CN105510687B - 一种基于经验模态分解的电压异常特征识别方法 - Google Patents
一种基于经验模态分解的电压异常特征识别方法 Download PDFInfo
- Publication number
- CN105510687B CN105510687B CN201510997952.XA CN201510997952A CN105510687B CN 105510687 B CN105510687 B CN 105510687B CN 201510997952 A CN201510997952 A CN 201510997952A CN 105510687 B CN105510687 B CN 105510687B
- Authority
- CN
- China
- Prior art keywords
- voltage
- signal
- modal components
- frequency
- hilbert
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及电力***电能质量监测分析领域,具体是涉及一种基于经验模态分解的电压异常特征识别方法。该方法包括:信号处理器对电力***电压信号设定采样周期为T,并进行实时采样和量化得到原始信号v(t);对原始信号v(t)采用经验模态分解得到各阶IMF模态分量;对原始信号v(t)的第一个IMF模态分量采用希尔伯特‑黄变换得到瞬时频率图和瞬时幅值图;依据希尔伯特‑黄变换图中的突变点、幅值变化、瞬时频率走势特征信息对电压异常信号进行检测和识别。该方法可以针对电力***非线性、非平稳信号进行处理,从希尔伯特‑黄变换图谱中可以清晰辨析出信号的不同特征,实现了从海量电压扰动信号中自动提取并正确分类电能质量检测分析问题。
Description
技术领域
本发明涉及电力***电能质量监测分析领域,具体是涉及一种基于经验模态分解的电压异常特征识别方法。
背景技术
在现代电力***中,电力电子设备的应用日益广泛,随之带来各种随机性、非线性、冲击性、波动性以及暂态性的电力信号,电力***电能质量日益遭受越来越为严重的污染。鉴于此,负载端(用户端)对供电可靠性和电能质量分析的要求也日趋增加。另一方面,电压异常信号的存在,给电力***带来严重的不良影响。例如:伺服电机的不正常运行,减少电力设备的使用寿命,增加电能损耗,严重时可能导致供电故障等。
针对电力***电压异常扰动信号问题,国内外对此进行了深入细致的研究工作,提出了众多提取特征信息的方法,如:傅里叶变换法、小波变换法、加窗傅里叶变换、S变换等,取得了一些效果的同时也存在一定不足之处。例如:
基于傅里叶变换及其一系列改进的分析方法,存在一定的频谱泄漏现象和栅栏效应,只能分析平稳信号,对暂态和突变扰动信号往往采用加窗算法对其进行修正,然而窗函数的选取需要依据信号特点,窗函数选取的不适当可能会造成信号失真;
基于小波变换的分析方法,在电能质量扰动处理方面得到较为广泛的应用,然而其极易受信号噪声影响,不适应对时域变化为主的扰动信号;
S变换是一种新型的时频域分析方法,近年来在电力信号特征信息提取方面取得长足发展,然而其算法结构复杂,分析长信号时对***硬件要求高。
发明内容
为解决上述技术问题,本发明提供了一种基于经验模态分解的电压异常特征识别方法,为实现从海量电压扰动信号中自动提取并正确分类电能质量检测分析。
为实现上述目的,本发明采用了以下技术方案:
一种基于经验模态分解的电压异常特征识别方法,包括以下步骤:
步骤A:信号处理器对电力***电压信号设定采样周期为T,并进行实时采样和量化得到原始信号v(t),其中t=1、2、3…m,所述m根据实际设备采样率设定,所述采样周期单位为s,所述电压信号单位为V;
步骤B:对原始信号v(t)采用经验模态分解得到各阶IMF模态分量;
步骤C:对原始信号v(t)的第一个IMF模态分量采用希尔伯特-黄变换得到瞬时频率图和瞬时幅值图。
进一步的,在步骤C后面设有步骤D,其中:
步骤D:依据希尔伯特-黄变换图中的突变点、幅值变化、瞬时频率走势特征信息对电压异常信号进行检测和识别。
进一步的技术方案:所述步骤B:对原始信号v(t)采用经验模态分解得到各阶IMF模态分量的具体步骤为:
S101:第1次筛选:对原始信号v(t)所有局部极大值点和所有局部极小值点用三次样条函数进行插值,并拟合上、下包络线;
S102:求取上、下包络线的平均值曲线M1(t),则原始信号v(t)与M1(t)之差即为P1(t),所述P1(t)=v(t)-M1(t);
S103:如果P1(t)同时满足下述IMF模态分量的两个条件,则其为第一个IMF模态分量,否则将其作为新的原始信号重复步骤S101到S102,得到P11(t),所述P11(t)=P1(t)-M11(t),其中:M11(t)为P1(t)的上、下包络线的平均曲线;
所述IMF模态分量满足的两个条件为:(1)整个时间历程内,穿越零点次数与极值点数相等或至多相差1;(2)且信号上任意一点,由局部极大值定义的上包络线和局部极小值点定义的下包络线的均值为0,即信号关于时间轴局部对称;
S104:重复上述步骤筛选,直到第k次筛选时由式(1)得到的P1k(t)满足IMF模态分量的两个条件:
P1k(t)=P1(1-k)(t)-M1k(t) (1);
S105:在实际计算时可以通过式(2)求取门限值SD来判断每次筛选结果是否为IMF模态分量:
其中:m为电力***信号的采样点数,门限值SD取0.2到0.3;
S106:令C1(t)=P1k(t),则C1(t)即为第一个IMF模态分量,其包含了原始信号v(t)中周期最短的IMF模态分量;将C1(t)从v(t)中分离出来,得到R1(t),所述R1(t)=v(t)-C1(t);
S107:将R1(t)作为新的原始信号重复以上步骤S101至S105n次,可获得原始信号v(t)的n个IMF分量Ci(t),i=1,2,3…n,且有公式Rn(t)=Rn-1(t)-Cn(t);
S108:当Rn(t)为单调函数从原始信号v(t)不能再分解出其他分量时,整个分解过程结束,此时有如下公式:
进一步的技术方案:所述步骤C:对原始信号v(t)的第一个IMF模态分量采用希尔伯特-黄变换得到瞬时频率图和瞬时幅值图的具体步骤为:
S109:将通过经验模态分解后获得的所有IMF模态分量Ci(t)进行希尔伯特-黄变换,其中i=1,2,3…n,给定C(t)的希尔伯特-黄变换形式为:
其中,λ为积分变量,C(t)为所有IMF模态分量Ci(t)的统称;
S110:构造一个解析信号Z(t):
Z(t)=C(t)+iH(t)=A(t)eiθ(t),其中i为单位虚数,i2=-1。
上式中:幅值函数:所述幅值单位为V;
幅角函数:所述幅角单位为rad;
即可得到,瞬时频率:所述频率单位为Hz。
进一步的技术方案:所述步骤D:依据希尔伯特-黄变换图中的突变点、幅值变化、瞬时频率走势特征信息对电压异常信号进行检测和识别的具体步骤为:
S111:对电力***中电压异常信号进行分类,所述电压异常信号包括电压骤降、电压骤升、电压骤停、电压谐波、电压脉冲、电压暂态;
S112:依据希尔伯特-黄变换图中针对不同的电压异常信号的突变点、幅值变化以及瞬时频率走势的特性信息不同,分类识别出电力***中电压发生的异常情况,具体识别方法为:
正常时刻电压瞬时频率维持在50Hz,若电压瞬时频率经历先上升再下降后维持一段平稳时间,然后再上升再下降;相对应的,电压幅值先上升后经历同样一段平稳时间过程再下降,由此表明此种异常信号为电压骤降;
正常时刻电压瞬时频率维持在50Hz,若电压瞬时频率经历先下降再上升后维持一段平稳时间,然后再下降再上升;相对应的,电压幅值先下降后经历同样一段平稳时间再上升,由此表明此种异常信号为电压骤升;
电压骤停异常信号与电压骤降异常信号特征信息相似,区别在于无论是电压瞬时频率还是电压幅值异常曲线变化是否收敛到零,电压骤停异常瞬时频率和电压幅值收敛到零,电压骤降不收敛到零;
若电压瞬时频率和电压幅值在某一时刻出现尖峰信息,由此表明此种异常信号为电压脉冲;
若电压瞬时频率在某一段时间内经历暂态变化过程后稳定到信号基频附近,并且电压幅值在同一时间段内经历从零逐渐增加到信号幅值后趋于稳定,由此表明此种异常信号为电压暂态;
若电压瞬时频率在某一时间段内经历剧烈抖动,加之电压幅值在同一时间段内先经历暂升,后电压幅值剧烈变化后回归稳态,由此表明此种异常信号为电压谐波。
进一步的技术方案:所述m根据实际设备采样率设定为1000。
本发明的有益效果主要体现在:该方法可以针对电力***非线性、非平稳信号进行处理,从希尔伯特-黄变换图谱中可以清晰辨析出信号的不同特征,实现了从海量电压扰动信号中自动提取并正确分类电能质量检测分析问题。
附图说明
图1是本发明电压异常信号检测方法的流程图。
图2是本发明模拟电压骤降信号IMF1模态分量的希尔伯特-黄变换瞬时频率和幅值图。
图3是本发明模拟电压骤升信号IMF1模态分量的希尔伯特-黄变换瞬时频率和幅值图。
图4是本发明模拟电压骤停信号IMF1模态分量的希尔伯特-黄变换瞬时频率和幅值图。
图5是本发明模拟电压脉冲信号IMF1模态分量的希尔伯特-黄变换瞬时频率和幅值图。
图6是本发明模拟电压暂态信号IMF1模态分量的希尔伯特-黄变换瞬时频率和幅值图。
图7是本发明模拟电压谐波信号IMF1模态分量的希尔伯特-黄变换瞬时频率和幅值图。
具体实施方式
下面结合实例和附图,对本发明的实施方式进行详细的解释和说明。
实施案例:
如图1所示,一种基于经验模态分解的电压异常信号检测方法,包括以下步骤:
步骤A:信号处理器对电力***信号设定采样周期为T=0.001s,并进行实时采样和量化得到原始信号v(t),t=1000;
步骤B:对原始信号v(t)采用经验模态分解得到各阶IMF模态分量;
对原始信号v(t)采用经验模态分解得到各阶IMF模态分量的具体步骤为:
S101:第1次筛选:对原始信号v(t)所有局部极大值点和所有局部极小值点用三次样条函数进行插值,并拟合上、下包络线;
S102:求取上、下包络线的平均值曲线M1(t),则原始信号v(t)与M1(t)之差即为P1(t),所述P1(t)=v(t)-M1(t);
S103:如果P1(t)同时满足下述IMF模态分量的两个条件,则其为第一个IMF模态分量,否则将其作为新的原始信号重复步骤S101到S102,得到P11(t),所述P11(t)=P1(t)-M11(t),其中:M11(t)为P1(t)的上、下包络线的平均曲线;
所述IMF模态分量满足的两个条件为:(1)整个时间历程内,穿越零点次数与极值点数相等或至多相差1;(2)且信号上任意一点,由局部极大值定义的上包络线和局部极小值点定义的下包络线的均值为0,即信号关于时间轴局部对称;
S104:重复上述步骤筛选,直到第k次筛选时由式(1)得到的P1k(t)满足IMF模态分量的两个条件,所述式(1)为:P1k(t)=P1(1-k)(t)-M1k(t);
S105:在实际计算时可以通过式(2)求取门限值SD来判断每次筛选结果是否为IMF模态分量:
所述式(2)为:
其中:m为电力***信号的采样点数,门限值SD取0.2到0.3;
S106:令C1(t)=P1k(t),则C1(t)即为第一个IMF模态分量,其包含了原始信号v(t)中周期最短的IMF模态分量;将C1(t)从v(t)中分离出来,得到R1(t),所述R1(t)=v(t)-C1(t);
S107:将R1(t)作为新的原始信号重复以上步骤S101至S105n次,可获得原始信号v(t)的n个IMF分量Ci(t),i=1,2,3…n,且有公式Rn(t)=Rn-1(t)-Cn(t);
S108:当Rn(t)为单调函数从原始信号v(t)不能再分解出其他分量时,整个分解过程结束,此时有如下公式:
步骤C:对原始信号v(t)的第一个IMF模态分量采用希尔伯特-黄(HHT)变换得到瞬时频率图和瞬时幅值图,具体步骤为:
S109:将通过经验模态分解后获得的所有IMF模态分量Ci(t)进行希尔伯特-黄变换,其中i=1,2,3…n,给定C(t)的希尔伯特-黄变换形式为:
其中,λ为积分变量,C(t)为所有IMF模态分量Ci(t)的统称;
S110:构造一个解析信号Z(t):
Z(t)=C(t)+iH(t)=A(t)eiθ(t),其中i为单位虚数,i2=-1。
上式中:幅值函数:所述幅值单位为V;
幅角函数:所述幅角单位为rad;
即可得到,瞬时频率:所述频率单位为Hz。
步骤D:依据希尔伯特-黄变换图中的突变点、幅值变化、瞬时频率走势特征信息对电压异常信号进行检测和识别,具体步骤为:
S111:对电力***中电压异常信号进行分类,所述电压异常信号包括电压骤降、电压骤升、电压骤停、电压谐波、电压脉冲、电压暂态;
S112:依据希尔伯特-黄变换图中针对不同的电压异常信号的突变点、幅值变化以及瞬时频率走势的特性信息不同,分类识别出电力***中电压发生的异常情况。
下面依据仿真试验对电压异常信号进行检测和识别方法进行介绍:利用MATLAB产生各种电压异常信号(电压骤降、电压骤升、电压骤停、电压谐波、电压脉冲、电压暂态),采样频率为1kHz,采样点数1000,电压基波频率50Hz,绘制成表1。
表1电压扰动类型
依据表1不同电压扰动类型,并参照本发明进行仿真实验,图2至图7是本案例算法的检测结果。
从本案例检测结果图2至图4可以看出:
电压幅值和瞬时频率在0.45s和0.55s处发生跃变,电压瞬时频率经历先缓慢上升再下降后维持一段平稳时间,然后再缓慢上升再下降,正常时刻电压瞬时频率维持在50Hz;电压幅值先大幅度上升后经历一段平稳过程再大幅下降,由此表明此种异常信号为电压骤降;
而电压骤升异常信号特征信息刚好与骤降异常信号相反;
电压骤停异常信号与电压骤降异常信号特征信息相似,区别在于无论是电压瞬时频率还是电压幅值异常曲线变化是否收敛到零,电压骤停异常瞬时频率和电压幅值收敛到零,电压骤降不收敛到零;
利用上述不同的信息可以很好的区别电压骤降、电压骤升、电压骤停三种电压异常信号。
从本案例检测结果图5至图7可以看出:
电压瞬时频率和电压幅值在某一时刻出现尖峰信息,由此表明此种异常信号为电压脉冲;
电压瞬时频率在某一段时间内经历暂态变化过程后稳定到信号基频附近,并且电压幅值在同一时间段内经历从零逐渐增加到信号幅值后趋于稳定,由此表明此种异常信号为电压暂态;
电压瞬时频率在某一时间段内经历剧烈抖动,加之电压幅值在同一时间段内先经历暂升,后电压幅值剧烈变化后回归稳态,由此表明此种异常信号为电压谐波。
综上所述:针对于不同的电压异常信号,本算法可以检测出不同的瞬时频率和幅值特征信息对应于不同的异常信号;可以将电压扰动信号精准分类,实现电能扰动的自动分析。此算法***辨识性好,便于硬件实现。
以上是对本发明提供的一种改进的经验模态分解的谐波分析法的详细介绍。同时,应用具体实例对本发明的原理和实施方法进行了较为清晰的阐释,用于帮助理解本发明的核心思想。应当指出,对于本技术领域的技术人员来说,在不脱离本原理的前提下,对本发明所做的改进和修饰也应在本发明权利要求的保护范围之内。
Claims (3)
1.一种基于经验模态分解的电压异常特征识别方法,其特征在于,包括以下步骤:
步骤A:信号处理器对电力***电压信号设定采样周期为T,并进行实时采样和量化得到原始信号v(t),其中t=1、2、3…m,所述m根据实际设备采样率设定,所述采样周期单位为s,所述电压信号单位为V;
步骤B:对原始信号v(t)采用经验模态分解得到各阶IMF模态分量;
步骤C:对原始信号v(t)的第一个IMF模态分量采用希尔伯特-黄变换得到瞬时频率图和瞬时幅值图;
在步骤C后面设有步骤D,其中:
步骤D:依据希尔伯特-黄变换图中的突变点、幅值变化和瞬时频率走势特征信息对电压异常信号进行检测和识别;
所述步骤B:对原始信号v(t)采用经验模态分解得到各阶IMF模态分量的具体步骤为:
S101:第1次筛选:对原始信号v(t)所有局部极大值点和所有局部极小值点用三次样条函数进行插值,并拟合上、下包络线;
S102:求取上、下包络线的平均值曲线M1(t),则原始信号v(t)与M1(t)之差即为P1(t),所述P1(t)=v(t)-M1(t);
S103:如果P1(t)同时满足下述IMF模态分量的两个条件,则其为第一个IMF模态分量,否则将其作为新的原始信号重复步骤S101到S102,得到P11(t),所述P11(t)=P1(t)-M11(t),其中:M11(t)为P1(t)的上、下包络线的平均曲线;
所述IMF模态分量满足的两个条件为:(1)整个时间历程内,穿越零点次数与极值点数相等或至多相差1;(2)且信号上任意一点,由局部极大值定义的上包络线和局部极小值点定义的下包络线的均值为0,即信号关于时间轴局部对称;
S104:重复上述步骤筛选,直到第k次筛选时由式(1)得到的P1k(t)满足IMF模态分量的两个条件:
P1k(t)=P1(k-1)(t)-M1k(t) (1);
S105:在实际计算时可以通过式(2)求取门限值SD来判断每次筛选结果是否为IMF模态分量:
其中:m为电力***信号的采样点数,门限值SD取0.2到0.3;
S106:令C1(t)=P1k(t),则C1(t)即为第一个IMF模态分量,其包含了原始信号v(t)中周期最短的IMF模态分量;将C1(t)从v(t)中分离出来,得到R1(t),所述R1(t)=v(t)-C1(t);
S107:将R1(t)作为新的原始信号重复以上步骤S101至S105n次,可获得原始信号v(t)的n个IMF模态分量Ci(t),i=1,2,3…n,且有公式Rn(t)=Rn-1(t)-Cn(t);
S108:当Rn(t)为单调函数从原始信号v(t)不能再分解出其他分量时,整个分解过程结束,此时有如下公式:
所述步骤D:依据希尔伯特-黄变换图中的突变点、幅值变化和瞬时频率走势特征信息对电压异常信号进行检测和识别的具体步骤为:
S111:对电力***中电压异常信号进行分类,所述电压异常信号包括电压骤降、电压骤升、电压骤停、电压谐波、电压脉冲、电压暂态;
S112:依据希尔伯特-黄变换图中针对不同的电压异常信号的突变点、幅值变化以及瞬时频率走势的特性信息不同,分类识别出电力***中电压发生的异常情况,具体识别方法为:
正常时刻电压瞬时频率维持在50Hz,若电压瞬时频率经历先上升再下降后维持一段平稳时间,然后再上升再下降;相对应的,电压幅值先上升后经历同样一段平稳时间过程再下降,由此表明此种异常信号为电压骤降;
正常时刻电压瞬时频率维持在50Hz,若电压瞬时频率经历先下降再上升后维持一段平稳时间,然后再下降再上升;相对应的,电压幅值先下降后经历同样一段平稳时间再上升,由此表明此种异常信号为电压骤升;
电压骤停异常信号与电压骤降异常信号特征信息相似,区别在于无论是电压瞬时频率还是电压幅值异常曲线变化是否收敛到零,电压骤停异常瞬时频率和电压幅值收敛到零,电压骤降不收敛到零;
若电压瞬时频率和电压幅值在某一时刻出现尖峰信息,由此表明此种异常信号为电压脉冲;
若电压瞬时频率在某一段时间内经历暂态变化过程后稳定到信号基频附近,并且电压幅值在同一时间段内经历从零逐渐增加到信号幅值后趋于稳定,由此表明此种异常信号为电压暂态;
若电压瞬时频率在某一时间段内经历剧烈抖动,加之电压幅值在同一时间段内先经历暂升,后电压幅值剧烈变化后回归稳态,由此表明此种异常信号为电压谐波。
2.根据权利要求1所述的一种基于经验模态分解的电压异常特征识别方法,其特征在于,所述步骤C:对原始信号v(t)的第一个IMF模态分量采用希尔伯特-黄变换得到瞬时频率图和瞬时幅值图的具体步骤为:
S109:将通过经验模态分解后获得的所有IMF模态分量Ci(t)进行希尔伯特-黄变换,其中i=1,2,3…n,给定C(t)的希尔伯特-黄变换形式为:
其中,λ为积分变量,C(t)为所有IMF模态分量Ci(t)的统称;
S110:构造一个解析信号Z(t):
Z(t)=C(t)+iH(t)=A(t)eiθ(t),
其中i为单位虚数,i2=-1;
上式中:幅值函数:所述幅值单位为V;
幅角函数:所述幅角单位为rad;
即可得到,瞬时频率:所述频率单位为Hz。
3.根据权利要求1所述的一种基于经验模态分解的电压异常特征识别方法,其特征在于,步骤A中所述m根据实际设备采样率设定为1000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510997952.XA CN105510687B (zh) | 2015-12-24 | 2015-12-24 | 一种基于经验模态分解的电压异常特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510997952.XA CN105510687B (zh) | 2015-12-24 | 2015-12-24 | 一种基于经验模态分解的电压异常特征识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105510687A CN105510687A (zh) | 2016-04-20 |
CN105510687B true CN105510687B (zh) | 2019-02-19 |
Family
ID=55718809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510997952.XA Expired - Fee Related CN105510687B (zh) | 2015-12-24 | 2015-12-24 | 一种基于经验模态分解的电压异常特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105510687B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093541A (zh) * | 2016-06-02 | 2016-11-09 | 国网山东省电力公司济宁供电公司 | 基于经验模态分解和希尔伯特变换的电压跌落检测方法 |
CN106226587B (zh) * | 2016-07-01 | 2019-07-05 | 浙江工业大学 | 一种基于les--hht的交流微电网电压暂降快速检测方法 |
CN108061821A (zh) * | 2016-11-05 | 2018-05-22 | 南京理工大学 | 一种改进的双馈风力发电***谐波检测方法 |
CN108761202B (zh) * | 2018-05-04 | 2020-07-17 | 上海电力学院 | 极点对称模态分解和希尔伯特变换相结合的谐波检测方法 |
CN109358230A (zh) * | 2018-10-29 | 2019-02-19 | 国网甘肃省电力公司电力科学研究院 | 一种微电网中计及间谐波的智能电能计量方法 |
CN111413578B (zh) * | 2019-05-29 | 2022-07-05 | 中国电力工程顾问集团华北电力设计院有限公司 | 一种次同步振荡的实时监测预警方法 |
CN110535822B (zh) * | 2019-07-04 | 2022-04-08 | 浙江工业大学 | 一种网络化运动控制***的多重传感器攻击辨识方法 |
CN110362612B (zh) * | 2019-07-19 | 2022-02-22 | 中国工商银行股份有限公司 | 由电子设备执行的异常数据检测方法、装置和电子设备 |
CN110888008A (zh) * | 2019-11-25 | 2020-03-17 | 科华恒盛股份有限公司 | ***电压响应时间测量方法、装置及终端设备 |
CN112379284A (zh) * | 2020-10-30 | 2021-02-19 | 合肥国轩高科动力能源有限公司 | 一种电池模组压差非正常特征识别方法及*** |
CN112505477B (zh) * | 2020-11-16 | 2023-12-08 | 广东电网有限责任公司广州供电局 | 一种基于配电网同步相量数据的扰动初判方法 |
CN112632797A (zh) * | 2021-01-04 | 2021-04-09 | 中车青岛四方车辆研究所有限公司 | 用于监测接触器状态的方法、装置和存储介质 |
CN113777442B (zh) * | 2021-09-13 | 2023-01-20 | 厦门大学 | 一种电网电压暂降故障信号检测方法及*** |
CN114506247B (zh) * | 2022-03-16 | 2024-02-09 | 中国科学技术大学 | 一种云端协同控制的动力电池主动热管理*** |
CN116400244B (zh) * | 2023-04-04 | 2023-11-21 | 华能澜沧江水电股份有限公司 | 储能电池的异常检测方法及装置 |
CN117388594B (zh) * | 2023-08-21 | 2024-06-21 | 福建网能科技开发有限责任公司 | 一种基于emd信号处理技术的智能电表功率信号分解方法 |
CN117152925B (zh) * | 2023-10-27 | 2024-01-16 | 吉林省吉能电力通信有限公司 | 基于大数据的电力通信数据处理*** |
CN118152763A (zh) * | 2024-05-11 | 2024-06-07 | 北京智芯微电子科技有限公司 | 配网数据采样方法、装置和电子设备 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6862558B2 (en) * | 2001-02-14 | 2005-03-01 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Empirical mode decomposition for analyzing acoustical signals |
CN101814731A (zh) * | 2010-04-15 | 2010-08-25 | 中国石油大学(华东) | 一种应用非工频暂态分量的配电网故障选线方法 |
CN103050942B (zh) * | 2012-12-21 | 2014-12-17 | 山东科技大学 | 一种基于hht的ct饱和检测方法 |
CN103163372B (zh) * | 2013-03-26 | 2016-04-13 | 山西省电力公司长治供电分公司 | 采用hht的电力***谐波分析方法 |
CN103424600A (zh) * | 2013-08-20 | 2013-12-04 | 昆明理工大学 | 一种基于Hilbert-Huang变换和小波包能量谱的电压暂降源识别方法 |
CN103872690A (zh) * | 2014-03-31 | 2014-06-18 | 昌华电气设备集团有限公司 | 一种基于hht 检测法和pfc 的动态电压恢复器控制方法 |
CN103968937B (zh) * | 2014-05-09 | 2017-12-26 | 国网福建晋江市供电有限公司 | 一种基于emd样本熵和fcm的配电开关机械状态诊断方法 |
CN104034974A (zh) * | 2014-05-09 | 2014-09-10 | 西南交通大学 | 一种复合电能质量扰动信号的识别方法 |
CN104237683A (zh) * | 2014-09-01 | 2014-12-24 | 国家电网公司 | 中性点不接地***铁磁谐振故障检测方法 |
CN104569744B (zh) * | 2014-11-26 | 2018-03-20 | 国家电网公司 | 一种适用于配电网线路的综合单端故障定位方法 |
CN105116208B (zh) * | 2015-08-18 | 2018-03-06 | 昆明理工大学 | 一种特高压直流输电***换相失败故障诊断方法 |
-
2015
- 2015-12-24 CN CN201510997952.XA patent/CN105510687B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN105510687A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105510687B (zh) | 一种基于经验模态分解的电压异常特征识别方法 | |
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 | |
CN101339208B (zh) | 一种基于时域分析的电压质量监测与扰动自动分类方法 | |
Li et al. | A generic waveform abnormality detection method for utility equipment condition monitoring | |
CN103323702A (zh) | 复合电能质量扰动信号识别方法 | |
Yılmaz et al. | An improved automated PQD classification method for distributed generators with hybrid SVM-based approach using un-decimated wavelet transform | |
CN110018369A (zh) | 一种基于非侵入式负荷分解的家电智能识别与监测方法 | |
CN104459398B (zh) | 一种采用二维形态学降噪的电能质量复合扰动识别方法 | |
CN105447502A (zh) | 一种基于s变换和改进svm算法的暂态电能扰动识别方法 | |
CN106250904B (zh) | 基于改进s变换的电能扰动分析仪及分类方法 | |
CN110441654A (zh) | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 | |
CN108169583B (zh) | 中性点经电容接地的自耦变压器直流偏磁判别方法及*** | |
CN114584069B (zh) | 一种光伏直流电弧检测方法及*** | |
CN103018537B (zh) | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 | |
CN106845334A (zh) | 一种基于数学形态学的新型噪声提取方法 | |
CN109034277A (zh) | 基于多特征融合的电能质量扰动分类方法及*** | |
Mahela et al. | Recognition of power quality disturbances using S-transform and fuzzy C-means clustering | |
CN105974223B (zh) | 一种用于在线检测用电设备工作状态的方法及*** | |
Enshaee et al. | A new S-transform-based method for identification of power quality disturbances | |
CN108508297A (zh) | 一种基于突变系数和svm的故障电弧检测方法 | |
Abidullah et al. | Real-time power quality disturbances detection and classification system | |
CN104865508A (zh) | 基于数据分组量化的局部放电识别方法 | |
CN117289087A (zh) | 一种基于czt变换的串联故障电弧检测方法 | |
CN113128396A (zh) | 一种电能质量复合扰动分类方法 | |
Lu et al. | Morphological transform for detection of power quality disturbances |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190219 Termination date: 20211224 |
|
CF01 | Termination of patent right due to non-payment of annual fee |