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。     

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。     

基于S变换的电能质量扰动支持向量机分类识别

采用s变换和支持向量机进行电能质量扰动的分类识别。作为连续小波变换和短时傅立叶变换的发展，S变换引入了宽度与频率成反向变化的高斯窗，具有与频率相关的分辨率。由于S变换具有良好的时频特性，因而非常适合于进行电能质量扰动信号特征提取。首先通过S变换进行扰动信号特征提取，然后构造支持向量机分类树进行扰动分类。算例表明该方案具有分类准确率高，对噪声不敏感，训练样本少等优点，是电能质量扰动识别的有效方法。     

利用遗传支持向量机进行电压暂降信号识别

针对传统电力信号识别算法中特征选取的随意性,提出了一种基于遗传支持向量机(GA-SVM)的电压暂降信号识别方法。首先通过S变换时频分析法提取该信号识别需要的可能特征集,然后利用遗传算法的全局搜索特性得到优秀特征,最后通过多分类支持向量机实现暂降信号识别并验证选取特征的有效性。仿真结果证明,该方法能快速、有效识别出电压暂降信号类型。     

电力系统电压暂降源定位方法综述

主要对电力系统电压暂降源的定位方法进行了综述.为了加深对电压暂降源定位问题的认识和理解,从电压暂降的定义、引起原因入手,介绍了电压暂降源定位问题的含义.重点讨论了当前现有的四类主要定位算法,包括基于扰动功率和能量的定位法、基于阻抗实部的定位法、基于暂降分类的定位法及其他方法,并分析了它们各自的原理、优势和不足.在总结目前现有电压暂降源定位方法的基础上,从三个方面对今后的研究工作进行了展望.     

一种基于二分类的电压暂降源定位方法

电压暂降源定位实质是根据暂降源位置敏感的物理量,来确定暂降源位于监测点的上游或下游位置,模式识别上属于二分类问题。提出了一种基于智能分类的电压暂降源定位方法。分析回顾了现有的几种典型暂降源定位方法及其判据,通过判据研究提取源位置敏感的多个定位特征量,并采用支持向量机智能算法对已有故障诊断结果进行学习,从而在该多维特征空间构建判别上下游的最优分类面,利用此最优分类面(即为二分类支持向量机)实现基于二分类的暂降源定位。测试数据表明,该方法能够有效实现电压暂降源定位,定位准确率高且所需计算时间短。     

电力系统电压暂降源定位方法综述

主要对电力系统电压暂降源的定位方法进行了综述。为了加深对电压暂降源定位问题的认识和理解,从电压暂降的定义、引起原因入手,介绍了电压暂降源定位问题的含义。重点讨论了当前现有的四类主要定位算法,包括基于扰动功率和能量的定位法、基于阻抗实部的定位法、基于暂降分类的定位法及其他方法,并分析了它们各自的原理、优势和不足。在总结目前现有电压暂降源定位方法的基础上,从三个方面对今后的研究工作进行了展望。     

基于决策树和支持向量机的电能质量扰动识别

提出一种新型电能质量扰动识别方法,该方法采用快速傅里叶变换(fast Fourier transform,FFT)结合动态测度法提取3种特征以及S变换提取4种特征;采用决策树和支持向量机(support vector machine,SVM)设计组合分类器。针对FFT频谱中谐波频率明显的扰动类型,采用极值点包络的动态测度法提取频谱中的主要频率点特征,结合S变换提取的特征首先将扰动类型进行初步归类,然后采用S变换的2个特征就能进行后续分类;决策树分类过程中采用SVM来区分电压暂降和中断,克服了特征阈值随信噪比(signal-to-noise ratio,SNR)变化难以确定的问题。仿真实验表明,该方法能够准确识别包含2种复合扰动在内的11种电能质量扰动信号,SNR低至20 dB时准确率仍达到96.50%;且与已有文献的分类结果对比表明,该方法准确率高,稳定性强,在低SNR条件下分类结果优势明显。     

基于GWO-SVM的电压暂降扰动源识别

针对电压暂降扰动事件发生频繁、扰动种类多样,难以有效识别扰动源的实际情况,结合电压暂降扰动信号的时-频特性、灰狼优化算法(GWO)和支持向量机(SVM)分类模型,提出了一种电压暂降扰动源识别新方法。通过S变换对电压暂降扰动信号进行多分辨率时-频分析,从S变换结果矩阵中提取出信号的特征曲线,建立6类电压暂降混合扰动信号的8个特征量。构建GWO-SVM一对余(OVR)分类器,以提取出的特征量作为输入,对扰动源进行分类识别。基于MATLAB/Simulink构建电压暂降模型,经仿真验证分析,该方法可以有效识别电压暂降扰动源,也为电压暂降扰动治理提供必要的技术支撑。     

基于支持向量机的动态电能质量扰动分类方法

将支持向量机SVM(SupportVectorMachine)引入到动态电能质量分类问题中。在Matlab中编程建立了谐波、电压暂升、电压跌落、瞬时中断、电压波动、瞬变6种常见动态电能质量扰动数学模型,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,产生训练和测试样本。给出了利用LIBSVM解决电能质量扰动分类问题的步骤,并根据分类结果对影响分类效果的参数进行了分析。对训练好的支持向量分类器进行测试,效果良好,当采用C-SVC,RBF核时调整参数可以得到最优分类效果,最高分类率可达到96.67%。     

基于聚类改进S变换与直接支持向量机的电能质量扰动识别

针对电能质量扰动信号的识别问题,提出基于聚类改进S变换与直接支持向量机(SVM)的电能质量扰动识别方法。提出聚类改进S变换方法,该方法结合电能质量扰动信号的特点,可同时对基频的时域分辨率及高频的频域分辨率进行最优化处理,保证特征提取的准确性;将直接支持向量机作为分类器,与最小二乘支持向量机相比,其求解简单,计算复杂度较低,训练与测试速度快,泛化能力较高,并且避免不能保证全局最优解的缺点;将聚类改进S变换与直接支持向量机相结合,应用于单一扰动及混合扰动的识别分类工作。仿真实验验证了所提方法的有效性。     

基于S变换和最小二乘支持向量机的电能质量扰动识别

采用S变换和最小二乘支持向量机相结合,构建了一种电能质量扰动识别的新方法.首先利用S变换对电能质量扰动信号进行时频分解;然后,从扰动信号S变换的结果中,提取扰动信号的特征向量,组成训练样本和测试样本;最后,使用最小输出编码的最小二乘支持向量机对扰动信号进行训练,实现电能质量扰动信号自动分类和识别.仿真结果表明,该方法识别准确率高,抗噪能力强,且训练时间很短,适用于电能质量扰动辨识系统.     

基于多属性决策改进S变换的电压暂降检测与识别*

电压暂降的检测和识别是解决电压暂降相关问题的基础和关键.在S变换的高斯窗函数上增加调节因子,通过定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量5个指标得到其与改进S变换高斯窗调节因子的关系曲线,应用最优组合赋权的多属性决策法对该5项指标进行赋权,从而确定调节因子的取值.应用改进S变换提取5种不同电压暂降源的相关特征指标,将指标数据输入BP神经网络进行分类识别.仿真结果表明,改进后的S变换能更加精确地提取电压暂降的特征指标数据,最后的分类识别正确率更高.     

基于BAS-SVM的配电网电压暂降源识别

电压暂降是电能质量问题的一种.为提高不同电压暂降扰动源的识别正确率,提出了一种基于天牛须搜索算法(beetle antennae search,BAS)和支持向量机(support vector machine,SVM)的电压暂降源识别方法.应用改进S变换提取不同电压暂降波形的相关幅值曲线和16个特征指标.通过天牛须搜...     

电压暂降源自适应S变换辨识模型

电压暂降源的准确识别对改善电能质量具有重要意义。提出了一种基于自适应S变换和多级支持向量机的电压暂降源辨识方法,针对S变换时频分辨率有限的缺点,采用自适应窗宽调整因子动态调整S变换的窗函数宽度,满足不同暂降信号对时间与频率分辨率的不同需求。将自适应S变换用于暂降信号的分析,构建S变换模矩阵,将暂降信号分解到不同的时频子空间。提取6种特征构造多级支持向量机分类器,采用粒子群优化算法寻找最优参数,最后通过多级支持向量机实现电压暂降源的识别。仿真实验证明,该方法分类过程简单,识别准确率高。     

基于改进S变换的电压暂降识别

电压暂降分类识别是合理选择电能质量治理方案的前提。提出一种基于改进S变换的电压暂降识别方法。首先根据电压暂降特征频率范围自适应确定改进S变换的调节因子,计算所得模时频矩阵作为电压暂降标准模板;再比较待测试暂降的改进S变换模矩阵特定频段与各标准模板之间的相似度,实现扰动分类。在比较相似度值的过程中,为凸显不同暂降类型的相似性及差异性,采用分频逐行计算相似度值,从而实现异类模板差异最大化。该方法充分挖掘各类暂降的特征差异,通过简单的相似度计算对扰动进行分类,无需添加辅助分类器。仿真和大量实测数据研究表明,该方法分类过程简单,抗干扰能力强。     

改进多分类支持向量机的配电网故障识别方法

准确识别故障是配电网故障定位与治理研究的实现前提。提出以故障分量均方根及欧氏距离为特征量,结合改进多分类支持向量机(SVM)的配电网短路故障识别方法。首先,对馈线三相电流及母线零序电压故障后一周波的故障分量进行小波分解,并重构第2层的近似分量;其次,求取重构信号的均方根及欧氏距离作为特征向量;最终输入至改进多分类支持向量机完成配电网故障类型识别。10kV典型配电网软件仿真模型的与配电网物理仿真实验系统测试结果表明,所提出方法不但可高准确率地识别典型中压配电网常见故障,且能适应于中性点运行方式调整、分布式电源并网后等情况,验证了方法的准确性与适应性。