会计电算化特征范文篇1

关键词：电力系统；暂态稳定；分析方法

中图分类号：TM712文献标识码：A文章编号：1674-7712（2014）02-0000-01

一、引言

电力系统的稳定，对于我们如今的社会来说是非常重要的。电力系统的稳定性出现了问题，意思是指在电力系统正常运行的时候，受到外界的干扰，会出现运行数值的变化。

在电力系统的稳定性出现的问题当中，我们主要可以分为两大类，分别是静态稳定与暂态稳定。静态稳定是指电力系统由于受到外界的干扰之后，不会出现周期性的变化，而自动恢复到原来的电力系统状态。而另一种暂态稳定就是在电力系统在受到外界的干扰之后，不会恢复到原来的状态，而以一种新的运行状态来继续运行。所以我们要从不同的分析方法来分析电力系统的稳定性。

二、电力系统静态稳定分析

上面我们也说过，静态系统稳定是指在电力系统受到外界的干扰之后，本身的运行周期不会发生变化，而在干扰之后会自行的恢复的原来的运行状态，这样的电力系统就是静态稳定。静态稳定是基本上不需要我们来进行研究的，因为这样的电力系统，它会自动调节回来，不会对我们的生活造成太大的影响。而暂态稳定在受到外界的干扰之后，不但会出现本身运行周期的变化，在震荡之后，并不会回到原来的运行状态，而是以一种新的状态来运行。接下来我们将分别分析两中电力系统的稳定。

首先我们要讲述的是静态稳定的电力系统，这种静态的电力系统可以由以下这样的方法来分析，比如说全特征值分析法以及部分特征值分析法等。

首先我们可以用全特征值分析法来分析，在整个电力系统形成了雅可比矩阵A后，我们可以应用QR算法来完成整个矩阵的全部特征值，通过这样的方法来判断整个电力系统是不是静态稳定，这种方法具有的特点是占用的内存太大，同时整个预算的过程又太慢了，同时要是在计算大规模的电力系统的时候，就有可能出现误差，所以这种计算分析方法只能够应用于一些中小规模的电力系统，对于大规模的电力系统的实用性并不大[1]。

还有一种是部分特征值计算法，对于这种分析方法来说，主要就是为了关注整个矩阵中与需要分析目标相关的那一部分特征值，对于出现了震荡的不稳现象时，也是主要关注其中较大的特征值。采用这样的分析方法主要是针对在整个电力系统的低频震荡的分析，在整个矩阵中采取其中的主导特征值，这种从矩阵的部分特征值来分析的方法中，有点是将矩阵进行降阶后在进行分析，而有的分析方法却是直接在用矩阵来进行的分析计算的。以上的都是利用矩阵的特征值来进行的分析，其实在除了利用特征值来分析电力系统的稳定外，还可以用到的另一种就是频域分析法。

三、电力系统暂态稳定分析

这中电力系统是在受到外界的干扰之后，不会恢复的到原来状态的一种电力稳定系统。这是在电力系统受到外界大的扰动而引发的一种电磁的暂态过程，这种过程还会牵扯出机械运动的暂态过程一种相对要复杂的一种过程。在整个过程中，由于这种过程太过复杂，所以在分析这中电力系统的稳定的时候，我们需要注意一些问题。第一是不要考虑发动机对暂态过程的影响，应该电力系统中交流系统的变化。不考虑在频率变化时对整个电力系统中对系统的参数的影响。在这样的情况下，对于暂态稳定我们可以用以下这两中方法来进行分析，分别是数值解法以及直接解法这两种。

（一）数值解法

这种方法是在了解完暂态系统的微分方程以及它的代数方程之后，来计算求解的。主要应用的是各种的数值积分法来进行的求解来进行的计算分析。在这种利用各种方程来进行的计算的基础上，我们可以拓展出交替求解法以及联力求解法来。

首先我们要先分析的是交替求解法，这种方法可以在积分方程与代数方程两种方程中来选择。数值解法还应该要考虑的是对各种方程特性的适应性。在这中数值解法中主要应用到的方程可以有以下的一些方程，比如说稳定欧拉法、高斯-塞德尔迭代法、抗矩阵迭代法等。在这么多的计算方法中[2]，有一种梯形隐试积分法在计算电力暂态稳定当中具有很好的适应性。在如今的计算暂态稳定的方法中，都认为梯形积分法是最理想的一种方法了。

（二）直接解法

这种解法的中心思想是，在整个电力系统遭受到外界的干扰之后，不管是什么情况下，都会恢复到稳定的状态。所以直接法就是在整个状态的空间中找到一个稳定的平衡点，在以这个点为中心，将周边的范围作为一个稳定的区域，再使用李雅普诺夫函数来计算分析。要是出现的扰动不在稳定域内，也不可以说整个系统就是不稳定的，这也是在直接解法所占有的保守性特性。在直接的解法当中，还有一些实用的方法主要有不稳定平衡点法，势能界面法，单机能量函数法等。这些方法都可以应用到各种复杂的电力系统中去。

在整个暂态稳定的分析方法中，除了上述的几种方法之外，还有一种是概率分析方法，这种应用各个方面的因素来得出某些概率的方法也可以用来检测电力系统的稳定性

四、结束语

电力系统的稳定在整个中国电网中，是占据着非常重要的作用的，它直接会影响到一个国家的发展与进步。所以本文通过分析电力系统的各种稳定性的方法，来提取出对于电力系统有帮助的稳定性分析方法，希望对于我国的电力系统有帮助。

参考文献：

[1]薛禹胜.运动稳定性量化理论[M].南京：江苏科学技术出版社，2009.

会计电算化特征范文

关键词：电能质量；数学统计；特征提取；PSO?SVM

中图分类号：TN911.25+4?34；TM76文献标识码：A文章编号：1004?373X（2017）14?0174?04

Abstract：Toovercometheshortcomingsoflowrecognitionaccuracycausedbyimproperfeatureselectionandextractioninpowerqualitydisturbancerecognition，anewfeatureextractionandrecognitionmethodisproposedbasedonthesamplepointsofpowerqualitydisturbanceamplitudeofmathematicalstatisticsandPSO?SVM.Accordingtotheamplitudedistributiondifferenceover10cyclesofsignals，thenumberofsamplesinamplituderangeofeachsectioniscalculated，andthenusedasfeaturesofdifferentdisturbancesafterpreprocessing.PSO?SVMclassifierisusedforclassificationrecognitionofmultipledisturbancesignals.Theproposedmethodissimpleintheprocessoffeatureextractionandefficientincomputation.Thesimulationresultsshowthattheproposedmethodiscapableofclassifyingvariousdisturbancesignalsatahighspeed，andhasahigherrecognitionaccuracyandbetteranti?noiseperformanceincomparisonwiththetraditionalmethods.

Keywords：powerquality；mathematicalstatistics；featuresextraction；PSO?SVM

0引言

随着科技的进步和工业的发展，越来越多的非线性、冲击性以及不平衡负荷在电力系统中投入运行，产生了一系列的电能质量扰动[1]。这些电能质量扰动将会给工业发展、用户体验和经济建设带来巨大的影响。为了解决电能质量扰动问题，首先必须正确地识别出电能质量的扰动类型，从而采用不同的补偿和控制措施来治理电能质量。

迄今为止，研究工作者基于电能质量扰动的研究提出了诸多方法并应用到电能质量扰动的分析中[2?3]。这些方法大都可分为特征提取和分类识别两个步骤。在特征提取方法的选择上有：短时傅里叶变换[4]、小波变换[5]、S变换[6]和希尔伯特?黄变换[7]等。这些方法有着其各自的优点及不足之处：短时傅里叶变换通过加固定不变的窗函数分析电能质量信号，暂时克服了傅里叶变换时局部分析能力差的缺陷，但却存在自适应性差，不易分析突变信号的缺点；小波变换具有多分辨率分析的特点，可以多尺度分析信号，但是在小波基上的选择较为困难；S变换是小波变换和改进的傅里叶变换的结合，也具有多分辨率分析的特点，但在分析信号奇异点上还存在不足，其次S变换的计算量也较为庞大；希尔伯特?黄变换主要采用了经验模态分解法，克服了小波变换中小波基选择困难的缺陷，不受Heisenberg测不准原理的制约，但经验模态分解存在模态混叠问题，当信号组合分量的频率太接近时，常不能得到正确的经验模态分解结果。在分类识别方法上，有决策树[8]、神经网络[9]和支持向量机[4?5]等方法。神经网络作为模式识别中最为重要的算法之一，已有较为庞大的神经网络体系，如：BP神经网络、RBF网络和PNN神经网络[9]等。这些神经网络的缺陷通常在于网络的训练需要经过多次迭代、收敛速度慢和易陷入局部最优等。支持向量机算法是基于统计学习理论的分类识别方法，能够在很广的函数集中构造函数，不需要微调，计算简单，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。

本文利用数学统计的方法，根据电能质量扰动信号原有波形幅值构造出特征，克服了传统特征提取方法征选择不当造成识别精度不高的缺点。采用PSO?SVM算法，快速计算出SVM核函数参数和惩罚项参数值，以达到准确地识别出各种扰动信号的目的。实验仿真结果表明该方法的识别精度高于以往算法且具有较好的抗噪声性能。

1基于扰动幅值的特征提取算法

1.1电能质量扰动类型

根据IEEE标准，常见的电能质量包括电压暂升、电压暂降、电压中断、振荡暂态和谐波[10]。其中电压暂升、电压暂降和电压中断为幅值扰动，暂态振荡和谐波为加性扰动[11]。然而，复杂的电力系统当中，除了单一的电能质量扰动信号，还可能存在多种多样的复合扰动，本文识别的类型除了上述5种单一扰动外，还选取了电压暂降+谐波及电压暂升+谐波两种复合扰动。扰动模型如表1所示。

1.2扰动信号特征提取

传统的特征提取算法大都是得到基于变换后信号的均值、方差、能量和峰值峭度等特征[3]。然而，这些特征往往需要经过再次的筛选才能被用于最后分类识别时的特征。诸多学者提出了一系列的特征选择算法[12]如前向顺序选择法（SFS）、后向顺序选择法（SBS）和斯密特正交法（GSO）。这些方法在一定程度上增加了识别精度，但也增加了算法的复杂程度。根据IEEE标准，电能质量扰动信号的模型如表1所示，其波形如图1所示，其中纵轴表示幅值，单位为标幺值（p.u.），横轴取值范围表示10个周波的采样点数。根据扰动信号本身的固有波形，本文提出了基于数学统计分段幅值的采样点数的数学统计算法[13]。电能质量信号的基波频率为，即周期s。电压暂升、电压暂降、电压中断、电压暂升+谐波和电压暂降+谐波的扰动存在时间为。因此，采样10个周波，将足够反映出波形的变化情况。对于标准的电力信号，根据奈奎斯特采样定理，采样频率必须大于2倍的基波频率，为了便于更为精确地观测谐波干扰信号，采样频率一般取3.2kHz，此时10个周波的采样点数为640。根据幅度的变化范围，对[-2，0]区间的幅值取绝对值，最后分别统计[0，2]区间内，每个0.1单位内的采样点数。图2为图1所对应的采样点数目的水平柱形图，其中横坐标代表采样点数，纵坐标代表20份0.1单位的幅值大小。

2扰动信号分类识别

2.1粒子群优化算法

粒子群优化算法是源于鸟类捕食行为的进化算法，最早由Kennedy和Eberhart在1995年提出[14]。在寻优过程中，初始化一群粒子，每个粒子代表寻优时的潜在解。其中各粒子的特征包含位置、速度和粒子适应度。粒子在寻优空间以一定速度飞行，根据自身所经历的位置和群体粒子的位置不断更新适应度最优位置，最后求得最优解[15]。粒子迭代更新公式如下：

2.2支持向量机算法

电能质量扰动信号分类是一种多分类问题，面对如此多样的电能质量扰动信号，分类器的选择至关重要。支持向量机通过建立一个分类超平面作为决策曲面，对多种电能质量扰动信号进行分类识别。支持向量机最初由Vapnik提出用于研究线性可分问题[16]。假设有训练集，为训练样本，为样本对应的标签。存在一个分类面将训练样本很好地区分开，当且仅当两类训练集到分类面的最小距离最大[4]。在实际分类中，有的样本为线性不可分的，此时需引入一个非线性映射函数，将样本映射到高维空间，此时得到的超平面为。由于噪声的影响，再引入非负的松弛变量，使得目标函数为：

通过上面分析，训练集和核函数是支持向量机学习算法的关键。核函数的种类有：多项式核函数、高斯径向基核函数、多层感知器核函数和复合核函数等[15]。不同核函数所建立的SVM的性能会有较大的差异。本文采用高斯径向基核函数：

综上所述，训练一个合适的支持向量机的分类面关键是在于寻找到合适的惩罚项和核函数中的可调参数。采用粒子群优化算法，将粒子和的寻优位置分别设定在[]和[]之间，可在很短时间内得到准确的值。

3仿真分析

根据表1扰动信号模型，通过Matlab产生7类电能质量扰动信号。为了表示方便，如表1所示的顺序，依次标记为C1～C7。采样频率为3.2kHz，共采样10个周波，每周波采样64个点，共计640个点。每类扰动信号共随机生成200个样本，选取每类扰动信号的150个样本作为训练集，剩余的50个样本作为测试集。由于实际现场的电能质量扰动信号受各种环境因素影响，因此加入多种高斯白噪声。

采用本文提出的特征提取算法，首先得到20个分段幅值内的采样点数，再将每一段采样点数归一化，即除以总点数640，最后得到一个20维的特征信号，此为降维过程。在PSO?SVM算法中，粒子的可栉40，迭代次数为30，惩罚项和核函数参数的取值范围均设定为[0.5，512]。首先将7类扰动信号共计1050个训练样本输入到PSO?SVM网络中进行训练，然后输入7类扰动信号共350个测试样本进行分类识别。最后的分类识别结果如表2和表3所示。表2为其中的一次分类识别图，表3的结果为经过4?折交叉法计算后得到的不同噪声下的分类识别结果的平均值。

PSO寻优方法克服了传统SVM分类时人工选择参数造成识别精度不能达到最佳的缺陷，与之后的网格法寻找SVM参数相比更为简捷[15]。实验时所求得的最佳和的值如表4所示。

对比以往不同特征选择的方法如HHT变换[7]、S变换[9]和小波变换[17]，及模式识别方法如决策树[7]、PSO?PNN[9]和SVM[17]，本了进一步的相关对比试验，比较结果如表5所示。从表5可知，采用本文所提出的数学统计方法提取扰动信号幅值特征并结合PSO?SVM识别的方法在很大程度上提高了最后的识别精度。

4结论

本文提出了一种基于数学统计的电能质量扰动幅值大小采样点特征提取方法。该方法能够快速地得到不同幅值范围的采样点数，并正确地表示常见的7类电能质量扰动信号。该方法克服了传统特征提取方法征选择不当造成最后识别精度不高的缺点。采用PSO?SVM分类器，通过粒子群自动寻优，找到合适的SVM惩罚项参数值和核函数参数值。该方法能够解决传统神经网络作为分类器时容易陷入局部最优解的困难。最后通过仿真实验和与以往电能质量扰动识别方法的分类结果相比，表明该方法对常见的7类电能质量扰动信号的识别率优于以往算法，并具有较好的抗噪声性能。

参考文献

[1]杨璐.电能质量及检测方法研究[J].通信电源技术，2015（6）：28?30.

[2]赵凤展，杨仁刚.时频分析方法在电能质量扰动检测与识别中的应用[J].华北电力大学学报，2006（5）：33?37.

[3]方群会，刘强，周林，等.模式分类方法在电能质量扰动信号分类中的应用综述[J].电网技术，2009（1）：31?36.

[4]覃思师，刘前进.基于STFT变换和DAGSVMs的电能质量扰动识别[J].电力系统保护与控制，2011（1）：83?86.

[5]黄南天，徐殿国，刘晓胜.基于S变换与SVM的电能质量复合扰动识别[J].电工技术学报，2011（10）：23?30.

[6]徐永海，肖湘宁，杨以涵，等.小波变换在电能质量分析中的应用[J].电力系统自动化，1999（23）：55?58.

[7]田振果，傅成华，吴浩，等.基于HHT的电能质量扰动定位与分类[J].电力系统保护与控制，2015（16）：36?42.

[8]陈华丰，张葛祥.基于决策树和支持向量机的电能质量扰动识别[J].电网技术，2013（5）：1272?1278.

[9]覃星福，龚仁喜.基于广义S变换与PSO?PNN的电能质量扰动识别[J].电力系统保护与控制，2016（15）：10?17.

[10]TransmissionandDistributionCommitteeoftheIEEEPower&EnergySociety.IEEErecommendedpracticeformonitoringelectricpowerquality：IEEEStd1159?2009[S].NewYork：TheInstituteofElectricalandElectronicsEngineers，2009：1.

[11]张杨，刘志刚.一种基于时频域多特征量的电能质量混合扰动分类新方法[J].中国电机工程学报，2012（34）：83?90.

[12]ABDOOSAA，MIANAEIPK，GHADIKOLAEIMR.CombinedVMD?SVMbasedfeatureselectionmethodforclassificationofpowerqualityevents[J].Appliedsoftcomputing，2016，38：637?646.

[13]VALTIERRA?RODRIGUEZM，DEJESUSROMERO?TRONCOSOR，OSORNIO?RIOSRA，etal.Detectionandclassificationofsingleandcombinedpowerqualitydisturbancesusingneuralnetworks[J].IEEEtransactionsonindustrialelectronics，2014，61（5）：2473?2482.

[14]KENNEDYJ，EBERHARTR.Particleswarmoptimization[C]//Proceedingsof1995IEEEInternationalConferenceonNeuralNetworks.[S.l.]：IEEE，1995，4：1942?1948.

[15]杨宁霞，孙，公政，等.一种基于PSO?SVM的电能质量扰动识别与分类的新方法[J].电测与仪表，2014（16）：17?20.

会计电算化特征范文

关键词：动车组变流器；故障信号；小波分析

DOI：10.16640/ki.37-1222/t.2016.13.265

0引言

动车组变流器一旦发生断路故障，变流器一些参量（电压、电流等）的波形必然出现变化。一般来讲，不同的断路故障会导致参量波形发生不同的形变。因此，根据所选参量波形变化特征可以逆向确定变流器的断路部件。所以，及时准确地获取故障信号，然后挖掘故障信号的特征，是故障诊断工作的第一步。

2CRH2动车组变流器故障特征提取

2.1合理选取故障信号

根据基本电路知识可知，动车组牵引变流器的输出电流以及交流侧输入电流会受电机等负载的影响，负载不同会导致这两个电流随之而不同。进一步深入分析可知，变流器的输出电压以及交流侧输入电压分别取决于变流器的逆变器和脉冲整流器的电路结构。在变流器正常工作的情况下，脉冲整流器和逆变器电路结构固定，上述两种电压不会出现波形变化。然而，如果功率器件发生故障，变流器的电路结构必然发生变化，从而引发输出电压以及交流侧输入电压波形的畸变。另一方面，不同的功率器件断路对应不同的电路结构，这两个电压波形也不同。因此，电压波形蕴含了丰富的故障信息，反映电路的不同故障。所以可以通过分析输出电压波形的特征逆向推断发生故障的功率器件。综合上述两方面考虑，选择输出电压以及交流侧输入电压作为故障信号。

2.2选择小波分析处理故障信号

故障特征是故障诊断的重要决策依据。选择合理信号处理手段充分挖掘故障特征对提高故障诊断率具有重要意义。从故障信号角度来看，由于动车组变流器结构复杂而精细，发生故障时，电压波形有时不一定有显著形变，各种故障所对应的电压波形之间的区别也可能较为细微。其次，动车组工作环境复杂，变流器的故障电压难免混入干扰信号，故障因素和干扰因素耦合在一起，电压波形中既含有因故障而引入的畸变信号又含有各种干扰信号。因此，动车组变流器的故障信号应当选用一种具有一定抗干扰性、局部细节分析能力强的信号处理方法。综合考虑小波分析方法特长和变流器的故障信号特点，决定选择小波分析对故障信号进行处理。

2.3选择小波

Daubechies小波的紧支集长度与滤波器长度为2N左右，消失矩为N，具有正交性、扩展性好、不对称、N增加光滑度随之也上升等优点。根据变流器的故障信号特点，本文选择db3小波以满足各方面指标的要求。

2.4多层分解故障信号

预处理原始故障信号后，选用合适小波N层分解故障信号。分解之后，提取最后一层的低频系数和所有层的高频系数，共得到N+1个参量。一般而言，故障不同，电压畸变波形不同，所得到的N+1个参量也将有所不同，且故障类型、电压畸变波形和这些参量之间存在某种一一对应关系。因此，能够通过分析N+1个参量的变化判别变流器的功率器件发生断路故障的情况。

2.5重构各频段信号

重构各小波频段信号，计算各频段信号的能量大小。由于在第4步中，得到的N+1个能反映故障情况的参量是属于图形参量，因此不便于故障诊断系统的利用。为方便故障诊断，我们需要将这些图形参量数值化。为此，计算各频段信号蕴含的能量值，以实现上述N+1个图形参量的数值化。计算方法如下：设代表第i层第j个重构信号的能量值，则：其中，n为离散信号

的长度，表示重构信号在离散点的幅值，K=0，代表计算低频段能量，K=1表示计算高频段信号能量。

2.6构造故障特征向量

按照第5步提供的各频段能量计算方法，一一计算前述N+1个频段的能量值，然后设定一个固定次序进行排列，即可构造得到一个向量：，该向量既是能够反映故障情况的故障特征向量。

3结束语

本文主要研究了CRH2动车组变流器故障信号的特征提取办法，主要内容包括故障信号的合理选取、故障信号处理手段的选择以及故障特征向量的构造。为整个故障诊断系统解决了一个关键问题。

参考文献：

[1]张学甲.CRH2牵引变流器故障分析及其诊断方法研究[D].长沙，中南大学硕士论文，2014.

[2]李岚.动车组主变流器故障诊断技术研究[J].电脑知识与技术，2015（33）.