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。     

基于小波变换和支持向量机的电能质量扰动识别

电能质量扰动识别时,采用小波变换提取能量分布特征时小波分解层数通常缺乏理论依据,且采用支持向量机( SVM)分类时训练样本通常只含某一种信噪比(SNR)的噪声.针对以上两个问题,利用小波变换对电能质量扰动信号进行多分辨率分析时,根据扰动信号的采样率来确定小波分解层数,提取小波能量分布差特征作为SVM的输入向量,减少了计算量和特征维数;采用信噪比在较大范围内分布较均匀的训练样本来训练SVM,增强了SVM的范化能力.仿真实验表明,该方法提高了电能质量扰动识别准确率;在20dB噪声条件下,该方法对6种电能质量扰动的识别准确率仍达到95.20％.     

利用关联向量机和S变换识别电能质量扰动

电能质量扰动检测识别对电能质量的监测和治理改善都具有重要作用。为更好地识别电能质量扰动,提出了一种基于关联向量机和S变换的电能质量扰动识别方法。首先,通过S变换提取正弦信号、谐波、电压波动、电压暂降、电压暂升、暂态振荡、谐波暂降及谐波暂升等9种电能质量扰动的主要特征,然后用关联向量机对特征样本进行训练及分类。算例结果表明,该方法能有效地识别出电能质量扰动信号类型,识别时间短,且正确率极高,达98.8%,是应用于实时电能质量监测工程实际的很好选择。     

基于决策树和支持向量机的电能质量扰动识别

提出一种新型电能质量扰动识别方法,该方法采用快速傅里叶变换(fast Fourier transform,FFT)结合动态测度法提取3种特征以及S变换提取4种特征;采用决策树和支持向量机(support vector machine,SVM)设计组合分类器。针对FFT频谱中谐波频率明显的扰动类型,采用极值点包络的动态测度法提取频谱中的主要频率点特征,结合S变换提取的特征首先将扰动类型进行初步归类,然后采用S变换的2个特征就能进行后续分类;决策树分类过程中采用SVM来区分电压暂降和中断,克服了特征阈值随信噪比(signal-to-noise ratio,SNR)变化难以确定的问题。仿真实验表明,该方法能够准确识别包含2种复合扰动在内的11种电能质量扰动信号,SNR低至20 dB时准确率仍达到96.50%;且与已有文献的分类结果对比表明,该方法准确率高,稳定性强,在低SNR条件下分类结果优势明显。     

基于最小二乘支持向量机的电能质量扰动分类方法

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法。对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别。与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果。仿真实验验证了该方法对扰动分类的有效性。     

奇异值分解和最小二乘支持向量机在电能质量扰动识别中的应用

基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。     

最小二乘支持向量机在电能质量扰动分类中的应用

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法.对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化:最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别.与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果.仿真实验验证了该方法对扰动分类的有效性.     

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。     

基于S变换模矩阵的电能质量扰动信号检测与定位

针对电能质量扰动信号的检测和定位问题,提出了一种基于S模矩阵幅值平方和均值的扰动定位算法,并对常见的几种扰动信号进行S变换仿真,应用S模矩阵幅值平方和均值定位扰动发生时间和持续时间,分析谐波成分等.仿真结果表明,所提算法简洁有效,能够准确分析谐波成分和定位扰动信号,可以估计电压暂降、电压暂升以及电压中断等扰动信号的变化幅度.     

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。     

在线识别同调机群的优化支持向量机算法

对大型电力系统采用动态等值可显著降低计算量,并能突出主要特征。同调等值法作为动态等值的一种,其核心是同调机群的自动识别。为此,提出将最小二乘支持向量机(least square support vector machine,LS-SVM)应用于同调机群的在线识别,通过离线学习建立表征发电机同调性的特征参数与发电机之间同调性指标的非线性映射关系,并对比2组不同输入特征找出更能表现发电机同调性的特征参数。为进一步提高最小二乘支持向量机的学习、预测能力,提出采用多层动态自适应优化算法对其参数进行优化。最后通过对中国电力科学研究院(EPRI)36节点系统的仿真计算,结果表明该方法具有准确、快速的优点,并且适用于系统不同运行方式,能有效解决同调机群的识别问题。     

基于天气类型聚类和LS—SVM的光伏出力预测

分析了影响光伏出力的气象因素,结合光伏系统实际运行数据和气象信息,提出一种基于天气类型聚类和LS—SVM的光伏出力预测模型。选取太阳辐照时间、温度、相对湿度等作为气象特征向量,通过计算各向量的加权欧氏距离,筛选出最佳聚类集合,确定训练样本,使样本数据能更好地反映待预测日的实际气象信息。取最佳聚类日气象特征、相应光伏出力及待预测日气象特征输入训练好的LS—SVM模型,输出为待预测日对应时刻的光伏出力。最后通过实际算例分析、评估,验证了所提模型和算法的有效性,并通过增加样本数据点获得了更加精确的预测结果。     

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。     

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。