基于多标签Rank-WSVM的复合电能质量扰动分类

该文提出一种多标签排位小波支持向量机(rank wavelet support vector machine,Rank-WSVM),并将其应用于电能质量复合扰动分类中。Rank-WSVM将小波技术与多标签排位支持向量机(Rank-SVM)结合,利用小波的优良特性提高分类器的整体性能。首先,对电能质量扰动信号进行离散小波分解,计算 Tsallis 小波熵作为特征向量;然后利用所提出的 Rank-WSVM 多标签分类器进行分类。仿真结果表明,在不同噪声条件下,该方法有效改善了Rank-SVM的分类性能,可有效识别电压暂降、电压暂升、电压短时中断、脉冲暂态、振荡暂态、谐波和闪变等电能质量扰动及其组合而成的复合扰动。     

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。     

基于多层极限学习机的电能质量扰动多标签分类算法

电力系统中电能质量扰动分类特征选择标准不统一、泛化能力差、分类效果与分类效率有待提高。为了解决这些问题,一方面,引入多层极限学习机自编码器,优化输入权重,完成电能质量扰动信号的特征提取。另一方面,引入多标签排位分类算法,充分考虑各标签之间的相关性,完成电能质量扰动的分类。基于两种算法,设计出基于多层极限学习机的多标签分类模型,并得到多层极限学习机的最优网络结构和多标签分类的最佳分类阈值。实验结果表明,所提方法适用于电能质量单一扰动和复合扰动的分类,改善了分类效果和分类效率,具有较高的分类精度、良好的抗噪能力和泛化能力。     

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。     

基于改进经验小波变换和XGBoost的电能质量复合扰动分类

针对电能质量复合扰动分类方法在分类数目和分类性能方面存在的不足,提出一种基于改进经验小波变换(MEWT)和极限梯度提升(XGBoost)的电能质量复合扰动分类方法。首先,对传统经验小波变换进行改进,使之适用于复合扰动特征提取;然后,根据基本扰动MEWT分析结果,从时频域多角度提取能够有效刻画不同扰动特性的特征序列;最后,基于问题转换策略构造以XGBoost为子分类器的多标签复合扰动分类模型,并通过特征选择与超参数优化相结合的模型训练方法进一步提升分类效果。实验结果表明,所提方法可实现48类扰动的有效辨识,较之传统多标签扰动分类方法在分类精度和噪声鲁棒性方面表现更优,且运算速度更快,适用于工程实践。     

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。     

基于时域、多分辨率分析和规则基的电能质量扰动分类

提出用时域分析和小波多分辨率分解相结合的方法以提取电能扰动信号的特征,建立扰动特征矢量,并结合可扩展的规则基专家系统来识别电能扰动信号的类型.该方法可以用于电力系统扰动的实时监测.仿真分析验证了该方法的有效性.     

基于小波和BP神经网络的电能扰动分类新方法

电能质量扰动的分类包括特征向量提取和分类器构建2部分。基于小波和神经网络的分类方法大部分采用小波分解各层的能量分布作为特征向量,用单个神经网络给出分类结果,此类方法构建的分类器性能有待进一步提高。文章构建了一组基于小波变换的特征向量作为分类器的输入。通过基于最小二乘法的策略综合3个相互独立神经网络的输出以得到最后的判别结果。算例表明提出的分类器准确率高,在信噪比20 dB的情况下还可以达到93.18%的准确率。分类器能有效识别电压中断、电压暂降、电压暂升、谐波、振荡暂态和闪变6种常见电能质量扰动。     

基于小波变换能量分布和神经网络的电能质量扰动分类

提出了基于小波变换能量分布和BP神经网络的电能质量扰动的自动分类方法.利用小波变换对电能质量扰动信号进行多分辨分析,计算各分解层能量分布,求出该能量分布与标准信号能量分布差值并将其作为信号特征量,通过一个3层BP网络得到扰动的类型.该方法将小波变换系数转化为能量分布,减少信号特征的数量,从而简化了神经网络结构.测试结果表明,即使在较强噪声信号背景下,该方法对电能质量扰动类型的识别率仍可达到94.5%,证明了该方法的有效性.     

基于小波神经网络的电能质量扰动辨识

为了对电能质量进行有效的治理,以提高用电效率,有必要对电能质量扰动进行准确的分类。基于小波的时频分析特点和一种新型的小波神经网络,提出了一种电能质量实用分类方法。利用正交小波对信号进行多分辨率分析,提取各类电能质量变化的能量特征;利用小波神经网络对输入特征矢量进行识别,完成对电能质量的自动分类。研究表明,该方法能有效地区分电压骤降、电压骤升、电压中断、脉冲暂态4种电能质量问题。     

一种识别混合电能质量扰动的新方法

针对混合电能质量扰动的问题,提出了一种新的识别系统.首先,对滤波后的信号进行小波变换,将其分解到不同的频率空间;再利用Teager能量算子对低频空间的信号分量进行分析,判断信号是否发生了频率波动、电压暂降、电压暂升或电压中断等扰动;接着采用Prony算法分析去除低频分量后的其他分量,判断信号是否包含有谐波、间谐波或振荡...     

Identification of Partial Discharge Location Using Probabilistic Neural Networks and the Fuzzy C-means Clustering Approach

This article proposes an approach for location of partial discharge sources in the power cable and gas-insulated load break switches using a probabilistic neural networks and the fuzzy C-means clustering approach. Three different defect positions are designed in the power cable and gas-insulated load break switches. The three different defect positions of partial discharge occurrence are located by the proposed method. Discrete wavelet transform is employed to suppress noises of measured signals by the high-frequency current transformer. The proposed method can assist electrical engineers in making accurate statistical judgments. To accurately discover the different defect positions, the proposed method uses feature extraction and statistical analysis of the measured signals. Finally, experimental results validate that the proposed approach can effectively determine the location of partial discharge sources in practical partial discharge measurement.     

基于径向基函数神经网络的电能质量综合评价

根据电能质量国家标准,对电能质量的各单项指标进行分级,并利用随机分布的原理随机生成了大量的样本用于训练神经网络,采用了非线性逼近能力很强的径向基函数(Radial Basis Function,RBF)神经网络建立了电能质量综合评价的模型,克服了模糊数学、概率论法以及层次分析法中的主观因素影响,提高了综合评价的客观性和合理性.通过对某地区变电站的电能质量指标测试结果进行评价,证明这种方法是合理可行的.     

基于改进PSO - WNN的电能质量扰动分类研究

提出一种基于改进粒子群算法和小波神经网络相结合的电能质量扰动分类方法.首先利用小波多分辨技术检测电能质量扰动信号,然后提取各类扰动能量特征向量,将此特征向量输入到优化后的小波神经网络进行识别,最后经改进粒子群小波神经网络得到电能质量扰动分类结果.实例仿真计算结果表明,方法可大大提高电能质量扰动分类识别能力.     

采用小波多分辨率信号分解的电能质量检测

针对典型的电能质量扰动信号 ,提出了采用小波多分辨率信号分解的电能质量检测与时频分析方法 ,并提出一种新型的同步检波器。该方法将电能质量扰动信号分解到子频带中 ,在小波域上检测信号的时间、频率和幅度 ,具有突出信号时域、频域局部特征的能力 ,因此特别适用于短暂瞬时信号的检测与分析。仿真结果表明 ,该方法具有优异的检测性能 ,适用于电压凹陷、电压凸起、电压间断、短时间谐波失真、暂态谐波失真、电压闪变与波动等电能质量扰动信号的检测与时频分析。     

基于第二代小波变换和矢量量化理论的电能质量扰动分类方法

提出了一种将第二代小波变换和矢量量化相结合的电能质量扰动分类方法。该方法采用第二代小波变换对电能质量扰动信号进行时频分析,采用基于模极大值的小波变换后处理方法提取时频分析结果中表征扰动特征的模极大值、生成扰动特征量组,通过将扰动特征向量组送入基于矢量量化的树形分类器实现了对电能质量扰动的分类。仿真结果表明该方法噪声鲁棒性良好、简单可靠、分类准确率高、实时性好。     

基于小波变换和二叉树结构的电能质量扰动分类

针对电能质量扰动分类问题,提出了一种基于小波变换和二叉树结构支持向量机的扰动分类方法。首先,通过交流暂态仿真软件产生8种典型扰动信号和2种复合扰动信号作为样本集;然后,通过小波变换进行多个特征的提取,包括信号在特定频带下的能量和小波系数标准差;最后,通过样本集,对二叉树结构支持向量机分类器进行训练和测试。测试结果表明,该方法能够有效识别常见的10种扰动信号,具有分类正确率高、训练时间短的优点。