数据库在线电能质量扰动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810776012.1A CN108919008B (zh) | 2018-07-16 | 2018-07-16 | 一种基于时频数据库在线电能质量扰动识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108919008A true CN108919008A (zh) | 2018-11-30 |
CN108919008B CN108919008B (zh) | 2021-02-19 |
Family
ID=64411781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810776012.1A Active CN108919008B (zh) | 2018-07-16 | 2018-07-16 | 一种基于时频数据库在线电能质量扰动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108919008B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111308234A (zh) * | 2019-12-09 | 2020-06-19 | 国网青海省电力公司 | 布莱克曼窗与窗宽比的s变换电能质量扰动特征提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308804A (zh) * | 2013-06-17 | 2013-09-18 | 湖南大学 | 基于快速k-s变换电能质量扰动信号时频参数提取方法 |
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 |
KR101352204B1 (ko) * | 2012-07-05 | 2014-01-16 | 성균관대학교산학협력단 | 배전 계통에서 발생하는 전력 품질 외란의 원인 판별 장치 및 방법 |
CN104459397A (zh) * | 2014-12-08 | 2015-03-25 | 东北电力大学 | 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 |
CN108267657A (zh) * | 2018-02-02 | 2018-07-10 | 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 |
-
2018
- 2018-07-16 CN CN201810776012.1A patent/CN108919008B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101352204B1 (ko) * | 2012-07-05 | 2014-01-16 | 성균관대학교산학협력단 | 배전 계통에서 발생하는 전력 품질 외란의 원인 판별 장치 및 방법 |
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 |
CN103308804A (zh) * | 2013-06-17 | 2013-09-18 | 湖南大学 | 基于快速k-s变换电能质量扰动信号时频参数提取方法 |
CN104459397A (zh) * | 2014-12-08 | 2015-03-25 | 东北电力大学 | 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 |
CN108267657A (zh) * | 2018-02-02 | 2018-07-10 | 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 |
Non-Patent Citations (2)
Title |
---|
HUANG,NT等: "Feature Selection of Power Quality Disturbance Signals with an Entropy-Importance-Based Random Forest", 《ENTROPY》 * |
黄南天等: "采用改进多分辨率快速S变换的电能质量扰动识别", 《电网技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111308234A (zh) * | 2019-12-09 | 2020-06-19 | 国网青海省电力公司 | 布莱克曼窗与窗宽比的s变换电能质量扰动特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108919008B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Manikandan et al. | Detection and classification of power quality disturbances using sparse signal decomposition on hybrid dictionaries | |
Cai et al. | Classification of power quality disturbances using Wigner-Ville distribution and deep convolutional neural networks | |
CN105004939B (zh) | 一种复合电能质量扰动信号定量分析方法 | |
Yadav et al. | Real-time event classification in power system with renewables using kernel density estimation and deep neural network | |
Rezaeian et al. | Generator coherency and network partitioning for dynamic equivalencing using subtractive clustering algorithm | |
CN109117832A (zh) | 高阶同步提取变换信号时频分析方法 | |
Gao et al. | Depth-focused waveform based on SHEPWM method for ground-airborne frequency-domain electromagnetic survey | |
CN109214469B (zh) | 一种基于非负张量分解的多源信号分离方法 | |
CN108414833A (zh) | 一种信号分量频率的精确估计方法 | |
CN108919008A (zh) | 一种基于时频数据库在线电能质量扰动识别方法及系统 | |
Ma et al. | An intelligent classification framework for complex PQDs using optimized KS-transform and multiple fusion CNN | |
CN112394223B (zh) | 一种信号分量频率和初相位的联合估计方法 | |
CN106651150A (zh) | 一种评估电网谐波影响的方法及装置 | |
Wooi et al. | Comparison of lightning return stroke channel-base current models with measured lightning current | |
Javor et al. | Analytical representation of measured lightning currents and its application to electromagnetic field estimation | |
CN107765259A (zh) | 一种基于提升小波改进阈值的输电线路激光测距信号去噪算法 | |
Shin et al. | Signal processing-based direction finder for transient capacitor switching disturbances | |
CN104730384A (zh) | 基于不完全s变换的电能扰动识别与定位方法 | |
Wong et al. | Sub-harmonic state estimation in power systems | |
CN109100562B (zh) | 基于复值独立分量分析的电压闪变参数检测方法 | |
CN106598910A (zh) | 一种emd端点效应抑制方法及系统 | |
Ozgonenel et al. | Superiority of decision tree classifier on complicated cases for power system protection | |
Nanda | Kalman filters for parameter estimation of nonstationary signals | |
Yan et al. | Harmonic Detection in Electric Power System Using Wavelet Transform and Particle Swarm Optimization | |
Kankale et al. | Classification of power quality disturbances in emerging power system using s-transform and support vector machine |
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 |