資源描述：
《基于小波包的短路故障信息細(xì)分技術(shù)研究-論文.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、第35卷第02期煤礦機(jī)械Vl01．35No．O22014年O2月CoalMineMachineryFeb．2O14doi：10．134361j．mkjx．201402106基于小波包的短路故障信息細(xì)分技術(shù)研究段慧芹。李勇(1．信陽(yáng)供電公司，河南信陽(yáng)464000；2．信陽(yáng)供電公司電力經(jīng)濟(jì)技術(shù)研究所，河南信陽(yáng)464000)摘要：故障識(shí)別的關(guān)鍵是能否足夠地細(xì)分故障信息?；谛〔ㄗ儞Q的故障信息提取技術(shù)應(yīng)用較為廣泛．但其只能對(duì)低于故障信息采樣頻率1，2的信號(hào)進(jìn)行細(xì)分，對(duì)高于采樣頻率1／2的故障。信息則無(wú)能為力。應(yīng)用小波
2、包對(duì)配電網(wǎng)短路故障信息進(jìn)行變換．實(shí)現(xiàn)了故障信息在整個(gè)頻段內(nèi)的細(xì)分．對(duì)短路故障特征的詳細(xì)分析具有重要意義關(guān)鍵詞：采樣頻率；信息提取；小波包中圖分類(lèi)號(hào)：TM31文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1003—0794(2014)02—0227—03StudyonSubdivisionTechnologyofShortCircuitFaultInformationBasedonWaveletPacketDUANHui-qin，LIYong(1．XinyangPowerSupplyCompany，Xinyang464000，Chi
3、na；2．XinyangPowerSupplyCompanyPowerEconomicInstituteofTechnology，Xinyang464000，China)Abstract：Theadequatesubdivisionofthefaultinformationisthekeytofaultidentification．Thefaultinformationextractiontechnologybasedonwavelettransfornlisappliedmorewidely，butitca
4、nsubdividethesignalbelowhalfofthefaultinformationsamplingfrequencyonly。andthefaultinformationabovehalfofthesamplingfrequencycan’tbesubdivided．Thepowerdistributionnetworkfaultinformationwastransformedusingwaveletpacketinthispaper，andthefaultinformationwassub
5、dividedthroughoutthewholespectrum，whichissignificantinthedetailedanalysisoftheshortfaultcharacteristics．Keywords：samplefrequency；informationextraction；waveletpacket0引言平穩(wěn)信號(hào)時(shí)表現(xiàn)出優(yōu)異性能．但是故障信息為非平配電網(wǎng)由于網(wǎng)絡(luò)較為復(fù)雜，分布面積廣，常伴穩(wěn)過(guò)程，況且故障分析時(shí)不僅要求對(duì)故障的類(lèi)型進(jìn)有偶然故障的發(fā)生，如何快速根據(jù)故障信息判斷出行區(qū)分，
6、而且要對(duì)故障發(fā)生時(shí)刻進(jìn)行確定。對(duì)故障故障類(lèi)型并及時(shí)確定對(duì)應(yīng)的故障恢復(fù)策略十分重診斷越來(lái)越高的要求迫使很多學(xué)者將目光轉(zhuǎn)移到要。假如不能及時(shí)確定故障類(lèi)型，偶然的局部故障具有時(shí)頻分析能力的小波變換上，但是小波變換對(duì)將有可能發(fā)展成大面積全局性故障。對(duì)故障信息處信號(hào)的細(xì)分層度還不夠，主要是對(duì)低于信號(hào)最高頻理的方式目前主要有傅里葉變換、希爾伯特變換和率1／2頻率段的信號(hào)進(jìn)行細(xì)分。本文引入小波包對(duì)小波變換，傅里葉變換由于缺少時(shí)域信息，在分析故障信息進(jìn)行處理，以期將信號(hào)的細(xì)分拓展到全頻率最高為89．．29％，測(cè)試集準(zhǔn)確率最高
7、為80％。以4率。目前研究者對(duì)刀具狀態(tài)分類(lèi)研究大多集中在對(duì)種分類(lèi)器輸出的刀具狀態(tài)為融合器的4維特征向單個(gè)分類(lèi)器的選擇和優(yōu)化中，本文使用的分類(lèi)器融量輸入。效果如表2所示：訓(xùn)練集為89．29％，測(cè)試集合法可以綜合不同分類(lèi)器各自的優(yōu)點(diǎn)，為刀具磨損為85％優(yōu)于單個(gè)分類(lèi)器的分類(lèi)效果。狀態(tài)識(shí)別提供了一種新途徑。表2分類(lèi)效果表參考文獻(xiàn)：[1]董寧娟，趙洪金，高晶波．基于參數(shù)識(shí)別和小波包分析的故障特征提取fJ1．噪聲與振動(dòng)控制，2008(5)：91—94．[2]崔江，王友仁．采用基于模糊推理的分類(lèi)器融合方法診斷電力電子電路參
8、數(shù)故障[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2009，29(18)：54—59．[3]鞠初旭．模糊神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用[D]．成都：電子科技大學(xué)，2012．[4]楊曉邦，劉景艷，李玉東．模糊神經(jīng)網(wǎng)絡(luò)在提升機(jī)制動(dòng)系統(tǒng)故障5結(jié)語(yǔ)診斷中的應(yīng)用[J]．煤礦機(jī)械，2012，33(8)：250—252．[5]朱旭鋒，馬彩文．基于多不變量和多分類(lèi)器融合的飛機(jī)識(shí)別[J]．實(shí)驗(yàn)結(jié)果表明．多分類(lèi)器融合分類(lèi)模型的分類(lèi)儀器儀表學(xué)報(bào)，2
