首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   3篇
  免费   0篇
电工技术   3篇
  2021年   1篇
  2019年   1篇
  2017年   1篇
排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
针对电能质量复合扰动中特征选择困难和分类准确率不高的问题,提出基于不完全S变换和梯度提升树的特征选择和分类器构建方法。首先通过选取特定频率的不完全S变换得到扰动的时频矩阵。再从时频矩阵中提取53种原始特征量,并基于梯度提升树对各个特征的重要性进行度量,选取重要特征。最后根据选取的特征集训练和构建梯度提升树,得到扰动分类器。仿真实验表明,对于包括8种复合扰动在内的共17种扰动类型,该方法的分类准确率高于CART决策树、随机森林(RF)、多层感知机(MLP)等现有方法。不同噪声条件下的分类结果表明,该方法具有良好的抗噪性能和算法鲁棒性,展现出良好的应用前景。  相似文献   
2.
针对电能质量扰动实时分类的需求,提出了一种基于强跟踪滤波器和极限学习机的电能质量扰动分类方法。强跟踪滤波器通过引入渐消因子矩阵克服了扩展卡尔曼滤波器的易发散的问题。强跟踪滤波器不仅可以检测扰动幅值而且还可以提供渐消因子作为特征量,以此识别暂态扰动和谐波。该方法提出使用基波幅值最大值、最小值、波动次数和渐消因子频度均值四个特征量组成特征向量作为极限学习机分类模型的训练样本;最后将分类器用于电能质量扰动识别。为了提高极限学习机分类精度,提出了对少量边界错分样本的类别进行校正的规则校正法。仿真表明改进后的方法能够识别包括两种复合扰动在内的10种电能质量扰动信号,并具有良好抗噪性。与随机梯度下降反向传播方法、最小二乘支持向量机和序贯极限学习机相比,该方法训练和分类速度快,分类准确率高,适合于在线应用。  相似文献   
3.
传统的小波阈值去噪算法存在易丢弃真实信号、去噪效果差等缺点.该文提出了一种新的用于电能质量扰动事件的联合去噪算法.该算法首先通过强跟踪卡尔曼滤波的渐消因子大于1的次数,初步判定信号的扰动类型,然后对不同的扰动类型采取不同的去噪方法.对于仅含噪声的正弦信号和谐波信号用稀疏分解及快速傅里叶变换(FFT)做两次去噪;对暂升和暂降信号采用渐消因子准确地指示扰动起止时刻,将信号分段,并对每段信号用稀疏分解和FFT去噪;对含瞬态脉冲和暂态振荡的信号,采用不同的处理方法,首先通过稀疏分解得到稳态成分和暂态成分,对稳态成分的去噪方法与含噪声正弦信号的处理方法相同,对暂态成分的脉冲信号保留实际值,对振荡信号采用变分模态分解(VMD)去噪.大量的仿真计算表明,在不同的信噪比条件下,该文提出的算法均能够有效抑制各类扰动信号的噪声,显著提高了信噪比,且效果优于小波阈值去噪算法.  相似文献   
1
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