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。     

基于聚类改进S变换与直接支持向量机的电能质量扰动识别

针对电能质量扰动信号的识别问题,提出基于聚类改进S变换与直接支持向量机(SVM)的电能质量扰动识别方法。提出聚类改进S变换方法,该方法结合电能质量扰动信号的特点,可同时对基频的时域分辨率及高频的频域分辨率进行最优化处理,保证特征提取的准确性;将直接支持向量机作为分类器,与最小二乘支持向量机相比,其求解简单,计算复杂度较低,训练与测试速度快,泛化能力较高,并且避免不能保证全局最优解的缺点;将聚类改进S变换与直接支持向量机相结合,应用于单一扰动及混合扰动的识别分类工作。仿真实验验证了所提方法的有效性。     

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。     

基于S变换和多级SVM的电能质量扰动检测识别

提出了一种基于S变换和多级支持向量机(SVMs)的电能质量扰动检测和识别方法.首先通过S变换对电能质量扰动信号进行时频分析,有效实现对各种扰动的检测输出.然后对检测输出进行时频特征提取,并通过一个N?1级支持向量机器分类器,最后实现N种电能质量扰动信号的分类识别.测试结果表明,该方法能有效识别参数大范围内随机变化的各种电能质量扰动,识别正确率高,且训练时间很短,实时性能好.     

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。     

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%。     

Classification of disturbances in hybrid DG system using modular PNN and SVM

This paper presents the classification of islanding and power quality (PQ) disturbances in grid-connected distributed generation (DG) based hybrid power system. The penetration of DG influences the PQ levels in the distribution networks. Islanding disturbances are separated out from the PQ disturbances based on the selection of suitable threshold value, at the initial stage of classification process. Further, the power quality disturbances are automatically classified into distinct classes based on feature extraction using S-transform followed by training of two classifiers, namely, modular probabilistic neural network (MPNN) and support vector machines (SVMs). Five different types of disturbances are considered for the classification problem. The study reveals that S-transform (ST) in association with MPNN and SVM can effectively detect and classify islanding and PQ disturbances. The proposed methodology uses features instead of real data set and thereby reduces the data size to classify disturbance signal without losing its original property. The accuracy and reliability of proposed classifier is also tested on signals contaminated with noise and PQ disturbances caused due to wind speed variation on an experimental prototype set-up.     

Detection and classification of power quality disturbances using S-transform and modular neural network

This paper presents an S-transform based modular neural network (NN) classifier for recognition of power quality disturbances. The excellent time—frequency resolution characteristics of the S-transform makes it an attractive candidate for the analysis of power quality (PQ) disturbances under noisy condition and has the ability to detect the disturbance correctly. On the other hand, the performance of wavelet transform (WT) degrades while detecting and localizing the disturbances in the presence of noise. Features extracted by using the S-transform are applied to a modular NN for automatic classification of the PQ disturbances that solves a relatively complex problem by decomposing it into simpler subtasks. Modularity of neural network provides better classification, model complexity reduction and better learning capability, etc. Eleven types of PQ disturbances are considered for the classification. The simulation results show that the combination of the S-transform and a modular NN can effectively detect and classify different power quality disturbances.     

基于改进多层前馈神经网络的电能质量扰动分类

电能质量扰动分类是电能质量控制的重要工作之一,主要工作包括信号特征提取和分类器构造两个阶段。采用S变换与改进的多层前馈神经网络相结合,提出一种新的电能质量扰动分类方法。首先利用S变换对原始数据进行处理,提取具有代表性的4类典型特征以表征不同种类的扰动类型的特性,之后使用拟牛顿法和自适应因子改进传统的多层前馈神经网络,将特征作为改进的多层前馈神经网络的输入向量,实现自动的分类识别。实验表明,新方法减少了噪声对分类准确率的影响,学习能力强,能够有效的识别电压暂降、电压瞬升、电压中断、暂态震荡、谐波等5种电能扰动。     

基于S变换和时域分析的电能质量扰动识别

提出了一种基于S变换(S-Transform,ST)和时域分析的电能质量扰动自动识别方法,该方法利用信号的S变换幅值矩阵和时域信息快速提取与各类电能质量扰动相应的特征,并借助简单的规则树识别特定的扰动,避免了因训练样本不足引起的较大误差,提高了识别效率。仿真试验结果表明,该方法识别率高,抗噪能力强,适用于电能质量扰动监测和辨识系统。     

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.     

S变换在电能质量扰动分析中的应用综述

结合国内外采用S变换应用于电能质量扰动分析的现状,对基于S变换的电能质量扰动检测、识别以及其他方面的应用进行了分类和总结。分析了S变换结合各种人工智能与数学工具在进行电能质量扰动分析时的优势和不足,介绍了近年来利用广义S变换、改进S变换和双曲S变换等其他形式S变换在电能质量扰动分析中的应用情况。最后对S变换应用于电能质量扰动分析的发展趋势以及值得进一步研究的问题进行了展望。