基于广义S变换和DE-ELM的电能质量扰动信号分类*

电能质量扰动信号分类对电能质量综合评估、扰动源定位治理具有重要意义。提出了一种基于广义S变换和差分进化优化极限学习机的电能质量扰动信号分类方法。首先,通过改变S变换在不同频段的窗宽因子,来提高特征表现能力;然后,采用极限学习机作为扰动分类器,引入具有全局寻优功能的差分进化算法,优化极限学习机输入权值和隐藏层结点偏置,增强极限学习机的泛化能力,提高分类准确率。最后,仿真对比实验表明,相比于支持向量机和极限学习机,文中新方法准确率高、抗噪性强,更适用于电能质量扰动识别工作。     

基于粒子群与极限学习机的电能质量信号特征选择与识别

高效准确地分类电能质量扰动信号是处理电能质量问题的关键。为降低特征计算量,提高分类器分类效率,本文提出一种基于粒子群与极限学习机的电能质量特征选择与识别方法。首先,通过S变换对电能质量扰动信号进行重构与变换,并在此基础上提取特征;然后,以极限学习机的分类精度和选择特征个数作为适应度函数,通过粒子群算法在高维特征空间中寻优,剔除不相关和冗余的特征,保留对扰动识别有效果的特征,由此,确定最优分类子集;最后,使用最优特征子集构成极限学习机的输入向量,训练分类器,并采用优化后的分类器分类电能质量信号。仿真实验表明,新方法能够将维度为25的原始特征集合缩减到8维,且在不同噪声环境下保持综合分类准确率为99.33%。     

基于S变换和IWOA-SVM的复合电能质量扰动识别

针对目前复合电能质量扰动（PQD）信号特征冗余,分类识别准确率低的问题,提出了一种基于S变换和改进鲸鱼算法支持向量机（IWOA-SVM）的复合电能质量扰动识别方法。首先,利用S变换对7种单一电能质量扰动和生成的13种复合扰动信号进行时频分析,使复杂扰动信号的特征得以凸显。设计特征提取方法,从实频矩阵中尽可能地获取便于分类的信号特征信息;其次,引入自适应权重因子和随机差分变异策略对WOA进行优化,提升其搜索能力;最后建立IWOA-SVM分类预测模型,优化SVM高斯核函数参数,以获得更好的鲁棒性和泛化能力,对提取的特征样本进行自动分类和识别。实验结果表明,所提方法分类识别准确率高,能有效识别多种复合PQD信号,有助于评估与治理电能质量问题。     

单一电能质量扰动的分类识别研究

电能质量扰动的分类识别对电能质量综合治理具有重要意义,为此提出了一种基于粒子群优化极限学习机的电能质量扰动分类新方法。利用小波变换将扰动信号做10层分解,提取有效区分扰动信号类型层数的能量差、能量差平均值及能量差的标准差作为特征向量,并将扰动信号与正常信号的均方根作为补充,减少输入向量维度。提出采用极限学习机训练误差作为粒子群的适应度函数来优化隐含层神经元个数,在提升分类速度的基础上保持较高的分类精度。经仿真验证表明,该方法能够准确有效地识别常见的7种扰动类型,相比于传统的BP神经网络具有较高的分类速度。     

基于S变换与特征优选的电能质量扰动识别

针对S变换提取电能质量扰动信号的时频特征存在冗余,影响识别的精度和实时性的问题,提出了一种基于S变换与特征优选的电能质量扰动识别方法,使用S变换对11种电能质量扰动信号进行分析后提取时-频域特征,与原始扰动信号的幅值特征构成原始特征向量。然后提出了一种基于二进制粒子群优化算法和K近邻的扰动信号特征选择和分类方法。仿真结果表明该方法对单一扰动、复合扰动及叠加噪声的情况均有较好的分类性能。     

装备电力系统电能质量复合扰动识别方法研究

为了提高装备电力系统复合电能质量扰动(PQD)识别能力,提出了构建组合特征集用以全面表征装备电力系统电能质量复合扰动的粒子群优化(PSO)极限学习机(ELM)分类新方法。首先,结合S变换和经验模态分解(EMD)两种特征提取手段,构建组合特征向量集,对复合扰动信号特征边界区分更加明显;然后,优化ELM隐含层神经元数目,平衡其分类的实时性和准确性,在PSO适应度函数与ELM训练误差之间建立联系,设置了PSO初始参数,完成了分类器设计。经装备电力系统实测数据验证,该方法对7类典型装备电力系统电能质量复合扰动信号能够准确识别,且对噪声不敏感,相较于单独使用的ELM,显著地减少了训练及分类时间,进一步提高了分类的准确性。     

基于改进S变换和GA-SVM的电能质量扰动识别与分类

电能质量扰动的准确识别与有效分类是改善与治理电能质量问题的前提,针对当前电能质量扰动识别与分类存在的不足,提出一种基于改进S变换和遗传算法(genetic algorithm, GA)优化支持向量机(support vector machine, SVM)的电能质量扰动识别与分类方法。首先,在S变换高斯窗函数中引入调节因子,依据信号特征分频段选择调节因子,以提高电能质量扰动分析的时频分辨率。其次,结合S变换模时频矩阵提取时频特征曲线,构建电能质量扰动初始特征集。最后,基于遗传算法进行扰动特征优选和支持向量机参数优化,并利用GA-SVM完成电能质量扰动分类。对14种电能质量扰动的分类进行测试,验证所提方法的有效性与鲁棒性。     

基于多层极限学习机的电能质量扰动多标签分类算法

电力系统中电能质量扰动分类特征选择标准不统一、泛化能力差、分类效果与分类效率有待提高。为了解决这些问题,一方面,引入多层极限学习机自编码器,优化输入权重,完成电能质量扰动信号的特征提取。另一方面,引入多标签排位分类算法,充分考虑各标签之间的相关性,完成电能质量扰动的分类。基于两种算法,设计出基于多层极限学习机的多标签分类模型,并得到多层极限学习机的最优网络结构和多标签分类的最佳分类阈值。实验结果表明,所提方法适用于电能质量单一扰动和复合扰动的分类,改善了分类效果和分类效率,具有较高的分类精度、良好的抗噪能力和泛化能力。     

基于S变换和希尔伯特-黄变换的电能质量复合扰动分类识别

根据S变换和希尔伯特-黄变换的时频分析特点,提出一种电能质量复合扰动的分类识别方法。通过 S变换提取出扰动信号的基频和高频特征,并结合希尔伯特-黄变换提取出扰动前后信号的瞬时振幅。通过分析各扰动信号的特点,定义了相应的特征函数作为分类识别的判据,从而实现对电能质量复合扰动的正确分类,并准确定位出暂态扰动的起始、终止时刻。实验结果表明,通过 S 变换和希尔伯特-黄变换的融合,可准确地检测出电能质量扰动信号所属类别和扰动特性,以及扰动信号的起始、终止时刻。     

一种实时电能质量扰动分类方法

针对电能质量扰动实时分类的需求,提出了一种基于强跟踪滤波器和极限学习机的电能质量扰动分类方法。强跟踪滤波器通过引入渐消因子矩阵克服了扩展卡尔曼滤波器的易发散的问题。强跟踪滤波器不仅可以检测扰动幅值而且还可以提供渐消因子作为特征量,以此识别暂态扰动和谐波。该方法提出使用基波幅值最大值、最小值、波动次数和渐消因子频度均值四个特征量组成特征向量作为极限学习机分类模型的训练样本;最后将分类器用于电能质量扰动识别。为了提高极限学习机分类精度,提出了对少量边界错分样本的类别进行校正的规则校正法。仿真表明改进后的方法能够识别包括两种复合扰动在内的10种电能质量扰动信号,并具有良好抗噪性。与随机梯度下降反向传播方法、最小二乘支持向量机和序贯极限学习机相比,该方法训练和分类速度快,分类准确率高,适合于在线应用。     

基于GA和ELM的电能质量扰动识别特征选择方法

电力系统中海量暂态扰动的分析与治理需要以高效准确的扰动分类为基础。现有扰动识别方法缺少合理的特征选择环节,分类器过于复杂,不能满足高效分类的需要。提出一种新的电能质量扰动特征选择方法。首先,对原始信号使用S变换进行预处理,提取具有代表性的25种扰动信号特征构建原始特征集合;然后,根据极限学习机识别准确率构造用于扰动特征选择的遗传算法适应度函数;最后,用遗传算法来进行迭代运算,确定最优特征集合。实验证明,新方法能够有效去除冗余特征,在保证分类准确率前提下,有效降低分类器复杂度,提高分类效率。     

Power quality disturbance classificationbased on time-frequency domain multifeatureand decision tree

Accurate classification of power quality disturbance is the premise and basis for improving and governing power quality. A method for power quality disturbance classification based on time-frequency domain multi-feature and decision tree is presented. Wavelet transform and S-transform are used to extract the feature quantity of each power quality disturbance signal, and a decision tree with classification rules is then constructed for classification and recognition based on the extracted feature quantity. The classification rules and decision tree classifier are established by combining the energy spectrum feature quantity extracted by wavelet transform and other seven time-frequency domain feature quantities extracted by S-transform. Simulation results show that the proposed method can effectively identify six types of common single disturbance signals and two mixed disturbance signals, with fast classification speed and adequate noise resistance. Its classification accuracy is also higher than those of support vector machine (SVM) and k-nearest neighbor (KNN) algorithms. Compared with the method that only uses S-transform, the proposed feature extraction method has more abundant features and higher classification accuracy for power quality disturbance.     

基于一维卷积神经网络多任务学习的电能质量扰动识别方法

传统电能质量识别需要先用信号处理技术提取信号特征,且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性,使得复合扰动分类的鲁棒性和抗噪性能不理想。针对这些问题,提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动。此结构去除了传统方法的信号特征提取阶段,将扰动分类任务分成四个子任务,设计了相应的标签编码方案,最后输出一个10维标签向量完成多任务分类。仿真结果表明,该方法在不同信噪比时均具有较好的识别准确率,表明此模型具有较强的鲁棒性和抗噪声能力。同时,多任务分类相比One-hot多分类和多标签分类准确率更高,表明了该建模方式的有效性。     

基于改进ABC和IDPC-MKELM的短期电力负荷预测

为提高受外部因素影响敏感的短期电力负荷预测精度,提出了一种基于改进ABC优化密度峰值聚类和多核极限学习机的短期电力负荷预测方法。构建融合特征提取、人工蜂群算法（ABC）、密度峰值聚类（DPC）和核极限学习机（KELM）的短期电力负荷预测模型。针对ABC收敛效率不高的缺陷,设计新型蜜源搜索和蜜蜂进化方式,以提升改进ABC全局寻优能力;针对DPC截断距离与聚类中心人为设定的不足,定义邦费罗尼指数函数和聚类中心截断指标,并将改进的ABC应用于DPC参数优化过程,以实现DPC最佳聚类分析;针对KELM回归能力不强、参数选取难以确定的问题,设计多核加权KELM,并采用改进的ABC进行参数优化,以提高极限学习机预测精度。仿真结果表明,所提短期电力负荷预测方法更具有效性,平均误差低了约8.8%~39.8%。     

An effective wavelet-based feature extraction method for classification of power quality disturbance signals

This paper presents a wavelet norm entropy-based effective feature extraction method for power quality (PQ) disturbance classification problem. The disturbance classification schema is performed with wavelet-neural network (WNN). It performs a feature extraction and a classification algorithm composed of a wavelet feature extractor based on norm entropy and a classifier based on a multi-layer perceptron. The PQ signals used in this study are seven types. The performance of this classifier is evaluated by using total 2800 PQ disturbance signals which are generated the based model. The classification performance of different wavelet family for the proposed algorithm is tested. Sensitivity of WNN under different noise conditions which are different levels of noises with the signal to noise ratio is investigated. The rate of average correct classification is about 92.5% for the different PQ disturbance signals under noise conditions.     

基于Fisher主元分析和核极限学习机的非侵入式电力负荷辨识模型

非侵入式电力负荷监测与辨识是实现泛在电力物联网客户侧智能感知的关键技术。针对现有辨识模型存在的特征冗余度高、辨识准确率差、计算效率低等问题,提出了一种基于Fisher主元分析(Fisher principal component analysis,FPCA)和核极限学习机(kernel extreme learning machine,KELM)的非侵入式电力负荷辨识模型。首先,选取电流、功率、谐波含有率等稳态特征作为原始输入变量,运用Fisher得分和主成分分析相融合的Fisher主元分析法剔除可分性较差的无效特征,同时降低有效特征之间的相关性;然后,引入径向基核函数搭建网络结构,并采用遗传算法(genetic algorithm,GA)对惩罚系数等模型参数进行寻优,从而建立核极限学习机分类模型进行负荷识别;最后,通过公开的TIPDM负荷数据集进行算例分析。仿真结果表明,所提模型相比于传统负荷辨识模型具有更好的辨识准确率和计算效率,运用该模型可对常见家用负荷进行有效识别。     

基于ICEEMDAN多尺度模糊熵和MVO-KELM的变压器绕组铁心机械故障诊断

针对变压器绕组铁心机械故障诊断精度不足的问题,提出了一种基于改进自适应白噪声完整集成经验模态分解(ICEEMDAN)多尺度模糊熵(MFE)和多元宇宙优化算法优化核极限学习机(MVO-KELM)的变压器绕组铁心机械故障诊断方法。首先,为了避免虚假模态分量的产生,采用改进的ICEEMDAN对变压器原始振动信号进行分解。其次,利用Pearson相关系数法选取相关性最高的模态分量,并计算其MFE值。然后,将MFE值作为特征量构建特征数据集,并利用MVO优化KELM的核参数和正则化系数。最后,将特征数据集输入所建MVO-KELM模型进行分类识别,实现高准确率诊断目标。试验结果表明,所提方法具有优秀的诊断精度和稳定性,能够精确诊断变压器绕组铁心不同松动程度的故障,诊断准确率达到了99%以上,可为变压器现场检修策略的制定提供一定的指导。