基于多标签随机森林的电能质量复合扰动分类方法

提出一种多标签随机森林(Multi-label Random Forest, ML-RF)分类算法,并将其应用于电能质量复合扰动分类。ML-RF是基于多标签决策树(Multi-label Decision Tree, ML-DT)的集成学习算法,利用子决策树的组合来增强分类器的整体性能。首先对电能质量扰动信号进行平稳小波变换,计算各层分解系数的小波能量熵作为分类特征向量。然后使用Bootstrap自助法和子空间采样构造不同的训练集训练子决策树。最后组合子决策树得到ML-RF分类器,并对复合电能质量扰动进行分类。仿真结果表明,在不同噪声情况下,该方法均能有效进行复合扰动的分类,具有较好的噪声鲁棒性,是复合电能质量扰动分类的一种可行方法。     

基于改进经验小波变换和XGBoost的电能质量复合扰动分类

针对电能质量复合扰动分类方法在分类数目和分类性能方面存在的不足,提出一种基于改进经验小波变换(MEWT)和极限梯度提升(XGBoost)的电能质量复合扰动分类方法。首先,对传统经验小波变换进行改进,使之适用于复合扰动特征提取;然后,根据基本扰动MEWT分析结果,从时频域多角度提取能够有效刻画不同扰动特性的特征序列;最后,基于问题转换策略构造以XGBoost为子分类器的多标签复合扰动分类模型,并通过特征选择与超参数优化相结合的模型训练方法进一步提升分类效果。实验结果表明,所提方法可实现48类扰动的有效辨识,较之传统多标签扰动分类方法在分类精度和噪声鲁棒性方面表现更优,且运算速度更快,适用于工程实践。     

基于可调品质因子小波变换和随机森林特征选择算法的电能质量复合扰动分类

针对电能质量复合扰动分类的复杂性,提出了基于可调品质因子小波变换(tunableQ-factorwavelettransform,TQWT)和随机森林特征选择算法的电能质量复合扰动分类方法。首先利用TQWT分解扰动信号,以减弱扰动分量间的耦合性,并使用提出的筛选方法选取最优子带并提取时域和频域特征;然后基于随机森林算法计算特征重要性,通过序列前向选择法去掉不相关特征和冗余特征,得到对应每种扰动标签的最优特征集;最后训练生成随机森林多标签分类模型,根据输出标签的组合得到扰动类别。仿真数据实验表明,该方法能够准确高效识别23类扰动,且抗噪能力强,提高了含暂降、含中断的复合扰动的分类准确率。并以实测数据实验证明了方法的可行性。     

基于2D—ResNet的船舶电力系统电能质量扰动识别

为实现船舶电力系统电能质量扰动准确识别,结合深度学习提出基于二维残差网络(2D-ResNet)的电能质量扰动识别方法。首先将电能质量一维时间序列通过距离矩阵转化为二维平面图,随后将图像送入所提二维残差网络中提取特征。最终输出特征图通过线性层分类器得到识别结果,实现船舶电力系统电能质量扰动的在线识别。与现有特征提取方法相比,不同信噪比下该方法扰动识别准确率均最高。信噪比为20 dB时,单标签分类平均准确率为93.86%,多标签分类平均F1-score为96.52%,证明了2D-ResNet能有效提取扰动特征且对噪声具备鲁棒性。对于未知复合扰动,单标签分类器识别失败,而多标签分类器准确识别出扰动中的未知成分,且F1-score达到93%,证明了多标签分类适用于未知复合扰动识别。     

基于小波和改进神经树的电能质量扰动分类

准确地识别和分类电能质量扰动对分析和综合治理电能质量问题具有重要意义。提出了一种基于小波和改进神经树的电能质量扰动分类方法。该方法利用小波分解扰动信号到各个频带,在基频频带、谐波频带和高频带上分别计算其能量值和小波系数熵作为特征值,另计算基波频带扰动过程的均方根作为特征的补充,融合能量值、熵和均方根值作为扰动判断的特征向量,规范化后输入到改进神经树分类器进行训练和分类。改进神经树分类器是由神经网络和决策树及其分类规则构成。仿真表明,该方法提取特征值的计算量小且融合后的特征向量能够很好地体现不同扰动信号之间的差异信息,构造的改进神经树分类器结合了神经网络和决策树在模式分类中各自的优点,结构简单且表现出良好的收敛性、全局最优性和泛化性,分类准确率较高,能够有效地识别七种常见的电能质量扰动。     

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。     

基于改进PSO-SVM算法的电能质量扰动分类

对电能质量进行监测是用电信息采集系统的重要任务之一。针对电能质量扰动的识别和分类问题,提出一种基于小波支持向量机(support vector machine,SVM)的分类方法。对正常电压信号和6种电能质量扰动信号波形进行仿真,首先对各种扰动信号进行小波分解,提取各层小波重构系数的能量熵作为特征向量;然后改进的粒子群(particle swarm optimization,PSO)算法对SVM核函数参数进行优化;最后,利用优化参数的SVM对扰动测试集进行分类识别。仿真结果表明,与BP神经网络分类方法相比,该方法对扰动识别和分类的准确率达到97.28%,且训练时间和测试时间都有所减小。     

基于不完全S变换与梯度提升树的电能质量复合扰动识别

针对电能质量复合扰动中特征选择困难和分类准确率不高的问题,提出基于不完全S变换和梯度提升树的特征选择和分类器构建方法。首先通过选取特定频率的不完全S变换得到扰动的时频矩阵。再从时频矩阵中提取53种原始特征量,并基于梯度提升树对各个特征的重要性进行度量,选取重要特征。最后根据选取的特征集训练和构建梯度提升树,得到扰动分类器。仿真实验表明,对于包括8种复合扰动在内的共17种扰动类型,该方法的分类准确率高于CART决策树、随机森林(RF)、多层感知机(MLP)等现有方法。不同噪声条件下的分类结果表明,该方法具有良好的抗噪性能和算法鲁棒性,展现出良好的应用前景。     

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。     

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。     

基于小波分解和数据挖掘中决策树算法的电能质量扰动识别方法

针对短时电能质量变化和暂态扰动现象的不同特点，提出了一种基于小波分解和数据挖掘中决策树算法的电能质量扰动(power quality disturbance，PQD)识别方法。建立了正弦信号和6 种常见PQD 信号的数学模型，通过小波分解得到了上述信号的特征量，结合决策树方法实现了对PQD 的自动分类，并通过合理选择小波类型、分类算法和去噪方法提高了PQD 的分类精度。实验结果验证了该识别方法的准确性和高效性。     

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。     

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.     

基于改进GSA-SVM算法的电能质量扰动分类方法

针对不同类型电能质量扰动信号分类准确率不高的问题,通过MATLAB/simulink搭建常见的9种不同的电能质量扰动信号的模型进行仿真分析,提出一种改进的万有引力搜索算法(improved gravitational search algorithm,IGSA)对支持向量机(support vector machine,SVM)的惩罚因子和核函数参数进行寻优的方法,通过优化SVM的惩罚因子和核函数参数,构建IGSA-SVM分类器,再把提取到的特征向量进行归一化之后输入到所构造好IGSA-SVM分类器中进行训练与分类。仿真结果表明,IGSA-SVM分类器的分类准确率比SVM和GSA-SVM这2种分类器都要好,可以实现对9种不同的电能质量扰动信号的快速准确分类,有利于解决实际的工程问题。     

基于自适应不完全S变换与LOO-KELM算法的复合电能质量扰动识别

针对电能质量复合扰动识别中特征提取效率低、分类器识别能力与学习速度无法同步提高的问题,提出一种基于自适应窗不完全S变换与留一交叉验证优化的核极限学习机(LOO-KELM)算法的复合电能质量扰动识别方法。首先根据选定的主频率点自适应调节S变换窗宽系数,提取具有高时频分辨率的59种电能质量(PQ)特征,再通过留一交叉验证寻找最小预测残差平方和,实现核极限学习机的输出权重优化,最后根据提取PQ特征集与优化后的核极限学习机实现复合扰动的识别与分类。仿真和实测结果表明,所提方法对不同噪声下的16类混合电能质量扰动均具有较高的分类精度,相较于现有复合电能质量识别方法,分类精度更高且训练时间更短。     

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。     

Power quality disturbance classification using a statistical and wavelet-based Hidden Markov Model with Dempster–Shafer algorithm

A novel approach for power quality disturbance classification using Hidden Markov Model (HMM) and Wavelet Transform (WT) is proposed in this paper. The energy distributions of the signals are obtained by wavelet transform at each decomposition level which are then used for training HMM. The statistical parameters of the extracted disturbance features are used to initialize the HMM training matrices which maximize the classification accuracy. Fifteen different types of power quality disturbances are considered for training and evaluating the proposed method. The Dempster–Shafer algorithm is also used for improving the accuracy of classification. In addition, the effect of the noise is studied and the performance of a denoising method is also investigated. Simulation results in a 34-bus distribution system verify the performance and reliability of the proposed approach. Also the results obtained for practical data prove the capability of the proposed method for implementing in experimental systems.     

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HCTSA-BP的电能质量扰动分类

为了解决传统机器学习对电能质量分类时人工选择特征困难导致分类效果不好的问题,本文提出了一种高度比较时间序列分析(highly comparative time series analysis,HCTSA)结合BP神经网络的分类方法,该方法既可以提取大量特征又可以筛选特征,不需要人工选择特征指标。首先,使用大量算法数据库从时间序列中提取数千个可解释特征;然后,再利用线性分类器进行前向特征选择,选择出类结构中信息量最大的特征,即为最优特征。最后,用最优特征重新对扰动样本提取特征,并用BP神经网络分类。仿真结果表明,HCTSA-BP法的分类准确率达到了97.3%,比传统的小波-BP法高了8.7%。