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S变换和分类树的电网暂态电能质量扰动分类辨识

针对暂态电能质量的检测分析,分别在强弱两种噪声背景下运用S变换的不同方法对暂态多扰动信号进行定位检测.对于暂态多扰动的分类辨识,运用了基于S变换和分类树相结合的暂态电能质量多扰动分类辨识方法,首先运用S变换对暂态多扰动信号进行时频分析,然后提取扰动信号的特征量,最后生成用于对暂态多扰动信号进行分类的决策树分类辨识方法,...     

一种基于线性时频分布和二进制阈值特征矩阵的电能质量分类方法

从电能质量扰动信号中有效提取扰动特征信息并进行正确分类是电能质量监测分析系统需要解决的重要问题.本文提出了一种基于线性时频分布和二进制阈值特征矩阵的电能质量扰动分类方法.首先结合两种线性时频分布(窗口傅里叶变换和S变换)的优点,提取能够表征信号特点的五个特征并对其进行量化和编码;在此基础上,确立了基于二进制阈值特征矩阵...     

基于多特征组合的电能质量扰动识别方法

为解决电力系统电能质量复合扰动识别困难的问题,同时为电网无功功率补偿提供依据,提出了一种基于多特征组合的电能质量复合扰动识别方法。应用小波包变换和S变换对电能质量扰动信号进行时频分析,提取信号的幅值特征和频率特征,构建电能质量扰动的多特征组合。然后利用概率神经网络构建多特征组合分类器实现电能质量扰动的分类识别。仿真实验证明,该方法能够识别包括两种复合扰动在内的7种电能质量扰动信号,并且具有较高的分类准确度和抗干扰能力,具有工程应用价值。     

基于广义S变换的短时电能质量扰动信号分类

提出一种基于广义S变换的短时电能质量扰动信号分类方法。首先对短时电能质量扰动信号进行广义S变换,得到模矩阵,再从模时频矩阵中提取5种统计量特征值,然后利用决策树对扰动信号进行归类,从而实现对短时电能质量扰动信号的自动分类。仿真结果表明,该方法识别正确率高,且对噪声不敏感,适用于实际电网电能质量扰动信号的分析。     

采用广义S变换的电能质量扰动免疫分类算法

针对电能质量扰动分类问题,提出了一种基于广义S变换和人工免疫算法相结合的电能质量扰动分类新方法。给出了广义S变换的定义,对比了信号经广义S变换和S变换后的变换结果,推导了一维广义S变换实现过程,给出了调节因子λ随信号中频率组成不同而进行自适应取值的方法。分类过程中,首先使用广义S变换提取出各种扰动信号的特征量形成抗原,然后对不同扰动样本按照提出的免疫分类算法步骤进行训练形成可以分类的抗体,计算抗体和待分类的抗原之间的欧氏距离并用最近邻法则输出最终分类结果。仿真实验结果表明广义S变换比S变换精度高,采用的分类方法能够实现电能质量扰动的自动分类,且对噪声不敏感,分类正确率很高。     

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。     

基于广义S变换与PSO-PNN的电能质量扰动识别

为了克服从电网电能质量监测系统的大数据中自动识别出电能质量扰动的困难,提出了一种基于广义S变换与PSO-PNN的电能质量扰动识别新方法。该方法利用了广义S变换能兼顾时频分辨率的特点,首先使用广义S变换分析扰动信号的时频特性,接着从广义S变换模矩阵中提取出扰动信号的时频特征量,然后用PSO-PNN分类器对扰动信号进行分类识别。PSO算法的使用克服了PNN的平滑因子没有确定选取方法的缺陷,使分类器性能大大提升。仿真实验结果表明,该方法能够对常见的6种电能质量扰动进行高效的分类识别,分类正确率高,对噪声不敏感,具有良好的应用价值。     

基于广义S变换的短时电能质量扰动的模糊模式识别

针对电能质量的短时扰动的分类问题,提出了一种基于广义S变换和模糊模式识别的短时电能质量的分类方法。先对扰动信号作广义S变换得到模时频矩阵,再从该矩阵中提取4种统计量特征值,然后利用模糊模式识别方法的最大隶属度原则对扰动信号进行归类,从而实现对短时电能质量扰动信号的自动分类。仿真测试结果表明,该方法识别正确率高且对噪声不敏感,适用于实际应用。     

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。     

基于广义S变换的短时电能质量扰动的模糊模式识别

针对电能质量的短时扰动的分类问题,提出了一种基于广义S变换和模糊模式识别的短时电能质量的分类方法.先对扰动信号作广义S变换得到模时频矩阵,再从该矩阵中提取4种统计量特征值,然后利用模糊模式识别方法的最大隶属度原则对扰动信号进行归类,从而实现对短时电能质量扰动信号的自动分类.仿真测试结果表明,该方法识别正确率高且对噪声不敏感,适用于实际应用.     

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。     

电能质量的S变换仿真

针对电能质量扰动信号的特征,介绍了一种基于S变换的信号检测与分类的方法.该方法利用S变换模矩阵来检测电能质量扰动信号,并对其进行分类.对影响电能质量的8种扰动信号(电压凹陷、电压隆起、短时中断、电压尖峰、电压缺口、谐波、间谐波和瞬态振荡)进行了仿真.仿真结果表明,该方法可以准确地确定扰动发生时刻和持续时间,能够对电能质量扰动信号进行简单、直观地分类.     

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变换和分类树的电网暂态电能质量扰动分类辨识

针对暂态电能质量的检测分析,分别在强弱两种噪声背景下运用S变换的不同方法对暂态多扰动信号进行定位检测.对于暂态多扰动的分类辨识,运用了基于S变换和分类树相结合的暂态电能质量多扰动分类辨识方法,首先运用S变换对暂态多扰动信号进行时频分析,然后提取扰动信号的特征量,最后生成用于对暂态多扰动信号进行分类的决策树分类辨识方法,以此来实现对暂态多扰动信号的分类辨识.仿真计算结果表明,该方法对暂态多扰动信号能够进行有效的分类辨识,准确度高且抗噪能力强.     

利用关联向量机和S变换识别电能质量扰动

电能质量扰动检测识别对电能质量的监测和治理改善都具有重要作用。为更好地识别电能质量扰动,提出了一种基于关联向量机和S变换的电能质量扰动识别方法。首先,通过S变换提取正弦信号、谐波、电压波动、电压暂降、电压暂升、暂态振荡、谐波暂降及谐波暂升等9种电能质量扰动的主要特征,然后用关联向量机对特征样本进行训练及分类。算例结果表明,该方法能有效地识别出电能质量扰动信号类型,识别时间短,且正确率极高,达98.8%,是应用于实时电能质量监测工程实际的很好选择。     

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。     

基于分段改进S变换的复合电能质量扰动识别

针对存在多种单一电能质量扰动的复合扰动分类识别问题,提出了一种基于分段改进S变换和RBF神经网络相结合的复合电能质量扰动识别新方法。首先对离散S变换进行了分段改进,将时域分辨率和频域分辨率进行分段处理,通过分析改进S变换得到的模时频矩阵,绘制了能够反映扰动信号不同突变参数的特性曲线。其次利用统计方法优化计算提取了10种用于模式识别的特征量,并用局部逼近的RBF神经网络设计了分类器对提取的特征样本进行训练和分类,最后在不同噪声环境下对5种单一扰动及谐波+电压暂降、电压暂降+闪变等6类复合电能质量扰动的分类识别进行了仿真验证。仿真结果表明,该方案时频处理、分类能力和学习速度等方面均优于普通改进S变换+全局逼近网络的方法,且鲁棒性强,能准确识别多种单一扰动及两种扰动同时存在的复合电能质量扰动。     

基于改进S变换和复合特征量的多级支持向量机的电能质量扰动分类

提出一种多级支持向量机对电能质量扰动事件分类的方法,该方法基于改进S变换和多级支持向量机。改进S变换首先通过傅里叶变换提取信号的主要频率成分,然后根据提取的主要频率成分设定相应的调节因子λ,使其在低频段有较高的时间分辨率,在高频段有较高的频率分辨率,从而增强了S变换的特征量提取能力。之后对各类信号的特征参数进行优化处理,产生复合特征量,最后在此基础上将复合特征量设置为支持向量,生成一个多级支持向量机分类器,从而实现多种电能质量扰动信号的识别。采用"二分树"分类的多级支持向量机支持向量较少,且容易实现。仿真测试结果验证了该方法相对于传统的基于S变换和支持向量机分类方法有较强的分辨率和抗噪能力。     

基于S变换和规则基的复合电能质量扰动识别

提出了一种复合电能质量扰动识别方法。为避免复合电能质量扰动类型中单一扰动相互影响而造成的特征混叠或失效问题,采用FFT变换结合动态测度法提取6个特征和S变换提取5个特征,从基频、中频、高频、基频标准差、频谱极值点对称等各个方面刻画扰动信号的特征;然后构建基于规则基“IF—THEN”形式的分类器,提取的特征输入分类器后能自动识别电能质量扰动类型。仿真结果表明,在一定噪声条件下,所提出的分类方法能准确识别26种扰动类型,其中包含8种单一扰动类型以及18种双重扰动类型。