最小二乘支持向量机在电能质量扰动分类中的应用

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法.对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化:最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别.与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果.仿真实验验证了该方法对扰动分类的有效性.     

奇异值分解和最小二乘支持向量机在电能质量扰动识别中的应用

基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。     

基于多标签Rank-WSVM的复合电能质量扰动分类

该文提出一种多标签排位小波支持向量机(rank wavelet support vector machine,Rank-WSVM),并将其应用于电能质量复合扰动分类中。Rank-WSVM将小波技术与多标签排位支持向量机(Rank-SVM)结合,利用小波的优良特性提高分类器的整体性能。首先,对电能质量扰动信号进行离散小波分解,计算 Tsallis 小波熵作为特征向量;然后利用所提出的 Rank-WSVM 多标签分类器进行分类。仿真结果表明,在不同噪声条件下,该方法有效改善了Rank-SVM的分类性能,可有效识别电压暂降、电压暂升、电压短时中断、脉冲暂态、振荡暂态、谐波和闪变等电能质量扰动及其组合而成的复合扰动。     

基于S变换和最小二乘支持向量机的电能质量扰动识别

采用S变换和最小二乘支持向量机相结合,构建了一种电能质量扰动识别的新方法.首先利用S变换对电能质量扰动信号进行时频分解;然后,从扰动信号S变换的结果中,提取扰动信号的特征向量,组成训练样本和测试样本;最后,使用最小输出编码的最小二乘支持向量机对扰动信号进行训练,实现电能质量扰动信号自动分类和识别.仿真结果表明,该方法识别准确率高,抗噪能力强,且训练时间很短,适用于电能质量扰动辨识系统.     

多类分类SVM在电能质量扰动识别中的应用

结合傅里叶变换良好的幅频特性、小波变换良好的时频特性和支持向量机优秀的统计学习能力,采用多类分类支持向量机进行电能质量扰动的分类识别。对电压骤升、电压骤降、电压中断、谐波、电压波动、暂态振荡、瞬时脉冲、频率偏差等八种常见电能质量扰动进行数学建模,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,将特征量输入到osu_svm进行电能质量扰动多类分类。算例表明该方案具有识别正确率高,训练样本数少,训练时间短,实时性好,对噪声不敏感等优点,是电能质量扰动识别的有效方法。     

多类分类SVM在电能质量扰动识别中的应用

结合傅里叶变换良好的幅频特性、小波变换良好的时频特性和支持向量机优秀的统计学习能力,采用多类分类支持向量机进行电能质量扰动的分类识别.对电压骤升、电压骤降、电压中断、谐波、电压波动、暂态振荡、瞬时脉冲、频率偏差等八种常见电能质量扰动进行数学建模,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,将特征量输入到osu_svm进行电能质量扰动多类分类.算例表明该方案具有识别正确率高,训练样本数少,训练时间短,实时性好,对噪声不敏感等优点,是电能质量扰动识别的有效方法.     

基于小波变换和神经网络的暂态电能质量扰动自动识别

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法。先提取基波频段所在的小波系数将电压凹陷、电压凸起和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡。该方法利用小波和小波包各自的时频分解特点,实现了暂态电能质量扰动的自动检测和分类。经仿真分析,验证了此方法的准确性和高效性。     

基于小波变换和神经网络的暂态电能质量扰动自动识别

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法.先提取基波频段所在的小波系数将电压凹陷、电压凸起和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡.该方法利用小波和小波包各自的时频分解特点,实现了暂态电能质量扰动的自动检测和分类.经仿真分析,验证了此方法的准确性和高效性.     

基于WT和GA-SVM的电能质量扰动识别方法

电能质量的监测是用电信息采集系统的主要任务,监测电能质量的关键在于对电能质量扰动的识别。针对电能质量扰动的识别和分类问题,提出了一种基于小波变换(WT)和遗传支持向量机(GA-SVM)的识别方法。首先对正常电压和6种常见的电能质量扰动信号进行小波分解,提取各层小波系数的能量熵作为特征向量,然后利用基于GA优化的SVM对扰动信号进行学习训练,得到电能质量扰动识别模型。算例实验中与单一的SVM和反向传播(BP)神经网络智能算法分别对比,结果表明该方法在各扰动信号的识别准确率和训练时间方面都有明显改善。     

基于小波变换和二叉树结构的电能质量扰动分类

针对电能质量扰动分类问题,提出了一种基于小波变换和二叉树结构支持向量机的扰动分类方法。首先,通过交流暂态仿真软件产生8种典型扰动信号和2种复合扰动信号作为样本集;然后,通过小波变换进行多个特征的提取,包括信号在特定频带下的能量和小波系数标准差;最后,通过样本集,对二叉树结构支持向量机分类器进行训练和测试。测试结果表明,该方法能够有效识别常见的10种扰动信号,具有分类正确率高、训练时间短的优点。     

基于最优小波包基分解的暂态电能质量分类方法

对屯能质量暂态扰动进行正确的识别分类是改善电能质量的前提,而电能质量扰动特征向量的提取又是电能质量扰动识别分类中的关键步骤。提出基于最优小波包熵特征的特征提取方法．对采样信号进行小波包分解及时域预处理并选取最优小波包基．计算各尺度下信号的最佳小波包子空间的熵值,归一化处理后,把同尺度下的熵值和作为特征量,再将所有尺度下的特征量按尺度分解顺序依次组合在一起．形成最终的特征向量并作为神经网络的输入构建神经网络识别系统．对暂态电能质量信号进行识别。系统负荷投切和电容器充电的仿真结果表明．该方法能快速有效地区分暂态脉冲和振荡暂态。     

基于改进贝叶斯分类法的电能质量扰动分类方法

基于改进贝叶斯分类法提出了2种改进的暂态电能质量扰动分类方法。该分类方法保留了原贝叶斯分类法“最优分类”的性质，使原贝叶斯分类法转化为非参数分类法，扩大了分类法的适用范围，可对数量有限的交叉样本进行最优分类。采用交流暂态仿真软件对5种典型的电能质量扰动信号如电压振荡、电压中断等进行仿真和分类识别。对暂态电压扰动的分类结果表明，上述改进的暂态电能质量扰动分类方法分类特性良好、适用范围较广。     

基于优化最小二乘支持向量机的电能质量扰动分类

提出了一种基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)分类器的电能质量扰动分类方法,对电网环境中多类扰动特征混合的情况进行更加精细的分类辨识。针对电能质量扰动特征向量的特点,对混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)进行了改进,与交叉验证(Cross Validation,CV)相结合实现了对多分类器参数的优化,有效地解决了支持向量机模型参数优化的问题。仿真实验与工程验证表明,经过优化后的分类器不仅可以提高电能质量波形的分类精度,还可以进一步使分类器避免出现过学习的状态,有效提高了分类器的计算速度。     

采用提升小波包和相关向量机的电能质量扰动分类

针对电能质量扰动识别问题,提出一种多级相关向量机(RVM)和提升小波包分解(LWP)相结合的扰动分类新方法。根据电能扰动现象的内在特征,首先通过提升小波包算法快速提取各类扰动信号的分解系数能量作为扰动特征量;然后利用相关向量机构建多级分类树模型实现分类识别任务。研究表明相关向量机在权系数上引入超参数,与支持向量机相比无需设置惩罚系数、推广能力好、解更稀疏。仿真表明所采用方法能够快速有效地获取高精度扰动分类识别率,测试时间短,更适合于在线检测。仿真和试验结果验证了所采用方法对电能质量扰动分类的有效性。     

基于小波和BP神经网络的电能扰动分类新方法

电能质量扰动的分类包括特征向量提取和分类器构建2部分。基于小波和神经网络的分类方法大部分采用小波分解各层的能量分布作为特征向量,用单个神经网络给出分类结果,此类方法构建的分类器性能有待进一步提高。文章构建了一组基于小波变换的特征向量作为分类器的输入。通过基于最小二乘法的策略综合3个相互独立神经网络的输出以得到最后的判别结果。算例表明提出的分类器准确率高,在信噪比20 dB的情况下还可以达到93.18%的准确率。分类器能有效识别电压中断、电压暂降、电压暂升、谐波、振荡暂态和闪变6种常见电能质量扰动。     

滑动去趋势波动分析在电能质量暂态扰动检测中的应用

针对电能质量暂态扰动信号的不规则性和突变性特点,提出了一种基于滑动去趋势波动分析的电能质量扰动检测新方法。扰动的发生使原信号的相关性特征发生变化,而去趋势波动分析的波动参数对这种变化反应敏感。通过滑动窗构建波动参数曲线,不仅能够对扰动时刻进行准确定位,而且可以确定电压暂升、暂降等典型暂态扰动的电压波动幅值。试验结果证明了该方法的有效性,与基于小波变换的检测方法相比,所述方法在抵御噪声干扰方面更具优越性。     

基于小波包分解的电能质量扰动分类方法

随着敏感性设备的大量应用,电能质量问题已日益受到关注。对各种电能质量扰动进行分类是采取适当措施降低扰动带来影响的前提。小波包是在小波变换的基础上发展起来的,能够提供更为丰富的时频信息。章分别选取小波包分解终节点的能量和熵作为特征矢量,应用Fisher线性分类器设计了分段线性分类器,对扰动分类进行了仿真识别。仿真结果表明,以熵为特征矢量的分类方法有较高的识别正确率。     

检测电压瞬时脉冲扰动的小波-神经网络新方法

对动态电能质量暂态扰动中的电压瞬时脉冲扰动进行了分析，提出了一种基于小波-神经网络的电压瞬时脉冲扰动识别的新方法。首先讨论了电压瞬时脉冲扰动产生的原因，用PSCAD/EMTDC软件包实现电压瞬时脉冲扰动的暂态仿真。然后，选用db4小波并将扰动波形进行4尺度的小波分解，以分解后各层的能量作为3层概率神经网络（PNN）的输入特征矢量，从而正确地把雷击和开关动作造成的扰动区分开。仿真结果表明，与传统的基于电压幅值/有效值的扰动识别方法相比，该方法不但能正确区分各种扰动，且能对不同原因造成的扰动进行正确分类。