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。     

基于改进S变换的电能质量扰动分类

电能质量扰动信号的分类识别对建立电能质量综合评估体系、选择合理的电能质量治理方案,确保电力系统安全稳定运行和用户的合法用电权益具有重要意义。提出了一种基于改进S变换时频模矩阵的电能质量短时扰动分类新方法。该方法首先根据信号的稳态主导频率确定S变换高斯窗的衰减速度,计算所得时频模矩阵作为各电能质量扰动信号的标准模板;通过比较测试信号改进S变换模矩阵的特定频段与各标准模板之间的相似度,实现扰动分类。在相似度的比较过程中,为了凸显异类模板之间的差别,尤其是电压暂降和暂升、电压缺口和尖峰,提出了能量归一化概念以及分频逐行计算相似度的思想,实现异类模板差异最大化。该方法能够充分挖掘各类扰动信号之间的特征差异,通过简单的相似度比较对扰动进行分类,无需添加辅助分类器。仿真和实测数据的分析表明,该方法分类过程简单,可信度高,抗干扰能力强。     

基于S变换模时频矩阵局部相似度的短时电能质量扰动分类

采用基于S变换下的模时频矩阵局部相似度对短时电能质量扰动进行分类。首先，由时频尺度缩放将各类持续时间不同的扰动特征标准化，按照各扰动特征选取其模时频矩阵特定部分，以此建立矩阵大小不一且特征明显的各类扰动标准化模板;然后计算未知扰动各局部模时频矩阵与各类扰动标准化模板之间的相似度，按照相似度最大原则将扰动进行分类。由于各类扰动在不同的时频区域高度聚合了自身特征，采用局部时频区域相似度原理大大提高了同类扰动的相似度，建立的各类扰动标准化模板之间差异明显，不使用辅助性分类器而直接实现扰动分类，且分类过程简单明确，可用于不同时间长度的扰动分类。该方法有效利用局部区域明确的时频相关性，抗干扰能力比采用全局相似度强。仿真结果表明了很好的短时电能质量扰动分类效果。     

基于S变换图像灰度量化的短时电能质量扰动识别分类

针对短时电能质量扰动分类大多依赖分类器,分类准确率不高这一难题,提出了基于S变换模时频矩阵灰度图像法。首先对常见的几种扰动进行S变换分析,得到模时频矩阵,再应用数字图像灰度方法,将模矩阵各元素值用灰度图方式表示,分析其灰值分布特征,引入灰度期望和灰度方差两指标,量化灰度图像灰值分布,并根据量化结果建立扰动标准判据,实现扰动分类。仿真实验表明,该方法不依赖于分类器,能准确地对扰动进行分类且对噪声不敏感,是一种有效的短时电能质量分类方法。     

基于改进S变换的电压暂降识别

电压暂降分类识别是合理选择电能质量治理方案的前提。提出一种基于改进S变换的电压暂降识别方法。首先根据电压暂降特征频率范围自适应确定改进S变换的调节因子,计算所得模时频矩阵作为电压暂降标准模板;再比较待测试暂降的改进S变换模矩阵特定频段与各标准模板之间的相似度,实现扰动分类。在比较相似度值的过程中,为凸显不同暂降类型的相似性及差异性,采用分频逐行计算相似度值,从而实现异类模板差异最大化。该方法充分挖掘各类暂降的特征差异,通过简单的相似度计算对扰动进行分类,无需添加辅助分类器。仿真和大量实测数据研究表明,该方法分类过程简单,抗干扰能力强。     

基于S变换模时频矩阵的电能质量扰动检测与识别

提出利用S变换下的模时频矩阵对电能质量扰动检测与识别。其核心利用S变换模时频矩阵提取电能质量扰动特征,根据模时频矩阵幅值的概率密度分布建立各种扰动的标准模板,通过计算扰动信号的模时频矩阵与标准模板的欧几里德距离确定扰动信号与各种扰动标准模板的接近程度,进而实现对扰动信号的正确识别,并通过模时频矩阵检测扰动信号的时频域特征。仿真结果表明,该方法具有较好的抗干扰性,且在信噪比较低的情况下仍能达到满意的识别效果,同时检测扰动信号的时频特征具有较高的精度。     

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。     

基于变尺度标杆的短时电能质量分类法

短时电能质量扰动特征取决于其频率特征和持续时间，S变换被认为是最适合于分析短时扰动的方法之一。提出了基于S变换的不同类型扰动标杆相似度识别不同持续时间扰动的方法。基于双线性插值的尺度变换建立同类扰动不同持续时间的标杆，该扰动标杆涵盖了同类扰动的不同特征；对被测扰动信号进行S变换，经过尺度变换后统一为与标杆维数相同的矩阵，依据相似度最大原则对扰动类型进行识别。该方法无需额外的分类器，过程简单有效。仿真证明，该方法对噪声不敏感，能较好地解决不同持续时间的电能质量扰动信号的识别问题。     

利用S变换与变尺度模板标准化的短时电能质量扰动分类

提出一种利用S变换与变尺度模板标准化的短时电能质量扰动分类方法。首先利用S变换对扰动信号进行时频分析;然后以最小二乘法选取最佳缩放尺度,通过变尺度方法标准化不同持续时间、幅值的扰动特征,在此基础上建立唯一的、时间尺度和频宽分辨率统一的各类扰动标准模板,作为识别扰动类型的直接判据;最后通过模板匹配的方法实现扰动分类。该方法不使用任何人工智能分类器,分类原理简单,过程明确,且可用于不同时间长度的扰动分类。Matlab仿真和实际试验结果显示,该方法能准确地对扰动进行分类且对噪声不敏感,是一种有效的短时电能质量扰动分类方法。     

基于时频矩阵相似度的输电线路暂态保护方法

为提高传统暂态保护方法的可靠性,综合运用宽频带暂态信号在时域和频域上的故障信息,提出一种输电线路保护新方法。该方法利用S变换提取宽频带暂态信号在不同时段不同频带下的故障信息,通过构造时频矩阵来反映暂态信号的时频变化特性;利用奇异值分解提取时频矩阵的时频特征,并减少矩阵冗余量;将奇异值矩阵与样本库矩阵进行时频特征匹配,计算矩阵相似度;根据矩阵相似度判别区内外故障。仿真结果表明,该暂态保护方法能准确快速识别区内外故障。     

利用S变换时频等值线图与幅值包络向量实现电压凹陷的分类

提出了一种基于S变换的电压凹陷分类方法.该方法基于各种电压凹陷在三相幅值凹凸性、凹陷持续阶段特定谐波成分以及幅值突变次数等方面的不同特征,通过应用具有良好时频分析能力的S变换提取这些特征,并采用修正一阶中心矩、时频等值线图、相位变化曲线等环节实现对电压凹陷的分类.分类过程简明,可对故障、故障自清除、感应电动机起动以及变压器励磁等多种原因引起的电压凹陷进行正确分类.仿真验证了该方法的有效性.     

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。     

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.