CN113866565A - 一种基于svmd的风能渗透型配电网事件检测方法 - Google Patents

一种基于svmd的风能渗透型配电网事件检测方法 Download PDF

Info

Publication number
CN113866565A
CN113866565A CN202111233430.4A CN202111233430A CN113866565A CN 113866565 A CN113866565 A CN 113866565A CN 202111233430 A CN202111233430 A CN 202111233430A CN 113866565 A CN113866565 A CN 113866565A
Authority
CN
China
Prior art keywords
wind power
svmd
signal
distribution network
event
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.)
Granted
Application number
CN202111233430.4A
Other languages
English (en)
Other versions
CN113866565B (zh
Inventor
金涛
袁丁
刘宇龙
庄致远
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202111233430.4A priority Critical patent/CN113866565B/zh
Publication of CN113866565A publication Critical patent/CN113866565A/zh
Application granted granted Critical
Publication of CN113866565B publication Critical patent/CN113866565B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出一种基于SVMD的风能渗透型配电网事件检测方法，包括以下步骤；步骤S1、在采样检测点处得到电压信号序列V d ，归一化后作为输入信号f(t)，再通过SVMD将其分解为多个不同中心频率的模式函数；步骤S2、将输入信号f(t)进行希尔伯特变换以构造出解析信号，进行快速傅里叶变换FFT以得到输出信号的幅频关系；在幅频关系曲线中提取参数，通过计算得到特征参数F1，通过与设定的判别条件S1比较以检测风电离网类事件；步骤S3、以步骤S1分解的模式函数得到高频模式分量，并结合步骤S2的解析信号来计算特征参数F2，与判别条件S2比较以检测风电孤岛运行事件和风电同步并网事件；本发明能更加高效准确地判断关于电力系统中的风电新能源运行事件，及其电能质量。

Description

一种基于SVMD的风能渗透型配电网事件检测方法
技术领域
本发明涉及电网运维技术领域，尤其是一种基于SVMD的风能渗透型配电网事件检测方法。
背景技术
新能源在电力系统中的占比越来越高，但也有着不可忽视的缺点，就是输送电能功率存在不确定性，而且风能被视为全球增长最快、最有前途的可再生能源，所以会对电力系统产生较大的影响，特别是同步并网接入，离网，孤岛等事件的发生，会对电力系统的稳定性造成一定威胁，为了使电能维持在规定的标准范围内，需要监控和减轻电能质量干扰，它们的定位和分类决定了平抑技术的性能，电压事件检测的方法简单易实现，所以考虑如何检测、处理所要采集的信号，从而分类风能渗透性配电网发生的事件。
目前主要采取的方法是通过计算机采集电压为信号，用合适的算法对发生时间后的电压信号进行处理，然后设定一定的分类标准，从而对所发生的事件进行分类。
发明内容
本发明提出一种基于SVMD的风能渗透型配电网事件检测方法，能更加高效准确地判断关于电力系统中的风电新能源运行事件，及其电能质量。
本发明采用以下技术方案。
一种基于SVMD的风能渗透型配电网事件检测方法，包括以下步骤；
步骤S1、在采样检测点处得到电压信号序列Vd，所得到的电压信号归一化后作为输入信号f(t)，再通过SVMD将其分解为多个不同中心频率的模式函数；
步骤S2、将输入信号f(t)进行希尔伯特变换以构造出解析信号，进行快速傅里叶变换FFT以得到输出信号的幅频关系；在幅频关系曲线中提取参数，通过计算得到特征参数F1，通过与设定的判别条件S1比较以检测风电离网类事件；
步骤S3、以步骤S1分解的模式函数得到高频模式分量，并结合步骤S2中得到的解析信号来计算特征参数F2，与设定的判别条件S2比较以检测风电孤岛运行事件和风电同步并网事件。
所述步骤S1中通过SVMD对输入信号进行分解，其方法具体为：
通过SVMD进行分解，将信号逐步分解为不同中心频率的模式函数，其表达式为：
f(t)＝uL(t)+fr(t) 公式一；
其中，uL(t)是第L个模式函数；fr(t)是残差信号，定义为除uL(t)外的输入信号，包含先前获得的L-1个模式函数之和以及还未处理的信号fu(t)这两部分，其表达式为：
Figure BDA0003316916290000021
所述步骤S2中对输入信号f(t)进行希尔伯特分解和FFT变换，具体分解过程为：
对信号进行希尔伯特变换的表达式为：
Figure BDA0003316916290000022
进一步构造出解析信号：
z(t)＝f(t)+jH(f(t))＝a(t)ejφ(t) 公式四；
式中，a(t)为瞬时幅值函数，φ(t)为瞬时相位函数，表达式分别为：
a(t)＝|f(t)+jH(f(t))| 公式五；
Figure BDA0003316916290000023
再进行快速傅里叶变换FFT，得到输出信号的幅频关系。
所述步骤S2中，在幅频关系曲线中提取参数，通过计算得到特征参数F1，其提取的参数以及特征参数F1的计算具体为：
通过幅频关系得到最大谐波幅值对应的谐波频率，记为fvmax，通过FFT分解后的最大间谐波幅值对应的频率fvmax与基频f的比值F1来判断出风电离网这类事件，特征参数F1表达式为：
F1＝fvmax/f 公式七；
设定的判别条件为S1，若是F1<S1，则发生的事件为风电离网，若F1>S1，则发生的事件为风电同步并网或是风电孤岛运行两事件之一。
所述步骤S3中，通过对SVMD分解后的高频模式分量以及希尔伯特变换后得到的解析信号，提取所需的参数，计算特征参数F2，其提取的参数以及特征参数F2的计算具体为：
通过对SVMD分解后的高频模式分量在发生事件后的振荡平均持续时间与HT变换后瞬时幅值函数的最大值与最小值的差值的乘积，来判别风电同步并网和风电孤岛运行这两类事件，设在输入信号中，发生事件的时刻为to，特征参数F2表达式为：
F2＝Uo×(Amax-Amin)×mean(tflu) 公式八；
在式中，Uo为配电网中采样节点的额定电压，Amax为瞬时幅值函数a(t)中to时刻后的最大值，Amin为a(t)中to时刻后的最小值，mean(tflu)为SVMD分解后的高频模式分量中to时刻后的振荡平均时间，其表达式为：
Figure BDA0003316916290000031
其中，Lm为SVMD分解的模式函数的个数，tsi为事件发生后第i个模式函数振荡截止的时刻，其提取条件为：
Figure BDA0003316916290000032
其中，
Figure BDA0003316916290000033
是第i个模式函数的导数。
设定的判别条件为S2，若是F2<S2，则发生的事件为风电孤岛运行，若F2>S2，则发生的事件为风电同步并网。
所述检测方法用于含风电的配电网系统。
所述检测方法用于检测风电在配电网系统中的风电离网运行、风电同步并网和风电孤岛运行事件，其采样点位于配电网系统中的固定母线处。
与现有技术相比，本发明有以下有益效果：本发明通过对含有风力发电的配电网中某固定母线电压检测，并进行采样、处理和比较，从而能准确有效检测出风电在配电网中的离网、同步并网和孤岛运行三个事件。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1为本发明实例的事件检测方法流程示意图；
附图2为本发明实例的风能渗透型配电网模型示意图；
附图3为本发明实例的1s时刻发生风电并同步网事件输入信号f(t)的示意图；
附图4为f(t)在SVMD分解后的各模式函数示意图；
附图5为本发明实例的1s时刻发生风电同步并网事件瞬时幅值函数a(t)的示意图；
附图6为本发明实例的风电同步并网事件的f(t)在FFT变换后频谱的示意图。
具体实施方式
如图所示，一种基于SVMD的风能渗透型配电网事件检测方法，包括以下步骤；
步骤S1、在采样检测点处得到电压信号序列Vd，所得到的电压信号归一化后作为输入信号f(t)，再通过SVMD将其分解为多个不同中心频率的模式函数；
本例中，采样点为图2的632节点；输入信号f(t)如图3所示；
步骤S2、将输入信号f(t)进行希尔伯特变换以构造出解析信号，进行快速傅里叶变换FFT以得到输出信号的幅频关系；在幅频关系曲线中提取参数，通过计算得到特征参数F1，通过与设定的判别条件S1比较以检测风电离网类事件；
步骤S3、以步骤S1分解的模式函数得到高频模式分量，并结合步骤S2中得到的解析信号来计算特征参数F2，与设定的判别条件S2比较以检测风电孤岛运行事件和风电同步并网事件。
所述步骤S1中通过SVMD对输入信号进行分解，其方法具体为：
通过SVMD进行分解，将信号逐步分解为不同中心频率的模式函数，其表达式为：
f(t)＝uL(t)+fr(t) 公式一；
其中，uL(t)是第L个模式函数；fr(t)是残差信号，定义为除uL(t)外的输入信号，包含先前获得的L-1个模式函数之和以及还未处理的信号fu(t)这两部分，其表达式为：
Figure BDA0003316916290000051
本例中，各个模式函数的波形如图4所示。分解后的模式函数的个数为Lm＝3。
所述步骤S2中对输入信号f(t)进行希尔伯特分解和FFT变换，具体分解过程为：
对信号进行希尔伯特变换(HT)的表达式为：
Figure BDA0003316916290000052
进一步构造出解析信号：
z(t)＝f(t)+jH(f(t))＝a(t)ejφ(t) 公式四；
式中，a(t)为瞬时幅值函数，φ(t)为瞬时相位函数，表达式分别为：
a(t)＝|f(t)+jH(f(t))| 公式五；
Figure BDA0003316916290000053
再进行快速傅里叶变换FFT，得到输出信号的幅频关系。
本例中，a(t)波形如图5所示，提取a(t)中1s时刻事件发生后的最大值Amax和最小值Amin。
所述步骤S2中，在幅频关系曲线中提取参数，通过计算得到特征参数F1，其提取的参数以及特征参数F1的计算具体为：
通过幅频关系得到最大谐波幅值对应的谐波频率，记为fvmax，通过FFT分解后的最大间谐波幅值对应的频率fvmax与基频f的比值F1来判断出风电离网这类事件，特征参数F1表达式为：
F1＝fvmax/f 公式七；
设定的判别条件为S1，若是F1<S1，则发生的事件为风电离网，若F1>S1，则发生的事件为风电同步并网或是风电孤岛运行两事件之一。
本例中，通过图6FFT变换后的频谱，提取得fvmax为65.66Hz，此配电网系统的基频f为60Hz，通过计算得F1为1.0943。而在风电离网事件中，最大幅值间谐波对应的频率特别小，其F1仅仅为1.0001左右；在风电孤岛事件中，F1为1.08左右，因此设定判别条件S1为1.01，此处F1>S1，则发生的事件为风电同步并网或是风电孤岛运行两事件之一，不是离网事件。
所述步骤S3中，通过对SVMD分解后的高频模式分量以及希尔伯特变换后得到的解析信号，提取所需的参数，计算特征参数F2，其提取的参数以及特征参数F2的计算具体为：
通过对SVMD分解后的高频模式分量在发生事件后的振荡平均持续时间与HT变换后瞬时幅值函数的最大值与最小值的差值的乘积，来判别风电同步并网和风电孤岛运行这两类事件，设在输入信号中，发生事件的时刻为to，特征参数F2表达式为：
F2＝Uo×(Amax-Amin)×mean(tflu) 公式八；
在式中，Uo为配电网中采样节点的额定电压，Amax为瞬时幅值函数a(t)中to时刻后的最大值，Amin为a(t)中to时刻后的最小值，mean(tflu)为SVMD分解后的高频模式分量中to时刻后的振荡平均时间，其表达式为：
Figure BDA0003316916290000061
其中，Lm为SVMD分解的模式函数的个数，tsi为事件发生后第i个模式函数振荡截止的时刻，其提取条件为：
Figure BDA0003316916290000062
其中，
Figure BDA0003316916290000063
是第i个模式函数的导数。
设定的判别条件为S2，若是F2<S2，则发生的事件为风电孤岛运行，若F2>S2，则发生的事件为风电同步并网。
本例中，通过图4和图5，提取参数得Amax为1.1017，Amin为0.7745；通过计算得mean(tflu)为0.0175s；而采样点632节点处的额定电压Uo为4160V，风电同步并网的特征参数F2则计算得23.82。风电孤岛运行事件发生后的瞬时幅值函数波动相对于同步并网会小很多，计算其特征参数F2为5.79。
所以根据仿真波形及其参数的提取计算，可知图3的输入信号为风电同步并网的信号，系统在1s时刻发生的事件为风电同步并网事件。
所述检测方法用于含风电的配电网系统。
所述检测方法用于检测风电在配电网系统中的风电离网运行、风电同步并网和风电孤岛运行事件，其采样点位于配电网系统中的固定母线处。

Claims (7)

1.一种基于SVMD的风能渗透型配电网事件检测方法，其特征在于：包括以下步骤；
步骤S1、在采样检测点处得到电压信号序列Vd，所得到的电压信号归一化后作为输入信号f(t)，再通过SVMD将其分解为多个不同中心频率的模式函数；
步骤S2、将输入信号f(t)进行希尔伯特变换以构造出解析信号，进行快速傅里叶变换FFT以得到输出信号的幅频关系；在幅频关系曲线中提取参数，通过计算得到特征参数F1，通过与设定的判别条件S1比较以检测风电离网类事件；
步骤S3、以步骤S1分解的模式函数得到高频模式分量，并结合步骤S2中得到的解析信号来计算特征参数F2，与设定的判别条件S2比较以检测风电孤岛运行事件和风电同步并网事件。
2.根据权利要求1所述的一种基于SVMD的风能渗透型配电网事件检测方法，其特征在于：所述步骤S1中通过SVMD对输入信号进行分解，其方法具体为：通过SVMD进行分解，将信号逐步分解为不同中心频率的模式函数，其表达式为：
f(t)＝uL(t)+fr(t) 公式一；
其中，uL(t)是第L个模式函数；fr(t)是残差信号，定义为除uL(t)外的输入信号，包含先前获得的L-1个模式函数之和以及还未处理的信号fu(t)这两部分，其表达式为：
Figure FDA0003316916280000011
3.根据权利要求1所述的一种基于SVMD的风能渗透型配电网事件检测方法，其特征在于：所述步骤S2中对输入信号f(t)进行希尔伯特分解和FFT变换，具体分解过程为：
对信号进行希尔伯特变换的表达式为：
Figure FDA0003316916280000012
进一步构造出解析信号：
z(t)＝f(t)+jH(f(t))＝a(t)ejφ(t) 公式四；
式中，a(t)为瞬时幅值函数，φ(t)为瞬时相位函数，表达式分别为：
a(t)＝|f(t)+jH(f(t))| 公式五；
Figure FDA0003316916280000021
再进行快速傅里叶变换FFT，得到输出信号的幅频关系。
4.根据权利要求1或3所述的一种基于SVMD的风能渗透型配电网事件检测方法，其特征在于：所述步骤S2中，在幅频关系曲线中提取参数，通过计算得到特征参数F1，其提取的参数以及特征参数F1的计算具体为：
通过幅频关系得到最大谐波幅值对应的谐波频率，记为fvmax，通过FFT分解后的最大间谐波幅值对应的频率fvmax与基频f的比值F1来判断出风电离网这类事件，特征参数F1表达式为：
F1＝fvmax/f 公式七；
设定的判别条件为S1，若是F1<S1，则发生的事件为风电离网，若F1>S1，则发生的事件为风电同步并网或是风电孤岛运行两事件之一。
5.根据权利要求2或3所述的一种基于SVMD的风能渗透型配电网事件检测方法，其特征在于：所述步骤S3中，通过对SVMD分解后的高频模式分量以及希尔伯特变换后得到的解析信号，提取所需的参数，计算特征参数F2，其提取的参数以及特征参数F2的计算具体为：
通过对SVMD分解后的高频模式分量在发生事件后的振荡平均持续时间与HT变换后瞬时幅值函数的最大值与最小值的差值的乘积，来判别风电同步并网和风电孤岛运行这两类事件，设在输入信号中，发生事件的时刻为to，特征参数F2表达式为：
F2＝Uo×(Amax-Amin)×mean(tflu) 公式八；
在式中，Uo为配电网中采样节点的额定电压，Amax为瞬时幅值函数a(t)中to时刻后的最大值，Amin为a(t)中to时刻后的最小值，mean(tflu)为SVMD分解后的高频模式分量中to时刻后的振荡平均时间，其表达式为：
Figure FDA0003316916280000031
其中，Lm为SVMD分解的模式函数的个数，tsi为事件发生后第i个模式函数振荡截止的时刻，其提取条件为：
Figure FDA0003316916280000032
其中，
Figure FDA0003316916280000033
是第i个模式函数的导数。
设定的判别条件为S2，若是F2<S2，则发生的事件为风电孤岛运行，若F2>S2，则发生的事件为风电同步并网。
6.根据权利要求1所述的一种基于SVMD的风能渗透型配电网事件检测方法，其特征在于：所述检测方法用于含风电的配电网系统。
7.根据权利要求6所述的一种基于SVMD的风能渗透型配电网事件检测方法，其特征在于：所述检测方法用于检测风电在配电网系统中的风电离网运行、风电同步并网和风电孤岛运行事件，其采样点位于配电网系统中的固定母线处。
CN202111233430.4A 2021-10-22 2021-10-22 一种基于svmd的风能渗透型配电网事件检测方法 Active CN113866565B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111233430.4A CN113866565B (zh) 2021-10-22 2021-10-22 一种基于svmd的风能渗透型配电网事件检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111233430.4A CN113866565B (zh) 2021-10-22 2021-10-22 一种基于svmd的风能渗透型配电网事件检测方法

Publications (2)

Publication Number Publication Date
CN113866565A true CN113866565A (zh) 2021-12-31
CN113866565B CN113866565B (zh) 2024-03-29

Family

ID=78997249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111233430.4A Active CN113866565B (zh) 2021-10-22 2021-10-22 一种基于svmd的风能渗透型配电网事件检测方法

Country Status (1)

Country Link
CN (1) CN113866565B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU5835398A (en) * 1992-07-10 1998-07-02 Energy Biosystems Corporation Recombinant DNA encoding a desulfurization biocatalyst
WO2011022265A1 (en) * 2009-08-21 2011-02-24 Xantrex Technology Inc. Ac connected modules with line frequency or voltage variation pattern for energy control
WO2014000359A1 (zh) * 2012-06-29 2014-01-03 京东方科技集团股份有限公司 孤岛检测方法及系统
CN109298284A (zh) * 2018-09-18 2019-02-01 四川大学 利用pmu测量相量角度数据进行孤岛效应检测的方法及系统
CN109374997A (zh) * 2018-09-03 2019-02-22 三峡大学 基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法
CN109633368A (zh) * 2018-12-03 2019-04-16 三峡大学 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法
CN111145044A (zh) * 2020-01-09 2020-05-12 三峡大学 基于ewt和mfde的配电网电能质量扰动检测方法
US20210036518A1 (en) * 2019-07-30 2021-02-04 North China Electric Power University System and method of locating oscillation sources of wind power integrated system based on energy spectrums

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU5835398A (en) * 1992-07-10 1998-07-02 Energy Biosystems Corporation Recombinant DNA encoding a desulfurization biocatalyst
WO2011022265A1 (en) * 2009-08-21 2011-02-24 Xantrex Technology Inc. Ac connected modules with line frequency or voltage variation pattern for energy control
WO2014000359A1 (zh) * 2012-06-29 2014-01-03 京东方科技集团股份有限公司 孤岛检测方法及系统
CN109374997A (zh) * 2018-09-03 2019-02-22 三峡大学 基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法
CN109298284A (zh) * 2018-09-18 2019-02-01 四川大学 利用pmu测量相量角度数据进行孤岛效应检测的方法及系统
CN109633368A (zh) * 2018-12-03 2019-04-16 三峡大学 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法
US20210036518A1 (en) * 2019-07-30 2021-02-04 North China Electric Power University System and method of locating oscillation sources of wind power integrated system based on energy spectrums
CN111145044A (zh) * 2020-01-09 2020-05-12 三峡大学 基于ewt和mfde的配电网电能质量扰动检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HE REN 等: "A new wind turbine health condition monitoring method based on VMD-MPE and feature-based transfer learnning", MEASUREMENT, vol. 148, 31 December 2019 (2019-12-31), pages 106909 *
张怡真: "含DG的新型配电网小电流接地故障定位问题研究", 《中国优秀硕博士学位论文全文数据库（硕士）工程科技Ⅱ辑》, no. 2, 16 February 2020 (2020-02-16) *
张虹;王迎丽;勇天泽;马鸿君;代宝鑫;: "基于SVMD和能量转移SR-MLS反演识别技术的低频振荡信号特征辨识", 高电压技术, no. 05, 31 May 2020 (2020-05-31), pages 228 - 238 *

Also Published As

Publication number Publication date
CN113866565B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
Yılmaz et al. A real-time UWT-based intelligent fault detection method for PV-based microgrids
Ray et al. Islanding and power quality disturbance detection in grid-connected hybrid power system using wavelet and $ S $-transform
CN109633368B (zh) 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法
CN110441654B (zh) 基于改进ewt和cmpe的配电网电能质量扰动检测方法
Cai et al. Intelligent DC arc-fault detection of solar PV power generation system via optimized VMD-based signal processing and PSO–SVM classifier
Ezzat et al. Microgrids islanding detection using Fourier transform and machine learning algorithm
CN116865269B (zh) 一种风电机组高谐波补偿方法及系统
Fatama et al. A multi feature based islanding classification technique for distributed generation systems
Rodriguez et al. Classification of power quality disturbances using hilbert huang transform and a multilayer perceptron neural network model
Matz et al. Automated power quality monitoring system for on-line detection and classification of disturbances
Mahla et al. Recognition of complex and multiple power quality disturbances using wavelet packet-based fast kurtogram and ruled decision tree algorithm
CN110826498A (zh) 基于hht的暂态电能质量检测方法
CN115808600B (zh) 基于数学形态学和模式识别的直流电弧检测方法
Jandan et al. Recognition and classification of power quality disturbances by DWT-MRA and SVM classifier
CN110703006A (zh) 一种基于卷积神经网络的三相电能质量扰动检测方法
CN113866565A (zh) 一种基于svmd的风能渗透型配电网事件检测方法
CN117330906A (zh) 设备电弧故障检测方法、装置、设备及存储介质
Behzadi et al. Identification of combined power quality disturbances in the presence of distributed generations using variational mode decomposition and K-nearest neighbors classifier
Qaisar et al. Effective Power Quality Disturbances Identification Based on Event‐Driven Processing and Machine Learning
Dubey et al. Detection of power quality disturbances in presence of DFIG wind farm using Wavelet Transform based energy function
Fayyad et al. A wavelet-based passive islanding detection technique
Wang et al. Analysis and detection of transients in islanded micro-grids using wavelet transformation
Zang et al. Intelligent identification system of power quality disturbance
Patel et al. Wavelet and Machine learning based approach for Fault classification in AC Micro-grid system
Godoy et al. Multiple signal processing techniques based power quality disturbance detection, classification, and diagnostic software

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