CN116482442B - 电力系统谐波自寻优检测方法、装置、设备及介质 - Google Patents
电力系统谐波自寻优检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116482442B CN116482442B CN202310702292.2A CN202310702292A CN116482442B CN 116482442 B CN116482442 B CN 116482442B CN 202310702292 A CN202310702292 A CN 202310702292A CN 116482442 B CN116482442 B CN 116482442B
- Authority
- CN
- China
- Prior art keywords
- harmonic
- decibel value
- signal
- power
- sound wave
- 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 62
- 238000005457 optimization Methods 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 238000013210 evaluation model Methods 0.000 claims abstract description 52
- 238000001228 spectrum Methods 0.000 claims abstract description 48
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims description 55
- 238000013507 mapping Methods 0.000 claims description 38
- 238000000354 decomposition reaction Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000010363 phase shift Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G01R23/165—Spectrum analysis; Fourier analysis using filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
- G10L19/26—Pre-filtering or post-filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/40—Arrangements for reducing harmonics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及电力谐波监测技术领域,具体而言,涉及电力系统谐波自寻优检测方法、装置、设备及介质,包括动态获取该检测区域内电力设备种类和噪音分贝值信号,将上述噪音分贝值信号通过滤波器去除非周期性干扰信号得到声波分贝值信号;将声波分贝值信号进行快速傅里叶变换得到声波分贝值信号频谱,评估声波分贝值信号频谱的幅值和分布特征;将检测区域电力设备种类和所述声波分贝值信号频谱的幅值和分布特征输入到与该电力设备种类匹配的电噪评估模型,得到该检测区域电力系统的谐波特征,通过对电力设备的噪音动态自寻优检测,通过无需无接触式及时发现电力系统中存在的电力谐波问题。
Description
技术领域
本发明涉及电力谐波监测技术领域,具体而言,涉及电力系统谐波自寻优检测方法、装置、设备及介质。
背景技术
电力谐波是指在电力系统中频率高于基波频率的电信号波形,它是由非线性负载,如变频器、电子灯具、电子设备等所引起的电流和电压波形的畸变所产生的。谐波会对电力系统和设备造成很多危害,包括电力损耗、设备热损耗、电力质量下降、设备寿命缩短等,因此,对于电力设备谐波的研究和控制具有重要的意义。
首先,电力设备谐波会导致电力损耗增加。谐波会引起电流和电压的畸变,畸变的电流会导致电阻、电感、电容等元件的损耗增加,进而导致电力系统的效率下降。其次,电力设备谐波会引起设备热损耗。谐波会引起电流和电压的畸变,导致设备内部的电阻、电感、电容等元件的热损耗增加。这些热损耗会导致设备的温度升高,进而导致设备的寿命缩短。第三,电力设备谐波会导致电力质量下降。例如,谐波会导致电压变化、电压不平衡、电压波动、电压失真等问题。这些问题会影响电力设备的正常运行,进而影响整个电力系统的稳定性和可靠性。最后,电力设备谐波会缩短设备的寿命。谐波会导致设备内部的元件受到较大的电压和电流冲击。这些冲击会加速设备内部元件的老化和损坏,从而缩短设备的寿命。
发明内容
本发明的目的在于提供电力系统谐波自寻优检测方法、装置、设备及介质,通过检测电力设备运行噪音的角度动态预测电力谐波,并且实时进行谐波治理。
为了实现上述目的,本申请实施例提供了如下技术方案:
一方面,本申请实施例提供了电力系统谐波自寻优检测方法,所述方法包括:
动态获取该检测区域内电力设备种类和噪音分贝值信号,将上述噪音分贝值信号通过滤波器去除非周期性干扰信号得到声波分贝值信号;所述滤波器参数是根据噪音分贝值信号数字化处理得到噪音分贝值信号波形特征,并将通过噪音分贝值信号波形特征输入到LMS滤波算法实时更新滤波器参数;将声波分贝值信号进行快速傅里叶变换得到声波分贝值信号频谱,评估声波分贝值信号频谱的幅值和分布特征;
将检测区域电力设备种类和所述声波分贝值信号频谱的幅值和分布特征输入到与该电力设备种类匹配的电噪评估模型,得到该检测区域电力系统的谐波特征;所述电噪评估模型是根据该电力系统的历史电力谐波信号特征和同时段的声波分贝值信号特征的映射数据训练得到的神经网络模型;
所述电噪评估模型训练的过程是通过有源滤波器按设定的梯度步长施加基波频率倍数的补偿电流用于逐步降低电力谐波,并检测同时段电力设备的声波分贝值信号在不同频率段的变化值,通过神经网络模型建立二者之间的映射关系。
可选地,所述电噪评估模型训练的过程还包括:
获取检测区域电力系统在一定时段的电流信号,使用信号均值法去除信号中的直流分量,并进行归一化处理;将归一化后的电流信号进行多级小波分解提取小波系数,并由stein算法得到小波分解阈值;根据小波系数和小波分解阈值对归一化的电流信号去噪得到去噪电流信号,所述小波系数包括近似系数向量和细节系数向量;所述去噪过程还包括,对小波分解的每层波形的高频部分利用Sobel算子进行滤波,通过合成低频波形和均值滤波后的高频波形得到该层去噪后的波形,最后将每层波形重构形成去噪电流信号;将去噪电流信号乘以汉宁窗函数,并进行傅里叶变换,得到去噪电流信号频谱;通过频谱,计算电流谐波的总畸变率,评估得到电力谐波特征;
根据电力谐波特征,通过有源滤波器产生抵消谐波的补偿电流,补偿电流在时段T内按照一定梯度步长进行增加;
在同时段T内,获取该检测区域内电力设备种类和该电力设备的声波分贝值信号频谱变化特征;
使用神经网络模型建立电力谐波特征、电力设备的声波分贝值信号频谱变化特征二者之间的映射关系。
可选地,所述方法还包括:
基于电噪评估模型用于动态降低电力谐波,所述动态降低谐波的方法是根据所述谐波特征,有源滤波器按一定梯度步长产生抵消谐波的一定基波频率倍数的补偿电流,期间实时检测声波分贝值信号,直至声波分贝值信号中谐波特征有映射关系的特定频率的声波分贝值变化低于设定的声波变化阈值,停止该基波频率倍数的补偿电流;重复动态降低电力谐波的方法,直至满足所有基波频率倍数的谐波特征对应的声波分贝值变化低于设定的声波变化阈值。
可选地,所述动态降低电力谐波的方法还包括:
根据当前梯度步长的补偿电流输入电噪评估模型得到声波分贝值信号预测值,期间动态检测声波分贝值信号实际值,基于声波分贝值信号预测值和声波分贝值信号实际值计算卡尔曼增益,并对下一时刻的梯度步长进行动态调整,直至状态估计误差的方差低于收敛阈值。
第二方面,基于同一发明构思,本申请实施例提供了电力系统谐波自寻优检测装置,所述装置包括:
声波分贝值获取模块,动态获取该检测区域内电力设备种类和噪音分贝值信号,将上述噪音分贝值信号通过滤波器去除非周期性干扰信号得到声波分贝值信号;所述滤波器参数是根据噪音分贝值信号数字化处理得到噪音分贝值信号波形特征,并将通过噪音分贝值信号波形特征输入到LMS滤波算法实时更新滤波器参数;将声波分贝值信号进行快速傅里叶变换得到声波分贝值信号频谱,评估声波分贝值信号频谱的幅值和分布特征;
谐波评估模块,用于将检测区域电力设备种类和所述声波分贝值信号频谱的幅值和分布特征输入到与该电力设备种类匹配的电噪评估模型,得到该检测区域电力系统的谐波特征;所述电噪评估模型是根据该电力系统的历史电力谐波信号特征和同时段的声波分贝值信号特征的映射数据训练得到的神经网络模型;
电噪评估模型训练模块,用于通过有源滤波器按设定的梯度步长施加基波频率倍数的补偿电流用于逐步降低电力谐波,并检测同时段电力设备的声波分贝值信号在不同频率段的变化值,通过神经网络模型建立二者之间的映射关系。
可选地,所述电噪评估模型训练模块还包括:
谐波获取模块,用于获取检测区域电力系统在一定时段的电流信号,使用信号均值法去除信号中的直流分量,并进行归一化处理;将归一化后的电流信号进行多级小波分解提取小波系数,并由stein算法得到小波分解阈值;根据小波系数和小波分解阈值对归一化的电流信号去噪得到去噪电流信号,所述小波系数包括近似系数向量和细节系数向量;所述去噪过程还包括,对小波分解的每层波形的高频部分利用Sobel算子进行滤波,通过合成低频波形和均值滤波后的高频波形得到该层去噪后的波形,最后将每层波形重构形成去噪电流信号;将去噪电流信号乘以汉宁窗函数,并进行傅里叶变换,得到去噪电流信号频谱;通过频谱,计算电流谐波的总畸变率,评估得到电力谐波特征;
补偿模块,用于根据电力谐波特征,通过有源滤波器产生抵消谐波的补偿电流,补偿电流在时段T内按照一定梯度步长进行增加;
在同时段T内,声波分贝值获取模块获取该检测区域内电力设备种类和该电力设备的声波分贝值信号频谱变化特征;
映射模块,使用神经网络模型建立电力谐波特征、电力设备的声波分贝值信号频谱变化特征二者之间的映射关系。
可选地,所述装置还包括:
调整模块,用于基于电噪评估模型用于动态降低电力谐波,所述动态降低谐波的方法是根据所述谐波特征,有源滤波器按一定梯度步长产生抵消谐波的一定基波频率倍数的补偿电流,期间实时检测声波分贝值信号,直至声波分贝值信号中谐波特征有映射关系的特定频率的声波分贝值变化低于设定的声波变化阈值,停止该基波频率倍数的补偿电流;重复动态降低电力谐波的方法,直至满足所有基波频率倍数的谐波特征对应的声波分贝值变化低于设定的声波变化阈值。
可选地,所述调整模块还包括:
梯度步长调整模块,根据当前梯度步长的补偿电流输入电噪评估模型得到声波分贝值信号预测值,期间动态检测声波分贝值信号实际值,基于声波分贝值信号预测值和声波分贝值信号实际值计算卡尔曼增益,并对下一时刻的梯度步长进行动态调整,直至状态估计误差的方差低于收敛阈值。
第三方面,基于同一发明构思,本申请实施例提供了一种电力系统谐波自寻优检测设备,所述设备包括存储器和处理器。
存储器用于存储计算机程序;处理器用于执行所述计算机程序时实现上述电力系统谐波自寻优检测方法的步骤。
第四方面,基于同一发明构思,本申请实施例提供了一种介质,所述介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述电力系统谐波自寻优检测方法的步骤。
本发明的有益效果为:
1.通过对电力设备的噪音动态检测,通过无需无接触式及时发现电力系统中存在的电力谐波问题。
2.保障电力系统的稳定运行:通过检测到的预测电力谐波动态调整补偿电流,并实时通过噪音检测进行修正反馈;
3.实时检测调整映射关系,达到自寻优检测的功能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中所述的电力系统谐波自寻优检测方法流程示意图;
图2是本发明实施例中所述的电力系统谐波自寻优检测设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在举例说明之前,对电力谐波的产生进行一些解释,在平衡的三相系统中由于对称关系,重复的偶次谐波已经被消除了。因此谐波主要以奇次谐波为主。大多数半导体行业的3次谐波非常严重,主要是由于企业中使用了大量的单相整流设备。由于生产的需要,石化行业中存在着大量泵类负载,并且不少泵类负载都配有变频器。目前绝大部分变频器整流环节都是应用6脉冲将交流转化为直流,因此产生的谐波以5次、7次、11次为主。因此,不同的行业由于电力设备的种类不同,侧重检测和治理的谐波也不一样。
在发明人实验中证实,电力谐波和电力设备的噪音有相关性。如电力变压器高压条件下,由于谐波干扰的存在,电力变压器的振动噪声比正常工频下要高出20dB左右。同时,谐波引起的电机电磁噪声是作用在电机定、转子空气隙中的交变高次谐波电磁力会使电机定转子产生振动及噪声,频率分布大多在100-4000Hz。据发明人参与过的某风力发电场,共计15台2兆瓦的风力发电机,工作人员发现运行期间,风场变压器有时会有人耳能听到的噪音。变压器厂家检查后排除本身的质量问题,发明人猜测可能是特定次谐波引起变压器铁芯震动发出噪音。经测定声音频率约为24倍基波频率即1200HZ附近。检测发现电压和电流的特定次谐波含量过大,尤其是在特定转速段和特定功率段。经过谐波治理后,该频段噪音降低到正常范围,说明谐波信号和噪音信号有一定的映射关系,这个映射关系还和电力设备本身结构有关系。
需要对噪音采集的电力设备的分布情况做一个简要说明,在电力谐波影响的电力设备的运行状态来预测谐波是本发明实施例的方案,某些电力设备可能对电力谐波不敏感,不在此发明实施例的讨论范围之内。
实施例1
如图1所示,本实施例提供了电力系统谐波自寻优检测方法,所述方法包括:
首先,动态获取该检测区域内电力设备种类和噪音分贝值信号,将上述噪音分贝值信号通过滤波器去除非周期性干扰信号得到声波分贝值信号;所述滤波器参数是根据噪音分贝值信号数字化处理得到噪音分贝值信号波形特征,并将通过噪音分贝值信号波形特征输入到LMS滤波算法实时更新滤波器参数;将声波分贝值信号进行快速傅里叶变换得到声波分贝值信号频谱,评估声波分贝值信号频谱的幅值和分布特征;电力谐波一般都是周期性波,去除偶然干扰信号留下基波和谐波;
然后,将检测区域电力设备种类和所述声波分贝值信号频谱的幅值和分布特征输入到与该电力设备种类匹配的电噪评估模型,得到该检测区域电力系统的谐波特征;所述电噪评估模型是根据该电力系统的历史电力谐波信号特征和同时段的声波分贝值信号特征的映射数据训练得到的神经网络模型;所述电噪评估模型训练的过程是通过有源滤波器按设定的梯度步长施加基波频率倍数的补偿电流用于逐步降低电力谐波,并检测同时段电力设备的声波分贝值信号在不同频率段的变化值,通过神经网络模型建立二者之间的映射关系。
其次,所述电噪评估模型训练的过程还包括:
首先,获取检测区域电力系统在一定时段的电流信号,使用信号均值法去除信号中的直流分量,并进行归一化处理;将归一化后的电流信号进行多级小波分解提取小波系数,并由stein算法得到小波分解阈值;根据小波系数和小波分解阈值对归一化的电流信号去噪得到去噪电流信号,所述小波系数包括近似系数向量和细节系数向量;所述去噪过程还包括,对小波分解的每层波形的高频部分利用Sobel算子进行滤波,通过合成低频波形和均值滤波后的高频波形得到该层去噪后的波形,最后将每层波形重构形成去噪电流信号;将去噪电流信号乘以汉宁窗函数,并进行傅里叶变换,得到去噪电流信号频谱;通过频谱,计算电流谐波的总畸变率,评估得到电力谐波特征;
其次,根据电力谐波特征,通过有源滤波器产生抵消谐波的补偿电流,补偿电流在时段T内按照一定梯度步长进行增加;在同时段T内,获取该检测区域内电力设备种类和该电力设备的声波分贝值信号频谱变化特征;
再者,使用神经网络模型建立电力谐波特征、电力设备的声波分贝值信号频谱变化特征二者之间的映射关系。
其次,所述电力系统谐波自寻优检测方法方法还包括:
附加地,基于电噪评估模型用于动态降低电力谐波,所述动态降低谐波的方法是根据所述谐波特征,有源滤波器按一定梯度步长产生抵消谐波的一定基波频率倍数的补偿电流,期间实时检测声波分贝值信号,直至声波分贝值信号中谐波特征有映射关系的特定频率的声波分贝值变化低于设定的声波变化阈值,停止该基波频率倍数的补偿电流;重复动态降低电力谐波的方法,直至满足所有基波频率倍数的谐波特征对应的声波分贝值变化低于设定的声波变化阈值。
其次,所述动态降低电力谐波的方法还包括:
根据当前梯度步长的补偿电流输入电噪评估模型得到声波分贝值信号预测值,期间动态检测声波分贝值信号实际值,基于声波分贝值信号预测值和声波分贝值信号实际值计算卡尔曼增益,并对下一时刻的梯度步长进行动态调整,直至状态估计误差的方差低于收敛阈值。
其次,所述电力系统谐波自寻优检测方法还包括:
检测声波分贝值特征和谐波特征的映射关系,当对基波频率A倍的谐波首次输入一定梯度步长的补偿电流时,声波分贝值变化值小于电噪评估模型预测的变化值且差值超过设定差值时;继续对基波频率B倍的谐波进行补偿,如果声波分贝值变化值仍然小于电噪评估模型预测的变化值且差值超过设定差值时,判定电噪评估模型中的频率映射发生相移,此时重新生成电噪评估模型,同时消除对基波频率A倍的谐波和基波频率B倍的谐波补偿电流;若基波频率B倍的谐波施加补偿电流时,声波分贝值变化值处于电噪评估模型正常的预测值范围,则判定电噪评估模型,并同时消除对基波频率A倍的谐波补偿电流;所述A和B均是大于1的整数。
通过对电力设备的噪音动态检测,替代直接实时检测电力谐波的危险性,而是通过无接触式的噪音方式来检测,检测噪声的仪器设备也更简单;同时,电力谐波的检测仅在电噪评估模型生成过程才需要,减少了电力谐波检测设备的运行时间,日常只需要检测分析电力设备的噪音即可。通过检测到的预测电力谐波动态调整补偿电流,可以有效地降低电力谐波对电力系统的影响,提高电力系统的运行效率和稳定性,同时实时通过噪音检测进行修正反馈,确保电力系统的运行质量和可靠性。以本发明人实验为例:某电机接入有电力谐波的市电,谐波的成分比例相对基波,7次谐波为4.52%,5次和11次的谐波为1.23%。相同方式测量去除谐波的电源,谐波的成分比例相对基波,5次谐波为0.19%,7次的谐波为0.21%,可以忽略不计,但同一台电机噪音差了8个分贝左右。分析噪音频谱,以噪音最大的频率来看是325HZ,而电机是4极电机,同步转速是60乘以50/2=1500r/min,电机实际转速是600r/min,电机滑差是900r/min,换算成电频率是2乘以(900/60)=30Hz,而市电频率是50Hz。市电7次谐波最大对电机振动噪音影响最大,50Hz乘以7次-30HZ=320Hz,所以在320Hz附近有异常振动噪音。不同的电力设备不一定像电机这样能有明确的计算公式,某些电力设备复杂,这种映射关系很难通过简单的公式来计算,但可以通过神经网络的映射算法来通过噪音的无接触测量来评估谐波特征,通过谐波特征再进行谐波治理。
同时,当电力设备发生维修和更换时,甚至可能是电力设备发生不明显的故障,但电力设备的内部结构发生变化时,映射关系可能发生变化。如电力谐波在电机发生的噪音和电机的极数、转速等内部参数相关,如发生变化,就需要及时判定电噪评估模型是否还能适用,不能适用,则及时重新生成。如调节过程中,发生声波分贝值变化值仍然小于电噪评估模型预测的变化值且差值超过设定差值时,说明调节补偿电流的时候,噪音的影响微乎其微,此时还不能判定电噪模型失效,还需要更换下一个基波倍数的对象再进行调整,仍然影响微乎其微,则判断为相移;如果下一个调整是生效的,则证明第一个调节过程在某个频率范围该采样时段有未知干扰源存在产生的特定频率范围的谐波,并不一定是电力设备内部结构发生变化,此时电噪评估模型仍继续可以使用,通过以上步骤完成映射模型的自寻优效果。
同时,谐波治理过程中,要根据满足和谐波相关性的噪音的频域峰值来治理谐波,直到该峰值降低到设定的阈值。谐波治理过程的补偿电流梯度步长也可以通过卡尔曼滤波算法进行梯度步长优化,可以提高调整的反馈速度和测量精度。
实施例2
本实施例提供了电力系统谐波自寻优检测装置,所述装置包括:
声波分贝值获取模块,动态获取该检测区域内电力设备种类和噪音分贝值信号,将上述噪音分贝值信号通过滤波器去除非周期性干扰信号得到声波分贝值信号;所述滤波器参数是根据噪音分贝值信号数字化处理得到噪音分贝值信号波形特征,并将通过噪音分贝值信号波形特征输入到LMS滤波算法实时更新滤波器参数;将声波分贝值信号进行快速傅里叶变换得到声波分贝值信号频谱,评估声波分贝值信号频谱的幅值和分布特征;
谐波评估模块,用于将检测区域电力设备种类和所述声波分贝值信号频谱的幅值和分布特征输入到与该电力设备种类匹配的电噪评估模型,得到该检测区域电力系统的谐波特征;所述电噪评估模型是根据该电力系统的历史电力谐波信号特征和同时段的声波分贝值信号特征的映射数据训练得到的神经网络模型;
电噪评估模型训练模块,用于通过有源滤波器按设定的梯度步长施加基波频率倍数的补偿电流用于逐步降低电力谐波,并检测同时段电力设备的声波分贝值信号在不同频率段的变化值,通过神经网络模型建立二者之间的映射关系。
其中,所述电噪评估模型训练模块还包括:
谐波获取模块,用于获取检测区域电力系统在一定时段的电流信号,使用信号均值法去除信号中的直流分量,并进行归一化处理;将归一化后的电流信号进行多级小波分解提取小波系数,并由stein算法得到小波分解阈值;根据小波系数和小波分解阈值对归一化的电流信号去噪得到去噪电流信号,所述小波系数包括近似系数向量和细节系数向量;所述去噪过程还包括,对小波分解的每层波形的高频部分利用Sobel算子进行滤波,通过合成低频波形和均值滤波后的高频波形得到该层去噪后的波形,最后将每层波形重构形成去噪电流信号;将去噪电流信号乘以汉宁窗函数,并进行傅里叶变换,得到去噪电流信号频谱;通过频谱,计算电流谐波的总畸变率,评估得到电力谐波特征;
补偿模块,用于根据电力谐波特征,通过有源滤波器产生抵消谐波的补偿电流,补偿电流在时段T内按照一定梯度步长进行增加;
在同时段T内,声波分贝值获取模块获取该检测区域内电力设备种类和该电力设备的声波分贝值信号频谱变化特征;
映射模块,使用神经网络模型建立电力谐波特征、电力设备的声波分贝值信号频谱变化特征二者之间的映射关系。
其中,所述电力系统谐波自寻优检测装置还包括:
调整模块,用于基于电噪评估模型用于动态降低电力谐波,所述动态降低谐波的方法是根据所述谐波特征,有源滤波器按一定梯度步长产生抵消谐波的一定基波频率倍数的补偿电流,期间实时检测声波分贝值信号,直至声波分贝值信号中谐波特征有映射关系的特定频率的声波分贝值变化低于设定的声波变化阈值,停止该基波频率倍数的补偿电流;重复动态降低电力谐波的方法,直至满足所有基波频率倍数的谐波特征对应的声波分贝值变化低于设定的声波变化阈值。
其次,所述所述调整模块还包括:
梯度步长调整模块,根据当前梯度步长的补偿电流输入电噪评估模型得到声波分贝值信号预测值,期间动态检测声波分贝值信号实际值,基于声波分贝值信号预测值和声波分贝值信号实际值计算卡尔曼增益,并对下一时刻的梯度步长进行动态调整,直至状态估计误差的方差低于收敛阈值。
其次,所述电力系统谐波自寻优检测装置还包括:
模型失效监测模块,用于检测声波分贝值特征和谐波特征的映射关系,当对基波频率A倍的谐波首次输入一定梯度步长的补偿电流时,声波分贝值变化值小于电噪评估模型预测的变化值且差值超过设定差值时;继续对基波频率B倍的谐波进行补偿,如果声波分贝值变化值仍然小于电噪评估模型预测的变化值且差值超过设定差值时,判定电噪评估模型中的频率映射发生相移,此时重新生成电噪评估模型,同时消除对基波频率A倍的谐波和基波频率B倍的谐波补偿电流;若基波频率B倍的谐波施加补偿电流时,声波分贝值变化值处于电噪评估模型正常的预测值范围,则判定电噪评估模型,并同时消除对基波频率A倍的谐波补偿电流。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例,本公开实施例还提供了一种电力系统谐波自寻优检测设备,下文描述的一种电力系统谐波自寻优检测设备与上文描述的电力系统谐波自寻优检测方法可相互对应参照。
如图2所示,该设备800可以包括:处理器801,存储器802。该设备800还可以包括多媒体组件803,输入/输出(I/O)接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该设备800的整体操作,以完成上述的电力设备局部放电脉冲信号监测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该设备800的操作,这些数据例如可以包括用于在该设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(StaticRandomAccessMemory,简称SRAM),电可擦除可编程只读存储器(ElectricallyErasableProgrammableRead-OnlyMemory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammableRead-OnlyMemory,简称EPROM),可编程只读存储器(ProgrammableRead-OnlyMemory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(NearFieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,设备800可以被一个或多个应用专用集成电路(ApplicationSpecificIntegratedCircuit,简称ASIC)、数字信号处理器(DigitalSignalProcessor,简称DSP)、数字信号处理设备(DigitalSignalProcessingDevice,简称DSPD)、可编程逻辑器件(ProgrammableLogicDevice,简称PLD)、现场可编程门阵列(FieldProgrammableGateArray,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的电力系统谐波自寻优检测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的电力系统谐波自寻优检测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由设备800的处理器801执行以完成上述的电力系统谐波自寻优检测方法。
实施例4
相应于上面的方法实施例,本公开实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的电力系统谐波自寻优检测方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的电力系统谐波自寻优检测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.电力系统谐波自寻优检测方法,其特征在于,所述方法包括:
动态获取检测区域内电力设备种类和噪音分贝值信号,将上述噪音分贝值信号通过滤波器去除非周期性干扰信号得到声波分贝值信号;滤波器参数是根据噪音分贝值信号数字化处理得到噪音分贝值信号波形特征并通过噪音分贝值信号波形特征输入到LMS滤波算法实时更新滤波器参数;将声波分贝值信号进行快速傅里叶变换得到声波分贝值信号频谱,评估声波分贝值信号频谱的幅值和分布特征;
将检测区域电力设备种类和所述声波分贝值信号频谱的幅值和分布特征输入到与该电力设备种类匹配的电噪评估模型,得到该检测区域电力系统的谐波特征;所述电噪评估模型是根据该电力系统的历史电力谐波信号特征和同时段的声波分贝值信号特征的映射数据训练得到的神经网络模型;
所述电噪评估模型训练的过程是通过有源滤波器按设定的梯度步长施加基波频率倍数的补偿电流用于逐步降低电力谐波,并检测同时段电力设备的声波分贝值信号在不同频率段的值,通过神经网络模型建立电力谐波特征、电力设备的声波分贝值信号频谱变化特征之间的映射关系。
2.如权利要求1所述的电力系统谐波自寻优检测方法,其特征在于,所述电噪评估模型训练的过程还包括:
获取检测区域电力系统在一定时段的电流信号,使用信号均值法去除信号中的直流分量,并进行归一化处理;将归一化后的电流信号进行多级小波分解提取小波系数,并由stein算法得到小波分解阈值;根据小波系数和小波分解阈值对归一化的电流信号去噪得到去噪电流信号,所述小波系数包括近似系数向量和细节系数向量;去噪过程还包括,对小波分解的每层波形的高频部分利用Sobel算子进行滤波,通过合成低频波形和均值滤波后的高频波形得到该层去噪后的波形,最后将每层波形重构形成去噪电流信号;将去噪电流信号乘以汉宁窗函数,并进行傅里叶变换,得到去噪电流信号频谱;通过频谱,计算电流谐波的总畸变率,评估得到电力谐波特征;
根据电力谐波特征,通过有源滤波器产生抵消谐波的补偿电流,补偿电流在时段T内按照一定梯度步长进行增加;
在同时段T内,获取该检测区域内电力设备种类和该电力设备的声波分贝值信号频谱变化特征;
使用神经网络模型建立电力谐波特征、电力设备的声波分贝值信号频谱变化特征二者之间的映射关系。
3.如权利要求1所述的电力系统谐波自寻优检测方法,其特征在于,所述方法还包括:
基于电噪评估模型用于动态降低电力谐波,所述动态降低谐波的方法是根据所述谐波特征,有源滤波器按一定梯度步长产生抵消谐波的一定基波频率倍数的补偿电流,期间实时检测声波分贝值信号,直至声波分贝值信号中谐波特征有映射关系的特定频率的声波分贝值变化低于设定的声波变化阈值,停止该基波频率倍数的补偿电流;重复动态降低电力谐波的方法,直至满足所有基波频率倍数的谐波特征对应的声波分贝值变化低于设定的声波变化阈值。
4.如权利要求3所述的电力系统谐波自寻优检测方法,其特征在于,所述动态降低电力谐波的方法还包括:
根据当前梯度步长的补偿电流得到补偿后的电力谐波特征,将补偿后的电力谐波特征输入电噪评估模型得到声波分贝值信号预测值,期间动态检测声波分贝值信号实际值,基于声波分贝值信号预测值和声波分贝值信号实际值计算卡尔曼增益,并对下一时刻的梯度步长进行动态调整,直至状态估计误差的方差低于收敛阈值。
5.电力系统谐波自寻优检测装置,其特征在于,所述装置包括:
声波分贝值获取模块,用于动态获取检测区域内电力设备种类和噪音分贝值信号,将上述噪音分贝值信号通过滤波器去除非周期性干扰信号得到声波分贝值信号;滤波器参数是根据噪音分贝值信号数字化处理得到噪音分贝值信号波形特征并通过噪音分贝值信号波形特征输入到LMS滤波算法实时更新滤波器参数;将声波分贝值信号进行快速傅里叶变换得到声波分贝值信号频谱,评估声波分贝值信号频谱的幅值和分布特征;
谐波评估模块,用于将检测区域电力设备种类和所述声波分贝值信号频谱的幅值和分布特征输入到与该电力设备种类匹配的电噪评估模型,得到该检测区域电力系统的谐波特征;所述电噪评估模型是根据该电力系统的历史电力谐波信号特征和同时段的声波分贝值信号特征的映射数据训练得到的神经网络模型;
电噪评估模型训练模块,用于通过有源滤波器按设定的梯度步长施加基波频率倍数的补偿电流用于逐步降低电力谐波,并检测同时段电力设备的声波分贝值信号在不同频率段的值,通过神经网络模型建立电力谐波特征、电力设备的声波分贝值信号频谱变化特征之间的映射关系。
6.如权利要求5所述的电力系统谐波自寻优检测装置,其特征在于,所述电噪评估模型训练模块还包括:
谐波获取模块,用于获取检测区域电力系统在一定时段的电流信号,使用信号均值法去除信号中的直流分量,并进行归一化处理;将归一化后的电流信号进行多级小波分解提取小波系数,并由stein算法得到小波分解阈值;根据小波系数和小波分解阈值对归一化的电流信号去噪得到去噪电流信号,所述小波系数包括近似系数向量和细节系数向量;去噪过程还包括,对小波分解的每层波形的高频部分利用Sobel算子进行滤波,通过合成低频波形和均值滤波后的高频波形得到该层去噪后的波形,最后将每层波形重构形成去噪电流信号;将去噪电流信号乘以汉宁窗函数,并进行傅里叶变换,得到去噪电流信号频谱;通过频谱,计算电流谐波的总畸变率,评估得到电力谐波特征;
补偿模块,用于根据电力谐波特征,通过有源滤波器产生抵消谐波的补偿电流,补偿电流在时段T内按照一定梯度步长进行增加;
在同时段T内,声波分贝值获取模块获取该检测区域内电力设备种类和该电力设备的声波分贝值信号频谱变化特征;
映射模块,用于使用神经网络模型建立电力谐波特征、电力设备的声波分贝值信号频谱变化特征二者之间的映射关系。
7.如权利要求5所述的电力系统谐波自寻优检测装置,其特征在于,所述装置还包括:
调整模块,用于基于电噪评估模型用于动态降低电力谐波,所述动态降低谐波的方法是根据所述谐波特征,有源滤波器按一定梯度步长产生抵消谐波的一定基波频率倍数的补偿电流,期间实时检测声波分贝值信号,直至声波分贝值信号中谐波特征有映射关系的特定频率的声波分贝值变化低于设定的声波变化阈值,停止该基波频率倍数的补偿电流;重复动态降低电力谐波的方法,直至满足所有基波频率倍数的谐波特征对应的声波分贝值变化低于设定的声波变化阈值。
8.如权利要求7所述的电力系统谐波自寻优检测装置,其特征在于,所述调整模块还包括:
梯度步长调整模块,用于根据当前梯度步长的补偿电流得到补偿后的电力谐波特征,将补偿后的电力谐波特征输入电噪评估模型得到声波分贝值信号预测值,期间动态检测声波分贝值信号实际值,基于声波分贝值信号预测值和声波分贝值信号实际值计算卡尔曼增益,并对下一时刻的梯度步长进行动态调整,直至状态估计误差的方差低于收敛阈值。
9.一种设备,其特征在于,包括:
存储器,用于存放计算机程序;
处理器,用于在执行存储器上所存放的程序时,实现权利要求1-4任一所述的方法步骤。
10.一种介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310702292.2A CN116482442B (zh) | 2023-06-14 | 2023-06-14 | 电力系统谐波自寻优检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310702292.2A CN116482442B (zh) | 2023-06-14 | 2023-06-14 | 电力系统谐波自寻优检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116482442A CN116482442A (zh) | 2023-07-25 |
CN116482442B true CN116482442B (zh) | 2023-09-15 |
Family
ID=87223518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310702292.2A Active CN116482442B (zh) | 2023-06-14 | 2023-06-14 | 电力系统谐波自寻优检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116482442B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111219842A (zh) * | 2019-12-09 | 2020-06-02 | 宁波奥克斯电气股份有限公司 | 一种空调器室外机的噪音检测方法及装置 |
CN112433092A (zh) * | 2020-09-23 | 2021-03-02 | 武汉科技大学 | 一种电力系统简谐波检测方法及系统 |
CN112838672A (zh) * | 2020-12-31 | 2021-05-25 | 广州兆和电力技术有限公司 | 基于宽频测量装置的电能治理系统及低频分量提取方法 |
CN115225003A (zh) * | 2022-07-19 | 2022-10-21 | 智新科技股份有限公司 | 一种新能源汽车永磁同步电机谐波电流指令标定方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9504233B2 (en) * | 2009-03-06 | 2016-11-29 | Leah Stephens | Electromechanical horn for deterring animals |
US8219286B2 (en) * | 2010-04-28 | 2012-07-10 | Delphi Technologies, Inc. | Noise reduction for occupant detection system and method |
-
2023
- 2023-06-14 CN CN202310702292.2A patent/CN116482442B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111219842A (zh) * | 2019-12-09 | 2020-06-02 | 宁波奥克斯电气股份有限公司 | 一种空调器室外机的噪音检测方法及装置 |
CN112433092A (zh) * | 2020-09-23 | 2021-03-02 | 武汉科技大学 | 一种电力系统简谐波检测方法及系统 |
CN112838672A (zh) * | 2020-12-31 | 2021-05-25 | 广州兆和电力技术有限公司 | 基于宽频测量装置的电能治理系统及低频分量提取方法 |
CN115225003A (zh) * | 2022-07-19 | 2022-10-21 | 智新科技股份有限公司 | 一种新能源汽车永磁同步电机谐波电流指令标定方法 |
Non-Patent Citations (1)
Title |
---|
直流输电系统谐波及噪声治理新技术及试验研究;宁志毫;王灿;陈跃辉;周冠东;;变压器(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116482442A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Valtierra-Rodriguez et al. | Detection and classification of single and combined power quality disturbances using neural networks | |
Alkan et al. | Frequency domain analysis of power system transients using Welch and Yule–Walker AR methods | |
CN103197135A (zh) | 一种暂态过电压监测方法 | |
CN107086039B (zh) | 一种音频信号处理方法及装置 | |
Ahmad et al. | AVSF‐based control algorithm of DSTATCOM for distribution system | |
CN115411733A (zh) | 谐波抑制方法、谐波提取方法、谐波提取系统及相关组件 | |
CN116482442B (zh) | 电力系统谐波自寻优检测方法、装置、设备及介质 | |
Reza et al. | Robust technique for accurate estimation of single‐phase grid voltage fundamental frequency and amplitude | |
CN112838672A (zh) | 基于宽频测量装置的电能治理系统及低频分量提取方法 | |
Churio‐Barboza et al. | Comprehensive design methodology of tuned passive filters based on a probabilistic approach | |
CN102759659B (zh) | 一种电力系统中电气信号谐波瞬时值的提取方法 | |
AlyanNezhadi et al. | A new high frequency grid impedance estimation technique for the frequency range of 2 to150 kHz | |
CN110646691B (zh) | 一种利用拉伸变换的变压器振声信号滤波方法和系统 | |
CN110837013A (zh) | 一种利用稀疏字典表示的变压器状态振声检测信号重构方法和系统 | |
Wang et al. | Direct current control strategy of LCL‐type converter for harmonic suppression under distorted grid condition | |
Li | Research on extraction of partial discharge signals based on wavelet analysis | |
Kocoń et al. | Time-varying FIR notch filter implementation using Raspberry Pi | |
Sui et al. | Research on harmonic detection based on improved Kalman filter and wavelet packet transform | |
CN116454921B (zh) | 基于超级电容的电网次同步振荡抑制方法及系统 | |
Yang et al. | Adaptive local iterative filter decomposition for analysis of non‐stationary waveforms in power quality | |
Li et al. | Quantitative damping reshaping method based on equivalent RLC circuits using an active damper | |
Woothipatanapan et al. | Adaptive Harmonic Current Detection Implemented by Using Digital Signal Processor | |
Prugpadee | Harmonic current detection of adaptive active harmonic filter using rls algorithm | |
CN113541624B (zh) | 一种用于功率放大器控制的小信号处理方法 | |
CN112836390B (zh) | 一种变流器故障检测方法、系统及存储介质 |
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 |