基于多分类支持向量机的电压暂降源识别

S变换具有很好的时频分析能力,能精确提取突变信号的关键特征信息.在分析S变换原理基础上,提出一种基于多分类支持向量机的电压暂降源识别方法.用S变换对电压暂降信号进行时频分析,提取各类暂降特征;用多分类支持向量机对特征进行训练与识别.通过仿真算例验证,该方法能有效识别电压暂降源,可应用于电能质量监测系统.     

基于多分类支持向量机的电压暂降源识别

S变换具有很好的时频分析能力,能精确提取突变信号的关键特征信息。在分析S变换原理基础上,提出一种基于多分类支持向量机的电压暂降源识别方法。用S变换对电压暂降信号进行时频分析,提取各类暂降特征;用多分类支持向量机对特征进行训练与识别。通过仿真算例验证,该方法能有效识别电压暂降源,可应用于电能质量监测系统。     

基于半监督支持向量机的电压暂降源定位

电压暂降源定位对解决相应供用电双方纠纷及责任认定等起到重要作用。针对现有暂降源定位方法的准确率低、含源位置信息的电压暂降监测数据非常有限且不易获取等问题,提出了一种基于半监督支持向量机(SVM)的电压暂降源定位方法。首先分析了现有源定位方法的定位机理和判据,然后通过支持向量机结合多个定位特征量,利用二分类思想在高维定位特征空间内构建上下游分类面。最后运用半监督SVM充分利用大量无暂降源位置标签的电压暂降监测数据,不断优化上下游定位的分类面,从而实现少量标签数据下电压暂降源的优化定位。实验结果表明,在少量标签数据下,该方法定位准确率高,能可靠定位出各类电压暂降源位置。     

引入调节因子改进S变换电压暂降源识别

配电网电压暂降的正确分类识别对抑制和缓解电压暂降具有重大意义.分析了分别由三种不同相的接地短路故障、感应电动机启动和变压器投运引起的五种电压暂降现象及其典型特征,在标准S变换的高斯窗函数上添加幅度调节系数和指数调节系数两个调节因子得到改进的S变换.采用改进S变换的方法得到不同类型电压暂降信号的基频幅值曲线和频率幅值包络...     

基于小波支持向量机的数字通信信号调制识别

通信信号自动调制识别在电子战、电子侦察中起着重要的作用。通信信号调制识别的任务是确定信号的调制类型和参数。支持向量机是一种新的通用机器学习方法,这种方法被广泛地应用在模式识别、回归估计和概率密度函数估计中。本文在详细分析了数字调制信号的特点以及小波变换提取瞬态特征原理的基础上,提出了一种利用小波变换支持向量机对数字调制信号进行识别的新方法。该方法通过小波变换将输入向量映射到一个高维特征空间,在这个特征空间内,通过构建最优分类面,即可以用支持向量机对数字调制信号进行分类。计算机仿真结果验证了该方法在不同信噪比条件下具有良好的性能。     

基于S变换与多维分形的电压暂降源特征识别

电压暂降源的分类与识别是合理制定电压暂降治理方案,明确事故责任的基础.分析了由系统短路故障、大型感应电动机启动和大容量变压器投运引起的单一暂降信号和复合暂降信号的特征,采用S变换分析暂降信号的基频幅值变化情况,对变换后的模矩阵提取6种特征指标,提出多重分形谱参数广义Hurst指数提高噪声环境下分类识别的准确性,将两者结...     

基于改进S变换的复合电压暂降源识别特征分析

电压暂降是较常见、影响较大的电能质量问题,识别电压暂降扰动源对改善和治理电压暂降具有重要意义。分析了由线路短路故障、感应电动机启动、变压器投入等单一电压暂降扰动源和复合电压暂降扰动源引起的电压暂降现象,提出采用改进S变换分析复合电压暂降扰动源识别特征。根据基频幅值曲线和2~5倍基频幅值和曲线,从统计量、熵和能量等方面构建电压暂降识别特征指标,将这些特征指标作为支持向量机的输入实现对不同类型电压暂降扰动源的分类识别。仿真结果表明,采用改进S变换构建电压暂降识别特征指标比标准S变换在电压暂降扰动源分类识别上效果更好。     

基于RVM和ANF的电压暂降检测识别

提出了一种基于关联向量机和自适应陷波器的电压暂降检测识别方法。通过一自适应陷波器,快速完成电压暂降特征检测（包括持续时间、幅值、相位跳变等）,并从其输出提取出9个暂降关键特征信息。采用关联向量机分类模型对提取的特征信息进行训练与识别。仿真算例证明,该法快速有效完成电压暂降分类,识别出故障、电机启动和变压器激磁引起的三种电压暂降,精度高、实时性好,可应用于电能质量实时监测系统。     

基于RVM和ANF的电压暂降检测识别

提出了一种基于关联向量机和自适应陷波器的电压暂降检测识别方法.通过一自适应陷波器,快速完成电压暂降特征检测(包括持续时间、幅值、相位跳变等),并从其输出提取出9个暂降关键特征信息.采用关联向量机分类模型对提取的特征信息进行训练与识别.仿真算例证明,该法快速有效完成电压暂降分类,识别出故障、电机启动和变压器激磁引起的三种电压暂降,精度高、实时性好,可应用于电能质量实时监测系统.     

基于DDAG支持向量机的汽车车型识别

文章应用DDAG支持向量机方法对汽车图像进行识别。首先采用背景差分方法提取运动汽车,然后用Otsu法进行阈值分割、基于边缘阴影检测方法消除阴影,最后提取运动汽车的RST不变特征,输入DDAG支持向量机进行训练和识别。实验表明,基于DDAG支持向量机的车型图像识别算法具有很好的性能。     

煤矿配电网电压暂降源辨识模型

针对煤矿配电网电压暂降信号特征提取困难和辨识准确率低的问题,应用小波熵结合支持向量机SVM(support vector machine)建立故障辨识模型,以故障信号的小波熵测度来表征故障特征,对电压暂降信号进行小波多分辨分析,选取采样序列的高频系数分量,计算其小波系数熵和小波时间熵,作为特征向量输入SVM,使故障信号特征更加明显,对故障源进行自动分类辨识。结果表明,与小波结合BP神经网络方法比较,无论在训练时间上还是在辨识准确率方面均有明显优势。     

基于优化极限学习机的电压暂降源识别方法

准确识别电压暂降源对暂降责任分摊和治理决策至关重要。文中提出一种基于优化极限学习机的电压暂降源识别方法。通过直接提取电压暂降波形的时域特征和经S变换提取能量熵和奇异熵2种时频域特征,构建基于时域和时频域的特征向量,弥补现有方法仅采用时频变换提取特征,可能丢失仅存在于时域内的重要信息而影响识别精度的不足。针对极限学习机输入权值和隐含层偏置随机产生的不足,采用遗传算法对其进行优化,构建优化极限学习机模型,解决利用模式识别存在模型复杂和耗时较长,难以实现快速识别的问题。应用仿真数据和实测数据验证了所提特征向量和优化极限学习机模型的有效性;并与其他方法相比,证明所提模型简单、训练和分类识别速度快,识别精度更高,适用于边缘计算,可实现电压暂降源的快速准确识别。     

基于标签传播半监督学习的电压暂降源识别

针对带标签(类别已知)的电压暂降历史样本数据有限且不易获得的情况,引入基于标签传播半监督学习的电压暂降源识别方法.首先从电压暂降信号中提取了五类暂降信号特征,建立了K-近邻图模型,并实现了图模型上的标签传播.分析了图模型参数k、α对标签传播结果的影响,同时与神经网络、最小二乘支持向量机等监督学习算法的识别结果进行了对比.仿真结果表明,在历史数据较少的情况下,标签传播算法比传统监督学习算法具有更高的识别准确率且实时性好.     

基于深度置信网络的电压暂降特征提取及源辨识方法

提出一种基于深度置信网络(DBN)的电压暂降特征提取与暂降源辨识方法,利用DBN的特征提取能力对实测波形数据进行特征自提取,解决了人工提取特征过度依赖专家经验,受未知特征影响较大不具备一般性的问题。采用多隐层结构网络学习特征最终实现暂降源辨识。该模型集特征提取器与分类器于一体,优化了模型结构框架,提高了暂降源辨识效率。对模型最优参数进行选择,建立适用于电压暂降实测数据类型的DBN模型,对电网实测暂降数据进行特征提取与暂降源辨识,通过对比验证了DBN方法在特征提取与暂降源识别上的优越性,适用于实际工程。     

电压暂降事件分类及短路类型识别研究

随着现代化敏感电力电子设备的广泛应用以及新型电力负荷的迅速发展,电能质量问题日益受到关注,其中最为突出的就是电压暂降。为了更好地研究电压暂降对电力系统的影响,文中首先根据来源电压暂降事件进行分类,主要来源包括短路故障、大型电机启动和雷电等。接下来对短路故障引起电压暂降进行识别,使电压暂降系统能够根据监测到的暂降波形识别出短路故障类型。最后通过江苏电网电压暂降监测系统中的数据波形的案例分析,归类到4种典型短路故障分类,验证了文中算法的可行性。     

基于遗传算法和支持向量机的特征子集选择方法

在模式分类系统中,往往需要从大量的特征中选择最优的特征子集,人工选择特征的方法往往费时费力,本文采用遗传算法(GA)对支持向量机进行封装的方法选择特征子集。首先使用遗传算法随机产生若干特征子集,通过选择、交叉和变异操作产生新的特征子集,经过若干代之后,得到最优的特征子集。在遗传算法中最重要的是适应度的确定,本文用支持向量机(SVM)作为分类器,为了避免出现“过拟和”,把特征子集的5阶交叉验证分类准确率和特征数量的联合函数作为适应度函数。对UCI机器学习库中SONAR和LED数据集进行实验,结果表明本方法可以有效滤除无关特征并提高分类准确率。     

电压暂降的计算及故障点电压暂降系数确定

由于电力系统中新型电力电子设备的广泛应用,电压暂降已逐渐成为影响设备正常运行的主要电能质量问题之一,为避免电压暂降对设备正常运行造成危害,电压暂降计算已成为电力系统运行分析不可缺少的一部分。采用故障定位法,设计了电力系统电压暂降计算软件,从而实现查找、统计、分析、预估等功能,实现电力系统的电压暂降计算,并提出一种故障点电压暂降系数(FPSC)的量化指标,对电力系统不同的故障点进行了FPSC的计算,根据FPSC的数值确定对全网电压暂降影响严重的故障区域;并利用电压暂降分析程序的输出结果对欲购进新设备的电压敏感性进行了评价;以某实际工业配网为算例,利用所设计计算软件对该本地配网进行了电压暂降的分析计算,所做工作可以为用户采取电压暂降抑制措施提供理论指导。     

电压暂降扰动源电压空间矢量辨识法

分析了不同暂降扰动源产生的电压暂降的幅值、相位和谐波特征,提出一种基于电压空间矢量的电压暂降扰动源辨识方法。该方法先对三相电压信号进行αβ变换构造出电压空间矢量和零序分量,利用离散傅里叶变换(DFT)将电压空间矢量分解成正、负序两个旋转分量,构造出幅值、相位和谐波特征量,将三者相结合可对造成电压暂降的扰动源进行辨识。时变电压空间矢量在复平面轨迹的三维可视化的描述可以对电压暂降全过程进行全面表征。利用Matlab/Simulink建立简单配电网的仿真模型,结果验证了所提出方法的有效性和正确性。     

基于实测数据的陕西电网电压暂降特征分布分析

以陕西电网大量电压暂降实测数据为基础,从暂降幅值、持续时间、电压等级、暂降相序、发生月份和电压暂降的连续性5个方面对暂降事件进行全面的分类统计,分析电压暂降特征。分析结果表明电压暂降在幅值和持续时间的分布集中度较高,有必要对区间进行进一步细分;不同电压等级电网中的电压暂降分布存在一定的差异;不同电压等级电网中电压暂降的相序分布不同;负荷需求的季节性变化会影响电压暂降的发生频率;连续性电压暂降在不同监测点和月份的分布不一致。     

遗传优化支持向量机在软件缺陷预测中的应用

软件开发过程中对软件模块的可靠性进行预测可以有效地提高软件的质量。支持向量机可应用于建立软件缺陷预测模型。为提高预测模型的分类准确度,利用遗传优化算法选择出最优属性子集,从而降低数据样本中冗余属性带来的不利影响,利用支持向量机建立了一种高效的软件缺陷预测模型。实验结果表明,基于遗传算法和支持向量机建立的预测模型能够为软件缺陷预测提供较高的预测精度和效率,有着良好的应用前景。