CN111693774A - 一种输电网的谐波测量方法和装置 - Google Patents
一种输电网的谐波测量方法和装置 Download PDFInfo
- Publication number
- CN111693774A CN111693774A CN202010373820.0A CN202010373820A CN111693774A CN 111693774 A CN111693774 A CN 111693774A CN 202010373820 A CN202010373820 A CN 202010373820A CN 111693774 A CN111693774 A CN 111693774A
- Authority
- CN
- China
- Prior art keywords
- neural network
- wavelet neural
- harmonic
- power transmission
- 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.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 254
- 238000005070 sampling Methods 0.000 claims abstract description 47
- 238000000691 measurement method Methods 0.000 claims abstract description 33
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 108
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000005284 excitation Effects 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 22
- 238000013519 translation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 210000002364 input neuron Anatomy 0.000 claims description 5
- 210000004205 output neuron Anatomy 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种输电网的谐波测量方法，包括：对输电网的采样信号序列进行全相位傅里叶运算，以获取目标谐波相位信息。根据所述目标谐波相位信息，构建小波神经网络，用于计算并输出谐波幅值信息。在预设的最大迭代次数范围内，通过调整小波神经网络的预设参数信息，计算所述小波神经网络的目标误差函数值，直到所述小波神经网络的目标误差函数值符合预设误差要求时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。本发明还公开了相应的谐波测量装置，采用本发明实施例，结合傅里叶变换、小波变换和神经网络算法的优势，有效地提高谐波测量方法的精确性、高效性和鲁棒性，以满足输电网谐波监测应用要求，提高输电网的安全稳定运行。
Description
技术领域
本发明涉及电力系统技术领域，尤其涉及一种输电网的谐波测量方法和装置。
背景技术
高压直流输电技术具有造价低、损耗小、可调性和可靠性高等优势，在许多电网领域得到了广泛应用。高压直流输电系统的核心电力电子器件是换流器，换流器一般由6或12个桥臂(换流阀)构成，因此一个直流输电工程所需晶闸管的数量巨大，一般在数千只以上。而换流器作为非线性电力电子元件，在工作时不可避免的会产生各次谐波，这些谐波的存在严重危害电网的安全可靠运行。
在现有技术中，基于傅里叶变换(FFT)的谐波测量方法是已建成工程中应用最广泛的谐波检测方法，该方法主要适用于稳态谐波信号的检测，当信号中有暂态成分时，使用该方法会产生频谱混叠效应和栅栏效应，使计算出的谐波信号不准确，无法满足测量精度要求以及无法定位暂态信号发生、结束的时间。
为了弥补傅立叶变换不具有时域局部性的缺陷，小波变换在分析非稳态谐波信号方面展现了与傅里叶变换互补的优越性。目前基于傅里叶变换的算法经过加窗和加插值的改进，可以减少由频谱侧漏和栅栏效应引起的谐波测量误差，但是该算法的采样和计算时间并没有减少，无法满足谐波测量的实时性要求。
发明内容
本发明实施例的目的是提供一种输电网的谐波测量方法和装置，能结合傅里叶变换、小波变换和神经网络算法的优势，以计算谐波参数信息，有效地提高谐波测量方法的精确性、高效性和鲁棒性，以满足输电网谐波监测应用要求，提高输电网的安全稳定运行。
为实现上述目的，本发明实施例提供了一种输电网的谐波测量方法，包括：
对输电网中的原始信号进行等时间间隔采样，得到采样信号序列；
对所述采样信号序列进行全相位傅里叶运算，以获取所述输电网的目标谐波相位信息；
根据所述目标谐波相位信息，构建小波神经网络；
将经过全相位傅里叶运算后的采样信号序列进行小波变换，并输入所述小波神经网络中，计算并输出谐波幅值信息；
根据所述小波神经网络的输出层的每一节点的期望输出值和实际输出值，计算所述小波神经网络的目标误差函数值；
判断所述小波神经网络的目标误差函数值是否符合预设误差要求，当所述小波神经网络的目标误差函数值符合预设误差要求时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。
作为上述方案的改进，所述输电网的谐波测量方法还包括：
当所述小波神经网络的目标误差函数值不符合所述预设误差要求时，调整所述小波神经网络的预设参数信息；其中，所述预设参数信息包括输入层至隐藏层的权值、隐藏层至输出层的权值、神经元激励函数的尺度伸缩因子和时间平移因子；
在调整所述小波神经网络的预设参数信息之后，重新计算并输出谐波幅值信息，并计算所述小波神经网络的目标误差函数，以再次判断所述小波神经网络的目标误差函数值是否符合预设误差要求。
作为上述方案的改进，所述输电网的谐波测量方法还包括：
对所述小波神经网络的预设参数信息的调整次数进行计数；
当判定所述小波神经网络的预设参数信息的调整次数达到预设的最大迭代次数时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。
作为上述方案的改进，所述根据所述小波神经网络的输出层的每一节点的期望输出值和实际输出值，计算所述小波神经网络的目标误差函数值，具体包括：
根据所述小波神经网络的输出层的每一节点的期望输出值和实际输出值，通过以下计算公式，计算所述小波神经网络的目标误差函数值：
其中，E为所述小波神经网络的目标误差函数值；
为输出层第n个节点的期望输出值；
为输出层第n个节点的实际输出值；p为所述采样信号序列中采样信号的数量。
作为上述方案的改进，所述当所述小波神经网络的目标误差函数值不符合所述预设误差要求时，调整所述小波神经网络的预设参数信息，具体包括：
当所述小波神经网络的目标误差函数值不符合所述预设误差要求时，以每一预设参数信息对应预设的动量项作为调整步长，调整所述小波神经网络的预设参数信息。
作为上述方案的改进，所述当所述小波神经网络的目标误差函数值不符合所述预设误差要求时，调整所述小波神经网络的预设参数信息，具体包括：
通过以下计算公式，调整所述小波神经网络的输入层至隐藏层的权值：
其中，ωkm(t)和ωkm(t+1)分别为调整前和调整后的输入层至隐藏层的权值；λΔωkm(t)为动量项；λ为所述小波神经网络预设的动量因子；η为所述小波神经网络预设的学习率；p为所述采样信号序列中采样信号的数量；
为第n个节点误差函数；ωnk为所述小波神经网络的隐藏层至输出层的权值；
为隐含层的输出值；
为隐含层的输入值，
为输入层的输入值；
通过以下计算公式，调整所述小波神经网络的隐藏层至输出层的权值：
其中，ωnk(t)和ωnk(t+1)为调整前和调整后的隐藏层至输出层的权值；λΔωnk(t)为动量项；
为输出层第n个节点的期望输出值；
为输出层第n个节点的实际输出值；
通过以下计算公式，调整所述小波神经网络的神经元激励函数的尺度伸缩因子：
其中，ak(t)和ak(t+1)为调整前和调整后的尺度伸缩因子；Δak(t)为伸缩因子动量项；
通过以下计算公式，调整所述小波神经网络的神经元激励函数的时间平移因子：
其中，bk(t)和bk(t)为调整前和调整后的时间平移因子；Δbk(t)为平移因子动量项。
作为上述方案的改进，所述根据所述目标谐波相位信息，构建小波神经网络，具体包括：
根据所述目标谐波相位信息，确定小波神经网络的输入层节点数、输出层节点数和隐藏层节点数；
选取预设的小波函数作为小波神经网络的隐藏层的神经元激励函数；
设置小波变换后的信号样本作为所述小波神经网络的输入神经元，各次谐波的幅值作为所述小波神经网络的输出神经元；
初始化所述小波神经网络的预设参数信息，以构建所述小波神经网络；其中，所述预设参数信息包括输入层至隐藏层的权值、隐藏层至输出层的权值、神经元激励函数的尺度伸缩因子和时间平移因子。
本发明实施例还提供了一种输电网的谐波测量装置，包括：
原始信号采样模块，用于对输电网中的原始信号进行等时间间隔采样，得到采样信号序列；
相位信息获取模块，用于对所述采样信号序列进行全相位傅里叶运算，以获取所述输电网的目标谐波相位信息；
神经网络构建模块，用于根据所述目标谐波相位信息，构建小波神经网络；
神经网络计算模块，用于将经过全相位傅里叶运算后的采样信号序列进行小波变换，并输入所述小波神经网络中，计算并输出谐波幅值信息；
误差函数计算模块，用于根据所述小波神经网络的输出层的每一节点的期望输出值和实际输出值，计算所述小波神经网络的目标误差函数值；
幅值信息获取模块，用于判断所述小波神经网络的目标误差函数值是否符合预设误差要求，当所述小波神经网络的目标误差函数值符合预设误差要求时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。
作为上述方案的改进，所述谐波测量装置还包括参数信息调整模块；其中，
所述参数信息调整模块，用于当所述小波神经网络的目标误差函数值不符合所述预设误差要求时，调整所述小波神经网络的预设参数信息；其中，所述预设参数信息包括输入层至隐藏层的权值、隐藏层至输出层的权值、神经元激励函数的尺度伸缩因子和时间平移因子；
所述神经网络计算模块，还用于在调整所述小波神经网络的预设参数信息之后，重新计算并输出谐波幅值信息。
本发明实施例还提供了一种输电网的谐波测量装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项所述的输电网的谐波测量方法。
与现有技术相比，本发明公开的一种输电网的谐波测量方法和装置，对输电网的采样信号序列进行全相位傅里叶运算，以计算得到输电网的目标谐波相位信息。接着，根据所述目标谐波相位信息，构建小波神经网络，用于计算输电网的谐波幅值信息。在预设的最大迭代次数范围内，通过调整小波神经网络的预设参数信息，计算所述小波神经网络的目标误差函数值，直到所述小波神经网络的目标误差函数值符合预设误差要求时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。通过傅里叶变换的谐波测量方法具有检测精度较高、使用方便的优点，能够精准地计算出输电网的谐波相位信息。在此基础上，小波变换能够减少仅经过傅里叶变换时由频谱侧漏和栅栏效应引起的谐波幅值的测量误差，通过构建小波神经网络，减小谐波测量的延时性、增强抗干扰能力和基波电流的动态跟踪能力，从而精准地计算得到输电网的谐波幅值信息。本发明实施例结合了傅里叶变换、小波变换和神经网络算法的优势，能准确地检测输电网中谐波的幅值和相位信息，有效地提高谐波测量方法的精确性、高效性和鲁棒性，以满足输电网谐波监测应用要求，提高输电网的安全稳定运行。且小波神经网络对训练样本的依赖性减小，具有很强的抗干扰能力。
附图说明
图1是本发明实施例一提供的一种输电网的谐波测量方法的步骤流程示意图；
图2是本发明实施例二提供的一种输电网的谐波测量方法的步骤流程示意图；
图3是本发明实施例三提供的一种优选输电网的谐波测量方法的步骤流程示意图；
图4是本发明实施例四中±500kV三广高压直流输电系统的简化模型示意图；
图5是本发明实施例五提供的一种输电网的谐波测量装置的结构示意图；
图6是本发明实施例六提供的另一种输电网的谐波测量装置的结构示意图。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明实施例一提供的一种输电网的谐波测量方法的步骤流程示意图。本发明实施例一所述输电网的谐波测量方法，通过步骤S1至S6执行：
S1、对输电网中的原始信号进行等时间间隔采样，得到采样信号序列。
具体地，本发明实施例适用于110kV及以上的输电网，选取所述输电网的信号样本，根据预设的采样频率对输电网中的非正弦信号进行等时间间隔采用，得到采样信号序列P(p＝1,2,3...P)的样本，从而根据采集到的采样信号序列进行输电网的谐波测量，计算得到输电网的谐波参数信息，具体包括谐波相位信息和谐波幅值信息。
可以理解地，所述预设的采样频率可以根据实际情况进行调整，作为举例，本发明实施例采用的采样频率为5kHz。
S2、对所述采样信号序列进行全相位傅里叶运算，以获取所述输电网的目标谐波相位信息。
基于傅里叶变换(FFT)的谐波测量方法在测量谐波相位信息上的准确度较高，因此，对采集到的采样信号序列P通过全相位傅里叶运算，可以得到精准的谐波相位信息，将其作为所述输电网的目标谐波相位信息。
具体地，当所述采样信号序列P为：
其中，-N+1≤n≤N-1，可以认为对于时间序列中的一点x(0)，存在且只存在N个包含该点的N维向量：
x0＝[x(0),x(1),…,x(N-1)]T
x1＝[x(-1),x(0),…,x(N-2)]T
……
xN-1＝[x(-N+1),x(-N+2),…,x(0)]T；
若全相位FFT谱的相位值为θ，即为中心样点x(0)的理论相位值，该值与频率偏离值m-k无关。通过全相位傅里叶运算得到：
在峰值谱线k＝m处，等号右侧前一项的值远大于后一项，因此k＝m处的相位即为输入的采样信号序列P的初相θ，得到所述输电网的目标谐波相位信息。
S3、根据所述目标谐波相位信息，构建小波神经网络。
根据全相位傅里叶的相位测量结果，构建小波神经网络，用于计算所述输电网的谐波幅值信息，具体通过步骤S31至S34执行：
S31、根据所述目标谐波相位信息，确定小波神经网络的输入层节点数、输出层节点数和隐藏层节点数；
S32、选取预设的小波函数作为小波神经网络的隐藏层的神经元激励函数；
S33、设置小波变换后的信号样本作为所述小波神经网络的输入神经元，各次谐波的幅值作为所述小波神经网络的输出神经元；
S34、初始化所述小波神经网络的预设参数信息，以构建所述小波神经网络；其中，所述预设参数信息包括输入层至隐藏层的权值、隐藏层至输出层的权值、神经元激励函数的尺度伸缩因子和时间平移因子。
具体地，根据所述目标谐波相位信息θ，可以确定小波神经网络的输入层节点数n1、输出层节点数n2和隐藏层节点数n的值。选取预设的小波函数h(x)取代Sigmoid函数作为小波神经网络的隐藏层的神经元激励函数，并设置小波变换后的信号样本作为所述小波神经网络的输入神经元，各次谐波的幅值作为所述小波神经网络的输出神经元。对小波神经网络的各个预设参数信息进行初始化，具体包括初始化括输入层至隐藏层的权值ωkm、隐藏层至输出层的权值ωnk、神经元激励函数的尺度伸缩因子ak和时间平移因子bk，还包括设置小波神经网络的学习率为η、动量因子为λ。从而构建得到所述小波神经网络。
可以理解地，根据输电网的对谐波测量的实际需求，对小波神经网络中的各个预设参数信息进行初始化，作为举例，设置学习率为η＝0.9，动量因子为λ＝0.01。
所述预设的小波函数h(x)包括但不限于Morlet小波、Mexihat小波和Gaussian小波等等。作为的可选的实施方式，本发明实施例选择Morlet小波函数作为小波神经网络的隐藏层的神经元激励函数，以使构成的神经网络的函数逼近效果最佳。Morlet小波函数的函数表达式为：
S4、将经过全相位傅里叶运算后的采样信号序列进行小波变换，并输入所述小波神经网络中，计算并输出谐波幅值信息。
所述小波神经网络以经过小波变换后的信号样本作为输入神经元，以各次谐波的幅值作为输出神经元。因此，将经过全相位傅里叶运算后的采样信号序列P进行小波变换，作为所述小波神经网络的输入，并经过小波神经网络计算，输出相应的谐波幅值信息。
S5、根据所述小波神经网络的输出层的每一节点的期望输出值和实际输出值，计算所述小波神经网络的目标误差函数值。
计算所述小波神经网络的输出层的每一节点的期望输出值
和实际输出值
进而计算小波神经网络当前的目标误差函数。
具体地，通过以下计算公式，计算所述小波神经网络的目标误差函数值E：
其中，E为所述小波神经网络的目标误差函数值；
为输出层第n个节点的期望输出值；
为输出层第n个节点的实际输出值；p为所述采样信号序列中采样信号的数量。
根据所述小波神经网络的输出层的输入值，可以计算得到所述小波神经网络的输出层的实际输出值
S6、判断所述小波神经网络的目标误差函数值是否符合预设误差要求，当所述小波神经网络的目标误差函数值符合预设误差要求时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。
在计算得到所述神经网络当前的目标误差函数值E之后，进一步判断目标误差函数值E是否符合预设的误差要求。若符合，则将通过小波神经网络计算后，小波神经网络当前输出的谐波幅值信息作为所述输电网的目标谐波幅值信息并输出。
进一步地，判断目标误差函数是否符合预设误差要求具体为：通过设置一个误差要求阈值ε，判断所述目标误差函数值E是否小于所述误差要求阈值ε，当满足E<ε时，则表示所述目标误差函数值E符合预设的误差要求，所述小波神经网络的训练结束，将当前输出的谐波幅值信息作为所述输电网的目标谐波幅值信息。从而最终得到所述输电网的目标谐波相位信息和目标谐波幅值信息，也即得到输电网的谐波参数信息，以进一步提高输电网的安全稳定运行。
本发明实施例一提供了一种输电网的谐波测量方法，对输电网的采样信号序列进行全相位傅里叶运算，以计算得到谐波相位信息，并作为输电网的目标谐波相位信息。接着，根据所述目标谐波相位信息，构建小波神经网络，用于计算输电网的谐波幅值信息。根据所述小波神经网络的输出层的每一节点的期望输出值和实际输出值，计算所述小波神经网络的目标误差函数值；当所述小波神经网络的目标误差函数值符合预设误差要求时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。通过傅里叶变换的谐波测量方法具有检测精度较高、使用方便的优点，能够精准地计算出输电网的谐波相位信息。在此基础上，小波变换能够减少仅经过傅里叶变换时由频谱侧漏和栅栏效应引起的谐波幅值的测量误差，通过构建小波神经网络，减小谐波测量的延时性、增强抗干扰能力和基波电流的动态跟踪能力，从而精准地计算得到输电网的谐波幅值信息。本发明实施例结合了傅里叶变换、小波变换和神经网络算法的优势，能准确地检测输电网中谐波的幅值和相位信息，有效地提高谐波测量方法的精确性、高效性和鲁棒性，以满足输电网谐波监测应用要求，提高输电网的安全稳定运行。且小波神经网络对训练样本的依赖性减小，具有很强的抗干扰能力。
参见图2，是本发明实施例二提供的一种输电网的谐波测量方法的步骤流程示意图。本发明实施例二在上述实施例一的基础上实施，则所述谐波测量方法还包括步骤S7至S8：
S7、当所述小波神经网络的目标误差函数值不符合所述预设误差要求时，调整所述小波神经网络的预设参数信息；其中，所述预设参数信息包括输入层至隐藏层的权值、隐藏层至输出层的权值、神经元激励函数的尺度伸缩因子和时间平移因子；
S8、在调整所述小波神经网络的预设参数信息之后，重新计算并输出谐波幅值信息，并计算所述小波神经网络的目标误差函数，以再次判断所述小波神经网络的目标误差函数值是否符合预设误差要求。
在本发明实施例中，若所述神经网络当前的目标误差函数值E不满足E<ε，也即不符合所述预设误差要求时，则通过调整所述小波神经网络的输入层至隐藏层的权值ωkm、隐藏层至输出层的权值ωnk、神经元激励函数的尺度伸缩因子ak和时间平移因子bk，对所述小波神经网络进行训练，并获取新的输出值。
在调整所述小波神经网络的预设参数信息之后，返回步骤S4，重新计算并输出谐波幅值信息，并计算所述小波神经网络的目标误差函数，以再次判断所述小波神经网络的目标误差函数值是否符合预设误差要求。直到所述小波神经网络的目标误差函数值符合预设误差要求时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。从而最终得到所述输电网的目标谐波相位信息和目标谐波幅值信息，也即得到输电网的谐波参数信息，以进一步提高输电网的安全稳定运行。
作为优选的实施例，步骤S7具体为：当所述小波神经网络的目标误差函数值不符合所述预设误差要求时，以每一预设参数信息对应预设的动量项作为调整步长，调整所述小波神经网络的预设参数信息。
为避免小波神经网络的训练结果陷入局部极小值，针对所述小波神经网络的输入层至隐藏层的权值ωkm、隐藏层至输出层的权值ωnk、神经元激励函数的尺度伸缩因子ak和时间平移因子bk，都预先设置相应的动量项，即隐藏层至输出层的权值的动量项λΔωkm(t)、隐藏层至输出层的权值的动量项λΔωnk(t)、伸缩因子动量项Δak(t)和平移因子动量项Δbk(t)。将每一动量项作为调整步长，调整相应的预设参数信息。
具体地，通过以下计算公式，调整所述小波神经网络的输入层至隐藏层的权值ωkm：
其中，ωkm(t)和ωkm(t+1)分别为调整前和调整后的输入层至隐藏层的权值；λΔωkm(t)为动量项；λ为所述小波神经网络预设的动量因子；η为所述小波神经网络预设的学习率；p为所述采样信号序列中采样信号的数量；
为第n个节点误差函数；ωnk为所述小波神经网络的隐藏层至输出层的权值；
为隐含层的输出值；
为隐含层的输入值，
为输入层的输入值；
通过以下计算公式，调整所述小波神经网络的隐藏层至输出层的权值ωnk：
其中，ωnk(t)和ωnk(t+1)为调整前和调整后的隐藏层至输出层的权值；λΔωnk(t)为动量项；
为输出层第n个节点的期望输出值；
为输出层第n个节点的实际输出值；
通过以下计算公式，调整所述小波神经网络的神经元激励函数的尺度伸缩因子ak：
其中，ak(t)和ak(t+1)为调整前和调整后的尺度伸缩因子；Δak(t)为伸缩因子动量项；
通过以下计算公式，调整所述小波神经网络的神经元激励函数的时间平移因子bk：
其中，bk(t)和bk(t)为调整前和调整后的时间平移因子；Δbk(t)为平移因子动量项。
本发明实施例二提供了一种输电网的谐波测量方法，对输电网的采样信号序列进行全相位傅里叶运算，以计算得到谐波相位信息，并作为输电网的目标谐波相位信息。接着，根据所述目标谐波相位信息，构建小波神经网络，用于计算输电网的谐波幅值信息。根据所述小波神经网络的输出层的每一节点的期望输出值和实际输出值，计算所述小波神经网络的目标误差函数值。当所述小波神经网络的目标误差函数值符合预设误差要求时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息；当所述小波神经网络的目标误差函数值不符合预设误差要求时，调整所述小波神经网络的每一预设参数信息，重新计算并输出谐波幅值信息，并计算所述小波神经网络的目标误差函数，直到目标误差函数值符合预设误差要求时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。本发明实施例结合了傅里叶变换、小波变换和神经网络算法的优势，能准确地检测输电网中谐波的幅值和相位信息，有效地提高谐波测量方法的精确性、高效性和鲁棒性，以满足输电网谐波监测应用要求，提高输电网的安全稳定运行。且小波神经网络对训练样本的依赖性减小，具有很强的抗干扰能力。
参见图3，是本发明实施例三提供的一种优选输电网的谐波测量方法的步骤流程示意图。本发明实施例三在实施例二的基础上实施，所述输电网的谐波测量方法还包括步骤：
对所述小波神经网络的预设参数信息的调整次数进行计数；当判定所述小波神经网络的预设参数信息的调整次数达到预设的最大迭代次数时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。
在本发明实施例中，预先设置所述小波神经网络的最大迭代次数D，用于限定所述小波神经网络的训练次数。对所述小波神经网络的预设参数信息的调整次数进行计数，可以理解地，若未对所述小波神经网络的预设参数信息进行调整，则表示调整次数d＝0。
当所述小波神经网络的目标误差函数值E不符合所述预设误差要求时，判断当前对所述小波神经网络的预设参数信息的调整次数d是否已达到所述最大迭代次数D，若满足d<D，则调整所述小波神经网络的预设参数信息，重新计算并输出谐波幅值信息，并计算所述小波神经网络的目标误差函数，以再次判断所述小波神经网络的目标误差函数值是否符合预设误差要求；若满足d≥D，表明所述小波神经网络的迭代次数已达到最大，不再进行所述小波神经网络的预设参数信息的调整步骤，则所述小波神经网络的训练结束，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。从而最终得到所述输电网的目标谐波相位信息和目标谐波幅值信息，也即得到输电网的谐波参数信息，以进一步提高输电网的安全稳定运行。
本发明实施例三提供了一种输电网的谐波测量方法，对输电网的采样信号序列进行全相位傅里叶运算，以计算得到谐波相位信息，并作为输电网的目标谐波相位信息。接着，根据所述目标谐波相位信息，构建小波神经网络，用于计算输电网的谐波幅值信息。根据所述小波神经网络的输出层的每一节点的期望输出值和实际输出值，计算所述小波神经网络的目标误差函数值。当所述小波神经网络的目标误差函数值符合预设误差要求时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息；当所述小波神经网络的目标误差函数值不符合预设误差要求，且所述小波神经网络的迭代次数小于预设的最大迭代次数阈值时，调整所述小波神经网络的每一预设参数信息，重新计算并输出谐波幅值信息，并计算所述小波神经网络的目标误差函数，直到目标误差函数值符合预设误差要求时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。本发明实施例结合了傅里叶变换、小波变换和神经网络算法的优势，能准确地检测输电网中谐波的幅值和相位信息，有效地提高谐波测量方法的精确性、高效性和鲁棒性，以满足输电网谐波监测应用要求，提高输电网的安全稳定运行。且小波神经网络对训练样本的依赖性减小，具有很强的抗干扰能力。
在一种实施方式下，作为举例，参见图4，是本发明实施例四中±500kV三广高压直流输电系统的简化模型示意图。所述三广高压直流输电系统送电容量3000MW，额定电压和额定直流电流分别是500kV和3.125kA。三广线路长度设置940km，线路模型采用依频模型，设置最小触发角α0为45°。针对所述三广高压直流输电系统，采用如实施例三所述的输电网的谐波测量方法进行谐波测量，在含有各次谐波分量基础上设置不同的噪声条件，考察不同噪声对本发明的谐波测量方法的影响，噪声条件和测量结果如表1所示。
表1不同噪声条件下的测量结果
由表1可知，在不同噪声条件的影响下，各次谐波的幅值和相位的测量结果的精度都比较高，从而验证了本发明实施例提供的输电网的谐波测量方法对测量输电网的谐波相位和幅值信息的准确性。
进一步地，通过设置低次、高次以及间谐波存在的谐波分量，考察谐波分布对本发明的谐波测量方法的影响。设置噪声条件为SNR＝5db，谐波频率分布范围和测量结果如表2所示。
表2谐波分布范围的测量结果
由表2知，即使在较大噪声干扰的情况下，电网信号中存在间谐波和高次谐波时，小波神经网络对幅值和相位的测量结果都能达到满意的效果。
在本发明实施例中，本发明实施例提供的输电网的谐波测量方法结合了傅里叶变换、小波变换和神经网络算法的优势，在对输电网中谐波的幅值和相位信息的测量上均能达到较高的精确度，且抗噪声干扰能力强，鲁棒性高。且小波神经网络对训练样本的依赖性减小，收敛速度快，能满足谐波实时检测的需求，在低中高次频段的谐波检测性能效果都很好，包括间谐波的信息也能检测到，因此谐波测量的适用范围更广，能够有效提高输电网的安全稳定运行。
参见图5，是本发明实施例五提供的一种输电网的谐波测量装置的结构示意图。本发明实施例适用于110kV及以上的输电网，所述输电网的谐波测量装置20，包括：
原始信号采样模块21，用于对输电网中的原始信号进行等时间间隔采样，得到采样信号序列。
相位信息获取模块22，用于对所述采样信号序列进行全相位傅里叶运算，以获取所述输电网的目标谐波相位信息。
神经网络构建模块23，用于根据所述目标谐波相位信息，构建小波神经网络。
神经网络计算模块24，用于将经过全相位傅里叶运算后的采样信号序列进行小波变换，并输入所述小波神经网络中，计算并输出谐波幅值信息。
误差函数计算模块25，用于根据所述小波神经网络的输出层的每一节点的期望输出值和实际输出值，计算所述小波神经网络的目标误差函数值。
幅值信息获取模块26，用于判断所述小波神经网络的目标误差函数值是否符合预设误差要求，当所述小波神经网络的目标误差函数值符合预设误差要求时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。
作为优选的实施方式，所述输电网的谐波测量装置20，还包括参数信息调整模块27，用于当所述小波神经网络的目标误差函数值不符合所述预设误差要求时，调整所述小波神经网络的预设参数信息；其中，所述预设参数信息包括输入层至隐藏层的权值、隐藏层至输出层的权值、神经元激励函数的尺度伸缩因子和时间平移因子；
所述神经网络计算模块24，还用于在调整所述小波神经网络的预设参数信息之后，重新计算并输出谐波幅值信息。
作为优选的实施方式，所述输电网的谐波测量装置20，还包括调整次数计数模块28，用于对所述小波神经网络的预设参数信息的调整次数进行计数；当判定所述小波神经网络的预设参数信息的调整次数达到预设的最大迭代次数时，控制所述幅值信息获取模块26获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。
需要说明的是，本发明实施例提供的一种输电网的谐波测量装置用于执行上述实施例一至三任一项所述的一种输电网的谐波测量方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
参见图6，是本发明实施例六提供的另一种输电网的谐波测量装置的结构示意图。本发明实施例六所述的输电网的谐波测量装置30，包括处理器31、存储器32以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如实施例一至三任意一项所述的输电网的谐波测量方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种输电网的谐波测量方法，其特征在于，包括：
对输电网中的原始信号进行等时间间隔采样，得到采样信号序列；
对所述采样信号序列进行全相位傅里叶运算，以获取所述输电网的目标谐波相位信息；
根据所述目标谐波相位信息，构建小波神经网络；
将经过全相位傅里叶运算后的采样信号序列进行小波变换，并输入所述小波神经网络中，计算并输出谐波幅值信息；
根据所述小波神经网络的输出层的每一节点的期望输出值和实际输出值，计算所述小波神经网络的目标误差函数值；
判断所述小波神经网络的目标误差函数值是否符合预设误差要求，当所述小波神经网络的目标误差函数值符合预设误差要求时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。
2.如权利要求1所述的输电网的谐波测量方法，其特征在于，所述输电网的谐波测量方法还包括：
当所述小波神经网络的目标误差函数值不符合所述预设误差要求时，调整所述小波神经网络的预设参数信息；其中，所述预设参数信息包括输入层至隐藏层的权值、隐藏层至输出层的权值、神经元激励函数的尺度伸缩因子和时间平移因子；
在调整所述小波神经网络的预设参数信息之后，重新计算并输出谐波幅值信息，并计算所述小波神经网络的目标误差函数，以再次判断所述小波神经网络的目标误差函数值是否符合预设误差要求。
3.如权利要求2所述的输电网的谐波测量方法，其特征在于，所述输电网的谐波测量方法还包括：
对所述小波神经网络的预设参数信息的调整次数进行计数；
当判定所述小波神经网络的预设参数信息的调整次数达到预设的最大迭代次数时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。
4.如权利要求1所述的输电网的谐波测量方法，其特征在于，所述根据所述小波神经网络的输出层的每一节点的期望输出值和实际输出值，计算所述小波神经网络的目标误差函数值，具体包括：
根据所述小波神经网络的输出层的每一节点的期望输出值和实际输出值，通过以下计算公式，计算所述小波神经网络的目标误差函数值：
其中，E为所述小波神经网络的目标误差函数值；
为输出层第n个节点的期望输出值；
为输出层第n个节点的实际输出值；p为所述采样信号序列中采样信号的数量。
5.如权利要求2所述的输电网的谐波测量方法，其特征在于，所述当所述小波神经网络的目标误差函数值不符合所述预设误差要求时，调整所述小波神经网络的预设参数信息，具体包括：
当所述小波神经网络的目标误差函数值不符合所述预设误差要求时，以每一预设参数信息对应预设的动量项作为调整步长，调整所述小波神经网络的预设参数信息。
6.如权利要求5所述的输电网的谐波测量方法，其特征在于，所述当所述小波神经网络的目标误差函数值不符合所述预设误差要求时，调整所述小波神经网络的预设参数信息，具体包括：
通过以下计算公式，调整所述小波神经网络的输入层至隐藏层的权值：
其中，ωkm(t)和ωkm(t+1)分别为调整前和调整后的输入层至隐藏层的权值；λΔωkm(t)为动量项；λ为所述小波神经网络预设的动量因子；η为所述小波神经网络预设的学习率；p为所述采样信号序列中采样信号的数量；
为第n个节点误差函数；ωnk为所述小波神经网络的隐藏层至输出层的权值；
为隐含层的输出值；
为隐含层的输入值，
为输入层的输入值；
通过以下计算公式，调整所述小波神经网络的隐藏层至输出层的权值：
其中，ωnk(t)和ωnk(t+1)为调整前和调整后的隐藏层至输出层的权值；λΔωnk(t)为动量项；
为输出层第n个节点的期望输出值；
为输出层第n个节点的实际输出值；
通过以下计算公式，调整所述小波神经网络的神经元激励函数的尺度伸缩因子：
其中，ak(t)和ak(t+1)为调整前和调整后的尺度伸缩因子；Δak(t)为伸缩因子动量项；
通过以下计算公式，调整所述小波神经网络的神经元激励函数的时间平移因子：
其中，bk(t)和bk(t)为调整前和调整后的时间平移因子；Δbk(t)为平移因子动量项。
7.如权利要求1所述的输电网的谐波测量方法，其特征在于，所述根据所述目标谐波相位信息，构建小波神经网络，具体包括：
根据所述目标谐波相位信息，确定小波神经网络的输入层节点数、输出层节点数和隐藏层节点数；
选取预设的小波函数作为小波神经网络的隐藏层的神经元激励函数；
设置小波变换后的信号样本作为所述小波神经网络的输入神经元，各次谐波的幅值作为所述小波神经网络的输出神经元；
初始化所述小波神经网络的预设参数信息，以构建所述小波神经网络；其中，所述预设参数信息包括输入层至隐藏层的权值、隐藏层至输出层的权值、神经元激励函数的尺度伸缩因子和时间平移因子。
8.一种输电网的谐波测量装置，其特征在于，包括：
原始信号采样模块，用于对输电网中的原始信号进行等时间间隔采样，得到采样信号序列；
相位信息获取模块，用于对所述采样信号序列进行全相位傅里叶运算，以获取所述输电网的目标谐波相位信息；
神经网络构建模块，用于根据所述目标谐波相位信息，构建小波神经网络；
神经网络计算模块，用于将经过全相位傅里叶运算后的采样信号序列进行小波变换，并输入所述小波神经网络中，计算并输出谐波幅值信息；
误差函数计算模块，用于根据所述小波神经网络的输出层的每一节点的期望输出值和实际输出值，计算所述小波神经网络的目标误差函数值；
幅值信息获取模块，用于判断所述小波神经网络的目标误差函数值是否符合预设误差要求，当所述小波神经网络的目标误差函数值符合预设误差要求时，获取所述小波神经网络当前输出的谐波幅值信息，作为所述输电网的目标谐波幅值信息。
9.如权利要求8所述的输电网的谐波测量装置，其特征在于，所述谐波测量装置还包括参数信息调整模块；其中，
所述参数信息调整模块，用于当所述小波神经网络的目标误差函数值不符合所述预设误差要求时，调整所述小波神经网络的预设参数信息；其中，所述预设参数信息包括输入层至隐藏层的权值、隐藏层至输出层的权值、神经元激励函数的尺度伸缩因子和时间平移因子；
所述神经网络计算模块，还用于在调整所述小波神经网络的预设参数信息之后，重新计算并输出谐波幅值信息。
10.一种输电网的谐波测量装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的输电网的谐波测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010373820.0A CN111693774A (zh) | 2020-05-06 | 2020-05-06 | 一种输电网的谐波测量方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010373820.0A CN111693774A (zh) | 2020-05-06 | 2020-05-06 | 一种输电网的谐波测量方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111693774A true CN111693774A (zh) | 2020-09-22 |
Family
ID=72477047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010373820.0A Pending CN111693774A (zh) | 2020-05-06 | 2020-05-06 | 一种输电网的谐波测量方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111693774A (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101382588A (zh) * | 2008-09-22 | 2009-03-11 | 慈溪伟吉电子有限公司 | 一种三相谐波标准电能表 |
| CN102253282A (zh) * | 2011-06-10 | 2011-11-23 | 中国矿业大学 | 纳托尔窗函数连续频谱内插电力谐波参数获取方法 |
| CN102495285A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学 | 对称窗函数功率重心估计电力谐波参数的方法 |
| CN102832620A (zh) * | 2012-08-31 | 2012-12-19 | 天津理工大学 | 基于加窗全相位fft的apf谐波检测与控制系统及方法 |
| CN103675616A (zh) * | 2013-11-15 | 2014-03-26 | 华南理工大学 | 电缆在线局部放电检测信号识别方法 |
| CN104200118A (zh) * | 2014-09-15 | 2014-12-10 | 吉林大学 | 自动平衡机振动信号处理方法 |
| CN104655928A (zh) * | 2013-11-21 | 2015-05-27 | 国家电网公司 | 一种电动汽车充电机的输入电压间谐波的检测方法 |
| CN105305577A (zh) * | 2015-11-10 | 2016-02-03 | 科大智能电气技术有限公司 | 不基于通讯系统的主动式智能充电桩及其智能充电方法 |
| CN206583969U (zh) * | 2017-03-07 | 2017-10-24 | 南方电网科学研究院有限责任公司 | 一种插座式单相电力谐波分析仪 |
| CN108363970A (zh) * | 2018-02-02 | 2018-08-03 | 鲁东大学 | 一种鱼种类的识别方法和系统 |
| CN109034127A (zh) * | 2018-08-31 | 2018-12-18 | 中国电子科技集团公司第三十六研究所 | 一种频谱异常检测方法、装置和电子设备 |
| CN109102118A (zh) * | 2018-08-07 | 2018-12-28 | 王炳达 | 一种基于平行小波神经网络的风力发电功率预测方法 |
| CN109521270A (zh) * | 2018-10-11 | 2019-03-26 | 湖南工业大学 | 基于改进型小波神经网络的谐波检测方法 |
| CN109800520A (zh) * | 2019-01-25 | 2019-05-24 | 国网浙江省电力有限公司湖州供电公司 | 一种基于神经网络的电动汽车充电站谐波建模方法 |
| CN110137547A (zh) * | 2019-06-20 | 2019-08-16 | 华中科技大学鄂州工业技术研究院 | 带重整器的燃料电池系统的控制方法、装置及电子设备 |
| CN110208721A (zh) * | 2019-07-09 | 2019-09-06 | 西南交通大学 | 一种级联三电平逆变器的故障诊断方法及装置 |
-
2020
- 2020-05-06 CN CN202010373820.0A patent/CN111693774A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101382588A (zh) * | 2008-09-22 | 2009-03-11 | 慈溪伟吉电子有限公司 | 一种三相谐波标准电能表 |
| CN102253282A (zh) * | 2011-06-10 | 2011-11-23 | 中国矿业大学 | 纳托尔窗函数连续频谱内插电力谐波参数获取方法 |
| CN102495285A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学 | 对称窗函数功率重心估计电力谐波参数的方法 |
| CN102832620A (zh) * | 2012-08-31 | 2012-12-19 | 天津理工大学 | 基于加窗全相位fft的apf谐波检测与控制系统及方法 |
| CN103675616A (zh) * | 2013-11-15 | 2014-03-26 | 华南理工大学 | 电缆在线局部放电检测信号识别方法 |
| CN104655928A (zh) * | 2013-11-21 | 2015-05-27 | 国家电网公司 | 一种电动汽车充电机的输入电压间谐波的检测方法 |
| CN104200118A (zh) * | 2014-09-15 | 2014-12-10 | 吉林大学 | 自动平衡机振动信号处理方法 |
| CN105305577A (zh) * | 2015-11-10 | 2016-02-03 | 科大智能电气技术有限公司 | 不基于通讯系统的主动式智能充电桩及其智能充电方法 |
| CN206583969U (zh) * | 2017-03-07 | 2017-10-24 | 南方电网科学研究院有限责任公司 | 一种插座式单相电力谐波分析仪 |
| CN108363970A (zh) * | 2018-02-02 | 2018-08-03 | 鲁东大学 | 一种鱼种类的识别方法和系统 |
| CN109102118A (zh) * | 2018-08-07 | 2018-12-28 | 王炳达 | 一种基于平行小波神经网络的风力发电功率预测方法 |
| CN109034127A (zh) * | 2018-08-31 | 2018-12-18 | 中国电子科技集团公司第三十六研究所 | 一种频谱异常检测方法、装置和电子设备 |
| CN109521270A (zh) * | 2018-10-11 | 2019-03-26 | 湖南工业大学 | 基于改进型小波神经网络的谐波检测方法 |
| CN109800520A (zh) * | 2019-01-25 | 2019-05-24 | 国网浙江省电力有限公司湖州供电公司 | 一种基于神经网络的电动汽车充电站谐波建模方法 |
| CN110137547A (zh) * | 2019-06-20 | 2019-08-16 | 华中科技大学鄂州工业技术研究院 | 带重整器的燃料电池系统的控制方法、装置及电子设备 |
| CN110208721A (zh) * | 2019-07-09 | 2019-09-06 | 西南交通大学 | 一种级联三电平逆变器的故障诊断方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| XIAODONG ZHU ET AL.: "Harmonic Detection Method Using APFFT and Neural Network", 《2013 FIFTH ICIHMSC》 * |
| 刘敏 等: "基于FFT和神经网络的高精度谐波分析", 《继电器》 * |
| 张旭东 等: "基于神经网络的电力系统谐波测量方法研究", 《技术与创新管理》 * |
| 曹英丽 等: "基于BP 神经网络和全相位快速傅里叶变换的电力系统谐波检测技术研究", 《现代电子技术》 * |
| 边海龙等: "基于小波神经网络的时变谐波信号检测", 《中国电机工程学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106845010B (zh) | 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法 | |
| CN109521275B (zh) | 一种同步相量确定方法、系统、装置及可读存储介质 | |
| CN103401238B (zh) | 一种基于总体测辨法的电力负荷建模方法 | |
| CN103308766A (zh) | 一种基于凯撒自卷积窗双谱线插值fft谐波分析方法及其装置 | |
| CN108490257B (zh) | 一种基于频谱曲线拟合的短时窗间谐波测量方法 | |
| CN109494724B (zh) | 基于lu分解的大电网戴维南等值参数在线辨识方法 | |
| CN103353550A (zh) | 一种测量电力系统信号频率及谐波参数的方法 | |
| CN109828163A (zh) | 一种用于电网的三相不平衡检测方法 | |
| CN101216512A (zh) | 一种非正弦周期信号实时高精度检测方法 | |
| CN111046327A (zh) | 适用于低频振荡与次同步振荡辨识的Prony分析方法 | |
| Nian et al. | Design method of multisine signal for broadband impedance measurement | |
| CN113341224B (zh) | 一种电力系统低频振荡信号测量方法及装置 | |
| CN109375060A (zh) | 一种配电网故障波形相似度计算方法 | |
| CN111693775A (zh) | 一种输电网的谐波检测方法、装置和介质 | |
| Ma et al. | Harmonic and interharmonic analysis of mixed dense frequency signals | |
| CN113162002B (zh) | 一种计及宽频测量环节的直流行波保护方法及系统 | |
| CN109581045A (zh) | 一种满足iec标准框架的间谐波功率计量方法 | |
| CN111693774A (zh) | 一种输电网的谐波测量方法和装置 | |
| WO2024087237A1 (zh) | 一种电网谐波与间谐波的检测方法 | |
| Savin et al. | Covariance based uncertainty analysis with unscented transformation | |
| CN112946374B (zh) | 基于卷积窗函数的三相不平衡度检测方法及装置 | |
| CN114184838A (zh) | 基于sn互卷积窗的电力系统谐波检测方法、系统及介质 | |
| Mishra et al. | A fast-executing single ended fault location method using transmission line characteristics for wind parks integrated HVDC network | |
| CN113866493A (zh) | 一种风电引起电压波动与闪变的测量方法 | |
| Liu et al. | An approach to power system harmonic analysis based on triple-line interpolation discrete Fourier transform |
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: 20200922 |