CN109324247A - 一种电能质量扰动信号特征向量提取方法 - Google Patents
一种电能质量扰动信号特征向量提取方法 Download PDFInfo
- Publication number
- CN109324247A CN109324247A CN201811347120.3A CN201811347120A CN109324247A CN 109324247 A CN109324247 A CN 109324247A CN 201811347120 A CN201811347120 A CN 201811347120A CN 109324247 A CN109324247 A CN 109324247A
- Authority
- CN
- China
- Prior art keywords
- coefficient
- scale
- power quality
- quality disturbance
- wavelet
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电能质量扰动信号特征向量提取方法。一种电能质量扰动信号特征向量提取方法,其中,包括如下步骤:S1.输入电能质量扰动信号;S2.分别选取两个基小波,分别计算电能质量扰动信号和两个基小波函数的相关系数;S3.分别使用步骤S2的两个基小波对电能质量扰动信号进行小波分解,得到最高分解尺度上的尺度系数和各分解尺度上的小波系数;S4.对于步骤S3得到最高分解尺度上的尺度系数和各分解尺度上的小波系数,计算其p阶标准熵;S5.利用步骤S2得到的相关系数和步骤S4得到的p阶标准熵,构建电能质量扰动信号的特征向量。本发明的方法综合了不同基小波的优势,使得提取的特征向量更能表征电能质量扰动信号。
Description
技术领域
本发明涉及电能质量监测技术领域,更具体地,涉及一种电能质量扰动信号特征向量提取方法。
背景技术
近年来,随着电网中电力电子设备的广泛应用以及光伏、风电等分布式电源的大量接入,其所引起的电能质量问题日益突出。在精密加工以及人们生活对电能质量要求日趋严格的条件下,需对电能质量干扰进行精确分类,进而分析引起电能质量扰动信号的原因和采取相应的治理措施。
对电能质量扰动信号进行分类时,信号特征向量提取是第一步。在特征向量提取方法中,小波分析法由于具有良好的局部时频特性,已广泛应用于电能质量扰动信号的特征提取。在小波分析法中,使用不同基小波具有不同的效果,所以运用单一基小波分析不同的电能质量扰动信号具有极限性。
发明内容
本发明为克服现有技术中的至少一项缺陷,提供一种电能质量扰动信号特征向量提取方法。本发明的方法综合了不同基小波的优势,使得提取的特征向量更能表征电能质量扰动信号。
为解决上述技术问题,本发明采用的技术方案是:一种电能质量扰动信号特征向量提取方法,其中,包括如下步骤:
S1.输入电能质量扰动信号;
S2.分别选取两个基小波,分别计算电能质量扰动信号和两个基小波函数的相关系数;
S3.分别使用步骤S2的两个基小波对电能质量扰动信号进行小波分解,得到最高分解尺度上的尺度系数和各分解尺度上的小波系数;
S4.对于步骤S3得到最高分解尺度上的尺度系数和各分解尺度上的小波系数,计算其p阶标准熵;
S5.利用步骤S2得到的相关系数和步骤S4得到的p阶标准熵,构建电能质量扰动信号的特征向量。
进一步的,所述步骤S1中,输入电能质量扰动信号,记为f(t),t=1,2,3,.....,T,为信号采样点。
进一步的,所述步骤S2中,分别计算电能质量扰动信号和两个基小波函数的相关系数具体包括如下步骤:
S21.分别选取基小波sym4和sym5,其函数分别为ψ1(t)和ψ2(t);
S22.分别计算f(t)和ψ1(t)、ψ2(t)的相关系数,记为r1和r2:
进一步的,所述步骤S3中,得到最高分解尺度上的尺度系数和各分解尺度上的小波系数具体包括如下步骤:
S31.使用基小波sym4对电能质量扰动信号进行小波分解,得到最高分解尺度上的尺度系数和各分解尺度上的小波系数;其中aJ1(k)表示最高分解尺度上的尺度系数,J为分解尺度;dj1(k)表示各分解尺度上的小波系数,j=1,2,3...,J,k=1,2,3...,K,K为数据点长度;
S32.使用基小波sym5对电能质量扰动信号进行小波分解,得到最高分解尺度上的尺度系数和各分解尺度上的小波系数;其中aJ2(k)表示最高分解尺度上的尺度系数,J为分解尺度;dj2(k)表示各分解尺度上的小波系数,j=1,2,3...,J,k=1,2,3...,K,K为数据点长度。
进一步的,所述步骤S4中,计算p阶标准熵具体包括如下步骤:
S41.尺度系数aJ1(k)的p阶标准熵为Wa1:
S42.尺度系数aJ2(k)的p阶标准熵为Wa2:
S43.小波系数dj1(k)的p阶标准熵为Wdj1:
S44.小波系数dj2(k)的p阶标准熵为Wdj2:
进一步的,所述步骤S5中,利用步骤S2得到的相关系数r1、r2,以及步骤S4得到的p阶标准熵Wa1、Wa2、Wdj1、Wdj2,构建电能质量扰动信号的特征向量:
λ=[λa,λd1,....,λdJ]
λ为电能质量扰动信号的特征向量,λa=r1Wa1+r2Wa2,λdj=r1Wdj1+r2Wdj2,j=1,2...,J。
与现有技术相比,本发明的有益效果:
本发明的方法综合了不同基小波的优势,使得提取的特征向量更能表征电能质量扰动信号。
附图说明
图1是本发明的整体流程示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
一种电能质量扰动信号特征向量提取方法,其中,包括如下步骤:
S1.输入电能质量扰动信号,记为f(t),t=1,2,3,.....,T,为信号采样点。
S2.分别选取两个基小波,分别计算电能质量扰动信号和两个基小波函数的相关系数;具体包括如下步骤:
S21.分别选取基小波sym4和sym5,其函数分别为ψ1(t)和ψ2(t);
S22.分别计算f(t)和ψ1(t)、ψ2(t)的相关系数,记为r1和r2:
S3.分别使用步骤S2的两个基小波对电能质量扰动信号进行小波分解,得到最高分解尺度上的尺度系数和各分解尺度上的小波系数;具体包括如下步骤:
S31.使用基小波sym4对电能质量扰动信号进行小波分解,得到最高分解尺度上的尺度系数和各分解尺度上的小波系数;其中aJ1(k)表示最高分解尺度上的尺度系数,J为分解尺度;dj1(k)表示各分解尺度上的小波系数,j=1,2,3...,J,k=1,2,3...,K,K为数据点长度;
S32.使用基小波sym5对电能质量扰动信号进行小波分解,得到最高分解尺度上的尺度系数和各分解尺度上的小波系数;其中aJ2(k)表示最高分解尺度上的尺度系数,J为分解尺度;dj2(k)表示各分解尺度上的小波系数,j=1,2,3...,J,k=1,2,3...,K,K为数据点长度。
S4.对于步骤S3得到最高分解尺度上的尺度系数和各分解尺度上的小波系数,计算其p阶标准熵;具体包括如下步骤:
S41.尺度系数aJ1(k)的p阶标准熵为Wa1:
S42.尺度系数aJ2(k)的p阶标准熵为Wa2:
S43.小波系数dj1(k)的p阶标准熵为Wdj1:
S44.小波系数dj2(k)的p阶标准熵为Wdj2:
S5.利用步骤S2得到的相关系数和步骤S4得到的p阶标准熵,构建电能质量扰动信号的特征向量。具体的,利用步骤S2得到的相关系数r1、r2,以及步骤S4得到的p阶标准熵Wa1、Wa2、Wdj1、Wdj2,构建电能质量扰动信号的特征向量:
λ=[λa,λd1,....,λdJ]
λ为电能质量扰动信号的特征向量,λa=r1Wa1+r2Wa2,λdj=r1Wdj1+r2Wdj2,j=1,2...,J。
显然,本发明的上述实施例仅仅是为了清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种电能质量扰动信号特征向量提取方法,其特征在于,包括如下步骤:
S1.输入电能质量扰动信号;
S2.分别选取两个基小波,分别计算电能质量扰动信号和两个基小波函数的相关系数;
S3.分别使用步骤S2的两个基小波对电能质量扰动信号进行小波分解,得到最高分解尺度上的尺度系数和各分解尺度上的小波系数;
S4.对于步骤S3得到最高分解尺度上的尺度系数和各分解尺度上的小波系数,计算其p阶标准熵;
S5.利用步骤S2得到的相关系数和步骤S4得到的p阶标准熵,构建电能质量扰动信号的特征向量。
2.根据权利要求1所述的一种电能质量扰动信号特征向量提取方法,其特征在于,所述步骤S1中,输入电能质量扰动信号,记为f(t),t=1,2,3,.....,T,为信号采样点。
3.根据权利要求2所述的一种电能质量扰动信号特征向量提取方法,其特征在于,所述步骤S2中,分别计算电能质量扰动信号和两个基小波函数的相关系数具体包括如下步骤:
S21.分别选取基小波sym4和sym5,其函数分别为ψ1(t)和ψ2(t);
S22.分别计算f(t)和ψ1(t)、ψ2(t)的相关系数,记为r1和r2:
4.根据权利要求3所述的一种电能质量扰动信号特征向量提取方法,其特征在于,所述步骤S3中,得到最高分解尺度上的尺度系数和各分解尺度上的小波系数具体包括如下步骤:
S31.使用基小波sym4对电能质量扰动信号进行小波分解,得到最高分解尺度上的尺度系数和各分解尺度上的小波系数;其中aJ1(k)表示最高分解尺度上的尺度系数,J为分解尺度;dj1(k)表示各分解尺度上的小波系数,j=1,2,3...,J,k=1,2,3...,K,K为数据点长度;
S32.使用基小波sym5对电能质量扰动信号进行小波分解,得到最高分解尺度上的尺度系数和各分解尺度上的小波系数;其中aJ2(k)表示最高分解尺度上的尺度系数,J为分解尺度;dj2(k)表示各分解尺度上的小波系数,j=1,2,3...,J,k=1,2,3...,K,K为数据点长度。
5.根据权利要求4所述的一种电能质量扰动信号特征向量提取方法,其特征在于,所述步骤S4中,计算p阶标准熵具体包括如下步骤:
S41.尺度系数aJ1(k)的p阶标准熵为Wa1:
S42.尺度系数aJ2(k)的p阶标准熵为Wa2:
S43.小波系数dj1(k)的p阶标准熵为Wdj1:
S44.小波系数dj2(k)的p阶标准熵为Wdj2:
6.根据权利要求4所述的一种电能质量扰动信号特征向量提取方法,其特征在于,所述步骤S5中,利用步骤S2得到的相关系数r1、r2,以及步骤S4得到的p阶标准熵Wa1、Wa2、Wdj1、Wdj2,构建电能质量扰动信号的特征向量:
λ=[λa,λd1,....,λdJ]
λ为电能质量扰动信号的特征向量,λa=r1Wa1+r2Wa2,λdj=r1Wdj1+r2Wdj2,j=1,2...,J。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811347120.3A CN109324247B (zh) | 2018-11-13 | 2018-11-13 | 一种电能质量扰动信号特征向量提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811347120.3A CN109324247B (zh) | 2018-11-13 | 2018-11-13 | 一种电能质量扰动信号特征向量提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109324247A true CN109324247A (zh) | 2019-02-12 |
CN109324247B CN109324247B (zh) | 2020-02-04 |
Family
ID=65260149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811347120.3A Active CN109324247B (zh) | 2018-11-13 | 2018-11-13 | 一种电能质量扰动信号特征向量提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109324247B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103454537A (zh) * | 2013-09-16 | 2013-12-18 | 国家电网公司 | 基于小波分析的风力发电低电压穿越检测设备及方法 |
CN107123987A (zh) * | 2017-05-11 | 2017-09-01 | 华东交通大学 | 基于在线训练加权svm的电能质量扰动识别方法 |
CN107153155A (zh) * | 2017-06-26 | 2017-09-12 | 广东电网有限责任公司珠海供电局 | 一种电缆局部放电信号特征向量提取方法 |
JP2018011188A (ja) * | 2016-07-13 | 2018-01-18 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
CN107765153A (zh) * | 2017-11-02 | 2018-03-06 | 广东电网有限责任公司珠海供电局 | 一种基于小波变换模极大值的电缆局部放电信号特征向量提取方法 |
CN107991589A (zh) * | 2017-11-28 | 2018-05-04 | 广东电网有限责任公司珠海供电局 | 一种基于原子分解的电缆局部放电信号特征向量提取方法 |
CN108710861A (zh) * | 2018-05-23 | 2018-10-26 | 河海大学文天学院 | 一种电网扰动信号检测识别方法 |
-
2018
- 2018-11-13 CN CN201811347120.3A patent/CN109324247B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103454537A (zh) * | 2013-09-16 | 2013-12-18 | 国家电网公司 | 基于小波分析的风力发电低电压穿越检测设备及方法 |
JP2018011188A (ja) * | 2016-07-13 | 2018-01-18 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
CN107123987A (zh) * | 2017-05-11 | 2017-09-01 | 华东交通大学 | 基于在线训练加权svm的电能质量扰动识别方法 |
CN107153155A (zh) * | 2017-06-26 | 2017-09-12 | 广东电网有限责任公司珠海供电局 | 一种电缆局部放电信号特征向量提取方法 |
CN107765153A (zh) * | 2017-11-02 | 2018-03-06 | 广东电网有限责任公司珠海供电局 | 一种基于小波变换模极大值的电缆局部放电信号特征向量提取方法 |
CN107991589A (zh) * | 2017-11-28 | 2018-05-04 | 广东电网有限责任公司珠海供电局 | 一种基于原子分解的电缆局部放电信号特征向量提取方法 |
CN108710861A (zh) * | 2018-05-23 | 2018-10-26 | 河海大学文天学院 | 一种电网扰动信号检测识别方法 |
Non-Patent Citations (1)
Title |
---|
罗新 等: ""基于小波包分解的XLPE配电电缆局部放电波形特征提取与识别"", 《高压电器》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109324247B (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104330471B (zh) | 航空结构损伤的Lamb波时变概率模型监测方法 | |
CN106778923B (zh) | 一种电能质量扰动信号分类方法及装置 | |
Liao et al. | Denoising techniques with a spatial noise-suppression method for wavelet-based power quality monitoring | |
Jiang et al. | A novel wind speed prediction method based on robust local mean decomposition, group method of data handling and conditional kernel density estimation | |
Bao et al. | A compressed sensing approach to blind separation of speech mixture based on a two-layer sparsity model | |
Konstantinopoulos et al. | Synchrophasor missing data recovery via data-driven filtering | |
CN109582919A (zh) | 一种基于均匀线性阵列的空时参数估计方法 | |
CN105572501A (zh) | 一种基于sst变换和ls-svm的电能质量扰动识别方法 | |
CN108268837A (zh) | 基于小波熵和混沌特性的辐射源指纹特征提取方法 | |
Zhou et al. | Temporal and spatial distribution characteristics of water resources in Guangdong Province based on a cloud model | |
Chen et al. | Application of Shannon wavelet entropy and Shannon wavelet packet entropy in analysis of power system transient signals | |
CN107765153B (zh) | 一种基于小波变换模极大值的电缆局部放电信号特征向量提取方法 | |
Tabatabaei et al. | Fault location techniques in power system based on traveling wave using wavelet analysis and GPS timing | |
CN109446910B (zh) | 一种通信辐射源信号分类识别方法 | |
Ding et al. | Full‐reference image quality assessment using statistical local correlation | |
Yu et al. | Multiple time scale characteristics of rainfall and its impact on soil salinization in the typical easily salinized area in Huang-Huai-Hai Plain, China | |
CN109324247A (zh) | 一种电能质量扰动信号特征向量提取方法 | |
CN112629651A (zh) | 一种基于压缩感知的输电线路舞动信息重构方法 | |
CN103954932B (zh) | 一种基于信号循环平稳特性的盲抽取方法 | |
Li et al. | Monthly Mean Meteorological Temperature Prediction Based on VMD‐DSE and Volterra Adaptive Model | |
Zoglat et al. | Statistical methods to expect extreme values: Application of POT approach to CAC40 return index | |
CN107144874A (zh) | 一种基于对enpemf信号进行bswt‑ddtfa时频分析的方法及系统 | |
CN109387757B (zh) | 一种局部放电信号特征向量提取方法 | |
Jeyaseelan et al. | Spectral analysis of wave elevation time histories using multi-taper method | |
Sebastian et al. | A Neural Network based power quality signal classification system using wavelet energy distribution |
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 |