基于S变换模时频矩阵局部相似度的短时电能质量扰动分类

采用基于S变换下的模时频矩阵局部相似度对短时电能质量扰动进行分类。首先,由时频尺度缩放将各类持续时间不同的扰动特征标准化,按照各扰动特征选取其模时频矩阵特定部分,以此建立矩阵大小不一且特征明显的各类扰动标准化模板;然后计算未知扰动各局部模时频矩阵与各类扰动标准化模板之间的相似度,按照相似度最大原则将扰动进行分类。由于各类扰动在不同的时频区域高度聚合了自身特征,采用局部时频区域相似度原理大大提高了同类扰动的相似度,建立的各类扰动标准化模板之间差异明显,不使用辅助性分类器而直接实现扰动分类,且分类过程简单明确,可用于不同时间长度的扰动分类。该方法有效利用局部区域明确的时频相关性,抗干扰能力比采用全局相似度强。仿真结果表明了很好的短时电能质量扰动分类效果。     

基于广义S变换的短时电能质量扰动信号分类

提出一种基于广义S变换的短时电能质量扰动信号分类方法。首先对短时电能质量扰动信号进行广义S变换,得到模矩阵,再从模时频矩阵中提取5种统计量特征值,然后利用决策树对扰动信号进行归类,从而实现对短时电能质量扰动信号的自动分类。仿真结果表明,该方法识别正确率高,且对噪声不敏感,适用于实际电网电能质量扰动信号的分析。     

基于广义S变换的短时电能质量扰动的模糊模式识别

针对电能质量的短时扰动的分类问题,提出了一种基于广义S变换和模糊模式识别的短时电能质量的分类方法。先对扰动信号作广义S变换得到模时频矩阵,再从该矩阵中提取4种统计量特征值,然后利用模糊模式识别方法的最大隶属度原则对扰动信号进行归类,从而实现对短时电能质量扰动信号的自动分类。仿真测试结果表明,该方法识别正确率高且对噪声不敏感,适用于实际应用。     

基于广义S变换的短时电能质量扰动的模糊模式识别

针对电能质量的短时扰动的分类问题,提出了一种基于广义S变换和模糊模式识别的短时电能质量的分类方法.先对扰动信号作广义S变换得到模时频矩阵,再从该矩阵中提取4种统计量特征值,然后利用模糊模式识别方法的最大隶属度原则对扰动信号进行归类,从而实现对短时电能质量扰动信号的自动分类.仿真测试结果表明,该方法识别正确率高且对噪声不敏感,适用于实际应用.     

基于S变换时频等值线图与幅值包络线的短时电能质量扰动检测与分类

提出了利用S变换时频等值线图和幅值包络线对常见短时电能质量扰动进行检测和分类的方法。介绍了S变换的基本原理,给出了利用S变换检测和分类短时电能质量扰动的实现方法,通过仿真验证方法的有效性。结果表明,该方法可以准确地确定扰动发生时刻和持续时间,并能简单、直观地对扰动进行分类和幅度确定。     

基于S变换的短时电能质量扰动检测与分类

提出了利用S变换时频等值线图和幅值包络线对常见短时电能质量扰动进行检测和分类的方法.介绍了S变换的基本原理,给出了利用S变换检测和分类短时电能质量扰动的实现方法,通过仿真验证方法的有效性.结果表明,该方法可以准确地确定扰动发生时刻和持续时间,并能简单、直观地对扰动进行分类和幅度确定.     

基于S变换时频等值线图与幅值包络线的短时电能质量扰动检测与分类

提出了利用S变换时频等值线图和幅值包络线对常见短时电能质量扰动进行检测和分类的方法.介绍了S变换的基本原理,给出了利用S变换检测和分类短时电能质量扰动的实现方法,通过仿真验证方法的有效性.结果表明,该方法可以准确地确定扰动发生时刻和持续时间,并能简单、直观地对扰动进行分类和幅度确定.     

基于变尺度标杆的短时电能质量分类法

短时电能质量扰动特征取决于其频率特征和持续时间,S变换被认为是最适合于分析短时扰动的方法之一。提出了基于S变换的不同类型扰动标杆相似度识别不同持续时间扰动的方法。基于双线性插值的尺度变换建立同类扰动不同持续时间的标杆,该扰动标杆涵盖了同类扰动的不同特征;对被测扰动信号进行S变换,经过尺度变换后统一为与标杆维数相同的矩阵,依据相似度最大原则对扰动类型进行识别。该方法无需额外的分类器,过程简单有效。仿真证明,该方法对噪声不敏感,能较好地解决不同持续时间的电能质量扰动信号的识别问题。     

基于改进S变换的电能质量扰动分类

电能质量扰动信号的分类识别对建立电能质量综合评估体系、选择合理的电能质量治理方案,确保电力系统安全稳定运行和用户的合法用电权益具有重要意义。提出了一种基于改进S变换时频模矩阵的电能质量短时扰动分类新方法。该方法首先根据信号的稳态主导频率确定S变换高斯窗的衰减速度,计算所得时频模矩阵作为各电能质量扰动信号的标准模板;通过比较测试信号改进S变换模矩阵的特定频段与各标准模板之间的相似度,实现扰动分类。在相似度的比较过程中,为了凸显异类模板之间的差别,尤其是电压暂降和暂升、电压缺口和尖峰,提出了能量归一化概念以及分频逐行计算相似度的思想,实现异类模板差异最大化。该方法能够充分挖掘各类扰动信号之间的特征差异,通过简单的相似度比较对扰动进行分类,无需添加辅助分类器。仿真和实测数据的分析表明,该方法分类过程简单,可信度高,抗干扰能力强。     

基于S变换模时频矩阵相似度的短时电能质量扰动分类

提出了一种基于S变换模时频矩阵相似度的短时电能质量扰动分类方法。首先,建立各种扰动的标准模时频矩阵,然后计算扰动信号模时频矩阵与标准模时频矩阵的相似度,按照相似度最大的原则将扰动分类。该方法直接利用S变换结果,而不用增加其它算法或变换,原理简单、计算方便。仿真结果显示,该分类方法在不同噪声水平下均能达到满意的分类正确率,是一种有效的短时电能质量扰动分类方法。     

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。     

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.     

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。     

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。