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.     

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.     

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.     

一种基于线性时频分布和二进制阈值特征矩阵的电能质量分类方法

从电能质量扰动信号中有效提取扰动特征信息并进行正确分类是电能质量监测分析系统需要解决的重要问题.本文提出了一种基于线性时频分布和二进制阈值特征矩阵的电能质量扰动分类方法.首先结合两种线性时频分布(窗口傅里叶变换和S变换)的优点,提取能够表征信号特点的五个特征并对其进行量化和编码;在此基础上,确立了基于二进制阈值特征矩阵...     

电能质量复合扰动分类识别

电能质量扰动的分类分为信号特征提取和分类器2个阶段,采用S变换和支持向量机构造电能质量复合扰动的分类识别方案.利用S变换进行扰动信号特征提取,构造支持向量机静态分类树,再通过基于Mercer核的聚类方法对静态分类树进行动态扩展,形成动态分类树,实现对复合扰动的识别.给出了电能质量复合扰动分类算法的4个步骤:构建静态分类树;用基于Mercer核的聚类方法进行聚类分析;构建动态分类树;对新发现的扰动确定其具体类型,并给其命名.算例表明该方法不仅可以有效分类识别电压突降、电压突升、电压中断、暂态振荡、电压尖峰、电压缺口和谐波等7种电能质量扰动,还可以识别由其组合而成的电能质量复合扰动.     

SVD和神经网络在孤岛检测中的应用

针对传统被动式检测方法存在较大检测盲区(Non-detection Zone, NDZ)、阈值难以确定以及易受电能质量扰动影响的缺陷,研究了一种基于奇异值分解(Singular Value Decomposition,SVD)和神经网络的被动式孤岛检测方法。该方法首先对公共连接点(Point of Common Coupling, PCC)处电压和逆变器输出电流进行S变换,提取相应的谐波幅值后,对其进行SVD并构成特征向量,最后运用BP神经网络对孤岛以及非孤岛情况进行分类识别。仿真结果表明,该方法可以有效检测出功率平衡情况下发生的孤岛,而且能防止电能质量扰动对检测准确性的影响,具有很高的准确性、可靠性和实用性。     

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。     

S变换在电能质量扰动中的分析

S变换是电能质量扰动分析中的一个重要工具。为了对电能质量扰动信号进行准确分析,提出S变换模矩阵幅值求全算法和幅值平方和均值算法。求全算法得到时间和幅值的包络,准确得到扰动量的幅值,平方和均值算法可以准确定位扰动的时间和检测谐波频率分量。通过在Matlab上S变换对电能质量扰动信号的仿真分析并与Daubechies小波及小波包变换分析进行比较,证明S变换对电能质量扰动分析的精确性更高。     

基于改进能量集中度的S变换与随机森林的电能质量扰动识别

鉴于S变换的窗口函数对不同频带信号的自适应能力差,提出一种新型的改进S变换(Modified S-Transform,MST),该方法通过引入四个辅助参数,优化高斯窗函数尺度因子的自适应能力,使改进S变换的能量集中度最大化,获得了更出色的时频分辨能力。建立了基于扰动信号幅值和相位的特征值评价体系,采用随机森林(Random Forest,RF)算法对包括标准信号和电压暂降、电压暂升、高次谐波、暂态振荡等10种扰动信号共11类电能质量信号分类识别。与已有文献采用的决策树、支持向量机和神经网络分类结果进行了对比分析,仿真试验结果表明,该方法分类准确率高,抗干扰能力强,且在训练样本少、低信噪比(Signal-to-Noise Radio,SNR)条件下分类结果优势明显。     

基于广义S变换和DE-ELM的电能质量扰动信号分类*

电能质量扰动信号分类对电能质量综合评估、扰动源定位治理具有重要意义。提出了一种基于广义S变换和差分进化优化极限学习机的电能质量扰动信号分类方法。首先,通过改变S变换在不同频段的窗宽因子,来提高特征表现能力;然后,采用极限学习机作为扰动分类器,引入具有全局寻优功能的差分进化算法,优化极限学习机输入权值和隐藏层结点偏置,增强极限学习机的泛化能力,提高分类准确率。最后,仿真对比实验表明,相比于支持向量机和极限学习机,文中新方法准确率高、抗噪性强,更适用于电能质量扰动识别工作。     

A real-time classification method of power quality disturbances

This paper describes a real-time classification method of power quality (PQ) disturbances. With an acceptable computation burden, both the elementary parameters of the power signal and the types of the disturbances in the power signal are obtained easily. The proposed method addresses the selection of discriminative features for detection and classification of PQ disturbances. Five distinguished time-frequency statistical features of PQ disturbances are extracted using RMS (root-mean-square) method and discrete Fourier transform (DFT). Using a rule-based decision tree (RBDT), the nine types of PQ disturbances can be recognized easily and there is no need to use other complicated classifiers. Finally, the proposed method is tested using the simulated waveforms. And some preliminary experimental results of the accuracy characterization of an initial development instrument are reported. The simulation and application results validate the accuracy and efficiency of the proposed method.     

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。     

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.     

混合动力系统电能质量扰动分析及治理

基于并联有源滤波器(shunt active power filter,SAPF)和动态电压调节器(dynamic voltage restorer,DVR),首先,搭建了包含光伏和风机的混合动力系统,用以模拟分布式电源接入配电网中产生的电能质量(power quality,PQ)扰动。其次,利用模糊逻辑、神经网络和自适应神经模糊推理系统控制算法对SAPF的动态性能进行优化,对电能质量扰动进行治理,使用人工智能技术进行管理,使光伏和风能系统均实现最大功率点跟踪(maximum power point tracking, MPPT)。最后,在搭建的仿真系统中进行验证,线性负载和非线性负载输出侧谐波畸变率分别降至0.20%和2.05%,满足配电系统对于电能质量的要求。     

移相电能质量检测法的研究

电能质量检测是电能质量研究的一个重要组成部分,该文提出了一种移相电能质量检测方法。该检测方法原理简单、实时性好,可对电力系统最重要的几种电能质量扰动,包括谐波、电压凹陷、电压凸起、电压波动和暂态振荡,进行检测,且方法本身没有延时,可应用于电能质量实时检测和识别系统中。该文运用大量的仿真数据和某牵引变母线电压现场采样数据对检测有效性进行了验证。     

滑动窗Walsh基函数神经网络检测电能质量扰动

为了能够准确实时检测出电力系统中存在的电能质量扰动,提出了一种自适应确定隐神经元数及修改权值的自适应Walsh基函数神经网络时频分析方法.在此基础上采用加滑动窗的方法,根据不同时刻不同基上的权值能量分布信息检测电能质量扰动的特征,实现了对电能质量扰动的实时检测.实验仿真显示该基函数神经网络有较好的逼近能力和滤噪特性,对...     

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。