论文部分内容阅读
电能质量暂态分析是近年来电能质量控制领域的热点。常见电能质量暂态分析包括电能质量信号压缩、暂态分类和暂态检测与定位等。本文采用S变换及其广义变换形式等时-频分析方法与模式识别技术相结合,分别针对电能质量信号压缩、不同需求下的暂态扰动识别和复杂参数条件下的暂态扰动检测定位开展研究。针对电能质量信号中单次电能质量事件内各个周期信号相同的特点,设计1种基于模式相似性测度的电能质量信号压缩方法。首先,建立6种典型电能质量信号的数学模型,生成仿真信号进行实验,选择适合电能质量信号畸变检测的相似性测度。在判定新电能质量事件发生后,记录发生畸变的相邻两个周期的电能质量信号,并使用其中第2个周期的信号代替该次电能质量事件中的其他周期波形,从而达到压缩信号的目的。新方法可以对电能质量信号进行非降采样率的全时数据压缩。与小波等压缩方法比较,新方法的压缩与重构过程计算简单、对硬件要求低,同时避免了压缩过程中高频信号成分特征的丢失。仿真实验表明,新方法失真度低、计算时间短、压缩比高,能够满足电能质量数据压缩与分析的需要。采用S变换与改进的多层前馈神经网络相结合,提出一种新的电能质量扰动分类方法。首先利用S变换对原始数据进行处理,提取具有代表性的4类典型特征以表征不同种类的扰动类型的特性。之后使用拟牛顿法和自适应因子改进传统的多层前馈神经网络,将特征作为改进的多层前馈神经网络的输入向量,实现自动的分类识别。实验表明,新方法减少了噪声对分类准确率的影响,学习能力强,能够有效的识别电压暂降、电压瞬升、电压中断、暂态震荡、谐波等5种电能扰动。针对电能质量复合扰动识别困难,且不同工作环境对分类实时性、硬件成本等要求不同的问题。分别提出了基于S变换与概率神经网络、支持向量机的电能质量复合扰动分类识别方法。首先对电能质量信号进行S变换,针对变换结果在不同频率范围内提取原始信号特征。然后采用统计方法进行特征选择,确定最优的2种特征构成特征向量,作为分类器训练样本。最后将分类器应用于电能质量扰动识别。仿真实验表明2种新模型均能够精确识别包括2种复合扰动在内的8种电能质量扰动信号。设计了一种采用HS变换和决策树的电能质量暂态扰动识别新方法。通过HS变换提取4种特征,构成4条规则,建立能够准确识别8种扰动现象的决策树。采用决策树的分类方法具有更高的分类效率,结构简单。能够满足实际工作中对分类实时性的要求。在采用HS变换处理电能质量信号的基础上,提出通过计算HS变换模矩阵上各采样点对应不同频率幅值和定位扰动起止点的新方法。新方法通过阈值处理与极大值点选择对幅值和进行预处理,并根据不同扰动信号特点设计了不同的自动检测方法。实现了电压暂降、电压暂升、电压中断、电磁脉冲、电压尖峰、电压切痕、暂态振荡等7种扰动的准确检测。仿真实验证明,算法具有较好的适应性与一定的抗噪性,受不同扰动参数影响较小。