CN109101890A - 基于小波变换的电能质量扰动识别方法及装置 - Google Patents
基于小波变换的电能质量扰动识别方法及装置 Download PDFInfo
- Publication number
- CN109101890A CN109101890A CN201810779836.4A CN201810779836A CN109101890A CN 109101890 A CN109101890 A CN 109101890A CN 201810779836 A CN201810779836 A CN 201810779836A CN 109101890 A CN109101890 A CN 109101890A
- Authority
- CN
- China
- Prior art keywords
- power quality
- electrical energy
- quality disturbance
- energy power
- coefficient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000009466 transformation Effects 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000000354 decomposition reaction Methods 0.000 claims description 56
- 238000004088 simulation Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本发明涉及电能质量分析技术领域，具体提供了一种基于小波变换的电能质量扰动识别方法及装置，如何准确识别电能质量扰动的技术问题。为此目的，本发明提供的基于小波变换的电能质量扰动方法主要包括下列步骤：首先，对电能质量扰动信号进行小波变换多分辨率分析并且根据分析结果获取相应的特征向量。然后，利用LS‑SVM分类器和多个电能质量扰动类别对特征向量进行识别，从而得到该特征向量对应的电能质量扰动类别，即上述电能质量扰动信号对应的电能质量扰动类别。基于上述步骤，本发明提供的电能质量扰动识别方法能够有效且快速地识别出不平稳和/或持续时间较短的电能质量扰动信号。
Description
技术领域
本发明涉及电能质量分析技术领域，具体涉及一种基于小波变换的电能质量扰动识别方法及装置。
背景技术
电能质量扰动(power quality disturbance，PQD)会导致设备过热、电机停转、保护失灵以及计量不准等严重后果，造成严重的经济损失和社会影响。当前电能质量扰动的分析方法主要包括傅里叶变换法、小波变换法、S变换法和希尔伯特-黄变换法等方法，而电能质量扰动的识别方法主要包括基于决策树或神经网络或支持向量机的电能质量扰动识别方法。具体地，傅里叶变换法不适用于非平稳信号的分析，S变换法不能在电能质量扰动持续时间较短的情况下准确判断出电压暂将和电压中断等扰动，希尔伯特-黄变换方法无法描述电能质量扰动信号的时频特征。
发明内容
为了解决现有技术中的上述问题，即为了解决如何准确识别电能质量扰动的技术问题。为此目的，本发明提供了一种基于小波变换的电能质量扰动方法及装置。
在第一方面，本发明提供的一种基于小波变换的电能质量扰动方法主要包括下列步骤：
利用小波变换多分辨率分析法对预先获取的电能质量扰动信号进行分析并且根据分析结果获取所述电能质量扰动信号的特征向量；
利用预先构建的LS-SVM分类器并根据多个预设的电能质量扰动类别对所述特征向量进行识别，得到该特征向量对应的电能质量扰动类别；
其中，所述LS-SVM分类器是根据所述多个电能质量扰动类别对应的电能质量扰动仿真信号并利用机器学习算法所构建的电能质量扰动分类模型。
进一步地，本发明提供的一个优选技术方案是：
在“利用预先构建的LS-SVM分类器并根据多个预设的电能质量扰动类别对所述特征向量进行识别”的步骤之前，所述方法还包括：
对所述特征向量进行降维处理。
相应地，“利用预先构建的LS-SVM分类器并根据多个预设的电能质量扰动类别对所述特征向量进行识别”的步骤是利用所述LS-SVM分类器并根据多个电能质量扰动类别对所述降维处理后的特征向量进行识别。
进一步地，本发明提供的一个优选技术方案是：
“利用小波变换多分辨率分析法对预先获取的电能质量扰动信号进行分析并且根据分析结果获取所述电能质量扰动信号的特征向量”的步骤包括：
利用小波变换多分辨率分析方法获取所述电能质量扰动信号在每个频段的小波分解系数；
根据所述每个频段的小波分解系数和预设的数据特征类别，获取每个频段对应的数据特征；
根据所述每个时段对应的数据特征构建所述电能质量扰动信号的特征向量。
进一步地，本发明提供的一个优选技术方案是：
在“利用预先构建的LS-SVM分类器并根据多个预设的电能质量扰动类别对所述特征向量进行识别”的步骤之前，所述方法还包括：
根据预先构建的每个所述电能质量扰动类别的扰动仿真模型获取所述每个电能质量扰动类别对应的电能质量扰动仿真信号；
根据所述电能质量扰动仿真信号并利用机器学习算法对所述电能质量扰动分类模型进行训练。
进一步地，本发明提供的一个优选技术方案是：
所述电能质量扰动类别包括电压暂升、电压暂降、谐波、电压中断、电压暂升及谐波、电压暂降及谐波。
进一步地，本发明提供的一个优选技术方案是：
所述数据特征类别包括所述每个频段内小波分解系数的均值、标准差、偏度、峰度、均方根值、能量、熵和对数能量熵。
进一步地，本发明提供的一个优选技术方案是：
所述方法还包括：
按照下式所示的方法计算小波分解系数的均值：
其中，所述ui是第i个频段内小波分解系数的均值，所述Cij是第i个频段内的第j个小波分解系数，所述N是所述第i个频段内小波分解系数的总数；
按照下式所示的方法计算小波分解系数的标准差：
其中，所述σi是第i个频段内小波分解系数的标准差；
按照下式所示的方法计算小波分解系数的偏度：
其中，所述SKi是第i个频段内小波分解系数的偏度；
按照下式所示的方法计算小波分解系数的峰度：
其中，所述Ki是第i个频段内小波分解系数的峰度；
按照下式所示的方法计算小波分解系数的均方根值：
其中，所述RMSi是第i个频段内小波分解系数的均方根值；
按照下式所示的方法计算小波分解系数的能量：
其中，所述Ei是第i个频段内小波分解系数的能量；
按照下式所示的方法计算小波分解系数的熵：
其中，所述SEi是第i个频段内小波分解系数的熵；
按照下式所示的方法计算小波分解系数的对数能量熵：
其中，所述LOEi是第i个频段内小波分解系数的对数能量熵。
在第二方面，本发明提供的存储装置存储有多条程序，所述程序适于由处理器加载以执行上述技术方案所述的基于小波变换的电能质量扰动识别方法。
在第三方面，本发明提供的控制装置包括处理器和存储设备，所述存储设备适于存储多条程序，所述程序适于由所述处理器加载以执行上述技术方案所述的基于小波变换的电能质量扰动识别方法。
与最接近的现有技术相比，上述技术方案至少具有下列有益效果：
本发明提供的一种基于小波变换的电能质量扰动识别方法主要包括下列步骤：首先，对电能质量扰动信号进行小波变换多分辨率分析并且根据分析结果获取相应的特征向量。然后，利用LS-SVM分类器和多个电能质量扰动类别对特征向量进行识别，从而得到该特征向量对应的电能质量扰动类别，即上述电能质量扰动信号对应的电能质量扰动类别。基于上述步骤，本发明提供的电能质量扰动识别方法能够有效且快速地识别出不平稳和/或持续时间较短的电能质量扰动信号。
附图说明
图1是本发明实施例中一种基于小波变换的电能质量扰动识别方法的主要步骤示意图；
图2是本发明实施例中一种小波变换多分辨率分析法的主要步骤示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
下面结合附图对本发明提供的一种基于小波变换的电能质量扰动识别方法的主要步骤。如图1所示，本实施例中可以按照下列步骤对电能质量扰动进行识别：
步骤S101：利用小波变换多分辨率分析法对预先获取的电能质量扰动信号进行分析并且根据分析结果获取电能质量扰动信号的特征向量。具体地，本实施例中可以按照下列步骤获取电能质量扰动信号的特征向量：
步骤S1011：利用小波变换多分辨率分析方法获取电能质量扰动信号在每个频段的小波分解系数。
参阅附图2，图2示例性示出了本实施例中小波变换多分辨率分析法的主要步骤。如图2所示，本实施例中利用包含3层滤波器组的小波变换多分辨率分析模型对电能质量扰动信号x[n]进行分析，利用第1层滤波器组可以得到第1个频段内的小波系数d1[n]，利用第2层滤波器组可以得到第2个频段内的小波系数d2[n]，利用第3层滤波器组可以得到第3个频段内的小波系数d3[n]和尺度系数a3[n]。
具体地，本实施例中可以按照下式所示的方法获取每个频段内的小波系数和尺度系数：
公式(1)中各参数含义为：
aj+1(k)和dj+1(k)分别是小波变换多分辨率分析模型中第j+1层滤波器组对第j层的尺度系数进行多分辨率分析得到的第k个尺度系数和小波系数。“h”和“g”为一离散序列，分别表示小波变换多分辨率分析模型中每层滤波器组包含的两个滤波器并且这两个滤波器满足二尺度差分方程(Two-scale Difference Equations)。“h”和“g”滤波器所满足的二尺度差分方程如下式(2)所示：
公式(2)中参数φ(t)表示尺度函数，ψ(t)表示小波函数。
步骤S1012：根据每个频段的小波分解系数和预设的数据特征类别，获取每个频段对应的数据特征。
具体地，本实施例中数据特征类别可以包括每个频段内小波分解系数的均值、标准差、偏度、峰度、均方根值、能量、熵和对数能量熵。可选地，本实施例中可以按照下式(3)-(10)所示的方法分别计算小波分解系数的均值、标准差、偏度、峰度、均方根值、能量、熵和对数能量熵。
第i个频段内小波分解系数的均值ui的计算公式是：
公式(3)中各参数含义为：
Cij是第i个频段内的第j个小波分解系数，N是第i个频段内小波分解系数的总数。
第i个频段内小波分解系数的标准差σi的计算公式是：
第i个频段内小波分解系数的偏度SKi的计算公式是：
第i个频段内小波分解系数的峰度Ki的计算公式是：
第i个频段内小波分解系数的均方根值RMSi的计算公式是：
第i个频段内小波分解系数的能量Ei的计算公式是：
第i个频段内小波分解系数的熵SEi的计算公式是：
第i个频段内小波分解系数的对数能量熵LOEi的计算公式是：
步骤S1013：根据每个时段对应的数据特征构建电能质量扰动信号的特征向量。
步骤S102：对特征向量进行降维处理。
步骤S103：利用预先构建的LS-SVM分类器并根据多个预设的电能质量扰动类别对特征向量进行识别，得到该特征向量对应的电能质量扰动类别。
具体地，本实施例中LS-SVM分类器是根据多个电能质量扰动类别对应的电能质量扰动仿真信号并利用机器学习算法所构建的电能质量扰动分类模型。可选的，在本实施例中电能质量扰动类别可以包括“电压暂升”、“电压暂降”、“谐波”、“电压中断”、“电压暂升及谐波”和“电压暂降及谐波”。在本实施例提供的一个优选实施方案中，可以按照下列步骤对LS-SVM分类器进行训练并且利用训练后的LS-SVM分类器对特征向量进行识别：
步骤S201：根据预先构建的每个电能质量扰动类别的扰动仿真模型获取每个电能质量扰动类别对应的电能质量扰动仿真信号。
本实施例中电压暂升对应的扰动仿真模型如下式(11)所示：
x(t)＝A(1+α(u(t-t1)-u(t-t2)))sin(ωt) (11)
公式(11)中各参数含义是：
x(t)表示t时刻的电压暂升仿真信号，A是预设的电压幅值，u(t-t1)表示阶跃信号，即在时间t＞t1时值为1，u(t-t2)表示阶跃信号，即在时间t＞t2时值为1，ω是角频率，“α”表示电压暂升幅度并且0.1≤α≤0.8,T≤t2-t1≤9T。
本实施例中电压暂降对应的扰动仿真模型如下式(12)所示：
x(t)＝A(1-α(u(t-t1)-u(t-t2)))sin(ωt) (12)
公式(12)中各参数含义是：
x(t)表示t时刻的电压暂降仿真信号，A是预设的电压幅值，u(t-t1)表示阶跃信号，即在时间t＞t1时值为1，u(t-t2)表示阶跃信号，即在时间t＞t2时值为1，ω是角频率，“α”表示电压暂降幅度并且0.1≤α≤0.9,T≤t2-t1≤9T。
本实施例中谐波对应的扰动仿真模型如下式(13)所示：
x(t)＝A(1-α(u(t-t1)-u(t-t2)))sin(ωt) (13)
公式(13)中各参数含义是：
x(t)表示t时刻的谐波电压仿真信号，A是预设的电压幅值，u(t-t1)表示阶跃信号，即在时间t＞t1时值为1，u(t-t2)表示阶跃信号，即在时间t＞t2时值为1，ω是角频率，“α”表示电压中断幅度并且0.95≤α≤1,T≤t2-t1≤9T。
本实施例中电压中断对应的扰动仿真模型如下式(14)所示：
公式(14)中各参数含义是：
x(t)表示t时刻的电压中断仿真信号，A是预设的电压幅值，ω是角频率，“α1”、“α3”、“α5”和“α7”分别表示1次、3次、5次、7次谐波幅度，
并且其中，“αi”表示第i次谐波幅度且i＝1、3、5、7。
本实施例中电压暂升及谐波对应的扰动仿真模型如下式(15)所示：
公式(15)中各参数含义是：
x(t)表示t时刻的电压暂升及谐波对应的仿真信号，A是预设的电压幅值，u(t-t1)表示阶跃信号，即在时间t＞t1时值为1，u(t-t2)表示阶跃信号，即在时间t＞t2时值为1，ω是角频率，“α1”、“α3”和“α5”分别表示1次、3次、5次谐波幅度并且
其中，“αi”表示第i次谐波幅度且i＝1、3、5，T是预设的电压周期。
本实施例中电压暂降及谐波对应的扰动仿真模型如下式(16)所示：
公式(16)中各参数含义是：
x(t)表示t时刻的电压暂降及谐波对应的仿真信号，A是预设的电压幅值，u(t-t1)表示阶跃信号，即在时间t＞t1时值为1，u(t-t2)表示阶跃信号，即在时间t＞t2时值为1，ω是角频率，“α1”、“α3”和“α5”分别表示1次、3次、5次谐波幅度并且
其中，“αi”表示第i次谐波幅度且i＝1、3、5，T是预设的电压周期。
步骤S202：根据电能质量扰动仿真信号并利用机器学习算法对LS-SVM分类器进行训练。
具体地，针对上述“电压暂升”、“电压暂降”、“谐波”、“电压中断”、“电压暂升及谐波”和“电压暂降及谐波”六类电能质量扰动可以按照下列步骤对电能质量扰动分类模型进行训练：
步骤S2011：利用图1所示的电能质量扰动识别方法对步骤201所获取的仿真信号(即利用公式(11)～公式(16)所获取的仿真信号)进行小波变换多分辨率分析。
步骤S2012：利用图1所示的电能质量扰动识别方法并且根据上述分析结果获取每类电能质量扰动仿真信号的特征向量(即利用公式(3)～公式(10)所获取的数据特征构建特征向量)。
步骤S2013：对上述特征向量进行降维处理。
可选地，本实施例可以利用主成分分析法(Principal Components Analysis，PCA)对特征向量进行降维。具体地，计算特征向量的协方差矩阵，求其本征值并从大到小排序，根据选取的多个本征值得到本征向量构建PCA变换矩阵，进而得到多个主成份特征作为电能质量扰动的特征向量。其中，所选取的本征值之和占协方差矩阵所有本征值之和的90％。
步骤S2014：将降维后的特征向量随机划分为训练集和测试集。其中，训练集和测试集所包含数据的比例是7:3。
步骤S2015：利用机器学习算法并且根据上述训练集对LS-SVM分类器进行训练。
具体地，本实施例中对LS-SVM分类器进行训练所使用的目标函数如下式(17)所示：
公式(17)中各参数含义是：
“y(x)”表示电能质量扰动仿真信号x对应的电能质量扰动类别，xi是电能质量扰动训练集x中第i个样本对应的数据特征，N为训练集中训练样本的个数，γi是预设的第i个样本对应的拉格朗日乘子，b是分类器的偏置项，“K”表示预设的核函数。
步骤S2016：利用上述测试集对训练后的LS-SVM分类器进行测试。具体地，本实施例中LS-SVM分类器的测试结果如下表1所示：
表1
| C1 | C2 | C3 | C4 | C5 | C6 | 准确率 | |
| C1 | 56 | 0 | 0 | 4 | 0 | 0 | 93％ |
| C2 | 0 | 60 | 0 | 0 | 0 | 0 | 100％ |
| C3 | 0 | 0 | 60 | 0 | 0 | 0 | 100％ |
| C4 | 4 | 0 | 0 | 56 | 0 | 0 | 93％ |
| C5 | 0 | 0 | 0 | 0 | 60 | 0 | 100％ |
| C6 | 0 | 0 | 0 | 0 | 0 | 60 | 100％ |
表1中各参数含义是：
“C1”、“C2”、“C3”、“C4”、“C5”和“C6”分别表示“电压暂升”、“电压暂降”、“电压中断”、“谐波”、“电压暂升及谐波”和“电压暂降及谐波”。
根据表1可以得到，“电压暂升”和“谐波”的识别准确率均是56/60≈93％，“电压暂降”、“电压中断”、“电压暂升及谐波”和“电压暂降及谐波”的识别准确率均是100％，从而可以得到上述LS-SVM分类器的总体识别准确率是(93％×2+100％×4)/100％×6≈97.7％，即该LS-SVM分类器对“电压暂升”、“电压暂降”、“电压中断”、“谐波”、“电压暂升及谐波”和“电压暂降及谐波”具有较高的识别准确率。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
基于上述方法实施例，本发明还提供了一种存储装置，该存储装置中存储有多条程序，这些程序适于由处理器加载以执行上述方法实施例所述的基于小波变换的电能质量扰动识别方法。
进一步地，基于上述方法实施例，本发明还提供了一种控制装置，该控制装置可以包括处理器和存储设备。具体地，存储设备适于存储多条程序，这些程序适于由处理器加载以执行上述方法实施例所述的基于小波变换的电能质量扰动识别方法。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”和“包括”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的PC来实现。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在本发明的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种基于小波变换的电能质量扰动识别方法，其特征在于包括：
利用小波变换多分辨率分析法对预先获取的电能质量扰动信号进行分析并且根据分析结果获取所述电能质量扰动信号的特征向量；
利用预先构建的LS-SVM分类器并根据多个预设的电能质量扰动类别对所述特征向量进行识别，得到该特征向量对应的电能质量扰动类别；
其中，所述LS-SVM分类器是根据所述多个电能质量扰动类别对应的电能质量扰动仿真信号并利用机器学习算法所构建的电能质量扰动分类模型。
2.根据权利要求1所述的基于小波变换的电能质量扰动识别方法，其特征在于，在“利用预先构建的LS-SVM分类器并根据多个预设的电能质量扰动类别对所述特征向量进行识别”的步骤之前，所述方法还包括：
对所述特征向量进行降维处理。
相应地，“利用预先构建的LS-SVM分类器并根据多个预设的电能质量扰动类别对所述特征向量进行识别”的步骤是利用所述LS-SVM分类器并根据多个电能质量扰动类别对所述降维处理后的特征向量进行识别。
3.根据权利要求1或2所述的基于小波变换的电能质量扰动识别方法，其特征在于，“利用小波变换多分辨率分析法对预先获取的电能质量扰动信号进行分析并且根据分析结果获取所述电能质量扰动信号的特征向量”的步骤包括：
利用小波变换多分辨率分析方法获取所述电能质量扰动信号在每个频段的小波分解系数；
根据所述每个频段的小波分解系数和预设的数据特征类别，获取每个频段对应的数据特征；
根据所述每个时段对应的数据特征构建所述电能质量扰动信号的特征向量。
4.根据权利要求1-3中任一项所述的基于小波变换的电能质量扰动识别方法，其特征在于，在“利用预先构建的LS-SVM分类器并根据多个预设的电能质量扰动类别对所述特征向量进行识别”的步骤之前，所述方法还包括：
根据预先构建的每个所述电能质量扰动类别的扰动仿真模型获取所述每个电能质量扰动类别对应的电能质量扰动仿真信号；
根据所述电能质量扰动仿真信号并利用机器学习算法对所述电能质量扰动分类模型进行训练。
5.根据权利要求1-3中任一项所述的基于小波变换的电能质量扰动识别方法，其特征在于，所述电能质量扰动类别包括电压暂升、电压暂降、谐波、电压中断、电压暂升及谐波、电压暂降及谐波。
6.根据权利要求3所述的基于小波变换的电能质量扰动识别方法，其特征在于，所述数据特征类别包括所述每个频段内小波分解系数的均值、标准差、偏度、峰度、均方根值、能量、熵和对数能量熵。
7.根据权利要求6所述的基于小波变换的电能质量扰动识别方法，其特征在于，所述方法还包括：
按照下式所示的方法计算小波分解系数的均值：
其中，所述ui是第i个频段内小波分解系数的均值，所述Cij是第i个频段内的第j个小波分解系数，所述N是所述第i个频段内小波分解系数的总数；
按照下式所示的方法计算小波分解系数的标准差：
其中，所述σi是第i个频段内小波分解系数的标准差；
按照下式所示的方法计算小波分解系数的偏度：
其中，所述SKi是第i个频段内小波分解系数的偏度；
按照下式所示的方法计算小波分解系数的峰度：
其中，所述Ki是第i个频段内小波分解系数的峰度；
按照下式所示的方法计算小波分解系数的均方根值：
其中，所述RMSi是第i个频段内小波分解系数的均方根值；
按照下式所示的方法计算小波分解系数的能量：
其中，所述Ei是第i个频段内小波分解系数的能量；
按照下式所示的方法计算小波分解系数的熵：
其中，所述SEi是第i个频段内小波分解系数的熵；
按照下式所示的方法计算小波分解系数的对数能量熵：
其中，所述LOEi是第i个频段内小波分解系数的对数能量熵。
8.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载以执行权利要求1-7中任一项所述的基于小波变换的电能质量扰动识别方法。
9.一种控制装置，包括处理器和存储设备，所述存储设备适于存储多条程序，其特征在于，所述程序适于由所述处理器加载以执行权利要求1-7中任一项所述的基于小波变换的电能质量扰动识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810779836.4A CN109101890A (zh) | 2018-07-16 | 2018-07-16 | 基于小波变换的电能质量扰动识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810779836.4A CN109101890A (zh) | 2018-07-16 | 2018-07-16 | 基于小波变换的电能质量扰动识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109101890A true CN109101890A (zh) | 2018-12-28 |
Family
ID=64846350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810779836.4A Pending CN109101890A (zh) | 2018-07-16 | 2018-07-16 | 基于小波变换的电能质量扰动识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109101890A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110174127A (zh) * | 2019-05-19 | 2019-08-27 | 瑞立集团瑞安汽车零部件有限公司 | 一种基于寄生电容的传感器型号识别方法及装置 |
| CN110245584A (zh) * | 2019-05-28 | 2019-09-17 | 全球能源互联网研究院有限公司 | 一种电压暂降原因识别方法及系统 |
| 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 |
| CN111027488A (zh) * | 2019-12-11 | 2020-04-17 | 深圳先进技术研究院 | 一种信号分类的方法和设备 |
| CN113361427A (zh) * | 2021-06-11 | 2021-09-07 | 温州大学 | 基于wt与ga-pnn的复合电能质量扰动分类方法 |
| CN116541686A (zh) * | 2022-11-01 | 2023-08-04 | 河海大学 | 基于多域特征融合极限学习机的电能质量扰动分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103488996A (zh) * | 2013-09-05 | 2014-01-01 | 国家电网公司 | 一种基于小波域统计值的电能质量扰动信号分类方法 |
| CN107315111A (zh) * | 2017-07-17 | 2017-11-03 | 浙江群力电气有限公司 | 一种电能质量扰动分类方法及系统 |
| CN107886085A (zh) * | 2017-11-29 | 2018-04-06 | 华北电力大学（保定） | 一种基于t‑SNE的电能质量扰动特征提取方法 |
| CN108052863A (zh) * | 2017-11-10 | 2018-05-18 | 华北电力大学（保定） | 基于最大方差展开法的电能质量扰动识别方法 |
-
2018
- 2018-07-16 CN CN201810779836.4A patent/CN109101890A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103488996A (zh) * | 2013-09-05 | 2014-01-01 | 国家电网公司 | 一种基于小波域统计值的电能质量扰动信号分类方法 |
| CN107315111A (zh) * | 2017-07-17 | 2017-11-03 | 浙江群力电气有限公司 | 一种电能质量扰动分类方法及系统 |
| CN108052863A (zh) * | 2017-11-10 | 2018-05-18 | 华北电力大学（保定） | 基于最大方差展开法的电能质量扰动识别方法 |
| CN107886085A (zh) * | 2017-11-29 | 2018-04-06 | 华北电力大学（保定） | 一种基于t‑SNE的电能质量扰动特征提取方法 |
Non-Patent Citations (4)
| Title |
|---|
| 何小海 等: "《图像通信》", 31 May 2005 * |
| 张全明 等: "最小二乘支持向量机在电能质量扰动分类中的应用", 《中国电机工程学报》 * |
| 瞿合祚 等: "一种电能质量多扰动分类中特征组合优化方法", 《电力自动化设备》 * |
| 赵莹 等: "应用主成分分析约简电压暂降扰动源识别特征的方法", 《电力系统保护与控制》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110174127A (zh) * | 2019-05-19 | 2019-08-27 | 瑞立集团瑞安汽车零部件有限公司 | 一种基于寄生电容的传感器型号识别方法及装置 |
| CN110174127B (zh) * | 2019-05-19 | 2021-09-28 | 瑞立集团瑞安汽车零部件有限公司 | 一种基于寄生电容的传感器型号识别方法及装置 |
| CN110245584A (zh) * | 2019-05-28 | 2019-09-17 | 全球能源互联网研究院有限公司 | 一种电压暂降原因识别方法及系统 |
| 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 |
| CN111027488A (zh) * | 2019-12-11 | 2020-04-17 | 深圳先进技术研究院 | 一种信号分类的方法和设备 |
| WO2021115059A1 (zh) * | 2019-12-11 | 2021-06-17 | 深圳先进技术研究院 | 一种信号分类的方法和设备 |
| CN113361427A (zh) * | 2021-06-11 | 2021-09-07 | 温州大学 | 基于wt与ga-pnn的复合电能质量扰动分类方法 |
| CN113361427B (zh) * | 2021-06-11 | 2024-03-15 | 温州大学 | 基于wt与ga-pnn的复合电能质量扰动分类方法 |
| CN116541686A (zh) * | 2022-11-01 | 2023-08-04 | 河海大学 | 基于多域特征融合极限学习机的电能质量扰动分类方法 |
| CN116541686B (zh) * | 2022-11-01 | 2024-03-15 | 河海大学 | 基于多域特征融合极限学习机的电能质量扰动分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109101890A (zh) | 基于小波变换的电能质量扰动识别方法及装置 | |
| Shukla et al. | Feature extraction and selection for emotion recognition from electrodermal activity | |
| US11287470B2 (en) | Vector-valued regularized kernel function approximation based fault diagnosis method for analog circuit | |
| Manikandan et al. | Detection and classification of power quality disturbances using sparse signal decomposition on hybrid dictionaries | |
| CN104655425B (zh) | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 | |
| Kumar et al. | Recognition of single-stage and multiple power quality events using Hilbert–Huang transform and probabilistic neural network | |
| CN104156736B (zh) | 基于sae和idl的极化sar图像分类方法 | |
| CN106441897A (zh) | 基于字典学习的形态分量轴承故障诊断方法 | |
| CN109155006A (zh) | 使用神经网络进行基于频率的音频分析 | |
| CN107945817A (zh) | 心肺音信号分类方法、检测方法、装置、介质和计算机设备 | |
| CN104807534B (zh) | 基于在线振动数据的设备固有振动模式自学习识别方法 | |
| CN110967599A (zh) | 一种电能质量扰动检测与定位算法 | |
| CN108229382A (zh) | 振动信号特征提取方法、装置、存储介质和计算机设备 | |
| CN102645649A (zh) | 基于雷达目标距离像时频特征提取的雷达目标识别方法 | |
| CN106772227A (zh) | 一种基于声纹多谐波识别的无人机方向估计方法 | |
| CN104156628B (zh) | 一种基于多核学习判别分析的舰船辐射信号识别方法 | |
| CN109817222A (zh) | 一种年龄识别方法、装置及终端设备 | |
| CN108694953A (zh) | 一种基于Mel子带参数化特征的鸟鸣自动识别方法 | |
| CN106324458A (zh) | 一种由电晕电流数据获得可听噪声的方法 | |
| Koley et al. | Wavelet-aided SVM tool for impulse fault identification in transformers | |
| CN102982351A (zh) | 基于bp神经网络的瓷绝缘子振动声学检测数据分类方法 | |
| CN110458189A (zh) | 压缩感知和深度卷积神经网络电能质量扰动分类方法 | |
| CN107423671A (zh) | 一种基于成分向量的经验模态分解高频数据的降噪方法 | |
| CN102988041B (zh) | 心磁信号噪声抑制中的信号选择性平均方法 | |
| Li et al. | Adaptive S transform for feature extraction in voltage sags |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181228 |