CN113361427B - 基于wt与ga-pnn的复合电能质量扰动分类方法 - Google Patents
基于wt与ga-pnn的复合电能质量扰动分类方法 Download PDFInfo
- Publication number
- CN113361427B CN113361427B CN202110654262.XA CN202110654262A CN113361427B CN 113361427 B CN113361427 B CN 113361427B CN 202110654262 A CN202110654262 A CN 202110654262A CN 113361427 B CN113361427 B CN 113361427B
- Authority
- CN
- China
- Prior art keywords
- quality disturbance
- power quality
- pnn
- wavelet
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000002131 composite material Substances 0.000 title claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000011426 transformation method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于WT与GA‑PNN的复合电能质量扰动分类方法,主要包括如下步骤:1、电能质量扰动信号输入;2、电能质量扰动信号预处理;3、电能质量扰动信号特征值提取;4、电能质量扰动信号分类5、电能质量扰动信号分类结果输出。本发明的复合电能质量扰动信号分类方法,利用小波阈值对电能质量扰动信号进行预处理;采用最大峰值、最小峰值、能量平均偏差为特征量构成特征向量;采用优化PNN神经网络作为分类器。本发明的复合电能质量扰动信号分类方法不仅能识别单一扰动信号,还能识别多种复合扰动。
Description
技术领域
本发明涉及电能质量检测领域,特别涉及一种基于WT与GA-PNN的复合电能质量扰动分类方法。
背景技术
随着现代科学技术的迅猛发展,电力电子设备的应用领域越来越广,特别是各类冲击负荷、非线性负荷容量的不断发展,导致电网中电压波形畸变,电压波动、闪变和三相不平衡等问题时有发生,严重影响电能质量。这些影响造成巨大经济损失。因此,电能质量的检测与识别至关重要。
电能质量扰动问题从持续的时间上可以分为稳态电能质量扰动和暂态电能质量扰动两大类。稳态电能质量扰动问题一般表现在长时间的波形畸变,通常持续时间都在1分钟以上,如电压偏差、谐波以及间谐波等。暂态电能质量扰动问题一般表现在短时间或瞬间的电压波动,如电压暂升、电压中断、暂态脉冲等。但是,在实际的电网发生扰动情况复杂,并不是单一扰动,而是多种扰动混合在一起。因此,根据扰动种类可以分为单一电能质量扰动和复合电能质量扰动。
电能质量扰动识别主要步骤包括:信号处理、特征量提取、特征分类。根据电能质扰动的识别的步骤,国内外众多专家、学者提出了大量有效解决方法来解决电能质量扰动问题。在信号处理方面有傅里叶变换、S变化、希尔伯特-黄变化、小波变换等方法。在特征量提取方面有极大峰值、极小峰值、偏差量、多分辨分析的奇异值等形式。在特征分类方面有决策数、支持向量机、神经网络等方法,但目前上述方式进行的复合电能质量扰动分类存在精度低的问题。
发明内容
本发明的目的在于,提供一种基于WT与GA-PNN的复合电能质量扰动分类方法。本发明对复合电能质量扰动识别具有较高的识别精度。
本发明的技术方案:基于WT与GA-PNN的复合电能质量扰动分类方法,包括如下步骤:
a、建立电能质量扰动信号;
b、采用小波阈值法对电能质量扰动信号进行预处理,包括:
b1、采用小波变换方法对电能质量扰动信号进行分解,得到各层的小波细节系数;
b2、采用硬阈值函数处理各层的小波细节系数;
b3、将处理后的各层的小波细节系数进行重构,得到处理后的电能质量扰动信号;
c、确定电能质量扰动信号特征向量;
c1、选取处理后的电能质量扰动信号的极大峰值Amax、极小峰值Amin和平均偏差Amean;
c2、采用小波多分辨率分析处理后的电能质量扰动信号,提取特征量;
c3、将极大峰值Amax、极小峰值Amin、平均偏差Amean和提取特征量构成特征向量;
d、将步骤c中构成的特征向量当做测试集输入到GA-PNN分类器中进行训练,以训练完成的GA-PNN分类器完成电能质量扰动信号的识别。
上述的基于WT与GA-PNN的复合电能质量扰动分类方法,步骤a中,电能质量扰动信号x(t)表示为:
x(t)=f(t)+ε(t)
式中,f(t)为无噪声的电能质量扰动信号;ε(t)为噪音信号。
前述的基于WT与GA-PNN的复合电能质量扰动分类方法,步骤b1中,小波变换方法具体指:
∫x(t)ψj,kd(t)=∫f(t)ψj,kdt+∫ε(t)ψj,kdt;
式中,j、k分别为伸缩因子和平移因子;ψj,k为小波尺度函数;x(t)为电能质量扰动信号;f(t)为无噪声的电能质量扰动信号;ε(t)为噪音信号;
上式对应的小波系数表达式为:
dj,k=uj,k+ej,k;
式中,dj,k为电能质量扰动信号x(t)的各层小波细节系数,uj,k为无噪声的电能质量扰动信号f(t)的小波变换后各层小波细节系数,ej,k为噪声信号ε(t)的小波变换后各层小波细节系数。
前述的基于WT与GA-PNN的复合电能质量扰动分类方法,步骤b2中,硬阈值函数为:
式中d'j,k为阈值处理后各层的小波细节系数;dj,k为各层的小波细节系数;N为信号采集长度;σ为噪声的标准偏差。
前述的基于WT与GA-PNN的复合电能质量扰动分类方法,步骤c2中,提取特征量为各层能量有用的特征量,表示为:
式中:dj(n)表示第j层分解系数。
步骤c3中,所述特征向量表示为:
P=[A max,A min,Amean,Edj]。
前述的基于WT与GA-PNN的复合电能质量扰动分类方法,步骤d中,PNN神经网络由输入层、模式层、求和层、输出层共4层组成,其中PNN神经网络的spread函数通过遗传算法把spread参数设定为种群个体,每个个体采用二进制编码组成,定义个体编码:
S1,S2,S3···SM;
每个个体进行评价,评价指标为适应度函数,定义适应度函数:
fitness(S)=accuracy(PNN(S));
其中S为spread函数参数;
每个个体确定适应度后,根据适应性越强度越有机率被选择遗传到下一代,其选择公式下所示:
每个个体随机搭配,以交叉的概率形式交换它们之间的编码构成新的个体;
每个个体以变异概率形式变异个体上的编码构成新的个体;
通过选择、交叉、变异的形式进行N次迭代,完成spread函数参数的优化。
与现有技术相比,本发明的复合电能质量扰动信号分类方法利用小波阈值对电能质量扰动信号进行预处理;采用最大峰值、最小峰值、能量平均偏差为特征量构成特征向量;采用优化PNN神经网络作为分类器。本发明对电能质量扰动识别具有较高的识别进度,GA优化下识别精度达到94%,比无优化高出4.25%;同时本发明对单一和复合电能质量扰动识别也具有较高的识别精度,单一的平均识别精度98.3%,复合的平均识别精度95%,单一与复合一起的平均识别精度94%;第三,本发明具有较高的抗干扰能力,30dB噪声环境下的平均识别率达到94%。
附图说明
图1为本发明的方法流程图;
图2为信号预处理流程图;
图3为能量特征量提取流程图;
图4为PNN神经网络结构;
图5为GA-PNN分类器流程图;
图6为遗传算法(GA)流程图;
图7为本发明方法分类结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明,但并不作为对本发明限制的依据。
实施例:基于WT与GA-PNN的复合电能质量扰动分类方法,如图1所示,包括如下步骤:
a、建立电能质量扰动信号;本实施例中利用matlab软件对电能质量扰动信号进行仿真,并充分考虑到实际电网信号中存在噪声的情况,建立含噪声的单一电能扰动信号和复合电能扰动信号的数学模型,如下表1所示:
表1
表中,电压频率f=50Hz;角速度ω0=2πf;周期T=1/f。设置采用点为2000,采样频率为fs=5kHz,并为数据添加噪声,由此电能质量扰动信号x(t)表示为:
x(t)=f(t)+ε(t);
式中,f(t)为无噪声的电能质量扰动信号;ε(t)为噪音信号。
b、采用小波阈值法对电能质量扰动信号进行预处理,如图2所示,包括:
b1、采用小波变换方法对电能质量扰动信号进行分解,得到各层的小波细节系数;小波变换(WT)方法具体指:
∫x(t)ψj,kd(t)=∫f(t)ψj,kdt+∫ε(t)ψj,kdt;
式中,j、k分别为伸缩因子和平移因子;ψj,k为小波尺度函数;x(t)为电能质量扰动信号;f(t)为无噪声的电能质量扰动信号;ε(t)为噪音信号;
上式对应的小波系数表达式为:
dj,k=uj,k+ej,k;
式中,dj,k为电能质量扰动信号x(t)的各层小波细节系数,uj,k为无噪声的电能质量扰动信号f(t)的小波变换后各层小波细节系数,ej,k为噪声信号ε(t)的小波变换后各层小波细节系数。
b2、采用硬阈值函数处理各层的小波细节系数;所述硬阈值函数为:
式中d'j,k为阈值处理后各层的小波细节系数;dj,k为各层的小波细节系数;N为信号采集长度;σ为噪声的标准偏差。
b3、将处理后的各层的小波细节系数进行重构,重构即重新组合,得到处理后的电能质量扰动信号f'(x);
c、确定电能质量扰动信号特征向量;
c1、选取处理后的电能质量扰动信号d'j,k的极大峰值Amax、极小峰值Amin和平均偏差Amean;
c2、如图3所示,采用小波多分辨率分析处理后的电能质量扰动信号d'j,k,提取特征量;本实施例中提取特征量为各层能量有用的特征量,表示为:
式中:dj(n)表示第j层分解系数,本实施例中选取第3、6和7层。
c3、将极大峰值Amax、极小峰值Amin、平均偏差Amean和提取特征量构成特征向量,表示为:
P=[Amax,Amin,Amean,Edj]。
本实施例中,最终得到的特征向量如表2所示:
表2
d、将步骤c中构成的特征向量当做测试集输入到GA-PNN分类器中进行训练,以训练完成的GA-PNN分类器完成电能质量扰动信号的识别,如图7所示。具体的,根据表2是生成1400组数据,其中1000组为训练集、400组为测试集。
本实施例中,如图4所示,PNN神经网络由输入层、模式层、求和层、输出层共4层组成,其中PNN神经网络的spread函数对分类的结果起着关键的作用,通常凭经验设定,极大限制了PNN的分类速度和精度。因此如图6所示,本实施例中将PNN神经网络的spread函数通过遗传算法(GA)把spread参数设定为种群个体,每个个体采用二进制编码组成,定义个体编码:
S1,S2,S3···SM;
每个个体进行评价,评价指标为适应度函数,定义适应度函数:
fitness(S)=accuracy(PNN(S));
其中S为spread函数参数;
每个个体确定适应度后,根据适应性越强度越有机率被选择遗传到下一代,其选择公式下所示:
每个个体随机搭配,以交叉的概率形式交换它们之间的编码构成新的个体;
每个个体以变异概率形式变异个体上的编码构成新的个体;
通过选择、交叉、变异的形式进行N次迭代,完成spread函数参数的优化,如表3所示为优化后spread函数的取值。
无优化取值 | 优化取值 | |
spread | 0.05 | 0.0136 |
表3
经过优化后,本发明方法分类结果如图7所示,本实施例利用测试集对其进行测试,并设置未优化的分类器作为对比例,其结果如表4、表5、表6和表7所示。
表4为有无优化条件下电能质量扰动识别精度
类型 | 精度(%) |
电压暂升(1) | 95 |
电压暂降(2) | 100 |
电压中断(3) | 100 |
闪变(4) | 100 |
谐波(5) | 100 |
暂态振荡(6) | 95 |
平均精度 | 98.3 |
表5为本实施例中GA-PNN分类器下单一识别精度
表6为本实施例中GA-PNN分类器下复合识别精度
表7为本实施例中GA-PNN分类器在不同噪声下单一与复合识别精度
由于上述表4-7和附图7可以看出,本发明对电能质量扰动识别具有较高的识别进度,GA优化下识别精度达到94%,比无优化高出4.25%;同时本发明对单一和复合电能质量扰动识别也具有较高的识别精度,单一的平均识别精度98.3%,复合的平均识别精度95%,单一与复合一起的平均识别精度94%;第三,本发明具有较高的抗干扰能力,30dB噪声环境下的平均识别率达到94%。因此本发明对复合电能质量扰动识别具有较高的识别精度。
Claims (5)
1.基于WT与GA-PNN的复合电能质量扰动分类方法,其特征在于:包括如下步骤:
a、建立电能质量扰动信号;
b、采用小波阈值法对电能质量扰动信号进行预处理,包括:
b1、采用小波变换方法对电能质量扰动信号进行分解,得到各层的小波细节系数;
b2、采用硬阈值函数处理各层的小波细节系数;
b3、将处理后的各层的小波细节系数进行重构,得到处理后的电能质量扰动信号;
c、确定电能质量扰动信号特征向量;
c1、选取处理后的电能质量扰动信号的极大峰值Amax、极小峰值Amin和平均偏差Amean;
c2、采用小波多分辨率分析处理后的电能质量扰动信号,提取特征量;
c3、将极大峰值Amax、极小峰值Amin、平均偏差Amean和提取特征量构成特征向量;
d、将步骤c中构成的特征向量当做测试集输入到GA-PNN分类器中进行训练,以训练完成的GA-PNN分类器完成电能质量扰动信号的识别;
步骤b1中,小波变换方法具体指:
∫x(t)ψj,kd(t)=∫f(t)ψj,kdt+∫ε(t)ψj,kdt;
式中,j、k分别为伸缩因子和平移因子;ψj,k为小波尺度函数;x(t)为电能质量扰动信号;f(t)为无噪声的电能质量扰动信号;ε(t)为噪音信号;
上式对应的小波系数表达式为:
dj,k=uj,k+ej,k;
式中,dj,k为电能质量扰动信号x(t)的各层小波细节系数,uj,k为无噪声的电能质量扰动信号f(t)的小波变换后各层小波细节系数,ej,k为噪声信号ε(t)的小波变换后各层小波细节系数。
2.根据权利要求1所述的基于WT与GA-PNN的复合电能质量扰动分类方法,其特征在于:步骤a中,电能质量扰动信号x(t)表示为:
x(t)=f(t)+ε(t);
式中,f(t)为无噪声的电能质量扰动信号;ε(t)为噪音信号。
3.根据权利要求1所述的基于WT与GA-PNN的复合电能质量扰动分类方法,其特征在于:步骤b2中,硬阈值函数为:
式中d′j,k为阈值处理后各层的小波细节系数;dj,k为各层的小波细节系数;N为信号采集长度;σ为噪声的标准偏差。
4.根据权利要求1所述的基于WT与GA-PNN的复合电能质量扰动分类方法,其特征在于:步骤c2中,提取特征量为各层能量有用的特征量,表示为:
式中:dj(n)表示第j层分解系数;
步骤c3中,所述特征向量表示为:
P=[Amax,Amin,Amean,Edj]。
5.根据权利要求1所述的基于WT与GA-PNN的复合电能质量扰动分类方法,其特征在于:步骤d中,PNN神经网络由输入层、模式层、求和层、输出层共4层组成,其中PNN神经网络的spread函数通过遗传算法把spread参数设定为种群个体,每个个体采用二进制编码组成,定义个体编码:
S1,S2,S3···SM;
每个个体进行评价,评价指标为适应度函数,定义适应度函数:
fitness(S)=accuracy(PNN(S));
其中S为spread函数参数;
每个个体确定适应度后,根据适应性越强度越有机率被选择遗传到下一代,其选择公式下所示:
每个个体随机搭配,以交叉的概率形式交换它们之间的编码构成新的个体;
每个个体以变异概率形式变异个体上的编码构成新的个体;
通过选择、交叉、变异的形式进行N次迭代,完成spread函数参数的优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654262.XA CN113361427B (zh) | 2021-06-11 | 2021-06-11 | 基于wt与ga-pnn的复合电能质量扰动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654262.XA CN113361427B (zh) | 2021-06-11 | 2021-06-11 | 基于wt与ga-pnn的复合电能质量扰动分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361427A CN113361427A (zh) | 2021-09-07 |
CN113361427B true CN113361427B (zh) | 2024-03-15 |
Family
ID=77533972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110654262.XA Active CN113361427B (zh) | 2021-06-11 | 2021-06-11 | 基于wt与ga-pnn的复合电能质量扰动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361427B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541686B (zh) * | 2022-11-01 | 2024-03-15 | 河海大学 | 基于多域特征融合极限学习机的电能质量扰动分类方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1170698A2 (en) * | 2000-05-03 | 2002-01-09 | Itt Manufacturing Enterprises, Inc. | Method and apparatus for improving signal to noise ratio using wavelet decomposition and frequency thresholding |
CN102680838A (zh) * | 2012-05-31 | 2012-09-19 | 重庆大学 | 基于双树复小波变换的电能质量监测识别方法及系统 |
CN102931728A (zh) * | 2012-10-30 | 2013-02-13 | 清华大学 | 基于小波多分辨率分析的电网扰动在线辨识及可视化方法 |
CN103413115A (zh) * | 2013-06-06 | 2013-11-27 | 温州大学 | 一种基于数据流形分布的非线性图像特征选择方法 |
CN103488996A (zh) * | 2013-09-05 | 2014-01-01 | 国家电网公司 | 一种基于小波域统计值的电能质量扰动信号分类方法 |
CN103743980A (zh) * | 2014-01-14 | 2014-04-23 | 山东科技大学 | 基于pso优化的svm的电能质量扰动识别与分类方法 |
CN105447464A (zh) * | 2015-11-23 | 2016-03-30 | 广东工业大学 | 一种基于pso的电能质量扰动识别与分类方法 |
CN106874950A (zh) * | 2017-02-13 | 2017-06-20 | 云南电网有限责任公司电力科学研究院 | 一种暂态电能质量录波数据的识别分类方法 |
CN106940407A (zh) * | 2017-03-15 | 2017-07-11 | 湘潭大学 | 一种配电网系统电能质量扰动定位与识别方法 |
CN107462785A (zh) * | 2017-06-14 | 2017-12-12 | 郑州轻工业学院 | 基于ga‑svm的电能质量多扰动信号分类识别方法 |
CN107545228A (zh) * | 2016-11-07 | 2018-01-05 | 北京交通大学 | 基于小波变换的电气化铁路运行工况识别方法 |
CN107832777A (zh) * | 2017-10-12 | 2018-03-23 | 吉林化工学院 | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 |
US10015499B1 (en) * | 2015-07-30 | 2018-07-03 | Teradici Corporation | Method and apparatus for layered wavelet image compression |
CN109034216A (zh) * | 2018-07-09 | 2018-12-18 | 西安理工大学 | 基于wt和svm的电能质量扰动分析方法 |
CN109101890A (zh) * | 2018-07-16 | 2018-12-28 | 中国科学院自动化研究所 | 基于小波变换的电能质量扰动识别方法及装置 |
CN109270399A (zh) * | 2018-08-07 | 2019-01-25 | 浙江亿德科技有限公司 | 电能质量治理设备的互感器接线自动匹配系统 |
CN110516573A (zh) * | 2019-08-19 | 2019-11-29 | 温州大学 | 结合颜色、纹理特征的两阶段烟雾识别卷积神经网络 |
CN111308260A (zh) * | 2020-04-16 | 2020-06-19 | 山东卓文信息科技有限公司 | 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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7496453B2 (en) * | 2006-11-07 | 2009-02-24 | The Hong Kong Polytechnic University | Classification of herbal medicines using wavelet transform |
US9170986B2 (en) * | 2009-11-06 | 2015-10-27 | City University Of Hong Kong | Power quality meter and method of waveform anaylsis and compression |
US20150094975A1 (en) * | 2013-10-01 | 2015-04-02 | King Fahd University Of Petroleum And Minerals | Wavelet transform system and method for voltage events detection and classification |
-
2021
- 2021-06-11 CN CN202110654262.XA patent/CN113361427B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1170698A2 (en) * | 2000-05-03 | 2002-01-09 | Itt Manufacturing Enterprises, Inc. | Method and apparatus for improving signal to noise ratio using wavelet decomposition and frequency thresholding |
CN102680838A (zh) * | 2012-05-31 | 2012-09-19 | 重庆大学 | 基于双树复小波变换的电能质量监测识别方法及系统 |
CN102931728A (zh) * | 2012-10-30 | 2013-02-13 | 清华大学 | 基于小波多分辨率分析的电网扰动在线辨识及可视化方法 |
CN103413115A (zh) * | 2013-06-06 | 2013-11-27 | 温州大学 | 一种基于数据流形分布的非线性图像特征选择方法 |
CN103488996A (zh) * | 2013-09-05 | 2014-01-01 | 国家电网公司 | 一种基于小波域统计值的电能质量扰动信号分类方法 |
CN103743980A (zh) * | 2014-01-14 | 2014-04-23 | 山东科技大学 | 基于pso优化的svm的电能质量扰动识别与分类方法 |
US10015499B1 (en) * | 2015-07-30 | 2018-07-03 | Teradici Corporation | Method and apparatus for layered wavelet image compression |
CN105447464A (zh) * | 2015-11-23 | 2016-03-30 | 广东工业大学 | 一种基于pso的电能质量扰动识别与分类方法 |
CN107545228A (zh) * | 2016-11-07 | 2018-01-05 | 北京交通大学 | 基于小波变换的电气化铁路运行工况识别方法 |
CN106874950A (zh) * | 2017-02-13 | 2017-06-20 | 云南电网有限责任公司电力科学研究院 | 一种暂态电能质量录波数据的识别分类方法 |
CN106940407A (zh) * | 2017-03-15 | 2017-07-11 | 湘潭大学 | 一种配电网系统电能质量扰动定位与识别方法 |
CN107462785A (zh) * | 2017-06-14 | 2017-12-12 | 郑州轻工业学院 | 基于ga‑svm的电能质量多扰动信号分类识别方法 |
CN107832777A (zh) * | 2017-10-12 | 2018-03-23 | 吉林化工学院 | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 |
CN109034216A (zh) * | 2018-07-09 | 2018-12-18 | 西安理工大学 | 基于wt和svm的电能质量扰动分析方法 |
CN109101890A (zh) * | 2018-07-16 | 2018-12-28 | 中国科学院自动化研究所 | 基于小波变换的电能质量扰动识别方法及装置 |
CN109270399A (zh) * | 2018-08-07 | 2019-01-25 | 浙江亿德科技有限公司 | 电能质量治理设备的互感器接线自动匹配系统 |
CN110516573A (zh) * | 2019-08-19 | 2019-11-29 | 温州大学 | 结合颜色、纹理特征的两阶段烟雾识别卷积神经网络 |
CN111308260A (zh) * | 2020-04-16 | 2020-06-19 | 山东卓文信息科技有限公司 | 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 |
Non-Patent Citations (4)
Title |
---|
基于S变换与傅里叶变换的电能质量多扰动分类识别;唐求;王耀南;郭斯羽;蒋锋;;湖南大学学报(自然科学版)(04);全文 * |
基于WT和GA-SVM的电能质量扰动识别方法;李波;曹敏;李仕林;李春阳;;电力电子技术(03);全文 * |
基于优化DDAGSVM多类分类策略的电能质量扰动识别;任子晖;王琦;;电力系统保护与控制(05);全文 * |
基于小波变换与PSO-BP神经网络的电能质量扰动分类;陈铸华;;电力职业技术学刊(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113361427A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784325B (zh) | 基于数据驱动增量融合的螺旋式故障诊断方法 | |
CN103324980B (zh) | 一种风电场风速预测方法 | |
Gao et al. | Power quality disturbance classification under noisy conditions using adaptive wavelet threshold and DBN-ELM hybrid model | |
CN110994604B (zh) | 基于lstm-dnn模型的电力系统暂态稳定评估方法 | |
CN113361427B (zh) | 基于wt与ga-pnn的复合电能质量扰动分类方法 | |
CN110082082B (zh) | 一种基于振动信号主成分分析法的gis状态识别方法 | |
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 | |
CN114742165B (zh) | 基于深度自编码器的航空发动机气路性能异常检测系统 | |
CN107545228A (zh) | 基于小波变换的电气化铁路运行工况识别方法 | |
Mahela et al. | A hybrid signal processing technique for recognition of complex power quality disturbances | |
Fu et al. | Powercog: A practical method for recognizing power quality disturbances accurately in a noisy environment | |
CN114660375A (zh) | 一种电力设备故障的辨识方法 | |
CN108108659B (zh) | 基于经验模态分解的孤岛检测关键特征提取方法 | |
Srikanth et al. | Fuzzified time-frequency method for identification and localization of power system faults | |
CN116070384A (zh) | 基于电网特征排列重要性的暂态稳定评估方法及系统 | |
CN115235759A (zh) | 一种基于宽度学习的风机齿轮箱早期故障诊断方法 | |
Liu et al. | High impedance fault diagnosis method based on conditional Wasserstein generative adversarial network | |
CN104102834A (zh) | 录音地点的识别方法 | |
CN113902136A (zh) | 一种基于电力指纹特征和集成学习机制的负荷识别方法 | |
CN115345202B (zh) | 一种第三方负荷聚合平台交互数据异常检测方法及系统 | |
Dong et al. | Partial Discharge Data Augmentation and Pattern Recognition for Unbalanced and Small Sample Scenarios | |
CN110989363A (zh) | 一种基于深度学习的电能质量控制方法及装置 | |
CN116541686B (zh) | 基于多域特征融合极限学习机的电能质量扰动分类方法 | |
CN111273131A (zh) | 基于能量特性与随机森林的光伏并网发电孤岛检测方法 | |
Zhang et al. | Automated classification of power quality disturbances using the S-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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |