基于动态树和支持向量机的电能质量复合扰动分类

针对实际电力系统中存在的电能质量复合扰动问题,采用以往单一的方法很难准确识别出复合扰动中所包含的每一类扰动,所以提出了基于动态树和支持向量机相结合的方法分类识别复合扰动。电能质量扰动分类过程分为特征提取和分类器两个阶段。在特征提取阶段,分析了通过d-q变换、小波包分解和S变换对扰动信号进行特征提取,综合3种分析方法得到特征量,得到特征组合,更好地反映出了扰动信号的特征。在分类器设计中,利用了聚类分析中的类距离概念构造出了二叉树结构的支持向量机分类器,以更快、更准确地识别扰动类型。在此基础上,提出了基于动态树的分类方法来识别复合扰动信号中所包含的所有扰动类型。测试结果表明,所提出的复合扰动分类方法可以有效分类出复合扰动中的各类扰动。     

基于双密度双树小波变换的电能质量扰动识别方法

针对电能质量扰动的识别问题,提出一种基于双密度双树小波变换(DD-DT DWT)小波熵和支持向量机的扰动信号识别方法。该方法首先对电能信号进行DD-DT DWT变换,然后分别提取其小波能量熵和小波系数Shannon熵以描述不同扰动信号的特征,最后采用二元树结构支持向量机分别对提取的两类小波熵特征向量进行分类。仿真实验表明:所提出的基于DD-DT DWT小波熵的特征提取方法能有效识别常见的8种扰动信号,并具有正确识别率高及噪声鲁棒性强的优点。     

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.     

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。     

基于支持向量机的动态电能质量扰动分类方法

将支持向量机SVM(SupportVectorMachine)引入到动态电能质量分类问题中。在Matlab中编程建立了谐波、电压暂升、电压跌落、瞬时中断、电压波动、瞬变6种常见动态电能质量扰动数学模型,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,产生训练和测试样本。给出了利用LIBSVM解决电能质量扰动分类问题的步骤,并根据分类结果对影响分类效果的参数进行了分析。对训练好的支持向量分类器进行测试,效果良好,当采用C-SVC,RBF核时调整参数可以得到最优分类效果,最高分类率可达到96.67%。     

基于PSO-SVM的电能质量复合扰动分类识别方法

目前的电能质量复合扰动分类识别方法存在参数选择困难和识别精度不高的问题。本文提出了一种基于粒子群优化(particle swarm optimization,PSO)和支持向量机(support vector machine,SVM)的电能质量复合扰动识别方法。首先采用db4小波对扰动信号进行特征提取,通过对得到的近似分量和各层细节分量参数进行数学变换,获得合适的训练和测试样本。然后用PSO寻优方法对支持向量机的参数进行选择,解决了参数选择不当造成的识别精度不高的问题。最后利用Matlab软件进行仿真实验,其结果验证了该方法的有效性。     

多特征组合及优化SVM的电能质量扰动识别

提出一种基于多特征组合及粒子群优化的支持向量机(SVM)的电能质量扰动识别方法。该方法采用小波变换和S变换提取各扰动信号特征向量,采用粒子群(PSO)优化的支持向量机进行分类识别。首先针对提取的小波能量谱中谐波信号的明显差异,通过设定特征阈值进行初步分类,然后结合S变换提取的3种特征,采用优化参数的SVM进行后续分类。仿真实验表明,该方法能够有效识别常见的8种电能质量扰动及2种复合扰动,相比未经优化的支持向量机模型,粒子群优化的SVM具有较高的识别精度和运算速度,且抗噪能力强。     

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S变换的电能质量扰动支持向量机分类识别

采用s变换和支持向量机进行电能质量扰动的分类识别。作为连续小波变换和短时傅立叶变换的发展，S变换引入了宽度与频率成反向变化的高斯窗，具有与频率相关的分辨率。由于S变换具有良好的时频特性，因而非常适合于进行电能质量扰动信号特征提取。首先通过S变换进行扰动信号特征提取，然后构造支持向量机分类树进行扰动分类。算例表明该方案具有分类准确率高，对噪声不敏感，训练样本少等优点，是电能质量扰动识别的有效方法。     

小波变换在局部放电信号提取中的应用

本文尝试将波波变换应用于提高用脉冲电流法测得的局部电脉冲的信噪比。     

基于小波变换的谐波测量方法综述

结合国内外谐波检测技术的发展现状,对基于MALLAT算法、小波包变换、连续小波变换、复小波变换、自适应小波的谐波检测以及电能质量分析方法进行了分类和总结,分析了各种小波变换算法在谐波检测中的优点和缺点,同时对目前小波变换在谐波测量中的几个需要解决的问题进行了归纳.最后,对小波变换在电力系统谐波检测中需要重点研究的方向提出了自己的看法.     

小波分析在振动信号处理领域中的应用

在小波分析的理论基础上 ,简要讨论了小波变换在振动信号分析中的一些典型应用 ,包括信号滤波、降噪、非平稳特性分析、机器状态检测和故障诊断等方面。最后总结了小波变换在振动领域应用的优缺点。     

一种新的小波变换功率测量整数算法的研究与实现

在深入分析研究滤波器系数为整数的整数小波变换的基础上,首次提出了基于小波的电压、电流有效值及功率分频带测量的整数算法,并用框图形式表示出其在DSP上的实现方案.实验中采用Dmey小波的整数测量算法测量电压、电流有效值功率的准确度可优于10-4,速度比第一代小波变换的测量算法提高了十倍以上.     

小波变换在谐波检测中的应用

根据国内外谐波测量的发展现状，简要介绍了基于小波变换的谐波测量以及分析方法的原理及主要的成果，分析其优点和缺点，并对小波变换在不对称系统谐波测量中的一些不足进行了探讨。最后，对小波分析在电力系统谐波测量中的发展趋势和方向提出了自己的看法。     

改进递归小波变换在变压器保护中的应用研究

从小波变换的基本理论出发,构造出适于电力系统故障信号分析的基本小波,同时,为了满 足电力系统的实时性需求,提出了改进递归小波变换,并利用其进行了鉴别变压器励磁涌流 的研究。研究结果表明该方法是可行的。     

基于小波变换与自适应滤波的Gibbs现象消除手段

将自适应滤波和基于αTrons算法的二进小波变换相结合,以周期性矩形波为例进行Gibbs现象滤波分析,仿真验证此算法在重构项数、权值系数、收敛因子和循环次数选取合适时能很好地消除Gibbs现象,从而为分析与抑制小波变换中的Gibbs现象提供一种新途径。     

采用非降采样第二代小波变换的信号降噪方法

信号降噪是机电设备故障诊断领域中的重要研究课题。根据噪声的小波变换系数随着小波分解尺度的增加而迅速趋向于零这一特性,基于小波变换的降噪方法得到了广泛应用。文中研究了非降采样第二代小波变换的构造方法,给出了非降采样第二代小波变换中预测算子和更新算子的时域计算公式,分析了算法的计算复杂度,并在此基础上提出采用非降采样第二代小波的信号降噪方法。由于非降采样小波分解后的各层系数和原始信号的长度均相同,因此在具备平移不变性的同时还能保留更多的时域信息,从而可以提高信号的降噪效果。对仿真信号和实际信号进行了试验,结果表明,该方法较理想地对信号进行了降噪处理,并且能够较好地保留原始信号中的故障特征。     

基于小波变换和ANN的最佳重合闸时刻的研究

目前对于线路瞬时性故障的最佳重合闸时刻以离线计算为主,如利用能量函数法,但其计算困难,计算时间较长,在电力系统中不能满足实际运行条件变化的要求。文中提出了一种基于小波变换和人工神经网络（ANN）方法的在线寻求瞬时性故障最佳重合闸时刻的方法,只需较短时间就能计算出最佳重合闸时刻。首先利用MATLAB对电力系统故障进行仿真,把故障信号通过小波变换分解成不同尺度下的“近似”分量（approximation）和“详细”分量（detail）,并把提取的特征值作为人工神经网络的输入量,进行训练,从而找到最佳重合闸时刻。算例验证了所提出方法的有效性和准确性。     

基于小波分析的超高压输电线路保护新方法

暂态信号分析是电力系统故障诊断和暂态保护的基础和依据,小波变换为暂态信号分析提供了强有力的数学工具.应用小波变换对超高压输电线路的暂态电压、电流分量进行分析和处理,提出了一种利用经小波滤波后综合电压量确定故障方向和相别.在电压增量中提取行波信号来快速计算故障距离的新方法.ATP-EMTP和Matlab/Wavelet Tool- box仿真结果表明,提出的保护方案具有很好的快速性和可靠性.