CN112993977A - 一种基于hht及rvm的主动配电网电能质量扰动识别方法 - Google Patents
一种基于hht及rvm的主动配电网电能质量扰动识别方法 Download PDFInfo
- Publication number
- CN112993977A CN112993977A CN202110175608.8A CN202110175608A CN112993977A CN 112993977 A CN112993977 A CN 112993977A CN 202110175608 A CN202110175608 A CN 202110175608A CN 112993977 A CN112993977 A CN 112993977A
- Authority
- CN
- China
- Prior art keywords
- signal
- sin
- distribution network
- power distribution
- rvm
- 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
-
- 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
-
- 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
-
- 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
- H02J3/002—Flicker reduction, e.g. compensation of flicker introduced by non-linear load
-
- 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
一种基于HHT及RVM的主动配电网电能质量扰动识别方法,首先建立n种信号模型,包括正弦、电压凹陷、电压凸起、电压波动、暂态震荡、谐波、谐波暂降、谐波暂升,然后对所建立的扰动信号模型进行经验模态分解(EMD),随后提取特征值,之后,针对这n种扰动信号模型的特征值,利用n‑1个RVM分类器对其进行训练,最后实时采集主动配电网电能信号,利用训练好的n‑1个RVM分类器对采集的信号进行分类。本发明在主动配电网电能质量扰动识别分类中使用空间大,识别速度快、分类准确率高,在电力系统故障诊断中具有广阔的应用前景。
Description
技术领域
本发明属于电力系统配电网领域,涉及一种基于HHT及RVM的主动配电网电能质量扰动识别方法。
背景技术
随着我国新能源发电技术不断发展,分布式能源在主动配电网中不断并网,主动配电网的电能质量和供电可靠性受到严重威胁。因此,研究主动配电网中电压暂降、暂升、谐波、震荡等多重电能质量问题迫在眉睫。
目前,复合扰动信号特征值提取困难,单一扰动信号形成复合扰动过程中,特征值互相叠加影响,特征值提取不够准确。现有的特征值提取方法有傅里叶变换,小波变换,S变换,希尔伯特黄变换(HHT)。傅里叶变换仅适合分析周期性的平稳信号,不能满足谐波信号的分析要求。小波变换抗干扰能力差,小波基的选取依赖于工程师的经验,目前国内外对小波基的选取没有统一的标准。S变换分析谐波信号时会存在振幅误差,且计算量比较大。HHT能使能量强度在时间尺度长表现出来,并且能描述信号频率随时间的变化,从而很好的体现信号的时变性。
目前,复合扰动信号识别方法主要有神经网络、决策树、关联向量机(RVM)等,神经网络分类器结构简单,求解能力强,但训练时间长,且很容易出现过学习,决策树分类器分类速度快,但在分类过程中不容易建立规则,会出现错误误差的累积。RVM是一种二分类器,它识别时间短,正确率高,是应用于电能质量实时监测工程的很好选择。
发明内容
为解决现有技术中存在的不足,本发明的目的在于提供一种基于HHT及RVM的主动配电网电能质量扰动识别方法。
本发明采用如下的技术方案:
一种基于HHT和RVM的主动配电网电能质量扰动识别方法包括以下步骤:
步骤1:建立电能质量正常信号以及多种类型的电能质量扰动信号模型,所述信号模型总数为n;
步骤2:对步骤1建立的各种信号进行经验模态分解,得到内涵模态分量;
步骤3:根据内涵模态分量,计算各信号模型的特征值;
步骤4:将步骤3所提取的特征值输入至RVM分类器进行训练得到n-1个RVM模型;
步骤5:实时采集主动配电网电能信号,将电能信号进行经验模态分解计算特征值后分别输入至步骤4训练好的n-1个RVM模型进行扰动识别。
步骤1中,电能质量扰动信号类型包括电压凹陷、电压凸起、电压波动、暂态震荡、谐波、谐波暂降、谐波暂升;
电能质量正常信号模型通过正弦信号表示。
步骤1中的电压凹陷的模型为:
x(t)=E[1-β1{u(t-t1)-u(t-t2)}]sin(ωct)
其中,0.1≤β1≤0.9,T≤t2-t1≤9T,T为工频信号周期,取值为0.02s,E为扰动信号电压幅值,u(.)为电压瞬时值,ωc为工频正弦信号角频率;
电压凸起的模型为:
x(t)=E[1+β1{u(t-t1)-u(t-t2)}]sin(ωct)
电压波动的模型为:
x(t)=E[1+β2sin(2πεt)]sin(ωct)
其中,0.1≤β2≤0.2,5Hz≤ε≤20Hz;
暂态震荡模型为:
其中,0.1≤β3≤0.8,0.5T≤t4-t3≤3T,300Hz≤fn≤900Hz,8ms≤τ≤40ms;
谐波的模型为:
x(t)=E[sin(ωct)+β4sin(3ωct)+β5sin(5ωct)+β6sin(7ωct)]
其中,0.05≤β4≤0.15,0.05≤β5≤0.15,0.05≤β6≤0.15;
谐波暂降的模型为:
x(t)=E[1+β1{u(t-t1)-u(t-t2)}]*[sin(ωct)+β4sin(3ωct)+β5sin(5ωct)+β6sin(7ωct)];
谐波暂升的模型为:
x(t)=E[1+β1{u(t-t1)+u(t-t2)}]*[sin(ωct)+β4sin(3ωct)+β5sin(5ωct)+β6sin(7ωct)]。
在步骤3中,所计算的各信号模型的特征值是指电压均方根、瞬时幅值A(t)标准偏差、瞬时相位θ(t)标准差。
步骤3具体包括以下内容:
步骤301:根据HHT变化以及其反变换,计算输入信号的瞬时幅值A(t)与瞬时相位θ(t):
θ(t)=arctan[Y(t)/X(t)]
步骤302:对于每一种信号,挑选前m个内涵模态分量并分别计算它们的电压均方根、瞬时幅值A(t)标准偏差与瞬时相位θ(t)标准差以得到3m个特征值。
在步骤4中,将各信号模型的电压均方根、瞬时幅值A(t)标准偏差、瞬时相位θ(t)标准差作为输入样本,将已知信号模型的种类作为输出,进行RVM分类器训练。
步骤4具体包括以下内容:
步骤401:输入步骤3中所得的特征值至RVM分类器,所述分类器的输出模型为:
其中,K(x,xj)为非线性核函数,x为所有特征值,xj为第j个特征值,ωj为第j个模型的权值,ω0为阀值,N为特征值总数;
步骤402:根据步骤401的结果进行优化;通过对特征值似然函数最大值公式的两次微分,计算最大可能权值ωMP;
步骤403:输出优化后的预测值ωMPφ(x),并完成对模型的训练。
步骤4中所述分类器的个数为7个。
步骤402中,特征值的似然函数符合以下分布:
步骤402中,特征值的似然函数的最大值表达式为:
其中,yj=σ{y(xj;w)},A=diag(α0,…,αM),(α0,…,αM)为所有超参数。
步骤402中,最大可能权值ωMP的计算方法包括以下内容:
步骤402.1:初始化超参数α0;
步骤402.2:通过迭代更新超参数αi的值,当超过80%的αi的值大于10的8次方,并且这些αi相对应的权值ωi小于0.5时,完成对超参数α的迭代;
步骤402.3:利用步骤402.2所计算出的α和对特征值的似然函数的最大值两次微分的结果求得最大可能权值ωMP:
▽w▽wlnp(w|t,α)|ωMP=-(φTBφ+A)
其中,φ是指将所有特征值xj,j=1,2,3…N,输入至核函数计算所得结果的矩阵,B=diag(γ1,γ2,...,γN),γN=σ{y(xN)}[1-σ{y(xN)}]。
步骤402.2中,超参数α的迭代方法为:
其中,αi+1代表迭代后得到的新的超参数,αi为第i轮迭代时的超参数,ωMPi代表第i轮迭代时超参数αi所对应的最大可能权值,[.]ii代表协方差矩阵的第i个对角线元素。
本发明还公开了一种基于HHT和RVM的主动配电网电能质量扰动识别方法的系统,包括信号建立模块、经验模态分解模块、特征值提取模块、电能信号分类模块,其特征在于:
信号建立模块建立电能质量正常信号以及多种类型的电能质量扰动信号模型,所述信号模型总数为n;
经验模态分解模块对信号建立模块建立的各种信号进行经验模态分解,得到内涵模态分量;
特征值提取模块提取各信号模型的电压均方根、瞬时幅值标准偏差、瞬时相位标准差;
电能信号分类模块利用n-1个RVM分类器对特征值提取模块所提取的特征值进行电能信号分类。
本发明的有益效果在于,与现有技术相比,本发明引入HHT与RVM相结合的算法,实现了精确快速滤波,在主动配电网电能质量扰动识别分类中使用空间大,识别速度快、分类准确率高,在电力系统故障诊断中具有广阔的应用前景。
附图说明
图1为本发明扰动信号识别步骤流程图;
图2为本发明使用RVM信号分类流程图;
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
本发明包括以下步骤,图1为本实施例的流程图:
步骤1,建立电能质量正常信号以及多种类型的电能质量扰动信号模型,所述信号模型总数为n。
编制正弦、电压凹陷、电压凸起、电压波动、暂态震荡、谐波、谐波暂降、谐波暂升共8种扰动信号模型。
正弦信号:x(t)=sin(ωct)
电压凹陷:x(t)=E[1-β1{u(t-t1)-u(t-t2)}]sin(ωct),其中,0.1≤β≤0.9,T≤t2-t1≤9T,T为工频信号周期,取值为0.02s,E为扰动信号电压幅值,u(.)为电压瞬时值,ωc为工频正弦信号角频率。
电压凸起:x(t)=E[1+β1{u(t-t1)-u(t-t2)}]sin(ωct)。
电压波动x(t)=E[1+β2sin(2πεt)]sin(ωct),其中,0.1≤β2≤0.2,5Hz≤ε≤20Hz,
谐波:x(t)=E[sin(ωct)+β4sin(3ωct)+β5sin(5ωct)+β6sin(7ωct)],其中,0.05≤β4≤0.15,0.05≤β5≤0.15,0.05≤β6≤0.15。
谐波暂降:
x(t)=E[1+β1{u(t-t1)-u(t-t2)}]*[sin(ωct)+β4sin(3ωct)+β5sin(5ωct)+β6sin(7ωct)]
谐波暂升:
x(t)=E[1+β1{u(t-t1)+u(t-t2)}]*[sin(ωct)+β4sin(3ωct)+β5sin(5ωct)+β6sin(7ωct)]
步骤2,对步骤1建立的各种信号进行经验模态分解,得到内涵模态分量。
步骤2具体包括以下内容:
步骤201:确定分接开关振动信号x(t)所有的局部极大值点,然后用三次样条线将信号所有的局部极大值点相连形成上包络线;
步骤202:再用三次样条线将信号所有的局部极小值点相连形成下包络线,其中上、下包络线包络全部的数据点;
步骤203:将上述两条包络线相应各点的值取平均,得到一条曲线m10,然后求原始信号x(t)和此曲线的差h10(t)为:h10=x(t)-m10:
步骤204:将h10(t)作为原始信号,重复步骤201-203,得到h11=x(t)-m11,判断h11(t)是否满足本征模态函数IMF分量条件,如果满足,那么h11(t)就是第一个本征模态函数IMF分量,记imf1=h11,转入步骤206,否则进入205;其中,IMF分量条件为
其中,ε介于[0.2,0.3]之间,在本实施例中ε的最佳值为0.25;
步骤205:把h11(t)作为原始数据,即将h11(t)作为分接开关振动信号x(t),重复步骤201-204,得到上、下包络线的平均值m12,再判断h12=h11-m12是否满足本征模态函数IMF条件,如不满足,则继续循环,直到得到的满足本征模态函数IMF的条件的h1k为止,记imf1=h1k,则imf1为分接开关振动信号x(t)的第一个满足本征模态函数IMF条件的分量;转入步骤206;
步骤206:将本征模态函数从中分离出来,得到:
r1=x(t)-imf1
将r1作为原始数据重复步骤201-205,得到x(t)的第二个满足本征模态函数IMF条件的分量本征模态函数imf2重复循环n次,得到信号x(t)的n个满足本征模态函数IMF条件的分量本征模态函数imfi(i=1,2,....,n);记:
当rn成为一个单调函数不能再从中提取满足本征模态函数IMF条件的分量时,循环结束,rn称为残余函数,代表开关振动信号的平均趋势。
步骤3,根据内涵模态分量,计算各信号模型的特征值;
在步骤3中,所计算的各信号模型的特征值是指电压均方根、瞬时幅值A(t)标准偏差、瞬时相位θ(t)标准差。
步骤3具体包括以下内容:
步骤301:根据HHT变化以及其反变换,计算输入信号的瞬时幅值A(t)与瞬时相位θ(t):
θ(t)=arctan[Y(t)/X(t)]
步骤302:对于每一种信号,挑选前m个内涵模态分量并分别计算它们的电压均方根、瞬时幅值A(t)标准偏差与瞬时相位θ(t)标准差以得到3m个特征值,m的优选值为3。
标准偏差在抽样检测领域应用广泛,反映了一段时间内误差上下波动的幅度,是测量变动的测算法,样本标准偏差的数学公式为:
步骤4,利用关联向量机(RVM)分类器对部分样本信号进行训练,记忆特征值,然后对剩余样本进行测试,实现精准快速识别。
步骤4:将步骤3所提取的特征值输入至RVM分类器进行训练得到n-1个RVM模型。
在本实施例中,所述分类器的个数为7个。
在步骤4中,将各信号模型的电压均方根、瞬时幅值A(t)标准偏差、瞬时相位θ(t)标准差作为输入样本,将已知信号模型的种类作为输出,进行RVM分类器训练。
步骤4具体包括以下内容:
步骤401:输入步骤3中所得的特征值至RVM分类器,所述分类器的输出模型为:
其中,K(x,xj)为非线性核函数,x为输入数据,xj为第j个特征值,ωj为j个模型的权值,ω0为阀值,N为特征值总数;
步骤402:根据步骤401的结果进行优化;通过对特征值似然函数最大值公式的两次微分,计算最大可能权值ωMP;
特征值的似然函数符合以下分布:
似然函数最大值的公式为:
其中,yj=σ{y(xj;w)},A=diag(α0,…,αM),(α0,…,αM)为所有超参数。
最大可能权值ωMP的计算方法包括以下步骤:
步骤402.1:初始化超参数α0;
步骤402.2:通过迭代更新超参数αi的值,当超过80%的αi的值大于10的8次方,并且这些αi相对应的权值ωi小于0.5时,完成对超参数α的迭代;
超参数α的迭代方法为:
其中,φ是指将所有特征值xj,j=1,2,3…N,输入至核函数计算所得结果的矩阵,αi+1代表迭代后得到的新的超参数,αi为第i轮迭代前的超参数,ωMPi代表第i轮迭代前超参数αi所对应的最大可能权值,[.]ii代表协方差矩阵的第i个对角线元素。
步骤402.3:利用步骤402.2所计算出的α和对特征值的似然函数的最大值两次微分的结果求得最大可能权值ωMP:
▽w▽wlnp(w|t,α)|ωMP=-(φTBφ+A)
其中,φ是指将所有特征值xj,j=1,2,3…N,输入至核函数计算所得结果的矩阵,B=diag(γ1,γ2,...,γN),γN=σ{y(xN)}[1-σ{y(xN)}]。
步骤403:输出优化后的预测值ωMPφ(x),并完成对模型的训练。
以下为分类训练的一个实施例:
用第一级关联向量机(RVM1)将正弦波形和7种扰动(电压凹陷、电压凸起、电压波动、暂态震荡、谐波、谐波暂降、谐波暂升)进行分类,如果是正弦波形,则RVM1输出为1,其他7种扰动RVM输出为0。
用第二级关联向量机(RVM2)进行第二次分类训练,将电压凹陷和其他6种扰动(电压凸起、电压波动、暂态震荡、谐波、谐波暂降、谐波暂升)进行分类,如果是电压凹陷,RVM2输出为1,其他5种扰动RVM输出为0。
以此类推,用RVM1~RVM7依次实现其它电能质量扰动的分类训练。
在分类训练后进行测试:
在本实施例中,将测试样本输入给训练好的7个关联向量机(RVM1、RVM2…RVM7),根据它们的输出结果,进行7级分类识别。图2为具体的信号分类流程图,每个关联向量机所对要进行的分类的扰动型号类型是随机的,在本方法中选用的顺序仅为一种实施例。
由测试样本输入第一级关联向量机RVM1,如果RVM1输出为1,则它属于正弦波形,如果输出为0则属于扰动信号。
由测试样本输入第二级关联向量机(RVM2),如果RVM2输出为1,则它属于电压凹陷,如果输出为0则属于其他6种扰动(电压凸起、电压波动、暂态震荡、谐波、谐波暂降、谐波暂升)。
这样依次进行,直到最终唯一确定信号的类别结果。这样通过7个关联向量机构成7级识别,最终判断识别所有测试样本的类型。
利用前面训练好的7个支持向量机进行七级测试识别,结果如下:
RVM1的测试样本=[10个正弦信号;10个电压凹陷;10个电压凸起;10个电压波动;10个暂态震荡;10个谐波;10个谐波暂降;10个谐波暂升]
RVM1的输出结果:[1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0]
根据RVM1的输出,可判别出其中的10个正弦信号和另外70个为电能质量扰动样本。将此70个样本输入RVM2,作为其测试样本。
RVM2的测试样本=[10个电压凹陷;10个电压凸起;10个电压波动;10个暂态震荡;10个谐波;10个谐波暂降;10个谐波暂升]
RVM2的输出结果
[1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
由此RVM2识别出10个电压凹陷和另外60个其他电能质量扰动样本。将此60个样本输入到RVM3,作为其测试样本。
RVM3的测试样本=[10个电压凸起;10个电压波动;10个暂态震荡;10个谐波;10个谐波暂降;10个谐波暂升]
RVM3的输出结果:[1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
RVM3识别输出10个电压凸起,和另外50个其他电能质量扰动样本。将此50个输入到RVM4,作为其测试样本。
RVM4的测试样本=[10个电压波动;10个暂态震荡;10个谐波;10个谐波暂降;10个谐波暂升]
RVM4的输出结果:[1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
RVM4识别输出10个电压波动,和另外40个其他电能质量扰动样本。将此40个输入到RVM5,作为其测试样本。
RVM5的测试样本=[10个暂态震荡;10个谐波;10个谐波暂降;10个谐波暂升]
RVM5的输出结果:[1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0]
RVM5识别输出10个暂态震荡,和另外30个其他电能质量扰动样本。将此30个输入到RVM6,作为其测试样本。
RVM6的测试样本=[10个谐波;10个谐波暂降;10个谐波暂升]
RVM5的输出结果:[1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0]
RVM6识别输出10个谐波,和另外20个其他电能质量扰动样本。将此20个输入到RVM7,作为其测试样本。
RVM7的测试样本=[10个谐波暂降;10个谐波暂升]
RVM5的输出结果:[1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0]
RVM7识别输出10个谐波暂降,和另外10个谐波暂升信号。
通过这种由上至下的、由整体到细节的分层分类,完成了整个测试样本集的识别。在整个七级识别过程中,没有发生误识别,识别正确率为100%。另外,整个训练和识别过程的花费计算时间小于0.1s,具有良好的实时性。而且,各种扰动信号包括训练用的测试信号,其参数都在大范围内随机变化的,这就证明了该识别方法具有较强的泛化能力,这也是关联向量机的一个重要特点。
本发明还公开了一种基于HHT和RVM的主动配电网电能质量扰动识别方法的系统,包括信号建立模块、经验模态分解模块、特征值提取模块、电能信号分类模块,其特征在于:
所述信号建立模块建立电能质量正常信号以及多种类型的电能质量扰动信号模型,所述信号模型总数为n。
所述经验模态分解模块对信号建立模块建立的各种信号进行经验模态分解,得到内涵模态分量。
所述特征值提取模块提取各信号模型的电压均方根、瞬时幅值标准偏差、瞬时相位标准差。
所述电能信号分类模块利用n-1个RVM分类器对特征值提取模块所提取的特征值进行电能信号分类。
本发明申请人结合说明书附图对本发明的实施例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (13)
1.一种基于HHT和RVM的主动配电网电能质量扰动识别方法,其特征在于,所述电能质量扰动识别方法包括以下步骤:
步骤1:建立电能质量正常信号以及多种类型的电能质量扰动信号模型,所述信号模型总数为n;
步骤2:对步骤1建立的各种信号进行经验模态分解,得到内涵模态分量;
步骤3:根据内涵模态分量,计算各信号模型的特征值;
步骤4:将步骤3所提取的特征值输入至RVM分类器进行训练得到n-1个RVM模型;
步骤5:实时采集主动配电网电能信号,将电能信号进行经验模态分解计算特征值后分别输入至步骤4训练好的n-1个RVM模型进行扰动识别。
2.根据权利要求1所述的主动配电网电能质量扰动识别方法,其特征在于:
所述步骤1中,电能质量扰动信号类型包括电压凹陷、电压凸起、电压波动、暂态震荡、谐波、谐波暂降、谐波暂升;
电能质量正常信号模型通过正弦信号表示。
3.根据权利要求2所述的主动配电网电能质量扰动识别方法,其特征在于:
所述步骤1中的电压凹陷的模型为:
x(t)=E[1-β1{u(t-t1)-u(t-t2)}]sin(ωct)
其中,0.1≤β1≤0.9,T≤t2-t1≤9T,T为工频信号周期,取值为0.02s,E为扰动信号电压幅值,u(.)为电压瞬时值,ωc为工频正弦信号角频率;
所述电压凸起的模型为:
x(t)=E[1+β1{u(t-t1)-u(t-t2)}]sin(ωct)
所述电压波动的模型为:
x(t)=E[1+β2sin(2πεt)]sin(ωct)
其中,0.1≤β2≤0.2,5Hz≤ε≤20Hz;
所述暂态震荡模型为:
其中,0.1≤β3≤0.8,0.5T≤t4-t3≤3T,300Hz≤fn≤900Hz,8ms≤τ≤40ms;
所述谐波的模型为:
x(t)=E[sin(ωct)+β4sin(3ωct)+β5sin(5ωct)+β6sin(7ωct)]
其中,0.05≤β4≤0.15,0.05≤β5≤0.15,0.05≤β6≤0.15;
所述谐波暂降的模型为:
x(t)=E[1+β1{u(t-t1)-u(t-t2)}]*[sin(ωct)+β4sin(3ωct)+β5sin(5ωct)+β6sin(7ωct)];
所述谐波暂升的模型为:
x(t)=E[1+β1{u(t-t1)+u(t-t2)}]*[sin(ωct)+β4sin(3ωct)+β5sin(5ωct)+β6sin(7ωct)]。
4.根据权利要求1或3所述的主动配电网电能质量扰动识别方法,其特征在于:
在步骤3中,所计算的各信号模型的特征值是指电压均方根、瞬时幅值A(t)标准偏差、瞬时相位θ(t)标准差。
6.根据权利要求1或5所述的主动配电网电能质量扰动识别方法,其特征在于:
在步骤4中,将各信号模型的电压均方根、瞬时幅值A(t)标准偏差、瞬时相位θ(t)标准差作为输入样本,将已知信号模型的种类作为输出,进行RVM分类器训练。
8.根据权利要求7所述的主动配电网电能质量扰动识别方法,其特征在于:
步骤4中所述分类器的个数为7个。
11.根据权利要求10所述的主动配电网电能质量扰动识别方法,其特征在于:
所述步骤402中,最大可能权值ωMP的计算方法包括以下内容:
步骤402.1:初始化超参数α0;
步骤402.2:通过迭代更新超参数αi的值,当超过80%的αi的值大于10的8次方,并且这些αi相对应的权值ωi小于0.5时,完成对超参数α的迭代;
步骤402.3:利用步骤402.2所计算出的α和对特征值的似然函数的最大值两次微分的结果求得最大可能权值ωMP:
其中,φ是指将所有特征值xj,j=1,2,3…N,输入至核函数计算所得结果的矩阵,B=diag(γ1,γ2,...,γN),γN=σ{y(xN)}[1-σ{y(xN)}]。
13.一种利用权利要求1-12任意一项权利要求所述的基于HHT和RVM的主动配电网电能质量扰动识别方法的系统,包括信号建立模块、经验模态分解模块、特征值提取模块、电能信号分类模块,其特征在于:
所述信号建立模块建立电能质量正常信号以及多种类型的电能质量扰动信号模型,所述信号模型总数为n;
所述经验模态分解模块对信号建立模块建立的各种信号进行经验模态分解,得到内涵模态分量;
所述特征值提取模块提取各信号模型的电压均方根、瞬时幅值标准偏差、瞬时相位标准差;
所述电能信号分类模块利用n-1个RVM分类器对特征值提取模块所提取的特征值进行电能信号分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175608.8A CN112993977A (zh) | 2021-02-07 | 2021-02-07 | 一种基于hht及rvm的主动配电网电能质量扰动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175608.8A CN112993977A (zh) | 2021-02-07 | 2021-02-07 | 一种基于hht及rvm的主动配电网电能质量扰动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112993977A true CN112993977A (zh) | 2021-06-18 |
Family
ID=76392497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110175608.8A Pending CN112993977A (zh) | 2021-02-07 | 2021-02-07 | 一种基于hht及rvm的主动配电网电能质量扰动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112993977A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992296A (zh) * | 2023-09-27 | 2023-11-03 | 广东电网有限责任公司珠海供电局 | 电子敏感设备发生暂降的中断概率评估方法、装置和设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108957175A (zh) * | 2018-06-15 | 2018-12-07 | 西安理工大学 | 基于改进的hht算法的电能质量扰动识别方法 |
-
2021
- 2021-02-07 CN CN202110175608.8A patent/CN112993977A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108957175A (zh) * | 2018-06-15 | 2018-12-07 | 西安理工大学 | 基于改进的hht算法的电能质量扰动识别方法 |
Non-Patent Citations (1)
Title |
---|
吕干云;方奇品;: "利用关联向量机和S变换识别电能质量扰动", 高电压技术, no. 10, pages 2565 - 2569 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992296A (zh) * | 2023-09-27 | 2023-11-03 | 广东电网有限责任公司珠海供电局 | 电子敏感设备发生暂降的中断概率评估方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A novel three-step classification approach based on time-dependent spectral features for complex power quality disturbances | |
NL2020015B1 (en) | Fault diagnosis method of three-level inverter based on empirical mode decomposition and decision tree RVM | |
CN110994604B (zh) | 基于lstm-dnn模型的电力系统暂态稳定评估方法 | |
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 | |
CN112200038B (zh) | 一种基于cnn的电力系统振荡类型的快速辨识方法 | |
CN110082082A (zh) | 一种基于振动信号主成分分析法的gis状态识别方法 | |
CN109659957A (zh) | 基于apit-memd电力系统低频振荡模式辨识方法 | |
CN111651932A (zh) | 一种基于集成分类模型的电力系统在线动态安全评估方法 | |
CN110826498A (zh) | 基于hht的暂态电能质量检测方法 | |
CN112993977A (zh) | 一种基于hht及rvm的主动配电网电能质量扰动识别方法 | |
CN113360555A (zh) | 一种基于电网二次设备大数据的故障诊断分析方法及系统 | |
CN115983507B (zh) | 送端源电网断面宽频振荡风险预测方法及系统 | |
CN116566061A (zh) | 一种并网逆变器系统稳定性在线监测方法及系统 | |
CN111521905A (zh) | 一种基于多维数据故障度智能融合的电网故障诊断方法 | |
CN115712871A (zh) | 一种结合重采样和集成学习的电力电子系统故障诊断方法 | |
CN109617051A (zh) | 一种新能源电力系统低频振荡参数辨识方法 | |
CN109765878A (zh) | 新能源汽车can总线网络故障的辅助分析方法 | |
Kezunovic | Automated analysis of voltage sags, their causes and impacts | |
Chen et al. | Automatic identification of power quality signal of distribution network based on HHT and RVM | |
Deng et al. | A fractional hilbert transform order optimization algorithm based DE for bearing health monitoring | |
CN114814391A (zh) | 充电桩故障识别方法和存储介质 | |
Givaki et al. | Machine learning based impedance estimation in power system | |
CN114552580B (zh) | 一种基于同步相量的次/超同步振荡智能辨识方法 | |
CN113011481B (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
Solis-Munoz et al. | A Novel Methodology for Power Quality Disturbances Detection and Classification in Industrial Facilities |
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 |