电能质量扰动检测与分类识别方法研究

发布时间：2017-08-19 15:46

  本文关键词：电能质量扰动检测与分类识别方法研究

  更多相关文章： 电能质量扰动 EEMD 小波变换 S变换 支持向量机

【摘要】：随着远距离、特高压、交直流互联的智能电网不断发展,电源接入形式多样化和负荷种类不断增加,致使电力系统电能质量日益恶化,引起了严重的电能质量问题。电能质量扰动检测与分类识别是改善和提高电能质量的关键。本文深入分析和总结了电能质量问题的产生原因及其危害,结合目前国内外电能质量相关标准,综述了电能质量扰动分类及其研究现状,研究了电能质量扰动检测和分类识别。本文主要工作内容如下:1)采用总体经验模态分解方法和希尔伯特变换研究电能质量扰动信号。首先针对电网电能质量监测数据中的噪声干扰,采用EEMD自适应阈值消噪方法对其进行消噪处理,以信噪比SNR和信号的均方误差MSE作为去噪效果评价指标,与常见的4种小波阈值消噪方法进行对比,仿真结果表明该方法消噪性能较好,并且在低信噪比的重噪声污染下性能更优。然后利用EEMD方法将单一或复合电能质量扰动信号分解成若干相互独立的固有模态函数IMF分量,并对IMFs进行希尔伯特变换提取相应的瞬时频率和瞬时幅值,从而检测出扰动信号的扰动起止时刻和幅频信息。仿真信号和实测数据表明该方法的有效性。2)采用小波变换和S变换提取电能质量扰动特征量。首先采用小波变换将各电能质量扰动信号进行分解,得到各分解尺度的小波系数,通过构造不同分解尺度下的小波能量归一化值,提取扰动信号的小波能量谱特征值进行初步分类。然后采用S变换对各电能质量扰动信号进行分析,针对扰动信号S变换结果,提取了基频幅值特征、幅频变化特征、高频段幅频标准差特征、基频幅值波动次数和谐波总含量5种特征量用于后续分类。3)针对单一特征量不能有效表征各电能质量扰动信号的差异性,分析不同特征量之间的互补性,结合多分类思想构造组合特征量矩阵。首先针对提取的小波能量谱中谐波信号的明显差异,通过设定特征阈值进行初步分类,然后结合S变换提取的5种特征量进行后续分类。采用粒子群(PSO)优化的支持向量机进行分类识别,仿真结果验证该方法的有效性,为电能质量监测的实际工程应用提供了依据。
【关键词】：电能质量扰动 EEMD 小波变换 S变换 支持向量机
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM711
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-15
• 变量注释表15-16
• 1 绪论16-25
• 1.1 电能质量研究的背景和意义16-17
• 1.2 电能质量扰动分类及标准概述17-19
• 1.3 电能质量分析方法研究现状19-24
• 1.4 本文主要研究内容24-25
• 2 EEMD理论及其在电能质量扰动检测中的应用25-43
• 2.1 前言25
• 2.2 经验模态分解原理25-28
• 2.3 总体经验模态分解原理28-29
• 2.4 基于EEMD的电能质量扰动信号去噪29-35
• 2.5 EEMD在电能质量扰动检测中的应用35-41
• 2.6 本章小结41-43
• 3 应用小波变换和S变换提取电能质量扰动特征量43-62
• 3.1 前言43
• 3.2 小波变换43-47
• 3.3 小波变换提取电能质量扰动特征47-51
• 3.4 S变换51-54
• 3.5 S变换提取电能质量扰动特征54-61
• 3.6 本章小结61-62
• 4 多特征组合及优化SVM的电能质量扰动识别62-75
• 4.1 前言62
• 4.2 支持向量机62-67
• 4.3 多特征组合分类逻辑67-69
• 4.4 粒子群算法优化核参数69-71
• 4.5 优化参数SVM的电能质量扰动识别71-74
• 4.6 本章小结74-75
• 5 结论与展望75-76
• 参考文献76-81
• 作者简历81-83
• 学位论文数据集83

【参考文献】

中国期刊全文数据库 前2条

1 冯浩;周雒维;刘毅;;基于复小波变换的暂态电能质量扰动检测与分类[J];电网技术;2010年03期

2 韩刚;张建文;褚鑫;;基于EEMD自适应阈值去噪的电能质量扰动检测与定位研究[J];电测与仪表;2014年02期

中国博士学位论文全文数据库 前1条

1 王鹤;含多种分布式电源的微电网运行控制研究[D];华北电力大学;2014年

，

本文编号：701596