CN109034277A - 基于多特征融合的电能质量扰动分类方法及系统 - Google Patents
基于多特征融合的电能质量扰动分类方法及系统 Download PDFInfo
- Publication number
- CN109034277A CN109034277A CN201811081656.5A CN201811081656A CN109034277A CN 109034277 A CN109034277 A CN 109034277A CN 201811081656 A CN201811081656 A CN 201811081656A CN 109034277 A CN109034277 A CN 109034277A
- Authority
- CN
- China
- Prior art keywords
- eigenvalue
- flickering
- divided
- power quality
- harmonic wave
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及一种基于多特征融合的电能质量扰动分类方法及系统,方法包括以下步骤:分别对归一化采样信号进行S变换、傅里叶变换和噪声强度检测,得到时频矩阵、基频信号和信号噪声强度;根据时频矩阵和基频信号进行时频特征提取,得到三个特征值;判断信号噪声强度是否大于信噪比阈值,若是,则根据三个特征值利用决策树法对电能质量扰动信号进行分类,否则根据三个特征值利用概率神经网络法对电能质量扰动信号进行分类;输出分类结果。本发明弥补了概率神经网络法和决策树法各自的缺点,抗噪声能力强,减少了信号的压缩处理及计算量,在保证了高噪声的情况下电能质量扰动分类结果不受影响的同时,提高了低噪声下电能质量扰动的分类效果和成功率。
Description
技术领域
本发明涉及电力自动化技术领域,特别是涉及一种基于多特征融合的电能质量扰动分类方法及系统。
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污染也日趋严重。同时,敏感电子设备则对电能质量提出了更高的要求。
对电能质量进行监测和分析是发现电能质量问题并进行治理和改善的前提条件,如何保证电能质量,如何识别电能质量扰动及如何对其进行快速精确的分类成为新的课题。传统的电能质量监测诊断方法是通过直接进行时域或者频域分析,将信号压缩处理后再行观察,但用传统检测方法存在以下问题:(1)虽然时域检测方法对单类扰动检测明显(尤其对电压暂态扰动),但它对稳态扰动例如谐波等扰动十分的不敏感,同样频域分析虽然对稳态扰动较为适宜,但暂态扰动却不那么敏感;(2)对于两类扰动叠加的情况时,单纯的时域或者频域分析方法难以准确分类,甚至会有误判的情况:(3)单纯时域变换会导致噪声无法得到有效处理,会加大噪声污染后的误判可能性,如果要增加外设处理噪声却又会增大产品的成本和体积;(4)频域变换只能反映信号的某个局部特征,较难反映整体特征。
发明内容
基于此,有必要针对传统的电能质量监测诊断方法存在的分类准确性低以及抗噪性差的问题,提供一种基于多特征融合的电能质量扰动分类方法及系统。
为解决上述问题,本发明采取如下的技术方案:
一种基于多特征融合的电能质量扰动分类方法,该方法包括以下步骤:
步骤一:在信号采样区域对电压信号进行提取后,得到采样信号,并对所述采样信号进行归一化处理,得到归一化采样信号;
步骤二:对所述归一化采样信号进行S变换,得到时频矩阵,通过时频矩阵得到时频图像;
步骤三:对所述归一化采样信号进行傅里叶变换,得到基频信号;
步骤四:对所述归一化采样信号进行噪声强度检测,得到信号噪声强度;
步骤五:通过观察不同扰动下的时频图像,并根据所述时频矩阵和所述基频信号进行时频特征提取,得到三个特征值,分别为第一特征值、第二特征值和第三特征值,所述第一特征值为所述时频矩阵的基频区域内行矩阵每列最大幅值中的最大值,所述第二特征值为所述时频矩阵的基频区域内行矩阵每列最大幅值中的最小值,所述第三特征值为所述时频矩阵的高频区域内行矩阵每列最大幅值曲线的最小值;
步骤六:判断所述信号噪声强度是否大于信噪比阈值,若是,则根据所述第一特征值、所述第二特征值和所述第三特征值利用决策树法对电能质量扰动信号进行分类;若否,则根据所述第一特征值、所述第二特征值和所述第三特征值利用概率神经网络法对电能质量扰动信号进行分类;
步骤七:输出分类结果。
相应地,本发明还提出一种基于多特征融合的电能质量扰动分类系统,该系统包括:
信号采集模块,用于在信号采样区域对电压信号进行提取后,得到采样信号,并对所述采样信号进行归一化处理,得到归一化采样信号;
S变换模块,用于对所述归一化采样信号进行S变换,得到时频矩阵,通过时频矩阵得到时频图像,并将所述时频矩阵传输给时频特征提取模块;
傅里叶变换模块,用于对所述归一化采样信号进行傅里叶变换,得到基频信号,并将所述基频信号传输给所述时频特征提取模块;
噪声强度检测模块,用于对所述归一化采样信号进行噪声强度检测,得到信号噪声强度,并将所述信号噪声强度传输给方法选择模块;
所述时频特征提取模块,用于通过观察不同扰动下的时频图像,并根据所述时频矩阵和所述基频信号进行时频特征提取,得到三个特征值,分别为第一特征值、第二特征值和第三特征值,所述第一特征值为所述时频矩阵的基频区域内行矩阵每列最大幅值中的最大值,所述第二特征值为所述时频矩阵的基频区域内行矩阵每列最大幅值中的最小值,所述第三特征值为所述时频矩阵的高频区域内行矩阵每列最大幅值曲线的最小值;
所述方法选择模块,用于判断所述信号噪声强度是否大于信噪比阈值,若是,则将所述第一特征值、所述第二特征值和所述第三特征值传输给决策树模块,所述决策树模块对电能质量扰动信号进行分类;若否,则将所述第一特征值、所述第二特征值和所述第三特征值传输给概率神经网络模块,所述概率神经网络模块对电能质量扰动信号进行分类;
分类结果输出模块,用于输出分类结果。
与现有技术相比,本发明所提出的一种基于多特征融合的电能质量扰动分类方法及系统具有以下有益效果:
(1)本发明通过S变换,能确定性地从电压信号中自动鉴别出谐波、间谐波、波动与闪变、欠电压、过电压、振荡暂态电压、电压的暂升、暂降、瞬时中断等电能质量扰动信号及它们的混合扰动信号,并能鉴别出它们发生的时间、评估出这些扰动信号的强度;
(2)同时,本发明采用S变换及神经网络分类方法,一方面通过时频分析的加窗特性加强了抗噪的能力,使得采集的信号免于噪声的危害,另一方面通过概率神经网络法和决策树法,加强了它的逻辑判断能力,相对于传统方法而言,提高了系统的抗噪性,也加强了系统的判断能力;
(3)本发明使用了S变换及概率神经网络,提高了分类准确性,尤其对于复合扰动来说,概率神经网络法和决策树法提高了分类的准确性;
(4)本发明适用于各种变电所和终端以及用电户的母线电压质量的自动监测等。
附图说明
图1为本发明其中一个实施例中方法的流程示意图;
图2为本发明其中一个具体实施方式中决策树法的示意图;
图3为本发明其中一个具体实施方式中概率神经网络法的示意图;
图4为本发明其中一个实施例中系统的结构示意图。
具体实施方式
本发明提供了一种基于多特征融合的电能质量扰动分类方法及系统,该方法及系统利用计算机有利的资源和强大的运算能力将传统的方法进行改良,设计出一种基于S变换及概率神经网络的电能质量扰动分类方法及系统,由于使用了S变换及概率神经网络,因此提高了其准确性,尤其对于复合扰动来说,概率神经网络和决策树法提高了分类的准确性。下面将结合附图及较佳实施例对本发明的技术方案进行详细描述。
在其中一个实施例中,如图1所示,本实施例公开一种基于多特征融合的电能质量扰动分类方法,该方法包括以下步骤一至步骤四。
步骤一-步骤四:在信号采样区域对电压信号进行提取后,得到采样信号,并对采样信号进行归一化处理,得到归一化采样信号。具体地,在信号采样区域对电压信号进行提取后,得到初始相位均为φ的采样信号,采样信号大小为u(t)=220sin(ωt+φ),将采样信号归一化处理后得到归一化采样信号u(t)=sin(ωt+φ);直接对归一化采样信号u(t)=sin(ωt+φ)进行S变换和傅里叶(FFT)变换,同时对其进行噪声强度检测,得到信号噪声强度,以信噪比阈值例如30DB作为分界线,为以后的准确分类打下基础,S变换得到时频矩阵,通过时频矩阵得到时频图像,FFT变换得到基频信号,为以后的特征提取打下基础。
步骤五:通过观察不同扰动下的时频图像,并根据S变换后的时频矩阵和基频信号进行时频特征提取,得到三个特征值,分别为第一特征值、第二特征值和第三特征值,第一特征值为S变换后的时频矩阵的基频区域内行矩阵每列最大幅值中的最大值,第二特征值为S变换后的时频矩阵的基频区域内行矩阵每列最大幅值中的最小值,第三特征值为S变换后的时频矩阵的高频区域内行矩阵每列最大幅值曲线的最小值。
通过S变换的方式,将时域信号变换得到时频矩阵,通过时频矩阵得到时频图像,我们将之前FFT变换后得到的频率区域视为S变换后的基频信号,频率高于基频区域的频率视为高频信号。
S变换后的基频区域,行矩阵每列最大幅值中的最大值作为第一特征值(T1),T1=max(max(A)),A为S变换后的时频矩阵,T1是基频电压的最大值,它反映了基频幅值的变化的情况,当T1>0.51时它应当属于闪变、电压暂升类还有一部分谐波和振荡的扰动。
S变换后的基频区域,行矩阵每列最大幅值中的最小值作为第二特征值(T2),T2=min(max(A)),A为S变换后的时频矩阵,T2是基频电压幅值中的最小幅值,它同样反映了基频幅值的变化的情况,当T2处于0.13到0.48之间时它应当属于暂降扰动一类,当T2小于0.13时,它应当属于中断扰动一类。
S变换后的高频区域,行矩阵每列最大幅值曲线的最小值作为第三特征值(T3),T3=max(A′),T3=min(T3),T3是信号在高频区域的最小值,它代表了高频幅值的变化情况,当T3大于0.01时应当属于暂态振荡扰动一类,这样用三个特征便可以将信号在低强度噪声的情况下进行分类,其中A′为S变换后时频矩阵的高频部分。
取得以上三个特征值以后,观察这三个特征值两两组合而成的平面散点,得到图像和分类之间的阈值,为之后的决策树分类打下基础,并根据特征值的散点图像建构决策树。
步骤六:判断信号噪声强度是否大于信噪比阈值,若是,则根据所述第一特征值、所述第二特征值和所述第三特征值利用决策树法对电能质量扰动信号进行分类;若否,则根据所述第一特征值、所述第二特征值和所述第三特征值利用概率神经网络(PNN)法对电能质量扰动信号进行分类。本步骤以信噪比阈值(例如信噪比阈值为30DB)作为分界线,信号噪声强度在30DB及以上为低噪声,信号噪声强度在30DB以下为高噪声,低噪声时使用决策树法对电能质量扰动信号进行分类,当噪声过高时,因为部分信号特征会由于噪声过高而越过阈值,决策树法无法使用,所以高噪声时使用PNN法对电能质量扰动信号进行分类。
步骤七:输出分类结果。最后将得到的分类结果进行输出和显示,以便于根据人为设定的方式(加入无功功率等方式)对电网扰动进行调平。
本实施例在使用了S变换后,抽取了十七个用于分类电能质量扰动信号的特征量(后经过选择用三个电能质量信号特征),并依据这三个特征量以及监测到的噪声大小给出了两种电能质量复合扰动自动分类方法。本实施例能确定性的从电压信号中检测到电压暂升振荡扰动、暂升谐波扰动、暂升闪变扰动、暂降振荡扰动、暂降谐波扰动以及暂降闪变扰动等等共十二种混合扰动信号,相对于传统的电能质量监测诊断方法,本实施例使用两种方法进行分类,弥补了概率神经网络法和决策树法各自的缺点,使得抗噪声能力强,减少了信号的压缩处理及计算量,在保证了高噪声的情况下电能质量扰动分类结果不受影响的同时,提高了低噪声下电能质量扰动的分类效果和成功率,适合电压质量的在线监测。
作为一种具体的实施方式,在利用决策树法对电能质量扰动信号进行分类时,包括以下步骤:
步骤六一:根据特征值的散点图像构建决策树,并将实验室得到的电能质量扰动模拟信号特征值的阈值放入决策树中;
步骤六二:根据决策树和阈值对电能质量扰动信号进行分类。
在本实施方式中,首先根据S变换后得到的特征值的散点图像构建决策树,并将实验室得到的电能质量扰动模拟信号特征值的阈值放入决策树中。观察特征值的散点图像可得到不同的扰动信号之间图像有着不同的特性,通过观察所有扰动信号的时频图像,其基频区域和高频区域特征可知:闪变、暂升、暂降、中断的特征主要出现在基频处,而谐波、振荡则出现在高频处,也为下一步特征提取打下基础。根据S变换图像,提取大量基频特征和高频特征,并对其进行两两组合,观察两两组合后的散点图,并观察散点图表现出的扰动分类区域的分类情况。观察扰动分类情况,优中选优最终得到三个扰动特征值,重新观察这三个特征值两两组合后的散点图,找到区域之间的阈值,以便于决策树的建立。
决策树构建完成后,当未知的电能质量扰动信号的特征值交予决策树后,将电能质量扰动信号按照决策树的思想进行分类,即可完成对电能质量扰动信号的分类。
进一步地,如图2所示,根据决策树和阈值对电能质量扰动信号进行分类的过程包括以下步骤:
步骤1:判断T3是否大于0.01,若是,则将闪变谐波(R1)、振荡谐波(R3)、暂降谐波(R5)、暂升谐波(R8)和中断谐波(R11)分为一类;若否,将闪变振荡(R2)、暂降闪变(R4)、暂降振荡(R6)、暂升闪变(R7)、暂升振荡(R9)、中断闪变(R10)和中断振荡(R12)分为一类;
步骤2:当T3大于0.01时,判断T1是否大于0.515,若是,则将闪变谐波(R1)和暂升谐波(R8)分为一类;若否,则将振荡谐波(R3)、暂降谐波(R5)和中断谐波(R11)分为一类;
步骤3:当T3小于或者等于0.01时,判断T1是否大于0.515,若是,则将闪变振荡(R2)、暂降闪变(R4)、暂升闪变(R7)、暂升振荡(R9)和中断闪变(R10)分为一类;若否,则将暂降振荡(R6)和中断振荡(R12)分为一类;
步骤4:当T3大于0.01且T1大于0.515时,判断T2是否大于0.48,若是,则将暂升谐波(R8)分为一类;若否,则将闪变谐波(R1)分为一类;
步骤5:当T3大于0.01且T1小于或者等于0.515时,判断T2是否大于0.48,若是,则将振荡谐波(R3)分为一类;若否,则将暂降谐波(R5)和中断谐波(R11)分为一类;
步骤6:当T3小于或者等于0.01且T1大于0.515时,判断T2是否大于0.48,若是,则将暂升振荡(R9)分为一类;若否,则将闪变振荡(R2)、暂降闪变(R4)、暂升闪变(R7)和中断闪变(R10)分为一类;
步骤7:当T3小于或者等于0.01且T1小于或者等于0.515时,判断T2是否大于0.125,若是,则将暂降振荡(R6)分为一类;若否,则将中断振荡(R12)分为一类;
步骤8:当T3大于0.01、T1小于或者等于0.515和T2小于或者等于0.48时,判断T2是否大于0.13,若是,则将暂降谐波(R5)分为一类;若否,则将中断谐波(R11)分为一类;
步骤9:当T3小于或者等于0.01、T1大于0.515和T2小于或者等于0.48时,判断T2是否大于0.4,若是,则将闪变振荡(R2)和暂升闪变(R7)分为一类;若否,则将暂降闪变(R4)和中断闪变(R10)分为一类;
步骤10:当T3小于或者等于0.01、T1大于0.515、T2小于或者等于0.48且T2大于0.4时,判断T1是否大于0.6,若是,则将暂升闪变(R7)分为一类;若否,则将闪变振荡(R2)分为一类;
步骤11:当T3小于或者等于0.01、T1大于0.515、T2小于或者等于0.48和T2小于或者等于0.4时,判断T2是否大于0.115,若是,则将暂降闪变(R4)分为一类;若否,则将中断闪变(R10)分为一类。
在本实施方式中,当三个特征值交予决策树后,可以将电能质量扰动信号按照决策树的思想进行分次检测,可以详尽的将12种扰动信号(R1~R12)进行分类。首先,判断T3是否大于0.01,多次实验证明:
当T3>0.01时(即高频处,行矩阵每列最大幅值曲线的最小值>0.01时),复合扰动中包含谐波扰动,所以当T3>0.01时,含谐波的复合扰动:闪变谐波(R1)、振荡谐波(R3)、暂降谐波(R5)、暂升谐波(R8)和中断谐波(R11)五种扰动被分为一类;
不包含谐波的扰动:闪变振荡(R2)、暂降闪变(R4)、暂降振荡(R6)、暂升闪变(R7)、暂升振荡(R9)、中断闪变(R10)和中断振荡(R12)七种扰动被分为一类;
分为两类后,再次测算T1的值,实验表明当T3>0.01时,T1>0.515代表扰动信号基频中有增高部分,这样便可以将闪变谐波(R1)和暂升谐波(R8)(这两种在基频中都有幅值升高的部分)分为一类,剩下的分为一类;通过计算T2值的大小是否大于0.48,将扰动信号归类为闪变谐波(R1)或者暂升谐波(R8);
余下的类型也由图2所示的方法进行分类,最终便可以将12种复合扰动进性详尽的分类。
作为一种具体的实施方式,在利用概率神经网络法对电能质量扰动信号进行分类时,包括以下步骤:
步骤12:构建概率神经网络,并将实验室得到的电能质量扰动模拟信号特征放入概率神经网络的特征选择层;
步骤13:三个特征值与已知的12种电能质量扰动信号的特征量进行比对和计算,将未知的电能质量扰动信号的三个扰动特征值放入空间直角坐标中,并和实验中已知的三个特征值所构成的特征点进行距离比对,确定距离最近的特征点,并以距离最近的特征点作为扰动特征点的分类类别。
在本实施方式中,如图3所示,构建概率神经网络PNN,将实验室得到的电能质量扰动模拟信号特征放入PNN的特征选择层,并定义出12种复数扰动信号,并在扰动信号噪声较大时,使用PNN辨识扰动信号类别。
PNN收到三个扰动特征后,会将这三个扰动特征和已知的12种扰动信号的特征量进性比对和计算,将未知的电能质量扰动信号的三个扰动特征值放入空间直角坐标中,并和实验中已知的三个特征值所构成的特征点进行距离比对,确定距离最近的特征点,未知电能质量扰动信号的特征点和其距离最近的信号的特征点视为同一类,最终输出结果。
在另一个实施例中,如图4所示,本发明还提出一种基于多特征融合的电能质量扰动分类系统,该系统包括:
信号采集模块,用于在信号采样区域对电压信号进行提取后,得到采样信号,并对采样信号进行归一化处理,得到归一化采样信号;
S变换模块,用于对归一化采样信号进行S变换,得到时频矩阵,通过时频矩阵得到时频图像,并将时频矩阵传输给时频特征提取模块;
傅里叶变换模块,用于对归一化采样信号进行傅里叶变换,得到基频信号,并将基频信号传输给时频特征提取模块;
噪声强度检测模块,用于对归一化采样信号进行噪声强度检测,得到信号噪声强度,并将信号噪声强度传输给方法选择模块;
时频特征提取模块,用于根据时频矩阵和基频信号进行时频特征提取,得到三个特征值,分别为第一特征值、第二特征值和第三特征值,第一特征值为时频矩阵的基频区域内行矩阵每列最大幅值中的最大值,第二特征值为时频矩阵的基频区域内行矩阵每列最大幅值中的最小值,第三特征值为时频矩阵的高频区域内行矩阵每列最大幅值曲线的最小值;
方法选择模块,用于判断信号噪声强度是否大于信噪比阈值,若是,则将第一特征值、第二特征值和第三特征值传输给决策树模块,决策树模块对电能质量扰动信号进行分类;若否,则将第一特征值、第二特征值和第三特征值传输给概率神经网络模块,概率神经网络模块对电能质量扰动信号进行分类;
分类结果输出模块,用于输出分类结果。
在本实施例中,信号采集模块对电网中的电压信号实时采集,进行电压信号锁相提取后,得到初始相位均为φ的采样信号,采样信号大小为u(t)=220sin(ωt+φ),信号采集模块将采样信号归一化处理后得到归一化采样信号u(t)=sin(ωt+φ),信号采集模块再通过AD转换模块将模拟信号转换为数字信号后分别输入到S变换模块、傅里叶变换模块和噪声强度检测模块。
S变换模块对归一化采样信号进行S变换,将时域信号变换成时频矩阵,通过时频矩阵得到时频图像,再将时频矩阵输入到时频特征提取模块。
傅里叶变换模块对归一化采样信号进行FFT变换,得到其中的基频信号,再将基频信号输入到时频特征提取模块。
噪声强度检测模块对归一化采样信号进行噪声强度检测,得到信号噪声强度,并将信号噪声强度传输给方法选择模块,以使方法选择模块根据信号噪声强度与信噪比阈值之间的比较结果选择决策树法或者概率神经网络法。
时频特征提取模块根据时频矩阵和基频信号进行时频特征提取,得到三个特征值,分别为第一特征值、第二特征值和第三特征值,第一特征值为时频矩阵的基频区域内行矩阵每列最大幅值中的最大值,第二特征值为时频矩阵的基频区域内行矩阵每列最大幅值中的最小值,第三特征值为时频矩阵的高频区域内行矩阵每列最大幅值曲线的最小值。
通过S变换的方式,将时域信号变换成时频矩阵,通过时频矩阵得到时频图像,我们将之前FFT变换后得到的频率区域视为S变换后的基频信号,频率高于基频区域的频率视为高频信号。
S变换后的基频区域,行矩阵每列最大幅值中的最大值作为第一特征值(T1),T1=max(max(A)),A为S变换后的时频矩阵,T1是基频电压的最大值,它反映了基频幅值的变化的情况,当T1>0.51时它应当属于闪变、电压暂升类还有一部分谐波和振荡的扰动。
S变换后的基频区域,行矩阵每列最大幅值中的最小值作为第二特征值(T2),T2=min(max(A))A为S变换后的时频矩阵,T2是基频电压幅值中的最小幅值,它同样反映了基频幅值的变化的情况,当T2处于0.13到0.48之间时它应当属于暂降扰动一类,当T2小于0.13时,它应当属于中断扰动一类。
S变换后的高频区域,行矩阵每列最大幅值曲线的最小值作为第三特征值(T3),T3=max(A′),T3=min(T3),T3是信号在高频区域的最小值,它代表了高频幅值的变化情况,当T3大于0.01时应当属于暂态振荡扰动一类,这样用三个特征便可以将信号在低强度噪声的情况下进行分类,其中Aij′是S变换后时频矩阵的高频部分。
取得以上三个特征值以后,观察这三个特征值两两组合而成的平面散点,得到图像和分类之间的阈值,为之后的决策树分类打下基础,并根据图像建构决策树。
方法选择模块以信噪比阈值(例如信噪比阈值为30DB)作为分界线,信号噪声强度在30DB及以上为低噪声,信号噪声强度在30DB以下为高噪声,低噪声时,方法选择模块将第一特征值、第二特征值和第三特征值传输给决策树模块,使用决策树模块对电能质量扰动信号进行分类;当噪声过高时,因为部分信号特征会由于噪声过高而越过阈值,决策树模块无法使用,所以高噪声时方法选择模块将第一特征值、第二特征值和第三特征值传输给概率神经网络模块,使用概率神经网络模块对电能质量扰动信号进行分类。
分类结果输出模块将得到的分类结果进行输出和显示,以便于根据人为设定的方式(加入无功功率等方式)对电网扰动进行调平。
本实施例在使用了S变换后,抽取了十七个用于分类电能质量扰动信号的特征量(后经过选择用三个电能质量信号特征),并依据这三个特征量以及监测到的噪声大小给出了两种电能质量复合扰动自动分类方法。本实施例能确定性的从电压信号中检测到电压暂升振荡扰动、暂升谐波扰动、暂升闪变扰动、暂降振荡扰动、暂降谐波扰动以及暂降闪变扰动等等共十二种混合扰动信号,相对于传统的电能质量监测诊断方法,本实施例使用两种方法进行分类,弥补了概率神经网络法和决策树法各自的缺点,使得抗噪声能力强,减少了信号的压缩处理及计算量,在保证了高噪声的情况下电能质量扰动分类结果不受影响的同时,提高了低噪声下电能质量扰动的分类效果和成功率,适合电压质量的在线监测。
作为一种具体的实施方式,决策树模块包括决策树构建子模块和决策树分类子模块,其中决策树构建子模块用于根据特征值的散点图像构建决策树,并将实验室得到的电能质量扰动模拟信号特征值的阈值放入决策树中;决策树分类子模块用于根据决策树和阈值对电能质量扰动信号进行分类。
在本实施方式中,决策树构建子模块根据特征值散点图像构建决策树,并将实验室得到的电能质量扰动模拟信号特征值的阈值放入决策树中。观察特征值的散点图像可得到不同的扰动信号之间有着不同的特性,通过观察所有扰动信号的时频图像,其基频区域和高频区域特征可知:闪变、暂升、暂降、中断的特征主要出现在基频处,而谐波、振荡则出现在高频处,也为下一步特征提取打下基础。根据S变换图像,提取大量基频特征和高频特征,并对其进行两两组合,观察两两组合后的散点图,并观察散点图表现出的扰动分类区域的分类情况。观察扰动分类情况,优中选优最终得到三个扰动特征值,重新观察这三个特征两两组合后的散点图,找到区域之间的阈值,以便于决策树的建立。
决策树构建子模块构建完成决策树后,当特征值交予决策树后,决策树分类子模块将电能质量扰动信号按照决策树的思想进行分类,即可完成对电能质量扰动信号的分类。
进一步地,决策树分类子模块根据决策树和阈值对电能质量扰动信号进行分类的过程包括以下步骤:
步骤1:判断T3是否大于0.01,若是,则将闪变谐波(R1)、振荡谐波(R3)、暂降谐波(R5)、暂升谐波(R8)和中断谐波(R11)分为一类;若否,将闪变振荡(R2)、暂降闪变(R4)、暂降振荡(R6)、暂升闪变(R7)、暂升振荡(R9)、中断闪变(R10)和中断振荡(R12)分为一类;
步骤2:当T3大于0.01时,判断T1是否大于0.515,若是,则将闪变谐波(R1)和暂升谐波(R8)分为一类;若否,则将振荡谐波(R3)、暂降谐波(R5)和中断谐波(R11)分为一类;
步骤3:当T3小于或者等于0.01时,判断T1是否大于0.515,若是,则将闪变振荡(R2)、暂降闪变(R4)、暂升闪变(R7)、暂升振荡(R9)和中断闪变(R10)分为一类;若否,则将暂降振荡(R6)和中断振荡(R12)分为一类;
步骤4:当T3大于0.01且T1大于0.515时,判断T2是否大于0.48,若是,则将暂升谐波(R8)分为一类;若否,则将闪变谐波(R1)分为一类;
步骤5:当T3大于0.01且T1小于或者等于0.515时,判断T2是否大于0.48,若是,则将振荡谐波(R3)分为一类;若否,则将暂降谐波(R5)和中断谐波(R11)分为一类;
步骤6:当T3小于或者等于0.01且T1大于0.515时,判断T2是否大于0.48,若是,则将暂升振荡(R9)分为一类;若否,则将闪变振荡(R2)、暂降闪变(R4)、暂升闪变(R7)和中断闪变(R10)分为一类;
步骤7:当T3小于或者等于0.01且T1小于或者等于0.515时,判断T2是否大于0.125,若是,则将暂降振荡(R6)分为一类;若否,则将中断振荡(R12)分为一类;
步骤8:当T3大于0.01、T1小于或者等于0.515和T2小于或者等于0.48时,判断T2是否大于0.13,若是,则将暂降谐波(R5)分为一类;若否,则将中断谐波(R11)分为一类;
步骤9:当T3小于或者等于0.01、T1大于0.515和T2小于或者等于0.48时,判断T2是否大于0.4,若是,则将闪变振荡(R2)和暂升闪变(R7)分为一类;若否,则将暂降闪变(R4)和中断闪变(R10)分为一类;
步骤10:当T3小于或者等于0.01、T1大于0.515、T2小于或者等于0.48且T2大于0.4时,判断T1是否大于0.6,若是,则将暂升闪变(R7)分为一类;若否,则将闪变振荡(R2)分为一类;
步骤11:当T3小于或者等于0.01、T1大于0.515、T2小于或者等于0.48和T2小于或者等于0.4时,判断T2是否大于0.115,若是,则将暂降闪变(R4)分为一类;若否,则将中断闪变(R10)分为一类。
作为一种具体的实施方式,概率神经网络模块包括概率神经网络构建子模块和概率神经网络分类子模块,其中概率神经网络构建子模块用于构建概率神经网络,并将实验室得到的电能质量扰动模拟信号特征放入概率神经网络的特征选择层;概率神经网络分类子模块用于将三个特征值与已知的12种电能质量扰动信号的特征量进行比对和计算,将未知的电能质量扰动信号的三个扰动特征值放入空间直角坐标中,并和实验中已知的三个特征值所构成的特征点进行距离比对,确定距离最近的特征点,并以距离最近的特征点作为扰动特征点的分类类别。
在本实施方式中,概率神经网络构建子模块构建概率神经网络PNN,将实验室得到的电能质量扰动模拟信号特征放入PNN的特征选择层,并定义出12种复数扰动信号,并在扰动信号噪声较大时,使用PNN辨识扰动信号类别。
概率神经网络分类子模块收到三个扰动特征值,会将这三个特征值和已知的12种扰动信号的特征量进性比对和计算,将未知的电能质量扰动信号的三个扰动特征值放入空间直角坐标中,并和实验中已知的三个特征值所构成的特征点进行距离比对,确定距离最近的特征点,未知电能质量扰动信号的特征点和其距离最近的信号的特征点视为同一类,最终输出结果。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多特征融合的电能质量扰动分类方法,其特征在于,包括以下步骤:
步骤一:在信号采样区域对电压信号进行提取后,得到采样信号,并对所述采样信号进行归一化处理,得到归一化采样信号;
步骤二:对所述归一化采样信号进行S变换,得到时频矩阵,通过时频矩阵得到时频图像;
步骤三:对所述归一化采样信号进行傅里叶变换,得到基频信号;
步骤四:对所述归一化采样信号进行噪声强度检测,得到信号噪声强度;
步骤五:通过观察不同扰动下的时频图像,并根据所述时频矩阵和所述基频信号进行时频特征提取,得到三个特征值,分别为第一特征值、第二特征值和第三特征值,所述第一特征值为所述时频矩阵的基频区域内行矩阵每列最大幅值中的最大值,所述第二特征值为所述时频矩阵的基频区域内行矩阵每列最大幅值中的最小值,所述第三特征值为所述时频矩阵的高频区域内行矩阵每列最大幅值曲线的最小值;
步骤六:判断所述信号噪声强度是否大于信噪比阈值,若是,则根据所述第一特征值、所述第二特征值和所述第三特征值利用决策树法对电能质量扰动信号进行分类;若否,则根据所述第一特征值、所述第二特征值和所述第三特征值利用概率神经网络法对电能质量扰动信号进行分类;
步骤七:输出分类结果。
2.根据权利要求1所述的基于多特征融合的电能质量扰动分类方法,其特征在于,利用决策树法对电能质量扰动信号进行分类的过程包括以下步骤:
步骤六一:根据所述特征值的散点图像构建决策树,并将实验室得到的电能质量扰动模拟信号特征值的阈值放入决策树中;
步骤六二:根据决策树和阈值对电能质量扰动信号进行分类。
3.根据权利要求2所述的基于多特征融合的电能质量扰动分类方法,其特征在于,在步骤六二中根据决策树和阈值对电能质量扰动信号进行分类的过程包括以下步骤:
步骤1:判断所述第三特征值是否大于0.01,若是,则将闪变谐波、振荡谐波、暂降谐波、暂升谐波和中断谐波分为一类;若否,将闪变振荡、暂降闪变、暂降振荡、暂升闪变、暂升振荡、中断闪变和中断振荡分为一类;
步骤2:当所述第三特征值大于0.01时,判断所述第一特征值是否大于0.515,若是,则将闪变谐波和暂升谐波分为一类;若否,则将振荡谐波、暂降谐波和中断谐波分为一类;
步骤3:当所述第三特征值小于或者等于0.01时,判断所述第一特征值是否大于0.515,若是,则将闪变振荡、暂降闪变、暂升闪变、暂升振荡和中断闪变分为一类;若否,则将暂降振荡和中断振荡分为一类;
步骤4:当所述第三特征值大于0.01且所述第一特征值大于0.515时,判断所述第二特征值是否大于0.48,若是,则将暂升谐波分为一类;若否,则将闪变谐波分为一类;
步骤5:当所述第三特征值大于0.01且所述第一特征值小于或者等于0.515时,判断所述第二特征值是否大于0.48,若是,则将振荡谐波分为一类;若否,则将暂降谐波和中断谐波分为一类;
步骤6:当所述第三特征值小于或者等于0.01且所述第一特征值大于0.515时,判断所述第二特征值是否大于0.48,若是,则将暂升振荡分为一类;若否,则将闪变振荡、暂降闪变、暂升闪变和中断闪变分为一类;
步骤7:当所述第三特征值小于或者等于0.01且所述第一特征值小于或者等于0.515时,判断所述第二特征值是否大于0.125,若是,则将暂降振荡分为一类;若否,则将中断振荡分为一类;
步骤8:当所述第三特征值大于0.01、所述第一特征值小于或者等于0.515和所述第二特征值小于或者等于0.48时,判断所述第二特征值是否大于0.13,若是,则将暂降谐波分为一类;若否,则将中断谐波分为一类;
步骤9:当所述第三特征值小于或者等于0.01、所述第一特征值大于0.515和所述第二特征值小于或者等于0.48时,判断所述第二特征值是否大于0.4,若是,则将闪变振荡和暂升闪变分为一类;若否,则将暂降闪变和中断闪变分为一类;
步骤10:当所述第三特征值小于或者等于0.01、所述第一特征值大于0.515、所述第二特征值小于或者等于0.48且所述第二特征值大于0.4时,判断所述第一特征值是否大于0.6,若是,则将暂升闪变分为一类;若否,则将闪变振荡分为一类;
步骤11:当所述第三特征值小于或者等于0.01、所述第一特征值大于0.515、所述第二特征值小于或者等于0.48和所述第二特征值小于或者等于0.4时,判断所述第二特征值是否大于0.115,若是,则将暂降闪变分为一类;若否,则将中断闪变分为一类。
4.根据权利要求1至3任意一项所述的基于多特征融合的电能质量扰动分类方法,其特征在于,利用概率神经网络法对电能质量扰动信号进行分类的过程包括以下步骤:
步骤12:构建概率神经网络,并将实验室得到的电能质量扰动模拟信号特征放入概率神经网络的特征选择层;
步骤13:三个所述特征值与已知的12种电能质量扰动信号的特征量进行比对和计算,将未知的电能质量扰动信号的三个扰动特征值放入空间直角坐标中,并和实验中已知的三个特征值所构成的特征点进行距离比对,确定距离最近的特征点,并以距离最近的特征点作为扰动特征点的分类类别。
5.根据权利要求1至3任意一项所述的基于多特征融合的电能质量扰动分类方法,其特征在于,
所述信噪比阈值为30DB。
6.一种基于多特征融合的电能质量扰动分类系统,其特征在于,包括:
信号采集模块,用于在信号采样区域对电压信号进行提取后,得到采样信号,并对所述采样信号进行归一化处理,得到归一化采样信号;
S变换模块,用于对所述归一化采样信号进行S变换,得到时频矩阵,通过时频矩阵得到时频图像,并将所述时频矩阵传输给时频特征提取模块;
傅里叶变换模块,用于对所述归一化采样信号进行傅里叶变换,得到基频信号,并将所述基频信号传输给所述时频特征提取模块;
噪声强度检测模块,用于对所述归一化采样信号进行噪声强度检测,得到信号噪声强度,并将所述信号噪声强度传输给方法选择模块;
所述时频特征提取模块,用于根据所述时频矩阵和所述基频信号进行时频特征提取,得到三个特征值,分别为第一特征值、第二特征值和第三特征值,所述第一特征值为所述时频矩阵的基频区域内行矩阵每列最大幅值中的最大值,所述第二特征值为所述时频矩阵的基频区域内行矩阵每列最大幅值中的最小值,所述第三特征值为所述时频矩阵的高频区域内行矩阵每列最大幅值曲线的最小值;
所述方法选择模块,用于判断所述信号噪声强度是否大于信噪比阈值,若是,则将所述第一特征值、所述第二特征值和所述第三特征值传输给决策树模块,所述决策树模块对电能质量扰动信号进行分类;若否,则将所述第一特征值、所述第二特征值和所述第三特征值传输给概率神经网络模块,所述概率神经网络模块对电能质量扰动信号进行分类;
分类结果输出模块,用于输出分类结果。
7.根据权利要求6所述的基于多特征融合的电能质量扰动分类系统,其特征在于,所述决策树模块包括决策树构建子模块和决策树分类子模块;
所述决策树构建子模块用于根据所述特征值的散点图像构建决策树,并将实验室得到的电能质量扰动模拟信号特征值的阈值放入决策树中;
所述决策树分类子模块用于根据决策树和阈值对电能质量扰动信号进行分类。
8.根据权利要求7所述的基于多特征融合的电能质量扰动分类系统,其特征在于,所述决策树分类子模块根据决策树和阈值对电能质量扰动信号进行分类的过程包括以下步骤:
步骤1:判断所述第三特征值是否大于0.01,若是,则将闪变谐波、振荡谐波、暂降谐波、暂升谐波和中断谐波分为一类;若否,将闪变振荡、暂降闪变、暂降振荡、暂升闪变、暂升振荡、中断闪变和中断振荡分为一类;
步骤2:当所述第三特征值大于0.01时,判断所述第一特征值是否大于0.515,若是,则将闪变谐波和暂升谐波分为一类;若否,则将振荡谐波、暂降谐波和中断谐波分为一类;
步骤3:当所述第三特征值小于或者等于0.01时,判断所述第一特征值是否大于0.515,若是,则将闪变振荡、暂降闪变、暂升闪变、暂升振荡和中断闪变分为一类;若否,则将暂降振荡和中断振荡分为一类;
步骤4:当所述第三特征值大于0.01且所述第一特征值大于0.515时,判断所述第二特征值是否大于0.48,若是,则将暂升谐波分为一类;若否,则将闪变谐波分为一类;
步骤5:当所述第三特征值大于0.01且所述第一特征值小于或者等于0.515时,判断所述第二特征值是否大于0.48,若是,则将振荡谐波分为一类;若否,则将暂降谐波和中断谐波分为一类;
步骤6:当所述第三特征值小于或者等于0.01且所述第一特征值大于0.515时,判断所述第二特征值是否大于0.48,若是,则将暂升振荡分为一类;若否,则将闪变振荡、暂降闪变、暂升闪变和中断闪变分为一类;
步骤7:当所述第三特征值小于或者等于0.01且所述第一特征值小于或者等于0.515时,判断所述第二特征值是否大于0.125,若是,则将暂降振荡分为一类;若否,则将中断振荡分为一类;
步骤8:当所述第三特征值大于0.01、所述第一特征值小于或者等于0.515和所述第二特征值小于或者等于0.48时,判断所述第二特征值是否大于0.13,若是,则将暂降谐波分为一类;若否,则将中断谐波分为一类;
步骤9:当所述第三特征值小于或者等于0.01、所述第一特征值大于0.515和所述第二特征值小于或者等于0.48时,判断所述第二特征值是否大于0.4,若是,则将闪变振荡和暂升闪变分为一类;若否,则将暂降闪变和中断闪变分为一类;
步骤10:当所述第三特征值小于或者等于0.01、所述第一特征值大于0.515、所述第二特征值小于或者等于0.48且所述第二特征值大于0.4时,判断所述第一特征值是否大于0.6,若是,则将暂升闪变分为一类;若否,则将闪变振荡分为一类;
步骤11:当所述第三特征值小于或者等于0.01、所述第一特征值大于0.515、所述第二特征值小于或者等于0.48和所述第二特征值小于或者等于0.4时,判断所述第二特征值是否大于0.115,若是,则将暂降闪变分为一类;若否,则将中断闪变分为一类。
9.根据权利要求6至8任意一项所述的基于多特征融合的电能质量扰动分类系统,其特征在于,所述概率神经网络模块包括概率神经网络构建子模块和概率神经网络分类子模块;
所述概率神经网络构建子模块用于构建概率神经网络,并将实验室得到的电能质量扰动模拟信号特征放入概率神经网络的特征选择层;
所述概率神经网络分类子模块用于将三个所述特征值与已知的12种电能质量扰动信号的特征量进行比对和计算,将未知的电能质量扰动信号的三个扰动特征值放入空间直角坐标中,并和实验中已知的三个特征值所构成的特征点进行距离比对,确定距离最近的特征点,并以距离最近的特征点作为扰动特征点的分类类别。
10.根据权利要求6至8任意一项所述的基于多特征融合的电能质量扰动分类系统,其特征在于,
所述信噪比阈值为30DB。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811081656.5A CN109034277A (zh) | 2018-09-17 | 2018-09-17 | 基于多特征融合的电能质量扰动分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811081656.5A CN109034277A (zh) | 2018-09-17 | 2018-09-17 | 基于多特征融合的电能质量扰动分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034277A true CN109034277A (zh) | 2018-12-18 |
Family
ID=64622045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811081656.5A Pending CN109034277A (zh) | 2018-09-17 | 2018-09-17 | 基于多特征融合的电能质量扰动分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034277A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728195A (zh) * | 2019-09-18 | 2020-01-24 | 武汉大学 | 基于yolo算法的电能质量扰动检测方法 |
CN113567131A (zh) * | 2021-07-29 | 2021-10-29 | 沈阳建筑大学 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
CN114781466A (zh) * | 2022-06-21 | 2022-07-22 | 西安因联信息科技有限公司 | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 |
CN115859220A (zh) * | 2022-12-23 | 2023-03-28 | 北京瑞莱智慧科技有限公司 | 数据处理方法、相关装置及存储介质 |
CN116773894A (zh) * | 2023-06-15 | 2023-09-19 | 浙江恒业电子股份有限公司 | 一种采集器掉电检测系统及其方法 |
CN113567131B (zh) * | 2021-07-29 | 2024-05-03 | 沈阳建筑大学 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288843A (zh) * | 2011-05-16 | 2011-12-21 | 湖南大学 | 一种电能质量扰动信号检测方法 |
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 |
CN104034974A (zh) * | 2014-05-09 | 2014-09-10 | 西南交通大学 | 一种复合电能质量扰动信号的识别方法 |
CN104459398A (zh) * | 2014-12-08 | 2015-03-25 | 东北电力大学 | 一种采用二维形态学降噪的电能质量复合扰动识别方法 |
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 |
-
2018
- 2018-09-17 CN CN201811081656.5A patent/CN109034277A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288843A (zh) * | 2011-05-16 | 2011-12-21 | 湖南大学 | 一种电能质量扰动信号检测方法 |
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 |
CN104034974A (zh) * | 2014-05-09 | 2014-09-10 | 西南交通大学 | 一种复合电能质量扰动信号的识别方法 |
CN104459398A (zh) * | 2014-12-08 | 2015-03-25 | 东北电力大学 | 一种采用二维形态学降噪的电能质量复合扰动识别方法 |
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 |
Non-Patent Citations (5)
Title |
---|
MOHAMMAD E. SALEM 等: ""Rule based system for power quality disturbance classification incorporating S-transform features"", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
张杨 等: ""一种基于时频域多特征量的电能质量混合扰动分类新方法"", 《中国电机工程学报》 * |
李从飞: ""电能质量扰动检测与分类方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
马杰: ""电力系统电能质量的扰动检测与识别方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
黄南天: ""基于S变换与模式识别的电能质量暂态信号分析"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728195A (zh) * | 2019-09-18 | 2020-01-24 | 武汉大学 | 基于yolo算法的电能质量扰动检测方法 |
CN113567131A (zh) * | 2021-07-29 | 2021-10-29 | 沈阳建筑大学 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
CN113567131B (zh) * | 2021-07-29 | 2024-05-03 | 沈阳建筑大学 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
CN114781466A (zh) * | 2022-06-21 | 2022-07-22 | 西安因联信息科技有限公司 | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 |
CN114781466B (zh) * | 2022-06-21 | 2022-09-27 | 西安因联信息科技有限公司 | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 |
CN115859220A (zh) * | 2022-12-23 | 2023-03-28 | 北京瑞莱智慧科技有限公司 | 数据处理方法、相关装置及存储介质 |
CN115859220B (zh) * | 2022-12-23 | 2023-08-25 | 北京瑞莱智慧科技有限公司 | 数据处理方法、相关装置及存储介质 |
CN116773894A (zh) * | 2023-06-15 | 2023-09-19 | 浙江恒业电子股份有限公司 | 一种采集器掉电检测系统及其方法 |
CN116773894B (zh) * | 2023-06-15 | 2023-12-15 | 浙江恒业电子股份有限公司 | 一种采集器掉电检测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034277A (zh) | 基于多特征融合的电能质量扰动分类方法及系统 | |
Zhang et al. | A real-time classification method of power quality disturbances | |
Wang et al. | ArcNet: Series AC arc fault detection based on raw current and convolutional neural network | |
Das et al. | Diagnosis of power quality events based on detrended fluctuation analysis | |
Chilukuri et al. | Multiresolution S-transform-based fuzzy recognition system for power quality events | |
CN105510687B (zh) | 一种基于经验模态分解的电压异常特征识别方法 | |
Valtierra-Rodriguez et al. | Detection and classification of single and combined power quality disturbances using neural networks | |
CN104090214B (zh) | 一种电缆故障检测及老化分析方法 | |
CN111027408A (zh) | 一种基于支持向量机和v-i曲线特征的负荷识别方法 | |
CN104155585A (zh) | 基于gk模糊聚类的gis局部放电类型识别方法 | |
CN108169583B (zh) | 中性点经电容接地的自耦变压器直流偏磁判别方法及系统 | |
CN113138322A (zh) | 配电网高阻接地故障的检测方法、装置、设备和存储介质 | |
CN112255492A (zh) | 一种强噪声背景下的配电网单相接地高阻故障识别方法 | |
CN109239553A (zh) | 一种基于局部放电脉冲局部密度的聚类方法 | |
CN109347584A (zh) | 基于指数平滑预测的频谱感知方法 | |
CN106845334A (zh) | 一种基于数学形态学的新型噪声提取方法 | |
CN114236234A (zh) | 一种基于基波和谐波混合判据的电器特征辨识方法 | |
Ma et al. | An intelligent classification framework for complex PQDs using optimized KS-transform and multiple fusion CNN | |
CN108629087A (zh) | 扰动事件模型构建方法、装置和扰动事件识别方法、装置 | |
Liu et al. | Fault diagnosis of OLTC based on time-frequency image analysis of vibration signal | |
Lu et al. | Multiple disturbances classifier for electric signals using adaptive structuring neural networks | |
Li et al. | Using power side-channel to implement anomaly-based intrusion detection on smart grid terminals | |
Sinaga et al. | Neuro fuzzy recognition of ultra-high frequency partial discharges in transformers | |
Chen et al. | A simple rule-based approach for detection and classification of voltage sag, swell, and interruption in power systems | |
Hasnat et al. | Learning power system’s graph signals for cyber and physical stress classification |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |