基于多特征组合的电能质量扰动识别方法

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。     

基于广义S变换和PSO-ELM的电能质量扰动信号识别

电能质量扰动信号识别是电能质量扰动参数分析、扰动源定位和综合治理的前提。针对S变换在电能质量扰动信号分析中特征表现能力不足,以及极限学习机随机设置输入权值和隐藏层阈值造成识别准确率低的问题,提出一种基于广义S变换(generalized S-transform,GST)和粒子群(particle swarm optimization,PSO)优化极限学习机(extreme learning machine,ELM)的电能质量扰动信号识别新方法。首先,将粗调、微调和精调因子引入S变换的高斯窗函数中,并根据扰动信号的频率特点调整各因子值,从而获得更具针对性的时-频分辨率,以增强特征表现能力。其次,利用PSO的寻优能力,获取最大适应度时对应的输入权值和隐藏层阈值,提升ELM的识别准确率。最后,根据GST时-频模矩阵生成特征集,对PSO-ELM进行训练并测试其识别能力。对比实验表明,相较于S变换和ELM方法,本文提出方法识别准确率更高、抗噪性更强,能够满足工业环境下的电能质量扰动信号识别需要。     

基于小波系数PCA和SaDE-ELM的电能质量扰动信号分类

电能质量扰动信号分类是电能质量综合治理的前提,为提高分类精度,提出一种基于主成分分析(PCA)和自适应差分进化(SaDE)优化的极限学习机(ELM)的电能质量扰动信号分类方法.对8种扰动信号用db4小波进行10层多分辨分解,与标准能量信号的能量差系数作为特征向量,PCA对其降维处理,去除冗余特征,得到4维数据作为分类的样本数据集,利用SaDE算法对ELM的输入权值和隐含层节点偏置优化.通过仿真实验表明,提出的SaDE-ELM识别准确率更高,抗噪性更强,更适应于电能质量扰动分类.     

基于SA-PSO算法优化CNN的电能质量扰动分类模型

针对传统电能质量扰动分类模型中扰动特征复杂、识别步骤繁琐的问题,提出了一种通过模拟退火(SA)算法与粒子群优化(PSO)算法相结合来优化卷积神经网络(CNN)的电能质量扰动分类模型。将CNN卷积层中的二维卷积核替换成一维卷积核;采用SA算法对PSO算法进行改进,规避PSO算法陷入局部最优的困境;采用改进后的PSO算法对CNN进行参数寻优;利用优化CNN提取和筛选合适的特征,根据这些特征利用分类器得到最终分类结果。通过算例分析得出,使用基于SA-PSO算法优化的CNN的电能质量扰动分类模型能精确地识别出电能质量扰动信号。     

基于改进PSO-SVM算法的电能质量扰动分类

对电能质量进行监测是用电信息采集系统的重要任务之一。针对电能质量扰动的识别和分类问题,提出一种基于小波支持向量机(support vector machine,SVM)的分类方法。对正常电压信号和6种电能质量扰动信号波形进行仿真,首先对各种扰动信号进行小波分解,提取各层小波重构系数的能量熵作为特征向量;然后改进的粒子群(particle swarm optimization,PSO)算法对SVM核函数参数进行优化;最后,利用优化参数的SVM对扰动测试集进行分类识别。仿真结果表明,与BP神经网络分类方法相比,该方法对扰动识别和分类的准确率达到97.28%,且训练时间和测试时间都有所减小。     

基于蜻蜓算法优化ELM的电能质量扰动诊断与识别研究

针对极限学习机预测结果易受其初始化输入权值和偏置值的影响,提出一种DA算法优化ELM的电能质量扰动诊断和识别模型。选择5种电能质量扰动信号为研究对象,研究结果表明,与GA＿ELM、PSO＿ELM和ELM相比,本文提出的算法DA＿ELM可以有效提高电能质量扰动识别的准确率,为电能质量扰动诊断和识别提供新的方法和途径。     

多特征组合及优化SVM的电能质量扰动识别

提出一种基于多特征组合及粒子群优化的支持向量机(SVM)的电能质量扰动识别方法。该方法采用小波变换和S变换提取各扰动信号特征向量,采用粒子群(PSO)优化的支持向量机进行分类识别。首先针对提取的小波能量谱中谐波信号的明显差异,通过设定特征阈值进行初步分类,然后结合S变换提取的3种特征,采用优化参数的SVM进行后续分类。仿真实验表明,该方法能够有效识别常见的8种电能质量扰动及2种复合扰动,相比未经优化的支持向量机模型,粒子群优化的SVM具有较高的识别精度和运算速度,且抗噪能力强。     

基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别

新型电力系统中电能质量扰动问题愈加复杂和严重,多种电能质量扰动同时出现,导致传统算法识别准确率降低。 提出一种基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别算法。采用马尔可夫变迁场将电能质量扰动信号可视化映射为二维特征图像;通过EfficientNet卷积神经网络处理图像数据,实现扰动信号的特征提取;利用神经架构搜索自动调节卷积神经网络超参数进行网络训练,建立电能质量扰动分类识别模型。仿真结果表明,所提方法能够准确高效地提取扰动信号特征,对复合电能质量扰动分类效果好且抗噪声能力强。     

基于小波变换和极限学习机的电能质量扰动分类

利用小波变换(WT)和极值学习机(ELM)对电能质量事件(PQE)进行识别分类,利用离散小波变换(DWT)对信号进行多分辨率分析,获得PQ信号的特征能量系数,并在25、35、45dB噪声环境下,构造了3种PQ数据集。ELM是一种有效的广义单隐层前馈网络(SLFNs)学习算法,可用于识别各种多分类问题。对比试验与现有方法结果,证明基于小波变换的极限学习机能对8种扰动进行有效分类,具有鲁棒性强的识别结构,可用于实际电力系统信号分类。     

一种基于PSO-SVM的电能质量扰动识别与分类的新方法

针对目前电网电能质量扰动识别与分类中采用的SVM分类器参数难以选择的问题,提出了一种基于粒子群(PSO)优化SVM的电能质量扰动识别新方法。利用MATLAB软件对实际电网中常见的5种扰动信号进行建模,将检测到的电压信号经复小波变换后作为PSO-SVM的输入样本进行训练和测试。仿真结果表明,该方法能够快速、可靠地对电能质量扰动进行识别与分类,对电网的电能质量监测具有较高的应用价值。