浅谈电力谐波变换

《浅谈电力谐波变换》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、浅谈电力谐波变换摘要：在工业和生活用电负载屮，阻感负载占冇很大的比例。异步电动机、变压器、荧光灯等都是典型的阻感负载。异步电动机和变压器所消耗的无功功率在电力系统所提供的无功功率中占有很高的比例。电力系统中的电抗器和架空线等也消耗一些无功功率。阻感负载必须吸收无功功率才能正常工作，这是由其本身的性质所决定的。关键词：电力谐波变换一、傅里叶变换传统上，傅里叶变换已经几乎完全被用于大多数工程领域，因此，可以根据傅立叶分析技术进行评估。在最近的文献中已经连篇累牍的讨论三个主要的替代品的参考电位的电源系统的应用程序。这些都是沃尔什，哈特利和小波变换。如在傅立叶情况下，沃尔什变换

2、构成一组正交功能。这是非常简单的概念，因为它仅涉及方波分量，但是对于准确的结果，需要大量的计算处理电力系统波形。此外，在常见的电源操作系统中，它也不会根据差分相量来处理微分和积分，需要采用完全相同的形式，并且利用操作更简单的软件来进行实验研究。二、小波变换小波变换最初源于处理地震信号，小波变换提供了一种快速，有效的分析非平稳的电压和电流波形的方式。如在傅立叶情况下，小波变换分解的信号转换成频率分量。不同的是傅立叶变换，小波可以根据频率分辨率利用一个有用的属性来判定地震源的特征。小波是一个振荡函数和一个衰变函数的乘积。小波变换的精髓就是：対于变化平缓的信息（对应低频信息）

3、，在大范围（尺度）上观察，对于变化很快的信息（对应高频信息），在小范围（尺度）上观察。称为多尺度或多分辨率思想。若我们把尺度理解为照相机的镜头的话，当尺度山大到小变化时，就相当于将照相机镜头由远及近地观察目标。在大尺度空间里，对应远镜头下观察到的目标，只能看到H标大致的概貌；在小尺度空间里，对应近镜头下观察H标，可观察到目标的细节部分。这种由粗及精对事物的分析就称为多分辨率分析。介绍多分辨率分析及尺度空间和小波空间的概念。任何一个事物都对应着多个描述空间，每个描述空间都山自身的特征描述基构成，若这些特征基可以描述出其中不同事物，则称特征基在该事物中是完备的。若这些特征基

4、两两之间不相关，则称其为正交。当然完备并不要求正交，正交的好处在于每个特征基上描述的信息和其他特征基不相关。从而消除了信息的兀余（部分重复）表示。描述空间也称描述域。不同特征基有不同描述和运算规则。将事物在一个描述空间上的特征转为在另一个空间（也称变换域）的特征，可更符合于我们的观察或认知。例如：传统的傅里叶变换即是引入无穷余玄基和正玄基来无穷逼近L2空间屮（平方可积空间）的函数。因余玄基和正玄基的许多优秀性质而被广泛应用。例如：在图像压缩中，我们就是利用了图像数据的特性，将其转化为符合其特性描述的空间上，从而更好的描述了图像而达到压缩的目的。因此解决不同问题可选择不同

5、的变换方式。自然图像的数据特性就是英中相邻的象素点的颜色（或象素值）在一个大的概率上相关，否则我们将要看到一片颜色（或灰度）乱变的点。图像频域的描述空间概念:対于大范I韦I内平缓变化的信息，我们称其为低频信息，对于小范禺内变化很快的信息，我们称其为高频信息，并将这些信息对应频域上的数值。低频和高频信息可任意设置。离散傅里叶变换以变化平缓的波来描述低频信息,以变化快速的波来描述高频信息。因自然图像相关性，故低频信息描述了整体的信息，而高频信息描述了局部细节。傅里叶变换存在一些不足。例如，要想取得较好的低频信息，我们需要相对较长的变换窗口，而要想取得较好的高频信息，我们又需

6、要较短的窗口，这样就引起一对孑盾。为了解决傅里叶变换的不足，就需要用长窗口来提取低频信息，用短窗口来提取高频信息。小波变换应运而生。正如富里叶变换是将一个函数用无穷项正玄或余玄基逼近，小波变换是将•个函数以小波基来逐级逼近。富里叶变换是以另一值为核进行积分，小波变换以小波基为核进行积分。由于使用了固定的窗口，而实际时变信号的分析需要时频窗口具有自适应性，对于高频谱的信息，时间间隔要相对地小以给出较高的精度；对于低频谱的信息，时间间隔要相对地宽以给出完全的信息。换句话说，重要的是要有一个灵活可变的时间一一频率窗，能够在高“屮心频率”时自动变窄，而在低屮心频率时自动变宽。而

7、小波便是为此而设计的。三、结语这样的实验操作有三个不同的阶段，这些都只是一个预处理级，以从所生成的功率提取干扰信息信号，一个主处理阶段进行模式识别的干扰用数据，以及一个后处理阶段进行分组的可能的输出数据和形式来决定干扰的性质和原因。描述一个显而易见的候选提取干扰是容易的，由于其比傅立叶方法获取的信息具冇更高的精度和速度。收集小波的标准库可以被开发，以适应特定类型的干扰是短暂的。人工神经网络所用的主要的处理阶段被用于执行模式认可。神经网络可以训练的初步资料主要是分类提取的预处理阶段。最常用的类型的神经网络模式识别是多层感知器。这些构造,通常