CN115758112A - 一种电力暂态扰动在线辨识方法 - Google Patents

一种电力暂态扰动在线辨识方法 Download PDF

Info

Publication number
CN115758112A
CN115758112A CN202211390670.XA CN202211390670A CN115758112A CN 115758112 A CN115758112 A CN 115758112A CN 202211390670 A CN202211390670 A CN 202211390670A CN 115758112 A CN115758112 A CN 115758112A
Authority
CN
China
Prior art keywords
frequency
transient disturbance
time
characteristic matrix
signal
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
CN202211390670.XA
Other languages
English (en)
Inventor
李露露
高恩福
钟羽朋
张明保
周新月
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and 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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202211390670.XA priority Critical patent/CN115758112A/zh
Publication of CN115758112A publication Critical patent/CN115758112A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Abstract

本发明公开了一种电力暂态扰动在线辨识方法，包括如下步骤：(1)采集电缆系统中存在的暂态扰动信号，并进行归一化处理；(2)将暂态扰动信号解构为不同中心频率的多重分量，从中提取出波形特征矩阵；(3)分别对每个分量进行维格纳分布WVD时频分析，得到时频图谱并提取各分量的时频图谱特征矩阵；(4)融合波形特征矩阵与时频图谱特征矩阵得到多重时频特征矩阵，从而实现暂态扰动信号的分类辨识。本发明提出的利用电缆附件处装设的高频电流传感器HFCT采集到的暂态扰动信号包含的特征细节更为明显，更有利于实现暂态扰动信号的分类辨识，且充分延拓了电缆HFCT的利用价值。

Description

一种电力暂态扰动在线辨识方法
技术领域
本发明属于电力扰动技术领域，具体涉及一种电力暂态扰动在线辨识方法。
背景技术
随着智能电网的高速发展，大量电力电子设备、智能控制装置及大功率非线性负荷不断投入使用，使得电力系统中的各种电能质量扰动常态化、复杂化，暂态扰动是电能质量扰动中持续时间短、冲击性强、出现频率较高的一类扰动，可由电力系统中的各种开关操作、暂态故障、雷击等引起，尤其对现代电力系统中存在的大量电力电子设备构成较大威胁，值得开展暂态扰动的辨识溯源研究，以为其进一步的定量控制提供依据。
现有研究主要关注于利用装设在系统变电站内的中低采样率监测设备进行扰动辨识，然而，其过低的采样率不足以复现其信号细节，导致特征提取困难，无法实现暂态扰动信号的精确辨识，且对于多数分散于系统各处的暂态扰动而言，扰动信号传播到变电站首端监测设备的衰减路径往往过长，信号采集的有效性难以得到保证。
此外，目前常用的扰动信号特征提取方法主要有短时傅里叶变换、小波变换、S变换及经验模态分解等，短时傅里叶变换由于窗口长度固定，导致时间分辨率和频率分辨率均保持不变，不适用于暂态扰动的分析；小波变换无法同时满足高时间分辨率和高频率分辨率的要求且抗噪性能较差；S变换计算量较大也不适用于高频暂态扰动信号的分析；经验模态分解能够实现对信号的自适应分解，但在实际应用中存在模态混叠及端点效应问题；可见，上述方法均存在对暂态扰动信号特征提取精度不足、识别率较低的问题。
发明内容
本发明的目的在于提供一种电力暂态扰动在线辨识方法来解决现有技术中对暂态扰动信号特征提取困难，识别率较低，以及信号采集的有效性难以得到保证的问题。
为达到上述目的，本发明的技术方案为：提供一种电力暂态扰动在线辨识方法，其创新点在于，包括如下步骤：
(1)通过电缆附件处装设的高频电流传感器HFCT采集电缆系统中存在的暂态扰动信号，并将采集到的暂态扰动信号进行归一化处理；
(2)利用白鲨优化算法对变分模态分解的惩罚因子α和模态数K进行参数优化，然后采用参数优化后的变分模态分解算法将暂态扰动信号解构为不同中心频率的多重分量，从中提取出波形特征矩阵；
(3)分别对每个分量进行维格纳分布WVD时频分析，得到时频图谱并提取各分量的时频图谱特征矩阵；
(4)融合波形特征矩阵与时频图谱特征矩阵构造出多重时频特征矩阵，并将其作为长短期记忆网络的输入，实现暂态扰动信号的分类辨识。
进一步的，所述步骤(1)中通过电缆附件处装设的高频电流传感器HFCT采集电缆系统中存在的暂态扰动信号，并将采集到的暂态扰动信号进行归一化处理的具体过程为：先利用仿真模拟生成110KV电缆系统中的暂态扰动信号波形，然后将电缆附件接地线上的扰动电流原始信号利用信号发生器产生，输入高频电流传感器HFCT，由示波器采集真实高频电流传感器HFCT的输出信号，得到高频电流传感器HFCT滤波后的暂态扰动信号，再利用最大-最小标准化法将采集到的暂态扰动信号进行归一化处理。
进一步的，所述步骤(2)中利用白鲨优化算法对变分模态分解的惩罚因子α和模态数K两个参数进行自动寻优，以确立惩罚因子α和模态数K的最优组合，再通过参数优化后的变分模态分解自适应、高精度地将高频电流传感器HFCT滤波暂态扰动信号分解为若干个不同频率成分的分量BIMF1～BIMFK，分别提取各个分量的峰值系数C1K、峭度C2K、脉冲因子C3K和裕度因子C4K共计四个特征量，构造出波形特征矩阵Ci：
Figure BDA0003929075540000031
式中，Ci为第i个样本对应的波形特征矩阵，K为变分模态分解的分量个数；
对于某暂态扰动信号x(t)而言，其变分模态分解过程包括变分问题的构造和求解两部分，其中，变分问题的模型构造为：
Figure BDA0003929075540000032
式中：sk(t)为x(t)经变分模态分解得的k个模态分量；{sk}＝{s1,s2,…,sk}；{ωk}＝{ω1,ω2,…,ωk}；δ(t)为狄拉克函数；
Figure BDA0003929075540000041
表示对t求偏导数；
变分问题的求解过程为：
Figure BDA0003929075540000042
式中：λ为Lagrange乘法算子；α为二次惩罚因子；
此外，利用白鲨优化算法对变分模态分解的参数进行优化时，以包络熵为适应度函数，表达式为：
Figure BDA0003929075540000043
式中：i＝1,2,…,N；Eh为包络熵；hi为原始信号经希尔伯特变换后得到包络信号的归一化形式。
进一步的，所述步骤(3)分别求取各分量的维格纳分布，并基于维格纳分布时频图谱对每个分量提取以下4个时频特征：维格纳分布的均值F1K、方差F2K、能量F3K和幅值最大时对应的频率F4K，从而得到原信号的时频图谱特征矩阵Fi：
Figure BDA0003929075540000044
式中，Fi为第i个样本对应的时频图谱特征矩阵；
对于某暂态扰动信号x(t)，其维格纳分布定义为：
Figure BDA0003929075540000051
式中：τ为时间差变量；x*(t)为x(t)的共轭复数；
Figure BDA0003929075540000052
为x(t)的瞬时相关函数。
进一步的，所述步骤(4)中的多重时频特征矩阵由步骤(2)和步骤(3)中的波形特征矩阵Ci和时频图谱特征矩阵Fi合并构造而成，其形式如下：
Figure BDA0003929075540000053
式中，Yi为第i个样本对应的多重时频特征矩阵；
将上述方法提取的所有样本的多重时频特征矩阵的a％作为训练集，(100-a)％作为测试集，然后将训练集输入长短期记忆网络进行训练，通过其内部的遗忘门、输入门、输出门三种门控结构及激活函数的门控特性对特征进行筛选，并寻求各类特征之间的关联性，从而得到最佳网络模型，再利用训练好的长短期记忆网络对测试集进行学习，采用Softmax分类器对测试数据进行分类，最终输出暂态扰动信号的辨识结果。
和现有技术相比，本发明的有益效果为：
(1)本发明提出的利用电缆附件处装设的高频电流传感器HFCT采集到的暂态扰动信号包含的特征细节更为明显，更有利于实现暂态扰动信号的分类辨识，且充分延拓了电缆HFCT的利用价值；
(2)在微弱高频暂态扰动信号特征提取中，通过白鲨优化算法优化变分模态分解的参数，避免了人工经验选取参数的不足，实现自适应分解的同时还提升了分解精度；
(3)对分解后的每一个分量单独进行维格纳分布时频分析，不仅消除了交叉干扰项的影响，还最大限度的保留了各频率成分的特征信息，使得由此构建的多重时频特征矩阵具有较高的特征区分度；
(4)本发明提出的多重时频特征矩阵及辨识方法能够充分挖掘较微弱暂态扰动信号的局部细节，且具有特征区分度明显、辨识精度高、抗噪性能好的优点。
附图说明
图1为本发明一种电力暂态扰动在线辨识方法流程图。
图2为本发明高频电流传感器HFCT滤波暂态扰动信号的多重时频特征矩阵构造流程图。
图3为本发明长短期记忆网络的暂态扰动辨识流程图。
图4为本发明实施例中高频电流传感器HFCT对常见暂态扰动信号采样前和采样后的结果图。
图5为本发明实施例中对电容投切扰动信号进行多重时频特征矩阵的提取过程。
图6为本发明实施例中对各类暂态扰动信号提取的多重时频特征矩阵。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
本发明提供一种电力暂态扰动在线辨识方法，其流程图如图1所示，包括如下步骤：
(1)通过电缆附件处装设的高频电流传感器HFCT采集电缆系统中存在的暂态扰动信号，并将采集到的暂态扰动信号进行归一化处理；具体过程为：先利用仿真模拟生成110KV电缆系统中的暂态扰动信号波形，然后将电缆附件接地线上的扰动电流原始信号利用信号发生器产生，输入高频电流传感器HFCT，由示波器采集真实高频电流传感器HFCT的输出信号，得到高频电流传感器HFCT滤波后的暂态扰动信号，再利用最大-最小标准化法将采集到的暂态扰动信号进行归一化处理。
(2)利用白鲨优化算法对变分模态分解的惩罚因子α和模态数K进行参数优化，然后采用参数优化后的变分模态分解算法将暂态扰动信号解构为不同中心频率的多重分量，从中提取出波形特征矩阵。
具体过程如下：利用白鲨优化算法对变分模态分解的惩罚因子α和模态数K两个参数进行自动寻优，以确立惩罚因子α和模态数K的最优组合，再通过参数优化后的变分模态分解自适应、高精度地将高频电流传感器HFCT滤波暂态扰动信号分解为若干个不同频率成分的分量BIMF1～BIMFK，分别提取各个分量的峰值系数C1K、峭度C2K、脉冲因子C3K和裕度因子C4K共计四个特征量，构造出波形特征矩阵Ci：
Figure BDA0003929075540000081
式中，Ci为第i个样本对应的波形特征矩阵，K为变分模态分解的分量个数；
对于某暂态扰动信号x(t)而言，其变分模态分解过程包括变分问题的构造和求解两部分，其中，变分问题的模型构造为：
Figure BDA0003929075540000082
式中：sk(t)为x(t)经变分模态分解得的k个模态分量；{sk}＝{s1,s2,…,sk}；{ωk}＝{ω1,ω2,…,ωk}；δ(t)为狄拉克函数；
Figure BDA0003929075540000083
表示对t求偏导数；
变分问题的求解过程为：
Figure BDA0003929075540000084
式中：λ为Lagrange乘法算子；α为二次惩罚因子；
此外，利用白鲨优化算法对变分模态分解的参数进行优化时，以包络熵为适应度函数，表达式为：
Figure BDA0003929075540000085
式中：i＝1,2,…,N；Eh为包络熵；hi为原始信号经希尔伯特变换后得到包络信号的归一化形式。
(3)分别对每个分量进行维格纳分布WVD时频分析，得到时频图谱并提取各分量的时频图谱特征矩阵；具体为：维格纳分布的均值F1K、方差F2K、能量F3K和幅值最大时对应的频率F4K，从而得到原信号的时频图谱特征矩阵Fi：
Figure BDA0003929075540000091
式中，Fi为第i个样本对应的时频图谱特征矩阵；
对于某暂态扰动信号x(t)，其维格纳分布定义为：
Figure BDA0003929075540000092
式中：τ为时间差变量；x*(t)为x(t)的共轭复数；
Figure BDA0003929075540000093
为x(t)的瞬时相关函数。
(4)融合波形特征矩阵与时频图谱特征矩阵构造出多重时频特征矩阵，并将其作为长短期记忆网络的输入，实现暂态扰动信号的分类辨识。
多重时频特征矩阵由步骤(2)和步骤(3)中的波形特征矩阵Ci和时频图谱特征矩阵Fi合并构造而成，其形式如下：
Figure BDA0003929075540000094
式中，Yi为第i个样本对应的多重时频特征矩阵；
将上述方法提取的所有样本的多重时频特征矩阵的a％作为训练集，(100-a)％作为测试集，然后将训练集输入长短期记忆网络进行训练，通过其内部的遗忘门、输入门、输出门三种门控结构及激活函数的门控特性对特征进行筛选，并寻求各类特征之间的关联性，从而得到最佳网络模型，再利用训练好的长短期记忆网络对测试集进行学习，采用Softmax分类器对测试数据进行分类，最终输出暂态扰动信号的辨识结果。
上述内容为本发明的具体技术方案，基于上述技术方案，本发明的具体实施方式通过以下内容对上述方案进一步描述。
(1)首先利用MATLAB仿真模拟生成110KV电缆系统中的故障类：高阻弧光接地故障、低阻金属性接地故障、局部放电；系统操作类：电容投切、空载线路投切、负荷投切，共6种暂态扰动信号波形，然后将电缆附件接地线上的扰动电流原始信号利用信号发生器产生，输入高频电流传感器HFCT，由示波器采集真实高频电流传感器HFCT的输出信号，得到高频电流传感器HFCT滤波后的暂态扰动信号，示波器采样频率为100MHz，如图4所示为高频电流传感器HFCT对常见暂态扰动信号采样前和采样后的结果图，从图4可知，经高频电流传感器HFCT采样后的扰动信号滤除了低频冗余成分，包含的暂态特征细节更为明显，更有利于实现暂态扰动辨识分析；分别改变6种扰动类型的参数，每种扰动类型在不同工况下各采集100个样本，共计600个，各类信号的参数设置如表1所示；再利用最大-最小标准化法将采集到的暂态扰动信号进行归一化处理。
表1
Figure BDA0003929075540000111
(2)利用全局优化能力较强的白鲨优化算法对变分模态分解的惩罚因子α和模态数K两个参数进行自动寻优，其中，白鲨优化算法的种群数为50，迭代次数为50，参数α和K的寻优范围分别为α∈[100,5000]，K∈[1,10]，从而确立惩罚因子α和模态数K的最优组合为[3134,5]，再通过参数优化后的变分模态分解自适应、高精度地将高频电流传感器HFCT滤波暂态扰动信号分解为若干个不同频率成分的分量BIMF1～BIMFK，分别提取各个分量的峰值系数C1K、峭度C2K、脉冲因子C3K和裕度因子C4K共计四个特征量，构造出波形特征矩阵Ci，以电容投切为例，其波形特征矩阵为：
Figure BDA0003929075540000112
(3)分别对每个分量进行维格纳分布WVD时频分析，得到时频图谱并提取各分量的时频图谱特征矩阵；具体为：维格纳分布的均值F1K、方差F2K、能量F3K和幅值最大时对应的频率F4K，从而得到原信号的时频图谱特征矩阵Fi，以电容投切为例，其时频图谱特征矩阵为：
Figure BDA0003929075540000121
(4)融合步骤(2)和步骤(3)中的波形特征矩阵Ci和时频图谱特征矩阵Fi构造出多重时频特征矩阵，其构造流程如图2所示，如图5所示为电容投切扰动信号的多重时频特征矩阵构建过程，其构建出的多重时频特征矩阵为：
Figure BDA0003929075540000122
根据上述步骤提取出6类典型暂态扰动信号的多重时频特征矩阵如图6所示，并将提取得的所有样本多重时频特征矩阵的70％作为训练集，30％作为测试集，然后将训练集输入长短期记忆网络进行训练，得到最佳网络模型，再利用训练好的长短期记忆网络对测试集进行学习，采用Softmax分类器对测试数据进行分类，最终输出暂态扰动信号的辨识结果，其辨识流程如图3所示，同时，分别仅采用波形特征矩阵Ci、时频图谱特征矩阵Fi作为长短期记忆网络的输入，与本文方法进行对比训练和测试，实验结果如表2所示，本文方法总体识别率高达99.62％，相较于仅提取波形特征矩阵Ci和仅提取时频图谱特征矩阵Fi而言，识别率分别提升了15.85％和9.16％，能够深度挖掘各类暂态扰动信号的特征信息，从而精确辨识系统中存在的暂态扰动信号。
表2
Figure BDA0003929075540000131
考虑到高频电流传感器HFCT在实测采样中受噪声干扰较为普遍的特殊性，分别构造-10dB、-5dB、5dB、10dB、20dB五种含较大噪声的暂态扰动HFCT滤波信号，对本发明进行进一步测试，添加噪声后的平均辨识结果如表3所示，在SNR为-10dB的高噪声环境下，总体识别率仍可达96.61％，并且随着SNR的增加，识别精度也随之升高，当SNR为10dB及以上时，识别率均高于99.27％；可见，本发明的抗噪性能较好，能适用于高频电流传感器HFCT的实际应用环境。
表3
Figure BDA0003929075540000141
通过上述方式，本发明公开了一种电力暂态扰动在线辨识方法，通过分散分布于电力系统中电缆附件接地线上的高频电流传感器HFCT采集暂态扰动信号，然后对采集的暂态扰动信号分别进行参数优化的变分模态分解和维格纳分布时频分析，并提取多重时频特征矩阵对暂态扰动信号进行分类辨识。实验数据表明，电缆附件接地线上的高频电流传感器HFCT能有效采集到系统中的暂态扰动信号，是监测系统暂态扰动的理想信号来源，且利用高频电流传感器HFCT采集暂态扰动信号提取得到的多重时频特征矩阵，具有特征区分度明显、辨识精度高、抗噪性能好的优点。本发明为系统暂态扰动辨识提供了新的参考方案，具备一定的实际应用潜力。

Claims (5)

1.一种电力暂态扰动在线辨识方法，其特征在于，包括如下步骤：
(1)通过电缆附件处装设的高频电流传感器HFCT采集电缆系统中存在的暂态扰动信号，并将采集到的暂态扰动信号进行归一化处理；
(2)利用白鲨优化算法对变分模态分解的惩罚因子α和模态数K进行参数优化，然后采用参数优化后的变分模态分解算法将暂态扰动信号解构为不同中心频率的多重分量，从中提取出波形特征矩阵；
(3)分别对每个分量进行维格纳分布WVD时频分析，得到时频图谱并提取各分量的时频图谱特征矩阵；
(4)融合波形特征矩阵与时频图谱特征矩阵构造出多重时频特征矩阵，并将其作为长短期记忆网络的输入，实现暂态扰动信号的分类辨识。
2.根据权利要求1所述的一种电力暂态扰动在线辨识方法，其特征在于：所述步骤(1)中通过电缆附件处装设的高频电流传感器HFCT采集电缆系统中存在的暂态扰动信号，并将采集到的暂态扰动信号进行归一化处理的具体过程为：先利用仿真模拟生成110KV电缆系统中的暂态扰动信号波形，然后将电缆附件接地线上的扰动电流原始信号利用信号发生器产生，输入高频电流传感器HFCT，由示波器采集真实高频电流传感器HFCT的输出信号，得到高频电流传感器HFCT滤波后的暂态扰动信号，再利用最大-最小标准化法将采集到的暂态扰动信号进行归一化处理。
3.根据权利要求1所述的一种电力暂态扰动在线辨识方法，其特征在于：所述步骤(2)中利用白鲨优化算法对变分模态分解的惩罚因子α和模态数K两个参数进行自动寻优，以确立惩罚因子α和模态数K的最优组合，再通过参数优化后的变分模态分解自适应、高精度地将高频电流传感器HFCT滤波暂态扰动信号分解为若干个不同频率成分的分量BIMF1～BIMFK，分别提取各个分量的峰值系数C1K、峭度C2K、脉冲因子C3K和裕度因子C4K共计四个特征量，构造出波形特征矩阵Ci：
Figure FDA0003929075530000021
式中，Ci为第i个样本对应的波形特征矩阵，K为变分模态分解的分量个数；
对于某暂态扰动信号x(t)而言，其变分模态分解过程包括变分问题的构造和求解两部分，其中，变分问题的模型构造为：
Figure FDA0003929075530000022
式中：sk(t)为x(t)经变分模态分解得的k个模态分量；{sk}＝{s1,s2,…,sk}；{ωk}＝{ω1,ω2,…,ωk}；δ(t)为狄拉克函数；
Figure FDA0003929075530000023
表示对t求偏导数；
变分问题的求解过程为：
Figure FDA0003929075530000031
式中：λ为Lagrange乘法算子；α为二次惩罚因子；
此外，利用白鲨优化算法对变分模态分解的参数进行优化时，以包络熵为适应度函数，表达式为：
Figure FDA0003929075530000032
式中：i＝1,2,…,N；Eh为包络熵；hi为原始信号经希尔伯特变换后得到包络信号的归一化形式。
4.根据权利要求1所述的一种电力暂态扰动在线辨识方法，其特征在于：所述步骤(3)分别求取各分量的维格纳分布，并基于维格纳分布时频图谱对每个分量提取以下4个时频特征：维格纳分布的均值F1K、方差F2K、能量F3K和幅值最大时对应的频率F4K，从而得到原信号的时频图谱特征矩阵Fi：
Figure FDA0003929075530000033
式中，Fi为第i个样本对应的时频图谱特征矩阵；
对于某暂态扰动信号x(t)，其维格纳分布定义为：
Figure FDA0003929075530000034
式中：τ为时间差变量；x*(t)为x(t)的共轭复数；
Figure FDA0003929075530000035
为x(t)的瞬时相关函数。
5.根据权利要求1所述的一种电力暂态扰动在线辨识方法，其特征在于：所述步骤(4)中的多重时频特征矩阵由步骤(2)和步骤(3)中的波形特征矩阵Ci和时频图谱特征矩阵Fi合并构造而成，其形式如下：
Figure FDA0003929075530000041
式中，Yi为第i个样本对应的多重时频特征矩阵；
将上述方法提取的所有样本的多重时频特征矩阵的a％作为训练集，(100-a)％作为测试集，然后将训练集输入长短期记忆网络进行训练，通过其内部的遗忘门、输入门、输出门三种门控结构及激活函数的门控特性对特征进行筛选，并寻求各类特征之间的关联性，从而得到最佳网络模型，再利用训练好的长短期记忆网络对测试集进行学习，采用Softmax分类器对测试数据进行分类，最终输出暂态扰动信号的辨识结果。
CN202211390670.XA 2022-11-07 2022-11-07 一种电力暂态扰动在线辨识方法 Pending CN115758112A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211390670.XA CN115758112A (zh) 2022-11-07 2022-11-07 一种电力暂态扰动在线辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211390670.XA CN115758112A (zh) 2022-11-07 2022-11-07 一种电力暂态扰动在线辨识方法

Publications (1)

Publication Number Publication Date
CN115758112A true CN115758112A (zh) 2023-03-07

Family

ID=85357419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211390670.XA Pending CN115758112A (zh) 2022-11-07 2022-11-07 一种电力暂态扰动在线辨识方法

Country Status (1)

Country Link
CN (1) CN115758112A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116316586A (zh) * 2023-03-15 2023-06-23 国网湖北省电力有限公司随州供电公司 一种采用跳变分析法对电力系统中功率跳变溯源的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116316586A (zh) * 2023-03-15 2023-06-23 国网湖北省电力有限公司随州供电公司 一种采用跳变分析法对电力系统中功率跳变溯源的方法
CN116316586B (zh) * 2023-03-15 2023-10-10 国网湖北省电力有限公司随州供电公司 一种采用跳变分析法对电力系统中功率跳变溯源的方法

Similar Documents

Publication Publication Date Title
CN109633368A (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
CN102736000B (zh) 电力电容器在线检测方法及装置
CN106404399B (zh) 基于自适应冗余提升小波包分解树的轴承故障诊断方法
CN109270345A (zh) 一种电网谐波信号的检测方法
CN105932774A (zh) 基于ica算法的智能变电站设备状态预警方法
CN108693448B (zh) 一种应用于电力设备局部放电模式识别系统
CN103149514B (zh) 一种gis内多绝缘缺陷模式识别方法
CN107037327A (zh) 局部放电故障判定特征提取方法及判定方法
CN115758112A (zh) 一种电力暂态扰动在线辨识方法
CN114325256A (zh) 一种电力设备局部放电识别方法、系统、设备及存储介质
CN106404386A (zh) 一种用于采集、提取及诊断齿轮箱早期故障特征信号的方法
CN202794437U (zh) 电力电容器在线检测装置
Yi et al. Insulation fault diagnosis of disconnecting switches based on wavelet packet transform and PCA-IPSO-SVM of electric fields
Zhu et al. Complex disturbances identification: A novel PQDs decomposition and modeling method
CN111079647A (zh) 一种断路器缺陷识别方法
CN107578016B (zh) 一种基于稀疏表示的剩余电流波形自动识别方法
CN112881879A (zh) 一种高压电缆终端局部放电模式识别方法、装置及设备
CN111025100A (zh) 变压器特高频局部放电信号模式识别方法与装置
CN108594156B (zh) 一种改进的电流互感器饱和特性识别方法
CN116884432A (zh) 基于vmd-js散度的电力变压器故障声纹诊断方法
CN114157023B (zh) 一种配变预警信息获取方法
CN115468751A (zh) 一种变压器声音采集与缺陷识别的方法与装置
CN114186590A (zh) 一种基于小波和深度学习的配电网单相接地故障识别方法
CN110703080B (zh) 一种gis尖刺放电诊断方法、放电程度识别方法及装置
Zou et al. Signal Detection and Pattern Recognition of Switchgear Partial Discharge

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