首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到17条相似文献,搜索用时 93 毫秒
1.
对屯能质量暂态扰动进行正确的识别分类是改善电能质量的前提,而电能质量扰动特征向量的提取又是电能质量扰动识别分类中的关键步骤。提出基于最优小波包熵特征的特征提取方法.对采样信号进行小波包分解及时域预处理并选取最优小波包基.计算各尺度下信号的最佳小波包子空间的熵值,归一化处理后,把同尺度下的熵值和作为特征量,再将所有尺度下的特征量按尺度分解顺序依次组合在一起.形成最终的特征向量并作为神经网络的输入构建神经网络识别系统.对暂态电能质量信号进行识别。系统负荷投切和电容器充电的仿真结果表明.该方法能快速有效地区分暂态脉冲和振荡暂态。  相似文献   

2.
为解决电力系统电能质量复合扰动识别困难的问题,同时为电网无功功率补偿提供依据,提出了一种基于多特征组合的电能质量复合扰动识别方法。应用小波包变换和S变换对电能质量扰动信号进行时频分析,提取信号的幅值特征和频率特征,构建电能质量扰动的多特征组合。然后利用概率神经网络构建多特征组合分类器实现电能质量扰动的分类识别。仿真实验证明,该方法能够识别包括两种复合扰动在内的7种电能质量扰动信号,并且具有较高的分类准确度和抗干扰能力,具有工程应用价值。  相似文献   

3.
基于小波熵和小波熵权的电能质量扰动识别   总被引:4,自引:0,他引:4  
电力系统中电能质量扰动信号的分类和识别一直是国内外众多学者研究的热点问题。小波分析是具有时频局部化特性的时频分析方法,在此基础上定义的小波熵具有较好的定量特征提取能力。基于此,在给出小波熵、小波相对熵和小波熵权的基本原理和定义的基础上,文章提出利用小波熵和熵权两种测度来分类和识别电能质量扰动信号,建立了各种扰动的仿真模型,对电压突降、突升、中断,振荡暂态、脉冲暂态、电压尖峰、缺口、谐波等扰动类型进行了系统的仿真分析。结果表明,不同类型扰动信号的小波熵及熵权具有不同的定性规律,小波熵及小波熵权对电能质量扰动具有一定的分类识别能力。  相似文献   

4.
基于小波和改进神经树的电能质量扰动分类   总被引:3,自引:1,他引:2       下载免费PDF全文
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。  相似文献   

5.
何为  杨洪耕 《电网技术》2007,31(12):82-86
提出了一种将第二代小波变换和矢量量化相结合的电能质量扰动分类方法。该方法采用第二代小波变换对电能质量扰动信号进行时频分析,采用基于模极大值的小波变换后处理方法提取时频分析结果中表征扰动特征的模极大值、生成扰动特征量组,通过将扰动特征向量组送入基于矢量量化的树形分类器实现了对电能质量扰动的分类。仿真结果表明该方法噪声鲁棒性良好、简单可靠、分类准确率高、实时性好。  相似文献   

6.
基于多标签Rank-WSVM的复合电能质量扰动分类   总被引:7,自引:0,他引:7  
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。  相似文献   

7.
基于多域特征提取(multi-domain feature extraction)和自适应神经-模糊推理系统(Adaptive Neuro-Fuzzy Inference system,ANFIS)提出了电能质量扰动类型识别的一种新方法。基于波形包络阈值线对扰动进行检测;在时域、频域和小波域进行多域特征提取,选取扰动信号的基波均方根(RMS)幅值、总谐波畸变率、次谐波幅值和小波包能量熵共同组成输入特征矢量;通过自适应神经-模糊推理系统对电能质量扰动类型进行识别。仿真结果表明,该方法与BP神经网络和最小二乘支持向量机相比平均识别准确率高,对特征不规则的待检电能质量扰动信号具有良好的柔性和适应性。  相似文献   

8.
基于多域特征提取(multi-domain feature extraction)和自适应神经-模糊推理系统(Adaptive Neuro-Fuzzy Inference system,ANFIS)提出了电能质量扰动类型识别的一种新方法.基于波形包络阈值线对扰动进行检测;在时域、频域和小波域进行多域特征提取,选取扰动信号的基波均方根(RMS)幅值、总谐波畸变率、次谐波幅值和小波包能量熵共同组成输入特征矢量;通过自适应神经-模糊推理系统对电能质量扰动类型进行识别.仿真结果表明,该方法与BP神经网络和最小二乘支持向量机相比平均识别准确率高,对特征不规则的待检电能质量扰动信号具有良好的柔性和适应性.  相似文献   

9.
王林泓  陈学昌 《电测与仪表》2012,49(8):18-21,26
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。  相似文献   

10.
针对电能质量扰动分类中冗余特征量造成分类器训练困难、分类准确率下降的问题,提出一种基于改进遗传算法的特征组合优化方法。该方法对信号进行小波变换,提取各层的改进小波能量熵作为原始特征,并构造一种基于欧氏距离的适应度函数,采用改进的自适应遗传算法对原始特征进行筛选和优化组合,形成用于电能质量扰动分类的最优特征组合。分别采用二分类-支持向量机法(Binary-SVM)、多标签径向基神经网络(ML-RBF)和多标签K近邻法(ML-KNN)对不同噪声情况下的电能质量单一扰动和混合扰动进行分类,仿真结果验证了所提特征组合优化方法能有效提高分类器的训练速度和分类准确率。  相似文献   

11.
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。  相似文献   

12.
针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法。先提取基波频段所在的小波系数将电压凹陷、电压凸起和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡。该方法利用小波和小波包各自的时频分解特点,实现了暂态电能质量扰动的自动检测和分类。经仿真分析,验证了此方法的准确性和高效性。  相似文献   

13.
This paper presents a wavelet norm entropy-based effective feature extraction method for power quality (PQ) disturbance classification problem. The disturbance classification schema is performed with wavelet-neural network (WNN). It performs a feature extraction and a classification algorithm composed of a wavelet feature extractor based on norm entropy and a classifier based on a multi-layer perceptron. The PQ signals used in this study are seven types. The performance of this classifier is evaluated by using total 2800 PQ disturbance signals which are generated the based model. The classification performance of different wavelet family for the proposed algorithm is tested. Sensitivity of WNN under different noise conditions which are different levels of noises with the signal to noise ratio is investigated. The rate of average correct classification is about 92.5% for the different PQ disturbance signals under noise conditions.  相似文献   

14.
电能质量复合扰动分类的研究进展   总被引:2,自引:0,他引:2       下载免费PDF全文
针对电能质量复合扰动的识别问题,通过举例分析复合扰动信号,讨论了复合扰动的特点。详细综述国内外电能质量复合扰动分类的研究现状,将其研究方法分为单标签分类和多标签分类两大方面,分别对这两个方面中目前采用的思想和方法进行讨论。在单标签分类中,分别从直接分类、S变换+分类器、小波变换+神经网络、支持向量机和其它方法五个方面进行复合扰动分类讨论。在多标签分类中,分别从分类思路、分类策略和标签相关性等方面对该方法进行了讨论。最后,分析了电能质量复合扰动识别目前存在的问题,对其研究进行了展望。  相似文献   

15.
针对滚动轴承振动信号的特征提取和故障诊断,提出了一种基于小波包信息熵和蛇优化算法(SO)优化支持向量机的滚动轴承故障诊断方法。使用小波包处理采集到的振动信号,构建小波包的能谱熵和系数熵,将构建的特征向量输入SO-SVM进行识别和分类;最终实现多故障模式识别,输出诊断结果。通过仿真实验表明,此方法对五组不同的样本诊断准确率达到99.17%~100%,且相比于果蝇算法优化支持向量机(FOA-SVM)和粒子群算法优化支持向量机(PSO-SVM)具有更高的故障识别分类效果。  相似文献   

16.
A new transmission line fault-classification algorithm based on half-cycle post-fault current data is presented for an advanced series-compensated transmission line equipped with a thyristor-controlled series compensator. The proposed scheme was developed with the signal feature enhancement tool of discrete wavelet packet entropy measures. The Chebyshev neural network is presented as network-growing technique for protective classification, the single-layer structure of which is a more powerful classifier that eliminates the need for complicated network design. A comparative implementation study of the multi-layer perceptron and Chebyshev neural network authenticates benefits gained by the Chebyshev neural network. To demonstrate the advantage gained by Chebyshev neural networks compared to support vector machines, a comparative study is presented with a support vector machine based classification technique. The fault datawere obtained by dynamic simulation of a sample system using the real-time power system simulator PSCAD (Manitoba HVDC Research Centre, Winnipeg, Manitoba, Canada). Extensive testing reveals the effectiveness of the Chebyshev neural network for fault classification; a comparative study brings out the superiority of the Chebyshev neural network for neural network design and implementation against the multi-layer perceptron. The Chebyshev neural network proved advantageous against support vector machines as being insensitive to the classification parameter.  相似文献   

17.
Abstract

Power quality disturbances (PQDs) have major challenges in embedded generation systems, renewable energy networks, and HVDC/HVAC electrical power transmission networks. Due to PQDs, electrical power network can have disruption in the protection system, security system, and energy-saving system. PQDs also affect the operation cost and consistency of electrical power systems. This paper presents an innovative method based on compressive sensing (CS), singular spectrum analysis (SSA), wavelet transform (WT) and deep neural network (DNN) for monitoring and classification of PQDs. Feature extraction and selection is an essential part of the classification of PQDs. In this paper, initially, SSA time-series tool and multi-resolution wavelet transform are introduced to extract the features of PQDs, and then CS technique is used to reduce the dimensionality of the extracted features. Finally, DNN-based classifier is used to classify the single-and-combined PQDs. The DNN architecture is constructed utilizing the restricted Boltzmann machine, which is then fine-tuned by back-propagation. The heart of this paper is to enhance the classification and monitoring accuracy and comparison of the results of WT-based classifier with SSA-based classifier. The proposed method is tested using 15 types of single and combined PQDs. These disturbances are transitory in the transmission and distribution networks such as voltage sag, swell, transient, interruption, harmonic, etc. The simulation and experimental results demonstrate that the SSA-based DNN classifier has significantly higher potential than the WT-based classifier to classify the power quality events under noisy and noiseless conditions.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号