基于S变换和扩张神经网络的电能质量扰动分类

提出了一种基于S变换和扩张神经网络的电能质量扰动分类方法。首先使用S变换对扰动信号进行时频分析,研究了在有多种扰动同时发生的情况下,从S变换的结果中提取扰动特征量的方法,得到了由基频特征矢量、高频特征矢量、相位特征矢量组成的特征矢量组。最后,将提取出来的扰动特征矢量组送入由扩张神经网络构建的分类器中,完成对扰动的分类。扩张神经网络以扩张距离代替欧氏距离来衡量测试数据与聚类中心的相似度,分类正确率高、结构简单、训练快速。仿真结果表明,该方法能准确地对扰动进行分类,对噪声不敏感。     

基于小波与多维分形的电能质量扰动分类

提出了基于小波变换和多维分形的电能质量扰动概率神经网络自动分类系统.分类系统的实现分为两个阶段,首先采用离散小波多分辨率分析和Parseval定理提取不同尺度下扰动信号的能量分布特征,同时利用多维分形方法计算同一畸变信号的局部方差分维数,并将小波变换提取的能量分布特征和局部方差分维数组合构成特征矢量.其次将特征矢量输入到概率神经网络进行训练和测试,从而实现正弦波形、电压骤降、电压陡升、谐波、中断,脉冲和振荡瞬态的分类.采用提出方法的电能质量扰动平均分类率为95.86%,高于只采用离散小波变换提取特征矢量分类率2.15%.     

基于第二代小波变换和矢量量化理论的电能质量扰动分类方法

提出了一种将第二代小波变换和矢量量化相结合的电能质量扰动分类方法。该方法采用第二代小波变换对电能质量扰动信号进行时频分析，采用基于模极大值的小波变换后处理方法提取时频分析结果中表征扰动特征的模极大值、生成扰动特征量组，通过将扰动特征向量组送入基于矢量量化的树形分类器实现了对电能质量扰动的分类。仿真结果表明该方法噪声鲁棒性良好、简单可靠、分类准确率高、实时性好。     

基于小波与多维分形的电能质量扰动分类

提出了基于小波变换和多维分形的电能质量扰动概率神经网络自动分类系统。分类系统的实现分为两个阶段,首先采用离散小波多分辨率分析和Parseval定理提取不同尺度下扰动信号的能量分布特征,同时利用多维分形方法计算同一畸变信号的局部方差分维数,并将小波变换提取的能量分布特征和局部方差分维数组合构成特征矢量。其次将特征矢量输入到概率神经网络进行训练和测试,从而实现正弦波形、电压骤降、电压陡升、谐波、中断、脉冲和振荡瞬态的分类。采用提出方法的电能质量扰动平均分类率为95．86％,高于只采用离散小波变换提取特征矢量分类率2．15％。     

基于改进多层前馈神经网络的电能质量扰动分类

电能质量扰动分类是电能质量控制的重要工作之一,主要工作包括信号特征提取和分类器构造两个阶段。采用S变换与改进的多层前馈神经网络相结合,提出一种新的电能质量扰动分类方法。首先利用S变换对原始数据进行处理,提取具有代表性的4类典型特征以表征不同种类的扰动类型的特性,之后使用拟牛顿法和自适应因子改进传统的多层前馈神经网络,将特征作为改进的多层前馈神经网络的输入向量,实现自动的分类识别。实验表明,新方法减少了噪声对分类准确率的影响,学习能力强,能够有效的识别电压暂降、电压瞬升、电压中断、暂态震荡、谐波等5种电能扰动。     

一种广义S变换及模糊SOM网络的电能质量多扰动检测和识别方法

针对暂态电能质量电压多扰动信号的检测与分类问题,提出一种基于广义S变换及模糊SOM神经网络的暂态电能质量检测和识别方法。针对常见的电压多扰动信号,特别是两种扰动叠加的情况,采用广义S变换对扰动信号的时频特征进行提取,并取变换后的时间幅值平方和均值和特征频点作为神经网络的输入样本,采用模糊SOM神经网络进行训练,再用新的多扰动数据进行网络检验。仿真与实验结果表明,广义S变换能有效提高电能质量多扰动特征检测,模糊SOM神经网络能精确对其进行分类,该方法能够较好的解决电压多扰动叠加情况的定性和定量分类问题。     

基于第二代小波变换和离散隐马尔可夫模型的电能质量扰动分类

提出了一种将第二代小波变换和离散隐马尔可夫模型相结合的电能质量扰动分类方法.首先使用第二代小波变换对电能质量扰动信号进行时频分析,给出了一种基于模极大值的小波变换后处理方法,用以提取分析结果中表征扰动特征的模极大值,将这些模极大值组成扰动特征量组,经矢量量化后得到特征序列,然后将特征序列输入到由离散隐马尔可夫模型构建的分类系统中,实现对电能质量扰动的分类.在此基础上,给出了确定每类扰动定量指标的方法.仿真结果表明,该分类方法在强噪声环境下分类正确率高,且训练易收敛.     

基于小波系数KPCA和PNN的电能质量扰动分类

针对电能质量扰动分类,提出基于小波系数特征的核主成分分析(KPCA)和概率神经网络(PNN)的分类新方法.对正常信号和六种常见电能质量扰动(电压暂降、暂升、短时中断、谐波、电压波动和振荡暂态)进行小波变换和多尺度分析,提取各类扰动在多个尺度上小波系数作为特征向量;利用KPCA进行主成分提取,降低了小波系数特征向量维数,再输入PNN进行分类.仿真表明,该方法分类速度和准确率良好.     

基于神经网络的电能质量扰动识别

针对目前电能质量扰动识别中高噪声背景下识别正确率低的问题,提出了一种多分辨率广义S变换与神经网络扰动识别与分类方法.首先将信号进行多分辨率广义S变化得到模矩阵,从模矩阵提取特征曲线与特征矩阵,分别输入到前馈神经网络(FNN)与深度卷积神经网络AlexNet进行训练;然后通过学习,自主提取扰动信号特征,并迭代收敛,直接实现扰动识别分类.经仿真实验分析,FNN与AlexNet在低噪声下有较好识别能力,但AlexNet的识别精度更高;在高噪声背景下,FNN识别效果下降明显,而AlexNet依然保持较高的识别率.     

基于S变换的短时电能质量扰动检测与分类

提出了利用S变换时频等值线图和幅值包络线对常见短时电能质量扰动进行检测和分类的方法.介绍了S变换的基本原理,给出了利用S变换检测和分类短时电能质量扰动的实现方法,通过仿真验证方法的有效性.结果表明,该方法可以准确地确定扰动发生时刻和持续时间,并能简单、直观地对扰动进行分类和幅度确定.