一种电能质量多扰动分类中特征组合优化方法

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。     

基于多标签随机森林的电能质量复合扰动分类方法

提出一种多标签随机森林(Multi-label Random Forest, ML-RF)分类算法,并将其应用于电能质量复合扰动分类。ML-RF是基于多标签决策树(Multi-label Decision Tree, ML-DT)的集成学习算法,利用子决策树的组合来增强分类器的整体性能。首先对电能质量扰动信号进行平稳小波变换,计算各层分解系数的小波能量熵作为分类特征向量。然后使用Bootstrap自助法和子空间采样构造不同的训练集训练子决策树。最后组合子决策树得到ML-RF分类器,并对复合电能质量扰动进行分类。仿真结果表明,在不同噪声情况下,该方法均能有效进行复合扰动的分类,具有较好的噪声鲁棒性,是复合电能质量扰动分类的一种可行方法。     

基于反熵-AHP二次规划组合赋权法的电网节点综合脆弱性评估

针对电网脆弱节点辨识存在的评估指标片面、不同评价方法偏差较大的问题,从系统固有拓扑结构、电网当前安全运行水平以及预想故障冲击影响三方面出发,构建电网脆弱性节点评估指标体系。该体系基于系统对脆弱度的需求层次,衍生出改进节点韧性度、节点电气介数、节点能量裕度、改进潮流分布熵及最小失负荷百分比等相关指标,综合考虑电网结构抗毁性、节点抗干扰能力、节点退出运行后系统潮流分布及系统自我调节后仍无法避免负荷削减时的状况。提出基于反熵-AHP二次规划组合赋权法的综合评估模型对节点脆弱度进行评估。IEEE39节点系统算例证明了所提指标体系与评价方法的合理性和有效性。     

基于卷积神经网络的电能质量扰动分类

为了减小在设计电能质量扰动分类器时人工选取扰动特征存在的困难,基于对样本数据进行深度学习提出一种采用卷积神经网络(Convolutional Neural Network,CNN)的电能质量扰动分类算法,利用CNN从原始扰动图像中自适应地提取特征并加以分类.首先将一维电能质量扰动数据映射为二维灰度图,并分析各类扰动在二维灰度图形式下的特征;然后以LeNet-5为基础构建适用于电能质量扰动分类的CNN网络结构,并采用随机梯度下降法训练分类网络对电能质量扰动进行分类.仿真结果表明卷积神经网络能有效收敛,且在不同噪声情况下能准确地进行扰动分类,具有较好的噪声鲁棒性,是电能质量扰动分类的一种可行方法.     

变分模态分解在电力系统谐波检测中的应用

针对电能质量分析中的谐波检测问题,将变分模态分解(VMD)应用到电力系统谐波检测中。利用VMD对信号的频带划分能力,实现各谐波模态的有效分离。对谐波信号进行频谱预分析确定VMD模态分解数,采用Hilbert变换提取各谐波模态幅值、频率等特征信息,通过基于奇异值分解的扰动定位方法对暂态谐波起止时刻与幅值变化时刻进行准确定位。不同类型谐波信号仿真实验验证了该方法的有效性,在无噪声与较低信噪比情况下均具有较高检测精度,具有良好的噪声鲁棒性。     

基于AHP-灰色关联度的复杂电网节点综合脆弱性评估

针对现有脆弱节点辨识方法存在的评估指标片面、指标权重不够准确等问题,从电网拓扑结构、系统当前运行状态及节点故障后果影响三方面出发,构建了层次化的节点脆弱性指标体系。在传统结构脆弱性指标的基础上,综合考虑事故后电压裕度、系统整体负载率、线路潮流冲击等因素,并提出AHP-灰色关联度的综合评估模型。该模型在决策过程中计及专家的经验知识,将指标的价值系数体现在客观关联度中,并引入动态分辨系数调整策略,实现了专家经验主观性和节点数据客观性的良好结合。仿真结果表明,该方法比传统方法能更有效地辨识出电网中的脆弱节点,具有一定的实用价值。