CN110954779A - 一种基于s变换与多维分形的电压暂降源特征识别方法 - Google Patents
一种基于s变换与多维分形的电压暂降源特征识别方法 Download PDFInfo
- Publication number
- CN110954779A CN110954779A CN201911206923.1A CN201911206923A CN110954779A CN 110954779 A CN110954779 A CN 110954779A CN 201911206923 A CN201911206923 A CN 201911206923A CN 110954779 A CN110954779 A CN 110954779A
- Authority
- CN
- China
- Prior art keywords
- voltage sag
- transformation
- sag
- fractal
- multidimensional
- 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
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
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于S变换与多维分形的电压暂降源特征识别方法，包括：1、在Matlab/Simulink环境下建立电网电压暂降仿真模型随机产生线路短路故障、感应电动机起动、变压器投运这3种单一暂降以及多级电压暂降感应电动机和变压器共同作用、感应电动机重启这3种复合电压暂降信号；2、采用S变换分析暂降信号的基频幅值变化情况，对变换后的模矩阵提取6种特征指标；3、采用多重分形谱R/S分析法提取参数广义Hurst指数和统计量Vn作为特征指标提高噪声环境下分类识别的准确性；4、将提取的特征指标作为支持向量机的输入，对不同类型的电压暂降进行训练，并利用无噪声数据和仿真加噪数据分别对其进行测试，从而实现对不同暂降源的分类与识别。
Description
技术领域
本发明涉及电能质量技术领域，尤其是涉及一种基于S变换与多维分形的电压暂降源特征识别方法。
背景技术
近年来，随着电力电子设备以及工业生产中敏感设备大量接入电网，电压暂降带来的问题日益突出。电压暂降会影响设备的正常运行，从而导致产品质量下降，缩短甚至损坏电气设备的寿命，加大维护费用。电压暂降的准确识别有助于合理的选择区域配电系统治理措施，能够及时界定事故双方责任，有效降低经济损失并协调用户以及设备供应商之间的纠纷。
电压暂降扰动源的分类识别是改善和治理电压暂降问题的重要前提。目前，国内外学者们主要采用Hilbert-Huang变换、傅里叶变换、小波变换、S变换提取信号的有效特征，然后利用人工神经网络、支持向量机、模糊综合评价对电压暂降进行自动分类。Hilbert-Huang变换对高频信号的频率分辨率较差，容易受噪声影响,傅里叶变换和小波变换时频局部性较差，识别过程较复杂，需要大量数据作为支撑。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于S变换与多维分形的电压暂降源特征识别方法。
本发明的目的可以通过以下技术方案来实现：
一种基于S变换与多维分形的电压暂降源特征识别方法，该方法包括以下步骤：
步骤1：在Matlab/Simulink环境下建立电网电压暂降仿真模型，随机产生不同情况下的单一暂降以及复合电压暂降信号；
步骤2：采用S变换分析暂降信号的基频幅值变化情况，并对变换后得到的模矩阵提取多种特征指标；
步骤3：采用多重分形谱R/S分析法针对暂降信号提取参数广义Hurst指数和统计量Vn作为特征指标以提高噪声环境下分类识别的准确性；
步骤4：将提取的多种特征指标作为支持向量机的输入，对不同类型的电压暂降进行训练，并利用无噪声数据和仿真加噪数据分别对其进行测试，从而实现对不同暂降源的分类与识别。
进一步地，所述的步骤1包括以下分步骤：
步骤11：在Matlab/Simulink环境下建立电网电压暂降仿真模型；
步骤12：通过改变系统仿真模型参数分别获取线路短路故障、感应电动机起动、变压器投运单一暂降信号以及多级电压暂降、感应电动机和变压器共同作用、感应电动机重启复合电压暂降信号。
进一步地，所述的步骤2包括以下分步骤：
步骤21：对暂降信号进行S变换后得到复矩阵，对所述复矩阵求模得到S模矩阵，所述S模矩阵的行向量表示暂降信号频率的时域分布，列向量表示暂降信号的幅频特性；
步骤22：根据暂降信号的基频幅值与不同频率对应幅值的变化情况，对所述S模矩阵提取多种特征指标。
进一步地，所述的步骤22中的特征指标包括奇异矩阵脉冲因子P，奇异矩阵标准差Std，奇异熵SSE，能量熵SEE，矩阵系数I以及基频标准差Fstd。
进一步地，所述的步骤2中S变换的时频形式表达式为：
式中，S(τ,f)表示S变换的时频形式，ω(t,f)为高斯窗函数，τ为平移因子，h(t)为信号，f为频率，t为时间。
进一步地，所述的步骤2中S变换的离散形式表达式为：
式中，
表示S变换的离散形式，T为信号采样周期，N为采样点数，i、m、n取值分别为0～N-1，
为信号的傅里叶变换。
进一步地，所述的步骤4中的支持向量机的测试集样本数据为由20dB、30dB和40dB叠加而成的高斯白噪声。
进一步地，所述的步骤4中的支持向量机的训练样本为无噪声信号。
与现有技术相比，本发明具有以下优点：
(1)本发明方法中采用的S变换作为一种时频可逆的信号处理方法，克服了短时傅里叶变换和小波变换的不足，适合分析暂态扰动信号，S变换模矩阵具有良好的时频分析能力，可以对信号幅值随时间和频率的变化提取信号多种特征。
(2)本发明方法中为改善S变换在噪声水平下的分辨率，在采用S变换获取电压暂降信号时频谱的基础上，针对信号噪声影响提出多重分形方法，将不规则波形的特征维作为波形识别的特征度量，作为系统状态监测、分类、故障诊断的依据，在采样频率相同的情况下，分形维数对噪声信号并不敏感，使得噪声对其特征参数的提取几乎没有影响，Hurst指数作为衡量信号多重分形特性的特征量，可以有效地表征电压暂降特征。
(3)本发明方法提高了电压暂降源识别和分类的准确率，对含噪声信号也可以较准确的识别，同时，可以对实测数据可进行正确的判别，具有良好的工程实用性。
附图说明
图1为实施例一种基于S变换与多维分形的电压暂降源特征识别方法的流程图；
图2为实施例二中不同噪声环境下对分形数的影响图；
图3为实施例二中配电网电压暂降仿真系统结构图；
图4为实施例二中线路短路故障S变换基频幅值曲线和频谱峰值曲线图；
图5为实施例二中感应电动机起动S变换基频幅值曲线和频谱峰值曲线图；
图6为实施例二中变压器投运S变换基频幅值曲线和频谱峰值曲线图；
图7为实施例二中多级电压暂降S变换基频幅值曲线和频谱峰值曲线图；
图8为实施例二中感应电动机和变压器共同作用S变换基频幅值曲线和频谱峰值曲线图；
图9为实施例二中感应电动机重启S变换基频幅值曲线和频谱峰值曲线图；
图10为实施例二中实测电压暂降信号图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例一
如图1所示，一种基于S变换与多维分形的电压暂降源特征识别方法，包括以下步骤：
S1、在Matlab/Simulink环境下建立电网电压暂降仿真模型随机产生线路短路故障、感应电动机起动、变压器投运这3种单一暂降以及多级电压暂降感应电动机和变压器共同作用、感应电动机重启这3种复合电压暂降信号；
S2、采用S变换分析暂降信号的基频幅值变化情况，对变换后的模矩阵提取6种特征指标；
S3、采用多重分形谱R/S分析法提取参数广义Hurst指数和统计量Vn作为特征指标提高噪声环境下分类识别的准确性；
S4、将提取的特征指标作为支持向量机的输入，对不同类型的电压暂降进行训练，并利用无噪声数据和仿真加噪数据分别对其进行测试，从而实现对不同暂降源的分类与识别。
步骤S2具体包括：
S21、对暂降信号进行S变换后得到一个复矩阵，对其求模后得到S模矩阵，其行向量表示暂降信号频率的时域分布，列向量表示暂降信号的幅频特性；
S22、根据暂降信号的基频幅值与不同频率对应幅值的变化情况，提取奇异矩阵脉冲因子P，奇异矩阵标准差Std，奇异熵SSE，能量熵SEE，矩阵系数I以及基频标准差Fstd作为电压暂降扰动源分类识别的特征值。
S变换是一种时频可逆分析方法，既有小波变换多分辨率分析的特点，又有短时傅里叶变换单频率单独分析的能力。其信号h(t)的一维连续S变换S(τ，f)表达式如下：
式中，S(τ,f)表示S变换的时频形式，ω(t,f)为高斯窗函数，τ为平移因子，用于控制高斯窗在时间轴上的位置，h(t)为信号，f为频率，t为时间。
使f→n/NT且τ→jT，则S变换的离散形式可以通过快速傅里叶变换实现：
式中，
表示S变换的离散形式，T为信号采样周期，N为采样点数，i、m、n取值分别为0～N-1，
为信号的傅里叶变换。
步骤S3具体包括：
在信噪比一定范围内，加噪声波形与无噪声波形区别并不大，通过R/S分析法提取的电压暂降信号特征可以对电压暂降很好的识别。
经典R/S分析法计算步骤为：给定一个长度为N的时间序列xi，以长度为n均分这个序列为A个相邻的子区间，任意子区间表示为Iα，α＝1，2，…，A。Iα的均值为：
Iα对于均值的累积截距定义为：
式中，k＝1,2,…,n。
每一个RIα均由对应的SIα进行标准化。则R/S定义为：
以Log(n)为解释变量，Log(R/S)为被解释变量进行线性回归：
Log(R/S)＝Logc+HLogn
式中，c为统计常数，Hurst指数的估计值为上述方程中的斜率。
分形几何的数学形态学可滤除多种噪声，有较好的抗噪声性能，图2为信号在不同噪声环境下对应的Vn～Log(n)关系曲线图，在信噪比一定范围内，加噪声波形与无噪声波形区别并不大，通过R/S分析法提取的电压暂降信号特征可以对电压暂降很好的识别。
步骤S1具体包括：
S11、在Matlab/Simulink环境下建立电网电压暂降仿真模型；
S12、通过改变系统仿真模型中暂降起始时刻、变压器容量、线路负荷等模块参数分别获取线路短路故障、感应电动机起动、变压器投运这3种单一暂降以及多级电压暂降感应电动机和变压器共同作用、感应电动机重启这3种复合电压暂降信号。
本实施例中，在Simulink环境下建立的仿真模型如图3所示。
通过改变系统仿真模型中暂降起始时刻、变压器容量、线路负荷等模块参数分别获取类型1(线路短路故障)、类型2(感应电动机起动)、类型3(变压器投运)的单一电压暂降以及类型4(多级电压暂降)、类型5(感应电动机和变压器共同作用)、类型6(感应电动机重启)的复合电压暂降信号各100组样本数据。图4～图9为仿真得到的6种不同电压暂降扰动源信号经过S变换得到基频幅值曲线和频谱峰值曲线。
每个电压暂降类别中分别取20组数据作为训练数据，将S变换和R/S分析法所得到的特征值输入支持向量机进行训练，通过核函数将故障信息样本向量映射到另一高维特征空间中，并在特征向量空间中构造另一个新的最优分类平面，得到输入、输出变量之间的非线性关系。并将剩余的数据作为测试集，对电压暂降源进行分类识别，所得结果如表1所示，仅采用S变换求取到的特征值进行分类识别结果如表2所示。
表1S变换与多维分形的暂降源分类识别结果
| 类型 | 无噪声 | 20dB | 30dB | 40dB |
| 1 | 98.75％ | 98.75％ | 98.75％ | 98.75％ |
| 2 | 100％ | 98.75％ | 100％ | 100％ |
| 3 | 98.75％ | 95％ | 95％ | 96.25％ |
| 4 | 100％ | 95％ | 96.25％ | 97.5％ |
| 5 | 97.5％ | 96.25％ | 97.5％ | 97.5％ |
| 6 | 97.5％ | 96.25％ | 96.25％ | 97.5％ |
表2基于S变换的暂降源分类识别结果
| 类型 | 无噪声 | 20dB | 30dB | 40dB |
| 1 | 98.75％ | 92.5％ | 95％ | 95％ |
| 2 | 100％ | 93.75％ | 95％ | 95％ |
| 3 | 98.75％ | 87.5％ | 90％ | 93.75％ |
| 4 | 97.5％ | 91.25％ | 93.75％ | 95％ |
| 5 | 96.25％ | 87.5％ | 93.75％ | 95％ |
| 6 | 95％ | 88.75％ | 92.5％ | 92.5％ |
由表1和表2可知，基于S变换与多维分形的识别方法与传统的S变换方法相比具有良好的抗噪能力，其平均分类正确率为97.66％，在信号叠加噪声的情况下对电压暂降信号具有较高的识别准确率。
实施例二
根据上海某10kV线路监测点的暂降录波数据进行测试，选取线路短路故障、感应电动机启动、多级电压暂降进行识别分类，分类结果如表3所示。图10中，(a)～(d)是线路短路故障的实测数据，(e)是感应电动机起动的实测数据，(f)是多级电压暂降的实测数据。
表3实测电压暂降的分类识别结果
实际电压暂降信号在20dB和30dB噪声影响下，S变换方法将一例感应电动机起动识别为线路短路故障，这是由于该类型故障的电压暂降信号在强噪声下不易分辨而导致的识别错误。S变换及多维分形作为电压暂降信号的特征量方法并未将此故障错误识别，证明该方法可以有效地应用于实际电力系统中。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于S变换与多维分形的电压暂降源特征识别方法，其特征在于，该方法包括以下步骤：
步骤1：在Matlab/Simulink环境下建立电网电压暂降仿真模型，随机产生不同情况下的单一暂降以及复合电压暂降信号；
步骤2：采用S变换分析暂降信号的基频幅值变化情况，并对变换后得到的模矩阵提取多种特征指标；
步骤3：采用多重分形谱R/S分析法针对暂降信号提取参数广义Hurst指数和统计量Vn作为特征指标以提高噪声环境下分类识别的准确性；
步骤4：将提取的多种特征指标作为支持向量机的输入，对不同类型的电压暂降进行训练，并利用无噪声数据和仿真加噪数据分别对其进行测试，从而实现对不同暂降源的分类与识别。
2.根据权利要求1所述的一种基于S变换与多维分形的电压暂降源特征识别方法，其特征在于，所述的步骤1包括以下分步骤：
步骤11：在Matlab/Simulink环境下建立电网电压暂降仿真模型；
步骤12：通过改变系统仿真模型参数分别获取线路短路故障、感应电动机起动、变压器投运单一暂降信号以及多级电压暂降、感应电动机和变压器共同作用、感应电动机重启复合电压暂降信号。
3.根据权利要求1所述的一种基于S变换与多维分形的电压暂降源特征识别方法，其特征在于，所述的步骤2包括以下分步骤：
步骤21：对暂降信号进行S变换后得到复矩阵，对所述复矩阵求模得到S模矩阵，所述S模矩阵的行向量表示暂降信号频率的时域分布，列向量表示暂降信号的幅频特性；
步骤22：根据暂降信号的基频幅值与不同频率对应幅值的变化情况，对所述S模矩阵提取多种特征指标。
4.根据权利要求3所述的一种基于S变换与多维分形的电压暂降源特征识别方法，其特征在于，所述的步骤22中的特征指标包括奇异矩阵脉冲因子P，奇异矩阵标准差Std，奇异熵SSE，能量熵SEE，矩阵系数I以及基频标准差Fstd。
5.根据权利要求1所述的一种基于S变换与多维分形的电压暂降源特征识别方法，其特征在于，所述的步骤2中S变换的时频形式表达式为：
式中，S(τ,f)表示S变换的时频形式，ω(t,f)为高斯窗函数，τ为平移因子，h(t)为信号，f为频率，t为时间。
6.根据权利要求1所述的一种基于S变换与多维分形的电压暂降源特征识别方法，其特征在于，所述的步骤2中S变换的离散形式表达式为：
式中，
表示S变换的离散形式，T为信号采样周期，N为采样点数，i、m、n取值分别为0～N-1，
为信号的傅里叶变换。
7.根据权利要求1所述的一种基于S变换与多维分形的电压暂降源特征识别方法，其特征在于，所述的步骤4中的支持向量机的测试集样本数据为由20dB、30dB和40dB叠加而成的高斯白噪声。
8.根据权利要求1所述的一种基于S变换与多维分形的电压暂降源特征识别方法，其特征在于，所述的步骤4中的支持向量机的训练样本为无噪声信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911206923.1A CN110954779A (zh) | 2019-11-29 | 2019-11-29 | 一种基于s变换与多维分形的电压暂降源特征识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911206923.1A CN110954779A (zh) | 2019-11-29 | 2019-11-29 | 一种基于s变换与多维分形的电压暂降源特征识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110954779A true CN110954779A (zh) | 2020-04-03 |
Family
ID=69979319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911206923.1A Pending CN110954779A (zh) | 2019-11-29 | 2019-11-29 | 一种基于s变换与多维分形的电压暂降源特征识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110954779A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111398721A (zh) * | 2020-04-14 | 2020-07-10 | 南京工程学院 | 一种引入调节因子的配电网电压暂降源分类识别方法 |
| CN111476173A (zh) * | 2020-04-09 | 2020-07-31 | 南京工程学院 | 一种基于bas-svm的配电网电压暂降源识别方法 |
| CN112034232A (zh) * | 2020-08-21 | 2020-12-04 | 上海电机学院 | 一种供电系统电压暂降检测方法 |
| CN112131956A (zh) * | 2020-08-27 | 2020-12-25 | 国网湖北省电力有限公司电力科学研究院 | 一种基于差异哈希算法的电压暂降源分类方法 |
| CN114021424A (zh) * | 2021-09-29 | 2022-02-08 | 国网江苏省电力有限公司南京供电分公司 | 一种基于pca-cnn-lvq的电压暂降源识别方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102967854A (zh) * | 2012-12-07 | 2013-03-13 | 中国人民解放军海军航空工程学院 | Frft域海杂波中目标的多重分形检测方法 |
| CN103226132A (zh) * | 2013-04-25 | 2013-07-31 | 哈尔滨工业大学 | 高铁钢轨伤损检测实验平台及检测方法 |
| CN103578050A (zh) * | 2013-11-14 | 2014-02-12 | 国家电网公司 | 一种电压暂降原因的识别方法 |
| CN103995178A (zh) * | 2014-05-20 | 2014-08-20 | 江苏大学 | 一种基于时频聚集特性准则s变换的电压暂降检测方法 |
| CN106548013A (zh) * | 2016-10-19 | 2017-03-29 | 西安工程大学 | 利用改进不完全s变换的电压暂降源识别方法 |
| CN107067096A (zh) * | 2016-12-27 | 2017-08-18 | 河南理工大学 | 基于分形与混沌理论相结合的金融时间序列短期预测 |
| CN107167702A (zh) * | 2017-05-04 | 2017-09-15 | 国网福建省电力有限公司 | 一种配电网馈线故障类型识别方法及装置 |
| CN107677904A (zh) * | 2017-09-21 | 2018-02-09 | 广东电网有限责任公司电力科学研究院 | 一种电压暂降成因辨识方法及系统 |
| CN108694482A (zh) * | 2018-07-27 | 2018-10-23 | 西南石油大学 | 基于分形理论与改进的最小二乘支持向量机潮汐流速预测方法 |
| CN109766853A (zh) * | 2019-01-16 | 2019-05-17 | 华北电力大学 | 基于lstm的电压暂降扰动分类方法 |
| CN109953755A (zh) * | 2019-03-15 | 2019-07-02 | 度特斯(大连)实业有限公司 | 一种心电向量数据特征的提取方法及装置 |
| CN110147802A (zh) * | 2019-05-13 | 2019-08-20 | 安徽工业大学 | 基于多重分形去趋势波动分析的惰质组分类方法及系统 |
-
2019
- 2019-11-29 CN CN201911206923.1A patent/CN110954779A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102967854A (zh) * | 2012-12-07 | 2013-03-13 | 中国人民解放军海军航空工程学院 | Frft域海杂波中目标的多重分形检测方法 |
| CN103226132A (zh) * | 2013-04-25 | 2013-07-31 | 哈尔滨工业大学 | 高铁钢轨伤损检测实验平台及检测方法 |
| CN103578050A (zh) * | 2013-11-14 | 2014-02-12 | 国家电网公司 | 一种电压暂降原因的识别方法 |
| CN103995178A (zh) * | 2014-05-20 | 2014-08-20 | 江苏大学 | 一种基于时频聚集特性准则s变换的电压暂降检测方法 |
| CN106548013A (zh) * | 2016-10-19 | 2017-03-29 | 西安工程大学 | 利用改进不完全s变换的电压暂降源识别方法 |
| CN107067096A (zh) * | 2016-12-27 | 2017-08-18 | 河南理工大学 | 基于分形与混沌理论相结合的金融时间序列短期预测 |
| CN107167702A (zh) * | 2017-05-04 | 2017-09-15 | 国网福建省电力有限公司 | 一种配电网馈线故障类型识别方法及装置 |
| CN107677904A (zh) * | 2017-09-21 | 2018-02-09 | 广东电网有限责任公司电力科学研究院 | 一种电压暂降成因辨识方法及系统 |
| CN108694482A (zh) * | 2018-07-27 | 2018-10-23 | 西南石油大学 | 基于分形理论与改进的最小二乘支持向量机潮汐流速预测方法 |
| CN109766853A (zh) * | 2019-01-16 | 2019-05-17 | 华北电力大学 | 基于lstm的电压暂降扰动分类方法 |
| CN109953755A (zh) * | 2019-03-15 | 2019-07-02 | 度特斯(大连)实业有限公司 | 一种心电向量数据特征的提取方法及装置 |
| CN110147802A (zh) * | 2019-05-13 | 2019-08-20 | 安徽工业大学 | 基于多重分形去趋势波动分析的惰质组分类方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| 付华 等: "电压暂降源自适应S变换辨识模型", 《电工电能新技术》 * |
| 何友全 等: "基于分形理论的电力系统高频暂态波形特征识别", 《电力系统自动化》 * |
| 姚斌: "RS 方法在故障选线和电压暂降检测中的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 徐立新: "基于复杂系统理论的电网故障时空分布特性及结构脆弱性研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 林近山: "基于时间序列标度分析的旋转机械故障诊断方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 蒋章 等: "以赫斯特指数与近似熵为声发射特征参数的碰摩故障识别", 《中国电机工程学报》 * |
| 陈丽 等: "基于改进S 变换的复合电压暂降源识别特征分析", 《电力系统保护与控制》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476173A (zh) * | 2020-04-09 | 2020-07-31 | 南京工程学院 | 一种基于bas-svm的配电网电压暂降源识别方法 |
| CN111476173B (zh) * | 2020-04-09 | 2024-03-05 | 南京工程学院 | 一种基于bas-svm的配电网电压暂降源识别方法 |
| CN111398721A (zh) * | 2020-04-14 | 2020-07-10 | 南京工程学院 | 一种引入调节因子的配电网电压暂降源分类识别方法 |
| CN112034232A (zh) * | 2020-08-21 | 2020-12-04 | 上海电机学院 | 一种供电系统电压暂降检测方法 |
| CN112131956A (zh) * | 2020-08-27 | 2020-12-25 | 国网湖北省电力有限公司电力科学研究院 | 一种基于差异哈希算法的电压暂降源分类方法 |
| CN112131956B (zh) * | 2020-08-27 | 2022-08-26 | 国网湖北省电力有限公司电力科学研究院 | 一种基于差异哈希算法的电压暂降源分类方法 |
| CN114021424A (zh) * | 2021-09-29 | 2022-02-08 | 国网江苏省电力有限公司南京供电分公司 | 一种基于pca-cnn-lvq的电压暂降源识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110954779A (zh) | 一种基于s变换与多维分形的电压暂降源特征识别方法 | |
| CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
| Kim et al. | Fault diagnosis of a power transformer using an improved frequency-response analysis | |
| CN109975665B (zh) | 一种电力设备局部放电信号放电类型识别方法 | |
| CN106483370A (zh) | 基于多特征融合的非侵入式家用负荷实时识别方法及装置 | |
| CN109444656A (zh) | 一种变压器绕组变形位置的在线诊断方法 | |
| CN111308260B (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 | |
| Liu et al. | A novel fault diagnosis approach for rolling bearing based on high-order synchrosqueezing transform and detrended fluctuation analysis | |
| CN113589105B (zh) | 基于物联网的建筑电气火灾串联故障电弧识别方法及系统 | |
| CN110991481B (zh) | 一种基于交叉小波变换的高压并联电抗器内部松动故障诊断方法 | |
| CN111414893B (zh) | 基于vmd精细复合多尺度散布熵的转子故障特征提取方法 | |
| CN111291918B (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
| CN117748507B (zh) | 基于高斯回归模型的配网谐波接入不确定性评估方法 | |
| CN111307438A (zh) | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 | |
| CN110808580A (zh) | 基于小波变换和极限学习机的电压暂降源快速辨识方法 | |
| CN112630527A (zh) | 基于经验小波变换的畸变信号电量计量方法 | |
| CN112183400A (zh) | 一种新型的配电变压器潜伏性故障特征提取方法及系统 | |
| CN115128345A (zh) | 一种基于谐波监测的电网安全预警方法及系统 | |
| Sahu et al. | Time‐frequency analysis of power quality disturbances using synchroextracting transform | |
| CN117289087A (zh) | 一种基于czt变换的串联故障电弧检测方法 | |
| CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
| CN111079647A (zh) | 一种断路器缺陷识别方法 | |
| CN116577612A (zh) | 一种基于vmd希尔伯特边际谱多特征融合的串联故障电弧检测方法 | |
| CN112729531B (zh) | 配电变压器设备故障研判方法及系统 | |
| CN115808600A (zh) | 基于数学形态学和模式识别的直流电弧检测方法 |
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: 20200403 |