CN111398721A - 一种引入调节因子的配电网电压暂降源分类识别方法 - Google Patents

一种引入调节因子的配电网电压暂降源分类识别方法 Download PDF

Info

Publication number
CN111398721A
CN111398721A CN202010289618.XA CN202010289618A CN111398721A CN 111398721 A CN111398721 A CN 111398721A CN 202010289618 A CN202010289618 A CN 202010289618A CN 111398721 A CN111398721 A CN 111398721A
Authority
CN
China
Prior art keywords
voltage sag
power distribution
distribution network
transformation
sag
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
Application number
CN202010289618.XA
Other languages
English (en)
Inventor
刘海涛
叶筱怡
袁华骏
耿宗璞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202010289618.XA priority Critical patent/CN111398721A/zh
Publication of CN111398721A publication Critical patent/CN111398721A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种引入调节因子的配电网电压暂降源分类识别方法，包括：在标准S变换的高斯窗函数上添加高斯窗幅度调节系数和高斯窗指数调节系数这两个调节因子，定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量五个评价指标，通过最优组合赋权方法得到改进后的S变换；利用改进后的S变换提取新的特征指标作为用于对配电网不同电压暂降源进行识别的支持向量机的输入。本发明能够通过引入调节因子获取更为高效的改进S变换，再基于改进S变换精确地提取不同电压暂降类型的特征指标，将其作为支持向量机(SVM)的输入，从而实现对配电网电压暂降源的准确识别。

Description

一种引入调节因子的配电网电压暂降源分类识别方法
技术领域
本发明涉及配电网电能质量检测技术领域，具体而言涉及一种引入调节因子的配电网电压暂降源分类识别方法。
背景技术
电压暂降是电能质量问题中最严重的问题之一，近年来，随着自动化和网络化的不断普及与发展，数字处理器和电力电子原件在电力系统中所占比重不断增加。相对于只有停电才受影响的传统负荷，这些现代负荷对电压暂降更加敏感。输配电系统中的短路故障、感应电动机启动和变压器的投切事件，是引起电压暂降的三大主要原因。因此，对电压暂降进行准确的分类识别对抑制和缓解电压暂降具有重大意义。
对电压暂降信号进行相关的特征指标提取是影响电压暂降源分类识别的关键因素。S变换是地球物理学领域的学者Stockwell等人于1996年提出的一种时频可逆分析方法。S变换因其良好的时频分析能力，能提取任意频率分量特征等，是众多数学分析方法中较好的一种提取电压暂降特征指标的方法，但传统的S变换可能存在对暂降的误判、对噪声敏感等缺点，因此国内外专家提出了对于S变换的改进，但目前对配电网电压暂降源分类识别正确率的提升效果仍有限。
发明内容
本发明目的在于提供一种引入调节因子的配电网电压暂降源分类识别方法，在标准S变换的高斯窗函数上添加两个调节因子，定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量五个指标，通过最优组合赋权方法得到改进后的S变换。利用改进S变换提取暂降深度、突变点个数、基频幅值下降和上升斜率、二次谐波含有率和暂降时间比六个特征指标作为支持向量机(SVM)的输入，实现配电网不同电压暂降源的识别。
为达成上述目的，结合图17，本发明提出一种引入调节因子的配电网电压暂降源分类识别方法，所述分类识别方法包括：
S1，在标准S变换的高斯窗函数上添加高斯窗幅度调节系数和高斯窗指数调节系数这两个调节因子，定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量五个评价指标，通过最优组合赋权方法得到改进后的S变换；
S2，利用改进后的S变换提取新的特征指标作为用于对配电网不同电压暂降源进行识别的支持向量机的输入。
作为其中的一种优选例，步骤S1中，所述通过最优组合赋权方法得到改进后的S变换的过程包括以下步骤：
S11，仿真并分析多个电压暂降源引起的电压暂降的波形及其典型特征；
S12，在标准S变换的高斯窗函数上添加幅度调节系数和指数调节系数这两个调节因子；
S13，定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量五个评价指标，通过最优组合赋权方法得到两个调节因子的最优取值，继而得到改进后的S变换。
作为其中的一种优选例，步骤S11中，所述多个电压暂降源包括单相短路故障、两相短路故障、三相短路故障、感应电动机启动和变压器投运。
作为其中的一种优选例，步骤S1中，在标准S变换的高斯窗函数上添加高斯窗幅度调节系数和高斯窗指数调节系数这两个调节因子，得到：
Figure BDA0002449890130000021
式中，S(t,f)是改进S变换表达式，h(τ)是信号表达式，t是时间，f是频率，j是虚数，τ是高斯窗函数的中心位置，a是高斯窗幅度调节系数，b是高斯窗指数调节函数，不同的a、b对应不同的时频分辨率。
作为其中的一种优选例，步骤S1中，针对短路故障和感应电动机启动，两个调节因子最优取值分别为a＝5，b＝0.87；针对变压器投运，两个调节因子最优取值分别为a＝1，b＝0.87。
作为其中的一种优选例，步骤S2中，所述新的特征指标包括暂降深度、突变点个数、基频幅值下降和上升斜率、二次谐波含有率和暂降时间比六个特征指标。
作为其中的一种优选例，所述突变点个数由改进S变换得到的11倍基频行向量确定，其中，针对变压器投运类型，统一设为0；
所述二次谐波含有率定义为：
Figure BDA0002449890130000022
式中：U2为频率幅值包络曲线中第32个采样点处频率值，U1为频率幅值包络曲线中第17个采样点处频率值；
所述暂降时间比定义为：
Figure BDA0002449890130000023
式中：T1为暂降平稳时间，T2为暂降持续时间。
作为其中的一种优选例，所述分类识别方法还包括：
S3，针对每种电压暂降类型，分别提取一定量的特征指标数据，对每组特征指标数据进行归一化处理后，生成一定量的样本数据；
S4，将其中一部分样本数据作为训练样本，其余样本数据作为测试样本，对支持向量机进行训练，生成暂降源分类识别模型；
S5，采用暂降源分类识别模型对配电网电压暂降源进行分类识别。
作为其中的一种优选例，步骤S3中，所述针对每种电压暂降类型，分别提取一定量的特征指标数据是指：
对于短路故障，改变其故障发生的起止时刻、故障的位置和线路负荷的大小，以获取对应的特征指标数据；
对于感应电动机启动，改变电动机的容量和电动机的启动时间，以获取对应的特征指标数据；
对于变压器投运，改变其变压器的容量、联接方式、投切时间以及线路负荷，以获取对应的特征指标数据。
作为其中的一种优选例，步骤S3中，所述对每组特征指标数据进行归一化处理后是指：
采用下述归一化公式对每组特征指标数据进行归一化处理：
Figure BDA0002449890130000031
式中，X为原始数据，Xmin为原始数据中的最小值，Xmax为原始数据中的最大值。
本发明基于当前国内外对于这个问题的研究基础之上，进一步分析研究了引入调节因子提高配电网电压暂降源分类识别正确率的方法，通过引入调节因子获取更为高效的改进S变换，再基于改进S变换精确地提取不同电压暂降类型的特征指标，将其作为支持向量机(SVM)的输入，从而实现对配电网电压暂降源的准确识别。
以上本发明的技术方案，与现有相比，其显著的有益效果在于：
在标准S变换的高斯窗函数上添加两个调节因子，定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量五个指标，通过最优组合赋权方法得到改进后的S变换。利用改进S变换提取暂降深度、突变点个数、基频幅值下降和上升斜率、二次谐波含有率和暂降时间比六个特征指标作为支持向量机(SVM)的输入，实现配电网不同电压暂降源的识别。
经测试，采用本发明所提及的改进S变换后电压暂降识别正确率达100％，而采用标准S变换后的电压暂降识别正确率只有83.6％，可以很直观地看到，采用改进S变换提取电压暂降识别特征指标进行配电网电压暂降扰动源分类识别上的效果比标准S变换更好。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1为电压暂降模型图，其中(a)是短路故障模型图，(b)是感应电动启动模型图，(c)是变压器投运模型图。
图2为A相短路故障引起的电压暂降波形图。
图3为AB相短路故障引起的电压暂降波形图。
图4为三相短路故障引起的电压暂降波形图。
图5为感应电动机启动引起的电压暂降波形图。
图6为变压器投运引起的电压暂降波形图。
图7为短路故障的基频幅值曲线。
图8为感应电动机启动的基频幅值曲线。
图9为变压器投运的基频幅值曲线。
图10为短路故障的频率幅值包络线。
图11为感应电动机启动的频率幅值包络线。
图12为变压器投运的频率幅值包络线。
图13为短路故障的突变点个数。
图14为感应电动机启动的突变点个数。
图15为改进S变换的分类效果。
图16为标准S变换的分类效果。
图17是本发明的引入调节因子的配电网电压暂降源分类识别方法的流程图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
结合图17，本发明提出一种引入调节因子的配电网电压暂降源分类识别方法，所述分类识别方法包括：
S1，在标准S变换的高斯窗函数上添加高斯窗幅度调节系数和高斯窗指数调节系数这两个调节因子，定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量五个评价指标，通过最优组合赋权方法得到改进后的S变换。
S2，利用改进后的S变换提取新的特征指标作为用于对配电网不同电压暂降源进行识别的支持向量机的输入。
基于MATLAB/Simulink建立单相短路故障、两相短路故障、感应电动机启动和变压器投运引起的五种电压暂降的仿真模型并进行仿真实验，如图1所示。
在此基础上，本发明所提及的引入调节因子的配电网电压暂降源分类识别方法包括以下步骤：
步骤1，仿真得到由单相短路故障、两相短路故障、三相短路故障、感应电动机启动和变压器投运所引起的电压暂降波形，并分析其典型特征，如图2-6所示。
步骤2，在标准S变换的高斯窗函数上添加两个调节因子，定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量五个评价指标。
优选的，在原始S变换的高斯窗函数上添加两个调节因子，具体为：
Figure BDA0002449890130000051
式中a、b即为高斯窗添加的两个调节因子，其中a为高斯窗幅度调节系数，b为高斯窗指数调节系数。
步骤3，由最优组合赋权方法得到两个调节因子的最优取值，确定改进S变换的高斯窗函数。在本例中，针对短路故障和感应电动机启动时的两个高斯窗调节因子最优取值为a＝5，b＝0.87；针对变压器投运时的两个高斯窗调节因子最优取值为a＝1，b＝0.87。
步骤4，通过改进后的S变换提取五种电压暂降类型的基频幅值曲线和频率幅值包络线，如图7-12所示。
步骤5，定义暂降深度、突变点个数、基频幅值下降和上升斜率、二次谐波含有率和暂降时间比六个特征指标。
(1)突变点个数由改进S变换得到的11倍基频行向量确定。其中，由于变压器投运时存在大量谐波分量，不能精确提取其突变点个数，可以统一设为0，如图13-14所示。
(2)二次谐波含有率定义为：
Figure BDA0002449890130000052
式中：U2为频率幅值包络曲线中第32个采样点处频率值，U1为频率幅值包络曲线中第17个采样点处频率值。
(3)暂降时间比定义为：
Figure BDA0002449890130000053
式中：T1为暂降平稳时间，T2为暂降持续时间。
步骤6，每种电压暂降类型提取100组上述指标数据并对其进行归一化处理，其中50组作为支持向量机(SVM)的训练样本，另外50组作为支持向量机(SVM)的测试样本进行测试，实现对配电网电压暂降源的100％精确识别，如图15所示。
在本例中，采用的归一化公式为：
Figure BDA0002449890130000054
式中，X为原始数据，Xmin为原始数据中的最小值，Xmax为原始数据中的最大值。
仿真时采样频率设定为1600Hz，采样点数设定为512点，基频频率取工频50Hz。对于短路故障，改变其故障发生的起止时刻、故障的位置和线路负荷的大小；对于感应电动机启动，改变电动机的容量和电动机的启动时间；对于变压器投运，改变其变压器的容量、联接方式、投切时间以及线路负荷。通过仿真得到五种电压暂降类型各100组样本数据，其中50组作为支持向量机的训练样本，另50组作为测试样本。
由图15-16可看出，经改进S变换后电压暂降识别正确率达100％，而经标准S变换后的电压暂降识别正确率只有83.6％，采用改进S变换提取电压暂降识别特征指标进行配电网电压暂降扰动源分类识别上的效果比标准S变换更好。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (10)

1.一种引入调节因子的配电网电压暂降源分类识别方法，其特征在于，所述分类识别方法包括：
S1，在标准S变换的高斯窗函数上添加高斯窗幅度调节系数和高斯窗指数调节系数这两个调节因子，定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量五个评价指标，通过最优组合赋权方法得到改进后的S变换；
S2，利用改进后的S变换提取新的特征指标作为用于对配电网不同电压暂降源进行识别的支持向量机的输入。
2.根据权利要求1所述的引入调节因子的配电网电压暂降源分类识别方法，其特征在于，步骤S1中，所述通过最优组合赋权方法得到改进后的S变换的过程包括以下步骤：
S11，仿真并分析多个电压暂降源引起的电压暂降的波形及其典型特征；
S12，在标准S变换的高斯窗函数上添加幅度调节系数和指数调节系数这两个调节因子；
S13，定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量五个评价指标，通过最优组合赋权方法得到两个调节因子的最优取值，继而得到改进后的S变换。
3.根据权利要求2所述的引入调节因子的配电网电压暂降源分类识别方法，其特征在于，步骤S11中，所述多个电压暂降源包括单相短路故障、两相短路故障、三相短路故障、感应电动机启动和变压器投运。
4.根据权利要求1所述的引入调节因子的配电网电压暂降源分类识别方法，其特征在于，步骤S1中，在标准S变换的高斯窗函数上添加高斯窗幅度调节系数和高斯窗指数调节系数这两个调节因子，得到：
Figure FDA0002449890120000011
式中，S(t,f)是改进S变换表达式，h(τ)是信号表达式，t为时间，f为频率，j为虚数，τ为高斯窗函数的中心位置，a为高斯窗幅度调节系数，b为高斯窗指数调节系数，不同的a、b对应不同的时频分辨率。
5.根据权利要求4所述的引入调节因子的配电网电压暂降源分类识别方法，其特征在于，步骤S1中，针对短路故障和感应电动机启动，两个调节因子最优取值分别为a＝5，b＝0.87；针对变压器投运，两个调节因子最优取值分别为a＝1，b＝0.87。
6.根据权利要求1所述的引入调节因子的配电网电压暂降源分类识别方法，其特征在于，步骤S2中，所述新的特征指标包括暂降深度、突变点个数、基频幅值下降和上升斜率、二次谐波含有率和暂降时间比六个特征指标。
7.根据权利要求6所述的引入调节因子的配电网电压暂降源分类识别方法，其特征在于，所述突变点个数由改进S变换得到的11倍基频行向量确定，其中，针对变压器投运类型，统一设为0；
所述二次谐波含有率定义为：
Figure FDA0002449890120000021
式中：U2为频率幅值包络曲线中第32个采样点处频率值，U1为频率幅值包络曲线中第17个采样点处频率值；
所述暂降时间比定义为：
Figure FDA0002449890120000022
式中：T1为暂降平稳时间，T2为暂降持续时间。
8.根据权利要求1所述的引入调节因子的配电网电压暂降源分类识别方法，其特征在于，所述分类识别方法还包括：
S3，针对每种电压暂降类型，分别提取一定量的特征指标数据，对每组特征指标数据进行归一化处理后，生成一定量的样本数据；
S4，将其中一部分样本数据作为训练样本，其余样本数据作为测试样本，对支持向量机进行训练，生成暂降源分类识别模型；
S5，采用暂降源分类识别模型对配电网电压暂降源进行分类识别。
9.根据权利要求8所述的引入调节因子的配电网电压暂降源分类识别方法，其特征在于，步骤S3中，所述针对每种电压暂降类型，分别提取一定量的特征指标数据是指：
对于短路故障，改变其故障发生的起止时刻、故障的位置和线路负荷的大小，以获取对应的特征指标数据；
对于感应电动机启动，改变电动机的容量和电动机的启动时间，以获取对应的特征指标数据；
对于变压器投运，改变其变压器的容量、联接方式、投切时间以及线路负荷，以获取对应的特征指标数据。
10.根据权利要求8所述的引入调节因子的配电网电压暂降源分类识别方法，其特征在于，步骤S3中，所述对每组特征指标数据进行归一化处理后是指：
采用下述归一化公式对每组特征指标数据进行归一化处理：
Figure FDA0002449890120000023
式中，X为原始数据，Xmin为原始数据中的最小值，Xmax为原始数据中的最大值。
CN202010289618.XA 2020-04-14 2020-04-14 一种引入调节因子的配电网电压暂降源分类识别方法 Pending CN111398721A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010289618.XA CN111398721A (zh) 2020-04-14 2020-04-14 一种引入调节因子的配电网电压暂降源分类识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010289618.XA CN111398721A (zh) 2020-04-14 2020-04-14 一种引入调节因子的配电网电压暂降源分类识别方法

Publications (1)

Publication Number Publication Date
CN111398721A true CN111398721A (zh) 2020-07-10

Family

ID=71429561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010289618.XA Pending CN111398721A (zh) 2020-04-14 2020-04-14 一种引入调节因子的配电网电压暂降源分类识别方法

Country Status (1)

Country Link
CN (1) CN111398721A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112415270A (zh) * 2020-10-27 2021-02-26 同济大学 一种电池阻抗快速测量方法及系统
CN112529066A (zh) * 2020-12-07 2021-03-19 南京工程学院 一种基于bas-bp分类器模型的电压暂降源识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103424600A (zh) * 2013-08-20 2013-12-04 昆明理工大学 一种基于Hilbert-Huang变换和小波包能量谱的电压暂降源识别方法
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
CN104808035A (zh) * 2014-01-24 2015-07-29 华北电力大学（保定） 一种基于广义双曲s变换的电压暂降检测方法
CN105447502A (zh) * 2015-11-05 2016-03-30 国家电网公司 一种基于s变换和改进svm算法的暂态电能扰动识别方法
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
CN110954779A (zh) * 2019-11-29 2020-04-03 国网上海市电力公司 一种基于s变换与多维分形的电压暂降源特征识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103424600A (zh) * 2013-08-20 2013-12-04 昆明理工大学 一种基于Hilbert-Huang变换和小波包能量谱的电压暂降源识别方法
CN104808035A (zh) * 2014-01-24 2015-07-29 华北电力大学（保定） 一种基于广义双曲s变换的电压暂降检测方法
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
CN105447502A (zh) * 2015-11-05 2016-03-30 国家电网公司 一种基于s变换和改进svm算法的暂态电能扰动识别方法
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
CN110954779A (zh) * 2019-11-29 2020-04-03 国网上海市电力公司 一种基于s变换与多维分形的电压暂降源特征识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
孙维蒙: "《基于智能学习算法的电压暂降影响评估与定位研究》", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
徐健 等: "《基于S变换模矩阵的电网扰动信号检测》", 《电子测量技术》 *
朱苏航 等: "《利用遗传支持向量机进行电压暂降信号识别》", 《电力系统及其自动化学报》 *
李冉: "《基于改进S变换与支持向量机的电能质量扰动识别》", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
李晨懿 等: "《模糊综合评价在电压暂降源识别中的应用》", 《电网技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112415270A (zh) * 2020-10-27 2021-02-26 同济大学 一种电池阻抗快速测量方法及系统
CN112529066A (zh) * 2020-12-07 2021-03-19 南京工程学院 一种基于bas-bp分类器模型的电压暂降源识别方法
CN112529066B (zh) * 2020-12-07 2024-04-16 南京工程学院 一种基于bas-bp分类器模型的电压暂降源识别方法

Similar Documents

Publication Publication Date Title
CN111476173B (zh) 一种基于bas-svm的配电网电压暂降源识别方法
Zhang et al. A real-time classification method of power quality disturbances
CN110808580B (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
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
CN103323702A (zh) 复合电能质量扰动信号识别方法
CN105447502A (zh) 一种基于s变换和改进svm算法的暂态电能扰动识别方法
CN111398721A (zh) 一种引入调节因子的配电网电压暂降源分类识别方法
CN109298225B (zh) 一种电压量测数据异常状态自动识别模型系统及方法
Atta et al. Broken bar faults detection under induction motor starting conditions using the optimized stockwell transform and adaptive time–frequency filter
CN104778348A (zh) 低压脱扣器的电压暂降动作特性建模方法
CN110826498A (zh) 基于hht的暂态电能质量检测方法
CN104049159A (zh) 逆变器的故障检测方法和检测装置
CN117748507A (zh) 基于高斯回归模型的配网谐波接入不确定性评估方法
CN106019186A (zh) 一种基于空载电流法的变压器铁心剩磁检测方法
CN112255495B (zh) 一种微电网高阻故障检测方法
CN113391244A (zh) 一种基于vmd的变压器合闸振动信号特征频率计算方法
CN109471026B (zh) 一种实心转子大型调相机多阻尼回路动态参数辨识方法
CN110412366A (zh) 一种基于动态时间算法的变压器带电检测方法
CN109001556B (zh) 一种类强迫超低频振荡的判别方法及系统
CN112529066B (zh) 一种基于bas-bp分类器模型的电压暂降源识别方法
CN111257619B (zh) 一种基于多属性决策和改进s变换方法的电压暂降检测方法
CN112034232A (zh) 一种供电系统电压暂降检测方法
CN114254712A (zh) 一种基于Adaboost-BP的电压暂降类型辨识方法
CN114609435A (zh) 一种电压暂降检测和分类辨识方法
CN114325107A (zh) 一种谐波阻抗计算结果准确性判断方法

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

Application publication date: 20200710

RJ01 Rejection of invention patent application after publication