CN109633368B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109633368B CN109633368B CN201811466845.4A CN201811466845A CN109633368B CN 109633368 B CN109633368 B CN 109633368B CN 201811466845 A CN201811466845 A CN 201811466845A CN 109633368 B CN109633368 B CN 109633368B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- disturbance
- power
- dfa
- vmd
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Abstract
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,搭建配电网系统作为测试算法有效性的测试系统;采用变分模态分解VMD对扰动信号进行分解,得到包含特征信息的带限固有模态函数BLIMF;将包含特征信息的带限固有模态函数BLIMF,作为DFA算法的输入信号;利用DFA算法对各个包含特征信息的带限固有模态函数BLIMF进行长程幂律分析,描绘波动函数随窗口大小变化的双对数坐标曲线;设置3种大小的窗口,跟踪不同频率变化的扰动信号,得到各类扰动信号在3种窗口下特征量值;求得各个扰动信号3类特征值,作为电能质量分类标准;提出含分布式能源的配电网故障状态的判别标准。该方法步骤简单,分类准确,具有鲁棒性,可以提高配电网的可靠性。
Description
技术领域
本发明涉及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和DFA的含分布式电源配电网电能质量扰动检测方法。
背景技术
目前,电能质量监测已成为保护电气电子设备、识别干扰原因的重要环节。随着电网可持续发展目标的不断深入,越来越多的可再生能源和分布式电源被整合到配电网中。由于分布式电源的随机性和间歇性,当大量集成时产生的电能质量扰动信号具有一定的特征。配电系统中的电力电子设备作为电网接口,固态开关器件,非线性负载,整流器和逆变器,继电保护装置也是造成PQ干扰的原因。如果不能及时检测出PQ干扰,降低干扰指标,可能导致输配电网络中断、设备损坏或效率降低,造成巨大的经济损失。因此,准确的识别PQ扰动类型、检测出相应的PQ扰动指标尤为重要。如何在不中断供电的情况下实现电能质量在线监测成为当前研究的重点和难点。在复杂的电力系统中,很难对大量的PQ干扰数据进行分析和监测。智能化、自动化的算法使系统在运行环境急剧变化时能够满足用户对电能质量的要求。
变分模态分解(VMD)相比EMD、LMD将信号分解从递归筛选模式转换成非递归、变分模态分解模式,消除了两大弊端,适用于电力系统中非平稳功率振荡信号的特征提取,在迭代筛选过程按频率逐减的规律将信号分解成一系列具有物理意义的模态函数,每个模态函数可以分解出相应幅值和频率,最后通过对模态函数的重组即得到原始信号。去趋势波动分析(DFA)用于分析时间序列的长程相关性,适用于非平稳时间序列的长程幂律相关分析,分类过程简便,无需使用分类器,节省训练时间。
发明内容
本发明提供一种基于VMD和DFA的含分布式电源配电网电能质量扰动检测方法,首先,搭建了含光伏和风能发电的配电网系统作为测试平台,然后采用VMD对9类配电网电能质量扰动进行分解、滤除噪声、提取包含特征信息的模态函数,作为DFA的输入信号。从分布式能源运行状态的角度对电能质量扰动进行分类,设置了三种大小的窗口处理不同的频率扰动。以每类扰动在三种窗口下的取值作为特征量,描绘了二维及三维散点图,确定了不同运行状态下的判别标准。仿真结果表明,该检测方法步骤简单,分类准确,具有可行性。
本发明采取的技术方案为:
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,包括以下步骤:步骤1:搭建包含光伏、风能的配电网系统作为测试算法有效性的测试系统;
步骤2:采用变分模态分解VMD对扰动信号进行分解,滤除扰动信号内噪声,分解得到包含特征信息的带限固有模态函数BLIMF;
步骤3:将包含特征信息的带限固有模态函数BLIMF,作为DFA算法的输入信号;
步骤4:利用DFA算法对各个包含特征信息的带限固有模态函数BLIMF进行长程幂律分析,描绘波动函数F(s)随窗口大小s变化的双对数坐标曲线;
步骤5:设置3种大小的窗口,跟踪不同频率变化的扰动信号,得到各类扰动信号在3种窗口下特征量值;
步骤6:根据步骤5求得各个扰动信号3类特征值,作为电能质量分类标准;
步骤7:提出含分布式能源的配电网故障状态的判别标准。
本发明一种基于VMD和DFA的含分布式电源配电网电能质量扰动检测方法,技术效果如下:
1)、搭建含光伏、风能的配电网作为测试电能质量扰动检测分类算法有效性的实验平台,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,在模拟扰动的情况下准确检测出扰动幅值、频率及扰动持续时间等有效信息。
3)、将包含最大特征信息的模态函数作为DFA算法的输入信号进行分类,设置了3种大小的窗口函数针对不同频率扰动进行分类.分类方法简单,分类效果良好。
4)、提出了含分布式能源的配电网下电能质量扰动状态判别指标。不仅能够区分每一种扰动类型,而且能够定量将分布式能源并网、中断、孤岛运行时的状态进行区分。
5)、本发明不仅能够准确的检测分类出每一种扰动,而且确定了并网、中断、孤岛状态下的判别标准。该方法不需要使用分类器,节省了训练时间,步骤简单,分类准确,具有鲁棒性,可以提高配电网的可靠性。
附图说明
图1为测试系统简图。
图2为VMD分解图。
图3为波动函数与窗口大小双对数图。
图4为PQ扰动事件二维聚类图。
图5为PQ扰动事件三维聚类图
具体实施方式
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,包括以下步骤:
步骤1:搭建包含光伏、风能的配电网系统作为测试算法有效性的测试系统;
步骤2:采用变分模态分解VMD对扰动信号进行分解,滤除扰动信号内噪声,分解得到包含特征信息的带限固有模态函数BLIMF;
步骤3:将包含特征信息的带限固有模态函数BLIMF,作为DFA算法的输入信号;
步骤4:利用DFA算法对各个包含特征信息的带限固有模态函数BLIMF进行长程幂律分析,描绘波动函数F(s)随窗口大小s变化的双对数坐标曲线;
步骤5:设置3种大小的窗口,跟踪不同频率变化的扰动信号,得到各类扰动信号在3种窗口下特征量值;
步骤6:根据步骤5求得各个扰动信号3类特征值,作为电能质量分类标准;
步骤7:提出含分布式能源的配电网故障状态的判别标准。
步骤1中,搭建的测试系统是一个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。采样频率为16kHz,采样时长为0.2s,通过对输出信号加入20dB大小的噪声以测试算法的鲁棒性。
步骤1中,包含光伏、风能的配电网系统,其电能质量扰动包含9种类型,分别是:C1光伏系统接入时风能系统并网、C2光伏系统接入时风能系统中断、C3风能系统孤岛运行、C4风能系统接入时光伏系统并网、C5风能系统接入时光伏系统中断、C6光伏系统孤岛运行、C7光伏系统和风能系统同时并网、C8光伏系统和风能系统同时中断、C9光伏系统和风能系统孤岛运行。
步骤2中,所述VMD分解模态函数数目为4个。由于采样频率为16kHz,且扰动信号加入了20dB的噪声,故将分解数k定为4个模态函数,当单一扰动时会在BLIMF1显示主要特征,当出现复合扰动时会先将正弦信号分离开,扰动的主要特征集中在BLIMF2函数上。剩余两个模态函数将噪声滤除。
步骤3中,所述包含特征信息的带限固有模态函数BLIMF,根据扰动类型的不同有所区别。由于采样频率为16kHz,将分解数k定为4个模态函数,当单一扰动时会在BLIMF1显示主要特征,当出现复合扰动时会先将正弦信号分离开,扰动的主要特征集中在BLIMF2函数上。
步骤4中,所述波动函数F(s)与窗口大小s之间的关系描述如下;
F(s)≈sα (1)
式中:α为尺度指数用于判断扰动信号的类型。分别求F(s)和s的对数,得双对数坐标图,则lg(F(s))与lg(s)呈线性关系,其斜率即是尺度指数α,用最小二乘法求得。
lg(F(s))=αlgs (2)
所述的最小二乘法采用一阶拟合得到。由于在lg(F(s))和lg(s)的双对数坐标下,求两者之间的线性关系,故而采用一阶拟合。
步骤5中,所述的3种大小的窗口如下:
设置采样点数为3200个数据点,为了准确将包含不同频率的扰动信号区分开,设置了3个窗口大小,分别是小窗αs范围s=1→160、中窗αm范围s=160→320、大窗αl范围s=320→480。较小的窗口大小可以跟踪较高的频率分量,当存在谐波、闪变、振荡等高频分量时选择小窗αs,较大的窗口大小可以跟踪低阶频率分量,大窗αl用于电压暂升、暂降等信号的检测,其余扰动频率在50-100Hz之间选择中窗αm。
步骤6中,所述的分类标准,建立在二维聚类图αs、αm,和三维聚类图αs、αm、αl上。这些散点图有助于找出不同频率范围内的波动性质之间的相关性。即展现出9类不同扰动类型之间的区别,以及并网、中断、孤岛三种运行状态之间的联系。
步骤7中,所述含分布式能源的配电网故障状态,指并网、中断、孤岛。
所述扰动信号为负序电压信号。在总线上捕获的电压信号通过序列分析器分析成序列元件,负序电压在识别运行事件的改变上是很有效的。
下面结合附图,对优选实例进行详细说明:
本发明的测试系统简图如图1所示,扰动信号VMD分解图如图2所示,不同PQ扰动对数图如图3所示,PQ扰动二维聚类图如图4所示,PQ扰动三维聚类图如图5所示。
本发明VMD检测扰动信号的实现方式为:
本发明采用变分模态分解对含分布式电源的配电网的9类电能质量扰动信号(C1-C9)进行预处理,首先进行降噪,提取包含特征信息的模态函数,作为去趋势波动分析的输入信号从而实现电能质量分类。测试系统简图如图1所示。
如下所述:
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(3)中讨论了拉格朗日乘子与二次惩罚函数的组合。
式(3)中:{uk}={u1,u2…u3}为各模态分量;{ωk}={ω1,ω2…ωk}为各模态分量的中心频率;δ(t)为冲激函数;θt为对t求偏导数;λ为拉格朗日乘法算子;α为二次惩罚因子。
具有数据保真度约束因子α的增强拉格朗日L如下:
式(4)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;δ(t)为冲激函数;θt为对t求偏导数;λ为拉格朗日乘法算子;α为二次惩罚因子;f为原函数;
为解决(4)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(5):
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。
步骤1:模式更新。维纳滤波被嵌入中心频率更新的ωkn傅里叶频谱以求得非递归分解模式如式(6)所示:
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;
步骤2:中心频率更新。ωkn+1从相应的BLIMFS功率谱作为重心更新,如式(7)所示。
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;
由于采样频率为16kHz,将分解数k定为4个模态函数,当单一扰动时会在BLIMF1显示主要特征,当出现复合扰动时会先将正弦信号分离开,扰动的主要特征集中在BLIMF2函数上。风能系统接入时光伏系统并网时扰动信号VMD分解如图2所示。
本发明通过DFA算法实现扰动信号的分类方式为:
1、将VMD分解得到包含主要特征的模态函数作为去趋势波动分析算法的输入信号进行分解,提取不同PQ扰动的双对数图。
设存在时间序列x(t),t=1,2,3,…,N,对该序列进行去趋势波动分析的步骤如下:
(1)求时间序列x(t),t=1,2,3,…,N的累计离差
(2)将时间序列y(k)等分成NS个不重复的窗口,每个窗口含s个采样点,则NS=[N/s](取整)。
假设每个区间都具有一个有关时间t的p阶趋势,则每个窗口内的趋势方程可表达为如下形式
式中:j为最小二乘法拟合阶数,βj(j=0,1,2,L,p)可通过对该窗口的数据进行最小二乘拟合得到,t为时间序列。k为采样点数。从而得到拟合曲线ys(k)。
本发明采用一阶最小二乘法进行拟合即j取值1。
(3)消除每一窗口时间序列y(k)的趋势项ys(k)
△ys(k)=y(k)-ys(k) (10)
式中:k为采样点数,y(k)为时间序列的累计离差,ys(k)为每一窗口内时间序列的趋势项,求得△ys(k)为去趋势函数。
(4)计算时间序列△ys(k)的二阶波动函数
式中:N为采样点数,y(k)为时间序列的累计离差,ys(k)为每一窗口内时间序列的趋势项,△ys(k)为去趋势函数。
(5)将窗口大小s按照一定步长递增,重复(9)——(11)步,可得波动函数F(s)随窗口大小s变化的曲线。若该曲线遵从幂率关系,则存在
F(s)≈sα (12)
公式(12)表明信号具有自相似分形特征。分别求F(s)和s的对数,得双对数坐标图,则lg(F(s))与lg(s)呈线性关系,其斜率即是尺度指数α,可用最小二乘法求得,尺度指数α用来判别原始信号的类型。
lg(F(s))=αlgs (13)
图3为不同PQ扰动类型的对数图。从图中可以看出通过最小二乘拟合得到的三段尺度指数因不同的PQ扰动而有所区别。故而,可以通过将尺度指数作为PQ扰动的判别因子。
2、设置3种大小的窗口函数作为不同扰动信号的特征量。
在DFA中,窗口的大小对于跟踪不同频率的信号有至关重要的作用。本发明设置采样点数为3200个数据点,为了准确将包含不同频率的扰动信号区分开,设置了3个窗口大小,分别是小窗αs范围s=1→160、中窗αm范围s=160→320、大窗αl范围s=320→480。较小的窗口大小可以跟踪较高的频率分量,当存在谐波、闪变、振荡等高频分量时选择小窗αs,较大的窗口大小可以跟踪低阶频率分量,大窗αl用于电压暂升、暂降等信号的检测,其余扰动频率在50-100Hz之间选择中窗αm。
3、提取两组有效的分类组合,即为αs、αm的二维聚类图和αs、αm、αl的三维聚类图。
以αs和αm作为横纵坐标分别对9类配电网PQ扰动事件进行分类,得到如图4所示的二维散点聚类图,从图4中可以看出,类似类型的PQ扰动彼此之间形成了紧密的簇,不同类型的情况形成了明显不同的簇,可以明显将9类配电网电能质量扰动区分。值得注意的是,在配电网扰动情况下,以并网、中断、孤岛运行为基准,还进行了区分。区域1内包含C2、C5、C8扰动类型,其主要特征都是与中断相关的PQ扰动,同理,区域2表示孤岛特征,区域3代表与并网有关的扰动类型。
图5从三维的角度对PQ扰动的特性进行聚类,如上所述,与高阶频率相关的扰动信号如C4(谐波)、C7(振荡)聚集在αs较高的区域(αs>1.5),而关于C2(暂升)、C8(脉冲)等幅值变化较大,频率波动较小的扰动聚集于区域1附近,其特征表现为αs小于1.45,αm大于2.2,最后,由孤岛操作带来的扰动信号在区域2中聚集,其特征显示为αs、αm取值都较高,这是因为当配电网与公用电网断开后,相当于微电网独立运行,既包含幅值波动较大的扰动,也存在高频波动扰动。
4、确定含分布式能源的配电网下电能质量扰动判别指标。
利用VMD对上述9类配电网电能质量扰动信号进行分解,滤除噪声,提取包含特征量的模态函数作为DFA算法的输入信号。通过DFA变换,提取αs、αm、αl作为电能质量扰动分类的判别指标,可以从表3中观察到,所提出的电能质量判别指标对于每种类型的扰动都具有不同的值,针对配电网的特殊性,在识别并网、中断、孤岛时的电能质量扰动非常有效。因此,所提技术可以显著的提高配电网的可靠性。
表1负载配置
表2变压器配置
表3扰动指数分类表
Claims (10)
1.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,其特征在于包括以下步骤:
步骤1:搭建包含光伏、风能的配电网系统作为测试算法有效性的测试系统;
步骤2:采用变分模态分解VMD对扰动信号进行分解,滤除扰动信号内噪声,分解得到包含特征信息的带限固有模态函数BLIMF;
步骤3:将包含特征信息的带限固有模态函数BLIMF,作为DFA算法的输入信号;
步骤4:利用DFA算法对各个包含特征信息的带限固有模态函数BLIMF进行长程幂律分析,描绘波动函数F(s)随窗口大小s变化的双对数坐标曲线;
步骤5:设置3种大小的窗口,跟踪不同频率变化的扰动信号,得到各类扰动信号在3种窗口下特征量值;
步骤6:根据步骤5求得各个扰动信号3类特征值,作为电能质量分类标准;
步骤7:提出含分布式能源的配电网故障状态的判别标准。
2.根据权利要求1所述基于VMD和DFA的含分布式电源配电网电能质量扰动检测方法,其特征在于:步骤1中,搭建的测试系统是一个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;采样频率为16kHz,采样时长为0.2s,通过对输出信号加入20dB大小的噪声以测试算法的鲁棒性。
3.根据权利要求1所述基于VMD和DFA的含分布式电源配电网电能质量扰动检测方法,其特征在于:步骤1中,包含光伏、风能的配电网系统,其电能质量扰动包含9种类型,分别是:
C1光伏系统接入时风能系统并网、C2光伏系统接入时风能系统中断、C3风能系统孤岛运行、C4风能系统接入时光伏系统并网、C5风能系统接入时光伏系统中断、C6光伏系统孤岛运行、C7光伏系统和风能系统同时并网、C8光伏系统和风能系统同时中断、C9光伏系统和风能系统孤岛运行。
4.根据权利要求1所述基于VMD和DFA的含分布式电源配电网电能质量扰动检测方法,其特征在于:步骤3中,所述包含特征信息的带限固有模态函数BLIMF,根据扰动类型的不同有所区别;由于采样频率为16kHz,将分解数k定为4个模态函数,当单一扰动时会在BLIMF1显示主要特征,当出现复合扰动时会先将正弦信号分离开,扰动的主要特征集中在BLIMF2函数上。
5.根据权利要求1所述基于VMD和DFA的含分布式电源配电网电能质量扰动检测方法,其特征在于:步骤4中,所述波动函数F(s)与窗口大小s之间的关系描述如下;
F(s)≈sα(1)
式中:α为尺度指数用于判断扰动信号的类型;分别求F(s)和s的对数,得双对数坐标图,则lg(F(s))与lg(s)呈线性关系,其斜率即是尺度指数α,用最小二乘法求得;
lg(F(s))=αlgs(2)。
6.根据权利要求5所述基于VMD和DFA的含分布式电源配电网电能质量扰动检测方法,其特征在于:所述的最小二乘法采用一阶拟合得到。
7.根据权利要求1所述基于VMD和DFA的含分布式电源配电网电能质量扰动检测方法,其特征在于:步骤5中,所述的3种大小的窗口如下:
设置采样点数为3200个数据点,为了准确将包含不同频率的扰动信号区分开,设置了3个窗口大小,分别是小窗αs范围s=1→160、中窗αm范围s=160→320、大窗αl范围s=320→480。
8.根据权利要求1所述基于VMD和DFA的含分布式电源配电网电能质量扰动检测方法,其特征在于:步骤6中,所述的分类标准,建立在二维聚类图αs、αm,和三维聚类图αs、αm、αl上。
9.根据权利要求1所述基于VMD和DFA的含分布式电源配电网电能质量扰动检测方法,其特征在于:步骤7中,所述含分布式能源的配电网故障状态,指并网、中断、孤岛。
10.根据权利要求1所述基于VMD和DFA的含分布式电源配电网电能质量扰动检测方法,其特征在于:所述扰动信号为负序电压信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811466845.4A CN109633368B (zh) | 2018-12-03 | 2018-12-03 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811466845.4A CN109633368B (zh) | 2018-12-03 | 2018-12-03 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109633368A CN109633368A (zh) | 2019-04-16 |
CN109633368B true CN109633368B (zh) | 2020-11-06 |
Family
ID=66070847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811466845.4A Active CN109633368B (zh) | 2018-12-03 | 2018-12-03 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633368B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363130B (zh) * | 2019-07-08 | 2023-01-13 | 国网四川省电力公司电力科学研究院 | 基于变分模态分解的电压暂降源辨识方法及辨识装置 |
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 |
CN110311392B (zh) * | 2019-07-21 | 2022-05-13 | 东北电力大学 | 一种基于spdmd的电力系统振荡模式及模态辨识方法 |
CN110441654B (zh) * | 2019-07-29 | 2021-05-04 | 三峡大学 | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 |
CN110988990A (zh) * | 2019-12-10 | 2020-04-10 | 北京化工大学 | 一种高精度的地震属性反演方法 |
CN111145044B (zh) * | 2020-01-09 | 2023-07-11 | 三峡大学 | 基于ewt和mfde的配电网电能质量扰动检测方法 |
CN111896792B (zh) * | 2020-08-04 | 2022-03-01 | 湖南大学 | 基于能量算子和变分模态分解的非稳态电压闪变检测方法 |
CN113091875A (zh) * | 2021-04-20 | 2021-07-09 | 中国汽车工程研究院股份有限公司 | 一种车内异响检测与评价系统及检测方法 |
CN113670615A (zh) * | 2021-08-23 | 2021-11-19 | 洛阳轴承研究所有限公司 | 一种轴承单元振动测试方法及系统 |
CN113591401B (zh) * | 2021-08-24 | 2023-10-20 | 华北电力大学(保定) | 一种基于时间序列分解的电力变压器数据清洗方法 |
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 |
CN114184889B (zh) * | 2021-12-01 | 2023-01-20 | 厦门大学 | 一种基于vmd的电网电压暂降故障信号检测方法及系统 |
CN114371005A (zh) * | 2021-12-17 | 2022-04-19 | 江苏核电有限公司 | 一种滚动轴承的冲击特征提取方法及装置 |
CN116701822B (zh) * | 2023-08-07 | 2023-11-28 | 云南电网有限责任公司 | 基于麻雀搜索算法与变分模态分解的负荷电能计量方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108562794A (zh) * | 2018-01-12 | 2018-09-21 | 国网冀北电力有限公司秦皇岛供电公司 | 电能质量扰动检测方法及装置 |
CN108664901A (zh) * | 2018-04-20 | 2018-10-16 | 三峡大学 | 基于改进lmd的微电网电能质量扰动信号检测方法 |
CN108845306A (zh) * | 2018-07-05 | 2018-11-20 | 南京信息工程大学 | 基于变分模态分解的激光雷达回波信号去噪方法 |
-
2018
- 2018-12-03 CN CN201811466845.4A patent/CN109633368B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108562794A (zh) * | 2018-01-12 | 2018-09-21 | 国网冀北电力有限公司秦皇岛供电公司 | 电能质量扰动检测方法及装置 |
CN108664901A (zh) * | 2018-04-20 | 2018-10-16 | 三峡大学 | 基于改进lmd的微电网电能质量扰动信号检测方法 |
CN108845306A (zh) * | 2018-07-05 | 2018-11-20 | 南京信息工程大学 | 基于变分模态分解的激光雷达回波信号去噪方法 |
Non-Patent Citations (3)
Title |
---|
Combined VMD-SVM based feature selection method for classification of power quality events;Abdoos等;《Applied Soft Computing》;20161231;第38卷;第637-646页 * |
基于变分模态分解的电能质量扰动检测新方法;黄传金等;《电力自动化设备》;20180331;第38卷(第3期);第116-122页 * |
滑动去趋势波动分析在电能质量暂态扰动检测中的应用;张淑清等;《电力系统自动化》;20120425;第36卷(第8期);第52-56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109633368A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN105510687B (zh) | 一种基于经验模态分解的电压异常特征识别方法 | |
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 | |
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 | |
Ferreira et al. | A method based on independent component analysis for single and multiple power quality disturbance classification | |
Wang et al. | Arc fault and flash detection in photovoltaic systems using wavelet transform and support vector machines | |
KR100918313B1 (ko) | 지능형 전기품질 진단 분석 방법 | |
CN103578050A (zh) | 一种电压暂降原因的识别方法 | |
Meena et al. | Detection and classification of complex power quality disturbances using Stockwell transform and rule based decision tree | |
Fatama et al. | A multi feature based islanding classification technique for distributed generation systems | |
Jena et al. | Variational mode decomposition‐based power system disturbance assessment to enhance WA situational awareness and post‐mortem analysis | |
Mahla et al. | Recognition of complex and multiple power quality disturbances using wavelet packet-based fast kurtogram and ruled decision tree algorithm | |
Singh et al. | Supervisory framework for event detection and classification using wavelet transform | |
CN113128396A (zh) | 一种电能质量复合扰动分类方法 | |
Krishna et al. | Efficient genetic-wrapper algorithm based data mining for feature subset selection in a power quality pattern recognition applicationction in a power quality pattern recognition application. | |
Bentley et al. | Power quality disturbance source identification using self-organising maps | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
CN109581051A (zh) | 自适应全频域录波方法 | |
CN115469182A (zh) | 基于高频波形特性的直流微电网高阻故障检测方法及装置 | |
Kamble et al. | Detection of simultaneous transient and harmonics disturbances employing discrete wavelet transform | |
CN114742295A (zh) | 一种基于小波变换技术的设备用电故障预测方法 | |
Sima et al. | A framework for automatically cleansing overvoltage data measured from transmission and distribution systems | |
Sundaram et al. | Characterization and localization of power quality disturbances based on S-transform and fuzzy expert system | |
Andami et al. | Voltage notch detection using fuzzy expert system | |
Zhao et al. | Series Arc Fault Diagnosis Based on Variational Mode Decomposition and Random Forest |
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 |