CN109374997B - 基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法 - Google Patents
基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法 Download PDFInfo
- Publication number
- CN109374997B CN109374997B CN201811020414.5A CN201811020414A CN109374997B CN 109374997 B CN109374997 B CN 109374997B CN 201811020414 A CN201811020414 A CN 201811020414A CN 109374997 B CN109374997 B CN 109374997B
- Authority
- CN
- China
- Prior art keywords
- vmd
- power system
- disturbance
- hybrid power
- power quality
- 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
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
基于VMD初始化S变换的混合动力系统电能质量扰动检测与评估技术,包括:基于变分模态分解(VMD)初始化S变换技术对接入配电网的DG类型以及操作事件改变而产生的不同特征PQ扰动进行检测分类识别。搭建了基于风能发电、光伏发电的IEEE‑13节点的混合动力系统作为测试平台验证所提算法的有效性。首先,从PQ扰动信号中提取F1、F2特征量,作为接入混合动力系统分布式能源分类的标准。其次通过VMD初始化S变换,从S变换矩阵中提取F3‑F7特征量作为FCM聚类算法的输入,对每种分布式能源接入条件下由于操作事件改变引起的PQ扰动进行分类。在所提方法和现有方法之间进行百分比准确性比较,验证了所提算法的有效性;最后提出了电能质量评价指标,并在该指标下对9类扰动情况的电能质量影响因子进行评估。
Description
技术领域
本发明属于电能质量扰动信号检测分类技术领域,具体涉及一种基于VMD初始化S变换的混合动力系统电能质量扰动检测与评估方法。
背景技术
目前,电能质量监测已成为保护电气和电子设备,识别干扰原因的重要环节。传统的电能质量指在特定范围内电力、电压、频率调节的可用性。随着可持续发展的目标在电网中不断深入,越来越多的可再生能源和分布式发电在配电网中集成。由于其具备随机性、间歇性等特点,当大量集成时产生的电能质量扰动信号具备一定特点。它们利用电力电子设备作为电网的连口,固态开关器件、非线性负载、整流器和逆变器、继电保护设备也是PQ扰动的原因。除了初始需求谐波失真、短时间内瞬变、电压闪变等也成为电能质量中必须考虑的因素。PQ扰动如果不能及时发现并且降低扰动指标,可能会导致电力传输和配电网络的中断、设备损坏或效率降低,将会造成巨大的经济损失。因此,PQ扰动监测尤为重要。如何在供电不中断的情况下使电能质量迅速恢复成为当下研究重点和难点。在复杂的电力系统中,大量的PQ扰动数据很难进行分析和监测,智能化和自动化的算法使得当系统在面临操作环境突变时,满足用户对电能质量的要求。
S变换是一种基于时间频率的光谱定位技术,具有小波变换和短时傅里叶变换的优点,该变换给出了信号的分辨率,具有可调节功能的窗口函数,并且提供了分析PQ干扰信号的相位谱和振幅。即使在高电平噪声下也可以实现高精度的转换。人工智能方法通常用于确定PQ扰动的各种模式。
发明内容
本发明提供一种基于VMD初始化S变换的混合动力系统电能质量扰动检测与评估方法,该方法具有较低的计算负担,并能准确的将具有重叠特征的扰动进行分类。
本发明采取的技术方案为:
基于VMD初始化S变换的混合动力系统电能质量扰动检测与评估方法,首先,通过从PQ扰动信号中提取F1、F2统计特征量,作为接入混合动力系统分布式能源分类的标准;其次,通过VMD初始化S变换,对包含最大特征信息的模态函数进行S变换多分辨率分解,提取F3-F7特征量作为FCM聚类算法的输入,对每种分布式能源接入条件下由于操作事件改变引起的PQ扰动进行分类,对每一类电能质量扰动的100个数据集进行了测试,为了确定算法的可行性和有效性,在提出的方法和现有方法之间的百分比准确性方面进行比较,验证了仿真结果的有效性;最后,提出了电能质量评价指标,并在该指标下对9类扰动情况的电能质量影响因子进行评估。
基于VMD初始化S变换的混合动力系统电能质量扰动检测与评估方法,包括以下步骤:
步骤1:搭建混合动力系统,作为测试算法有效性的实验平台;
步骤2:采用变分模态分解(VMD),对扰动信号分解得到模态函数(BLIMF),进行电能质量扰动检测;
步骤3:对扰动信号求取统计特征量F1、F2并设定阈值作为分类标准;
步骤4:对包含最大特征信息的BLIMF函数进行S变换多分辨率分解得到S变换矩阵;
步骤5:通过S变换矩阵,计算F3-F7类统计特征量,作为模糊C均值聚类(FCM)算法的输入;
步骤6:根据步骤2求得的F1、F2统计特征量,作为混合动力系统接入的不同分布式能源分类依据;根据步骤3求得的F3-F7统计特征量,作为混合动力系统操作事件改变的分类依据;
步骤7:提出电能质量评价指标PQI,并在该指标下对混合动力系统下9类扰动信号进行评估。
所述步骤1中,所搭建的混合动力系统是一个IEEE-13总线配电网,连接到额定功率为5MVA,运行电压为4.16kV和0.48kV的电网,通过连接分布式电源将其改造为混合动力系统。
所述步骤2中,所述VMD分解模态函数数目为3个。根据经验选择分解模态数为3,因为PQ扰动存在两个及以下的特征。
所述步骤3中,所述统计特征量F1表示扰动信号峰度,F2表示扰动信号与正弦信号幅值最大偏差。
其中,x表示原始信号数据的数组;σ表示x的标准偏差;μ表示x的平均值;E是期望值;F2:此特征表示扰动信号与标准信号幅值最大偏差。
S变换矩阵表达式为:
所述步骤5中,所述的F3-F7统计特征量如下描述:
F3:S矩阵的均值,
F3=mean(abs(j,n)) (3)
F4:S矩阵的标准差,
F4=std(abs(j,n)) (4)
F5:S矩阵的方差,
F5=var(abs(j,n)) (5)
F6:表明S变换的频率等高线能量大小,
F6=(abs(S(j,n)))2 (6)
F7:S矩阵最大偏差,
F7=max(s(j,n))-F3 (7);
所述步骤5中,所述的模糊C均值聚类(FCM)算法其目标函数如式(8)所示。
式中m代表集群数量;xi表示n维测量数据的第i个元素;uij表示xi在集群j中的隶属度;cj表示集群的n维中心。
所述步骤5中,所述F3-F7特征量作为FCM聚类算法的输入。提取到6组有效的组合,分别是:F7-t、F6-F3、F3-F4、F3-F5、F4-F5和F6-F7。
所述步骤6中,所述F1、F2特征量作为光伏系统、风能系统、和光伏、风能系统同时接入IEEE-13节点配电网三种情况下的分类依据;所述的F3-F7特征量作为混合动力系统每种能源接入情况下,由于操作事件:并网、中断、孤岛改变引起的电能质量扰动分类依据。所述步骤7中,所述电能质量评价指标PQI如式(9)所示:
△A:扰动信号最大偏差。
RMSE:包含最大特征量的模态函数与原始信号之间的均方根误差。
THDv:电压谐波畸变率。
t:扰动持续时间。
α,β,γ分别代表最大偏差、均方根误差、电压谐波畸变率对应的权重。
所述的扰动信号为负序电压信号。通过序列分析仪将总线650采集到的电压信号分解成序列分量,其中负序分量在识别各种操作事件时最有效。
本发明一种基于VMD初始化S变换的混合动力系统电能质量扰动检测与评估方法,有益效果如下:
(1):提出混合动力系统作为测试电能质量扰动检测分类算法有效性的实验平台,基于接入能源类型及操作事件改变模拟了9类实际配电网运行情况的电能质量扰动信号。
(2):采用VMD对9类扰动信号进行了检测,对包含最大特征信息的模态函数进行S变换多分辨率分解,描绘频率等高线,计算能量大小作为特征量进行分类。
(3):利用电能质量扰动信号提取F1,F2特征量用于判断接入能源类型。基于VMD初始化S变换提取的特征量F3-F7用于在每种能源接入条件下对操作事件产生的扰动进行分类。实验结果表明在风能并网、风能中断和光伏并网时分类效率达到100%,在噪声环境下总体效率达到98.9%。相较目前存在的算法具有较高的精度。
(4):提出了电能质量评价指标,在该指标下对9类PQ扰动进行评价。得出以下结论:风能系统产生的影响大于光伏。孤岛、中断、并网事件都会降低系统的电能质量,其中中断影响大于并网,孤岛运行时电能质量最差。
附图说明
图1为PQ扰动系统分类框图。
图2为配电网PQ扰动分类流程图。
图3为混合动力系统简图。
图4为VMD分解图。
图5为S变换频率等高线图。
图6为基于光伏系统接入时操作事件分类散点图。
具体实施方式
基于VMD初始化S变换的混合动力系统电能质量扰动检测与评估方法,首先,通过从PQ扰动信号中提取F1、F2统计特征量,作为接入混合动力系统分布式能源分类的标准;其次,通过VMD初始化S变换,对包含最大特征信息的模态函数进行S变换多分辨率分解,提取F3-F7特征量作为FCM聚类算法的输入,对每种分布式能源接入条件下由于操作事件改变引起的PQ扰动进行分类,对每一类电能质量扰动的100个数据集进行了测试,为了确定算法的可行性和有效性,在提出的方法和现有方法之间的百分比准确性方面进行比较,验证了仿真结果的有效性;最后,提出了电能质量评价指标,并在该指标下对9类扰动情况的电能质量影响因子进行评估。
基于VMD初始化S变换的混合动力系统电能质量扰动检测与评估方法,包括以下步骤:
步骤1:搭建混合动力系统作为测试算法有效性的实验平台。
步骤2:采用变分模态分解(VMD)对扰动信号分解得到模态函数(BLIMF)进行电能质量扰动检测。
步骤3:所述统计特征量F1表示扰动信号峰度,F2表示扰动信号与正弦信号幅值最大偏差:
其中:x表示原始信号数据的数组;σ表示x的标准偏差;μ表示x的平均值;E是期望值。
F2:此特征表示扰动信号与标准信号幅值最大偏差。
步骤4:对包含最大特征信息的BLIMF函数进行S变换多分辨率分解得到S变换矩阵。
步骤5:通过S变换矩阵,计算F3-F7类统计特征量作为模糊C均值聚类(FCM)算法的输入。
步骤6:根据步骤2求得的F1、F2统计特征量,作为混合动力系统接入的不同分布式能源分类依据。根据步骤3求得的F3-F7统计特征量作为混合动力系统操作事件改变的分类依据。
步骤7:提出电能质量评价指标PQI,并在该指标下对混合动力系统下9类扰动信号进行评估。
所述步骤1中,所搭建的混合动力系统是一个IEEE-13总线配电网,连接到额定功率为5MVA,运行电压为4.16kV和0.48kV的电网。通过连接分布式电源将其改造为混合动力系统。
所述步骤2中,所述VMD分解模态函数数目为3个。
所述步骤3中,所述统计特征量F1表示扰动信号峰度,F2表示扰动信号与正弦信号幅值最大偏差。
S变换矩阵表达式为:
所述步骤5中,所述的F3-F7统计特征量如下描述:
F3:S矩阵的均值。
F3=mean(abs(j,n)) (3)
F4:S矩阵的标准差。
F4=std(abs(j,n)) (4)
F5:S矩阵的方差。
F5=var(abs(j,n)) (5)
F6:表明S变换的频率等高线能量大小。
F6=(abs(S(j,n)))2 (6)
F7:S矩阵最大偏差。
F7=max(s(j,n))-F3 (7)
所述步骤5中,所述的模糊C均值聚类(FCM)算法其目标函数如式(8)所示。
式中m代表集群数量;xi表示n维测量数据的第i个元素;uij表示xi在集群j中的隶属度;cj表示集群的n维中心。
所述步骤5中,所述F3-F7特征量作为FCM聚类算法的输入。提取到6组有效的组合,分别是:F7-t、F6-F3、F3-F4、F3-F5、F4-F5和F6-F7。
所述步骤6中,所述F1、F2特征量作为光伏系统、风能系统、和光伏、风能系统同时接入IEEE-13节点配电网三种情况下的分类依据。所述的F3-F7特征量作为混合动力系统每种能源接入情况下由于操作事件(并网、中断、孤岛)改变引起的电能质量扰动分类依据;
所述步骤7中,所述电能质量评价指标PQI如式(9)所示:
△A:扰动信号最大偏差。
RMSE:包含最大特征量的模态函数与原始信号之间的均方根误差。
THDv:电压谐波畸变率。
t:扰动持续时间。
α,β,γ分别代表最大偏差、均方根误差、电压谐波畸变率对应的权重。
所述特征量F1的阈值设定为2.0,所述特征量F2的阈值设为0.2;
所述的扰动信号为负序电压信号。
下面结合附图,对优选实例进行详细说明。
本发明的PQ扰动系统分类框图如图1所示。
配电网PQ扰动分类流程图如图2所示。
配电网PQ扰动分类流程图如图3所示。
混合动力系统参数中负载配置如表1所示。
变压器配置如表2所示。
本发明实现VMD初始化S变换的步骤为:
1.通过VMD分解求取模态函数。
利用基带的平方H1范数,从希尔伯特变换分析信号的正频率分量估计每个单边频谱带宽。在方程(10)中讨论了拉格朗日乘子与二次惩罚函数的组合。
具有数据保真度约束因子α的增强拉格朗日L如式(11)所示:
为解决(11)中变分问题,在每次筛选过程中都采用了交替方向乘子(ADMM)算法中的可选方向法,每个BLIMF函数在光谱域中被定义式(12):
式中:f为原函数;λ为拉格朗日乘子;α为二次惩罚因子;k为分解模态数;
以下步骤描述了与VMD相关的因素。
式中:n表示迭代次数;f为原函数;λ为拉格朗日乘子;α为二次惩罚因子;k为分解模态数;{uk}:={u1,u2L uk}为各模态分量;{ωk}:={ω1,ω2Lωk}为各模态分量的中心频率;
式中:{uk}:={u1,u2L uk}为各模态分量;{ωk}:={ω1,ω2Lωk}为各模态分量的中心频率;n表示迭代次数;
本发明选取的分解数k为3。通过VMD分解光伏系统和风能系统同时存在情况下实施孤岛操作的扰动信号如图4所示。扰动信号的主要特征表现在一段时间内产生电压尖峰与缺口,产生尖峰与缺口是由于光伏系统采用恒定日照量、光照强度,风能系统采用恒定风速。通过VMD分解得到的BLIMF3模态函数包含所有扰动特征信息,故对其进行S变换绘制频率等高线如图5所示,周期性的频率轮廓凹陷与凸起对应缺口与尖峰特征。
2.对包含最大特征量的模态函数进行S变换多分辨率分解:
VMD分解数为3,如图4所示对包含最大特征量的BLIMF函数即BLIMF3分量进行S变换多分辨率分解,求取S变换矩阵。
S变换矩阵表达式为:
3..描绘S变换频率等高线。
描绘的频率等高线由matlab中contour命令得到,如图5所示。
本发明实现基于混合动力系统下电能质量扰动分类方式为:
①.提取F1、F2统计特征量:
通过从PQ扰动信号中提取F1、F2统计特征量,如表3所示。设定F1阈值为2.0,F2阈值为0.2作为接入混合动力系统分布式能源分类的标准。
②.提取F3-F7统计特征量:
通过S变换矩阵及频率等高线提取统计特征量F3-F7作为FCM聚类算法的输入,对每种分布式能源接入条件下由于操作事件改变引起的PQ扰动进行分类。F3-F7作为模糊C均值聚类算法的输入,提取到6组有效的组合,分别是:F7-t、F6-F3、F3-F4、F3-F5、F4-F5和F6-F7。描绘基于光伏系统接入时操作事件分类散点图如图6所示。
本发明实现电能质量评估方式为:
所述的电能质量评价指标PQI如式(9)所示:
△A:扰动信号最大偏差。
RMSE:包含最大特征量的模态函数与原始信号之间的均方根误差。
THDv:电压谐波畸变率。
t:扰动持续时间。
α,β,γ分别代表最大偏差、均方根误差、电压谐波畸变率对应的权重。
通过改变混合动力系统的参数来获得每类扰动的一百个数据集,以测试所提出基于VMD初始化S变换算法的性能。建立了该算法在噪声条件下的性能,在每类干扰加上20dB信噪比的噪声水平。
表4演示了所提出的算法正确分类和错误分类干扰信号的数目,以及分类整体效率百分比,由表4可以看出在风能并网、风能中断和光伏并网时分类效率达到100%,在噪声环境下总体效率达到98.9%。
表5给出了所提算法与目前文献的方法精度对比分析。可以看出由VMD初始化S变换的FCM聚类算法在电能质量扰动分类上具有很高的精度。
表6示出了混合动力系统下9类电能质量扰动的各项指标及总体电能质量评价指标。由表6可知,风能系统和光伏系统的并网及中断操作谐波畸变率在百分之五以下,而对于孤岛运行时,电压谐波畸变率较高,在风能和光伏同时存在时孤岛运行的谐波电压畸变率变小。风能、光伏的接入对电能质量产生了不利影响,风能系统产生的影响大于光伏。孤岛、中断、并网事件都会降低系统的电能质量,其中中断影响大于并网,孤岛运行时电能质量最差。风能孤岛运行对电能质量影响最大。
表1负载配置
表2变压器配置
表3特征量F1、F2统计表
表4基于VMD初始化S变换的算法性能测试
表5 PQ扰动分类算法性能比较
表6电能质量评价指标
Claims (7)
1.基于VMD初始化S变换的混合动力系统电能质量扰动检测与评估方法,其特征在于:首先,通过从PQ扰动信号中提取F1、F2统计特征量,作为接入混合动力系统分布式能源分类的标准;其次,通过VMD初始化S变换,对包含最大特征信息的模态函数进行S变换多分辨率分解,提取F3-F7特征量作为FCM聚类算法的输入,对每种分布式能源接入条件下由于操作事件改变引起的PQ扰动进行分类,对每一类电能质量扰动的100个数据集进行了测试,为了确定算法的可行性和有效性,在提出的方法和现有方法之间的百分比准确性方面进行比较,验证了仿真结果的有效性;最后,提出了电能质量评价指标,并在该指标下对9类扰动情况的电能质量影响因子进行评估;
统计特征量F1表示扰动信号峰度,F2表示扰动信号与正弦信号幅值最大偏差;
其中,x表示原始信号数据的数组;σ表示x的标准偏差;μ表示x的平均值;E是期望值;F3-F7统计特征量如下描述:
F3:S矩阵的均值,
F3=mean(abs(j,n)) (3);
F4:S矩阵的标准差,
F4=std(abs(j,n)) (4);
F5:S矩阵的方差,
F5=var(abs(j,n)) (5);
F6:表明S变换的频率等高线能量大小,
F6=(abs(S(j,n)))2 (6);
F7:S矩阵最大偏差,
F7=max(s(j,n))-F3 (7);
电能质量评价指标PQI如式(9)所示:
ΔA:扰动信号最大偏差;
RMSE:包含最大特征量的模态函数与原始信号之间的均方根误差;
THDv:电压谐波畸变率;
t:扰动持续时间;
α,β,γ分别代表最大偏差、均方根误差、电压谐波畸变率对应的权重。
2.基于VMD初始化S变换的混合动力系统电能质量扰动检测与评估方法,其特征在于包括以下步骤:
步骤1:搭建混合动力系统,作为测试算法有效性的实验平台;
步骤2:采用变分模态分解(VMD),对扰动信号分解得到模态函数(BLIMF),进行电能质量扰动检测;
步骤3:对扰动信号求取统计特征量F1、F2并设定阈值作为分类标准;
步骤4:对包含最大特征信息的BLIMF函数进行S变换多分辨率分解得到S变换矩阵;
步骤5:通过S变换矩阵,计算F3-F7类统计特征量,作为模糊C均值聚类(FCM)算法的输入;
步骤6:根据步骤2求得的F1、F2统计特征量,作为混合动力系统接入的不同分布式能源分类依据;根据步骤3求得的F3-F7统计特征量,作为混合动力系统操作事件改变的分类依据;
步骤7:提出电能质量评价指标PQI,并在该指标下对混合动力系统下扰动信号进行评估。
3.根据权利要求2所述基于VMD初始化S变换的混合动力系统电能质量扰动检测与评估方法,其特征在于:所述步骤1中,所搭建的混合动力系统是一个IEEE-13总线配电网,连接到额定功率为5MVA,运行电压为4.16kV和0.48kV的电网,通过连接分布式电源将其改造为混合动力系统。
6.根据权利要求2所述基于VMD初始化S变换的混合动力系统电能质量扰动检测与评估方法,其特征在于:所述步骤5中,所述F3-F7特征量作为FCM聚类算法的输入,提取到6组有效的组合,分别是:F7-t、F6-F3、F3-F4、F3-F5、F4-F5和F6-F7。
7.根据权利要求2所述基于VMD初始化S变换的混合动力系统电能质量扰动检测与评估方法,其特征在于:所述步骤6中,所述F1、F2特征量作为光伏系统、风能系统、和光伏、风能系统同时接入IEEE-13节点配电网三种情况下的分类依据;所述的F3-F7特征量作为混合动力系统每种能源接入情况下,由于操作事件:并网、中断、孤岛改变引起的电能质量扰动分类依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020414.5A CN109374997B (zh) | 2018-09-03 | 2018-09-03 | 基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020414.5A CN109374997B (zh) | 2018-09-03 | 2018-09-03 | 基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109374997A CN109374997A (zh) | 2019-02-22 |
CN109374997B true CN109374997B (zh) | 2020-07-28 |
Family
ID=65404357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811020414.5A Active CN109374997B (zh) | 2018-09-03 | 2018-09-03 | 基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109374997B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110426569B (zh) * | 2019-07-12 | 2021-09-21 | 国网上海市电力公司 | 一种变压器声信号降噪处理方法 |
CN110542831A (zh) * | 2019-08-30 | 2019-12-06 | 国网河南省电力公司电力科学研究院 | 一种基于变分模态分解和s变换的故障行波检测方法 |
CN110533115B (zh) * | 2019-09-04 | 2021-09-14 | 西南交通大学 | 基于变分模态分解的轨道电路传输特性定量评价方法 |
CN111639583A (zh) * | 2020-05-26 | 2020-09-08 | 国网湖南省电力有限公司 | 一种电网电能质量扰动的识别方法及系统 |
CN113866565B (zh) * | 2021-10-22 | 2024-03-29 | 福州大学 | 一种基于svmd的风能渗透型配电网事件检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339208A (zh) * | 2008-08-12 | 2009-01-07 | 中国矿业大学 | 一种基于时域分析的电压质量监测与扰动自动分类方法 |
KR101352204B1 (ko) * | 2012-07-05 | 2014-01-16 | 성균관대학교산학협력단 | 배전 계통에서 발생하는 전력 품질 외란의 원인 판별 장치 및 방법 |
CN105572501A (zh) * | 2015-12-17 | 2016-05-11 | 西安理工大学 | 一种基于sst变换和ls-svm的电能质量扰动识别方法 |
CN105759177A (zh) * | 2016-04-26 | 2016-07-13 | 浙江大学城市学院 | 一种基于分类多模型融合的分布式电网孤岛检测方法 |
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
- 2018-09-03 CN CN201811020414.5A patent/CN109374997B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339208A (zh) * | 2008-08-12 | 2009-01-07 | 中国矿业大学 | 一种基于时域分析的电压质量监测与扰动自动分类方法 |
KR101352204B1 (ko) * | 2012-07-05 | 2014-01-16 | 성균관대학교산학협력단 | 배전 계통에서 발생하는 전력 품질 외란의 원인 판별 장치 및 방법 |
CN105572501A (zh) * | 2015-12-17 | 2016-05-11 | 西安理工大学 | 一种基于sst变换和ls-svm的电能质量扰动识别方法 |
CN105759177A (zh) * | 2016-04-26 | 2016-07-13 | 浙江大学城市学院 | 一种基于分类多模型融合的分布式电网孤岛检测方法 |
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 (1)
Title |
---|
基于变分模态分解的电能质量扰动检测新方法;黄传金;《电力自动化设备》;20180331;第116-123页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109374997A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109374997B (zh) | 基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法 | |
CN109633368B (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
CN110441654B (zh) | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 | |
CN110648088B (zh) | 一种基于鸟群算法与svm的电能质量扰动源判断方法 | |
WO2019015311A1 (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
CN109975673B (zh) | 一种光伏微电网直流侧故障电弧识别方法 | |
Das et al. | Diagnosis of power quality events based on detrended fluctuation analysis | |
Yılmaz et al. | A real-time UWT-based intelligent fault detection method for PV-based microgrids | |
CN104966161B (zh) | 一种基于高斯混合模型的电能质量录波数据计算分析方法 | |
CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试系统 | |
Eghtedarpour et al. | Intelligent identification of flicker source in distribution systems | |
Jiang et al. | Big data-based approach to detect, locate, and enhance the stability of an unplanned microgrid islanding | |
CN111709350B (zh) | 基于fcm聚类的低频振荡模态参数识别方法及系统 | |
Saikia et al. | Detection and classification of power quality disturbances using wavelet transform, fuzzy logic and neural network | |
Mahla et al. | Recognition of complex and multiple power quality disturbances using wavelet packet-based fast kurtogram and ruled decision tree algorithm | |
CN113094983B (zh) | 一种光伏系统直流故障电弧多维时变特性的在线模拟方法 | |
Saini et al. | Signal Processing Tool & Artificial Intelligence for Detection & Classification of Voltage Sag | |
Bentley et al. | Power quality disturbance source identification using self-organising maps | |
Mishra et al. | Power quality disturbances classification with deep learning approach | |
Eluri et al. | Islanding detection in photovoltaic based DC micro grid using adaptive variational mode decomposition and detrended fluctuation analysis | |
CN112230056B (zh) | 一种基于OFMMK-Means聚类和复合分位数回归多谐波源贡献计算方法 | |
Thomas et al. | Machine learning based detection and classification of power system events | |
Karimian et al. | Novel method based on Teager Energy Operator for online tracking of power quality disturbances | |
Kankale et al. | Classification of power quality disturbances in emerging power system using s-transform and support vector machine | |
Sundaram et al. | Characterization and localization of power quality disturbances based on S-transform and fuzzy expert system |
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 |