Erkennung und Klassifizierung von harmonischen Transienten mit trigonometrischen glatten Wavelet-Paketen (Detection and Classification of Harmonic Transients by Using Trigonometric Smooth Wavelet-Packets)

Der vorliegende Beitrag beschreibt ein Verfahren zur Erkennung und Klassifizierung von harmonischen Transienten, wie sie unter anderem in elektrischen Netzen auftreten. Das Verfahren verwendet als Basis eine spezielle Klasse von Wavelet-Paketen, nämlich glatte lokalisierte biorthogonale Sinus-und Kosinus-Pakete, um für ein klassifizierendes Signal die beste “Shannon-Basis” zu finden. Dieser Signalzerlegung liegt die Minimierung der Shannon'schen Entropiefunktion zugrunde, sie hängt also adaptiv vom zu analysierenden Signal ab. Die Praxistauglichkeit des sehr schnellen echtzeitfähigen Verfahrens wird anhand eines praktischen Beispiels aus der Bahntechnik illustriert, bei dem für die Schutzabschaltung zwischenbetriebstypische Spannungsänderungen aufgrund der Einfahrt in einen neutralen Netzabschnitt und sicherheitskritische Spannungsänderungen aufgrund interner Fehler unterschieden werden müssen.

[1]  Qinghua Zhang,et al.  Using wavelet network in nonparametric estimation , 1997, IEEE Trans. Neural Networks.

[2]  Ronald R. Coifman,et al.  Entropy-based algorithms for best basis selection , 1992, IEEE Trans. Inf. Theory.

[3]  Paolo Mercorelli,et al.  A Wavelet Packet Algorithm for Online Detection of Pantograph Vibrations , 2000 .

[4]  Andrew R. Barron,et al.  Universal approximation bounds for superpositions of a sigmoidal function , 1993, IEEE Trans. Inf. Theory.

[5]  Wolfram Schiffmann,et al.  Speeding Up Backpropagation Algorithms by Using Cross-Entropy Combined with Pattern Normalization , 1998, Int. J. Uncertain. Fuzziness Knowl. Based Syst..

[6]  Björn Jawerth,et al.  Biorthogonal Smooth Local Trigonometric Bases , 1995 .

[7]  Bernard Delyon,et al.  Wavelets in identification , 1994, Fuzzy logic and expert systems applications.

[8]  Eric B. Baum,et al.  Supervised Learning of Probability Distributions by Neural Networks , 1987, NIPS.

[9]  B. Perunicic,et al.  Power quality disturbance detection and classification using wavelets and artificial neural networks , 1998, 8th International Conference on Harmonics and Quality of Power. Proceedings (Cat. No.98EX227).

[10]  Karlheinz Gröchenig,et al.  Acceleration of the frame algorithm , 1993, IEEE Trans. Signal Process..

[11]  Stéphane Mallat,et al.  Matching pursuits with time-frequency dictionaries , 1993, IEEE Trans. Signal Process..

[12]  R. Duffin,et al.  A class of nonharmonic Fourier series , 1952 .

[13]  Lennart Ljung,et al.  System Identification: Theory for the User , 1987 .

[14]  Daniel Eggert,et al.  Neural Network Control , 2003 .

[15]  Paolo Mercorelli,et al.  A Local Feature Extraction Using Biorthogonal Bases for Classification of Embedded Classes of Signals , 2000 .

[16]  George Cybenko,et al.  Approximation by superpositions of a sigmoidal function , 1992, Math. Control. Signals Syst..

[17]  Bernard Delyon,et al.  Nonlinear black-box models in system identification: Mathematical foundations , 1995, Autom..

[18]  X. Fang,et al.  Adapted Multiple Folding Local Trigonometric Transforms and Wavelet Packets , 1994 .

[19]  Mac A. Cody.  The Wavelet Packet Transform , 1994 .

[20]  Ingrid Daubechies,et al.  Ten Lectures on Wavelets , 1992 .

[21]  Stephan Schmidt,et al.  Analysis of transients in electrical railway networks using wavelets , 1998, IEEE Trans. Ind. Electron..