电能质量复合扰动分类识别

电能质量扰动的分类分为信号特征提取和分类器2个阶段,采用S变换和支持向量机构造电能质量复合扰动的分类识别方案.利用S变换进行扰动信号特征提取,构造支持向量机静态分类树,再通过基于Mercer核的聚类方法对静态分类树进行动态扩展,形成动态分类树,实现对复合扰动的识别.给出了电能质量复合扰动分类算法的4个步骤:构建静态分类树;用基于Mercer核的聚类方法进行聚类分析;构建动态分类树;对新发现的扰动确定其具体类型,并给其命名.算例表明该方法不仅可以有效分类识别电压突降、电压突升、电压中断、暂态振荡、电压尖峰、电压缺口和谐波等7种电能质量扰动,还可以识别由其组合而成的电能质量复合扰动.     

基于相空间重构和卷积神经网络的电能质量扰动分类

为了提高电能质量扰动信号分类的准确率,首先利用相空间重构将一维时间序列电能质量扰动信号重构到多维相空间,获得扰动信号轨迹并投影到二维相平面,形成二维轨迹图像。然后对该图像进行二值化处理,减少信号的数据量,凸显轨迹轮廓。最后通过卷积神经网络对处理后的轨迹图像进行特征提取,并对相应的扰动信号进行分类识别。在卷积神经网络框架Caffe下进行仿真实验,仿真结果表明该方法具有很高的识别准确率和良好的抗噪能力。     

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。     

基于动态树和支持向量机的电能质量复合扰动分类

针对实际电力系统中存在的电能质量复合扰动问题,采用以往单一的方法很难准确识别出复合扰动中所包含的每一类扰动,所以提出了基于动态树和支持向量机相结合的方法分类识别复合扰动。电能质量扰动分类过程分为特征提取和分类器两个阶段。在特征提取阶段,分析了通过d-q变换、小波包分解和S变换对扰动信号进行特征提取,综合3种分析方法得到特征量,得到特征组合,更好地反映出了扰动信号的特征。在分类器设计中,利用了聚类分析中的类距离概念构造出了二叉树结构的支持向量机分类器,以更快、更准确地识别扰动类型。在此基础上,提出了基于动态树的分类方法来识别复合扰动信号中所包含的所有扰动类型。测试结果表明,所提出的复合扰动分类方法可以有效分类出复合扰动中的各类扰动。     

基于S&TT变换与PSO-SVMs的电能质量混合扰动识别

针对电能质量混合扰动复杂,扰动特征间存在交叉、难以识别的问题,文章提出一种电能质量混合扰动快速识别方法。建立了15种电能质量扰动信号数学模型,并运用S变换和TT变换提取扰动信号的60个特征量,经过PCA降维处理获得特征集主元;引入PSO算法优化支持向量机的惩罚因子和核函数参数,构造一对多支持向量机分类器以识别电能质量暂态扰动的类型;最后,基于Matlab生成扰动信号数据并建立PSO-SVMs分类器,仿真实验结果证明了该方法的可靠性和鲁棒性。     

多类分类SVM在电能质量扰动识别中的应用

结合傅里叶变换良好的幅频特性、小波变换良好的时频特性和支持向量机优秀的统计学习能力,采用多类分类支持向量机进行电能质量扰动的分类识别。对电压骤升、电压骤降、电压中断、谐波、电压波动、暂态振荡、瞬时脉冲、频率偏差等八种常见电能质量扰动进行数学建模,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,将特征量输入到osu_svm进行电能质量扰动多类分类。算例表明该方案具有识别正确率高,训练样本数少,训练时间短,实时性好,对噪声不敏感等优点,是电能质量扰动识别的有效方法。     

多类分类SVM在电能质量扰动识别中的应用

结合傅里叶变换良好的幅频特性、小波变换良好的时频特性和支持向量机优秀的统计学习能力,采用多类分类支持向量机进行电能质量扰动的分类识别.对电压骤升、电压骤降、电压中断、谐波、电压波动、暂态振荡、瞬时脉冲、频率偏差等八种常见电能质量扰动进行数学建模,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,将特征量输入到osu_svm进行电能质量扰动多类分类.算例表明该方案具有识别正确率高,训练样本数少,训练时间短,实时性好,对噪声不敏感等优点,是电能质量扰动识别的有效方法.     

基于S变换和多级SVM的电能质量扰动检测识别

提出了一种基于S变换和多级支持向量机(SVMs)的电能质量扰动检测和识别方法.首先通过S变换对电能质量扰动信号进行时频分析,有效实现对各种扰动的检测输出.然后对检测输出进行时频特征提取,并通过一个N?1级支持向量机器分类器,最后实现N种电能质量扰动信号的分类识别.测试结果表明,该方法能有效识别参数大范围内随机变化的各种电能质量扰动,识别正确率高,且训练时间很短,实时性能好.     

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。     

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...     

An image processing based method for power quality event identification

This paper presents a novel technique to visualize and detect various power quality disturbance events. It is based on the image processing methods known as grayscale images and binary images. Gray image created from recorded disturbance voltage waveform is first represented as a transverse wave having compressions and rarefactions. Then using image enhancement techniques, the unique features of the disturbance waveform are visualized. Furthermore, the patterns obtained for a pure sine signal and the signal with disturbances are compared for identification of the signal with disturbance. The decision regarding the disturbance type is made using binary image analysis techniques. Finally, to exhibit the novelty of the proposed method, a comparison is made with a conventional image processing based power quality event detection method. In addition, evaluation studies for verifying the accuracy of the method are presented.     

基于改进GSA-SVM算法的电能质量扰动分类方法

针对不同类型电能质量扰动信号分类准确率不高的问题,通过MATLAB/simulink搭建常见的9种不同的电能质量扰动信号的模型进行仿真分析,提出一种改进的万有引力搜索算法(improved gravitational search algorithm, IGSA)对支持向量机(support vector machine, SVM)的惩罚因子和核函数参数进行寻优的方法,通过优化SVM的惩罚因子和核函数参数,构建IGSA-SVM分类器,再把提取到的特征向量进行归一化之后输入到所构造好IGSA-SVM分类器中进行训练与分类。仿真结果表明,IGSA-SVM分类器的分类准确率比SVM和GSA-SVM这2种分类器都要好,可以实现对9种不同的电能质量扰动信号的快速准确分类,有利于解决实际的工程问题。     

基于遗传优化的多级SVM语音情感识别

针对语音情感识别中特征维数高、识别率较低的问题,提出利用遗传算法进行特征降维,并构建二叉树结构的多级支持向量机(SVM)分类器进行语音多类情感识别的方案.首先对语音信号预处理后提取常用的情感特征,由于涉及特征较多,存在数据的冗余,采用遗传算法对提取的特征进行优化筛选;然后使用选出的最具情感区分能力的特征训练二叉树结构的多级SVM分类模型.在包含7种情感的柏林情感语料库上进行实验,结果证明提出的语音情感识别方案的有效性.     

Support Vector Machine for Classification of Voltage Disturbances

The support vector machine (SVM) is a powerful method for statistical classification of data used in a number of different applications. However, the usefulness of the method in a commercial available system is very much dependent on whether the SVM classifier can be pretrained from a factory since it is not realistic that the SVM classifier must be trained by the customers themselves before it can be used. This paper proposes a novel SVM classification system for voltage disturbances. The performance of the proposed SVM classifier is investigated when the voltage disturbance data used for training and testing originated from different sources. The data used in the experiments were obtained from both real disturbances recorded in two different power networks and from synthetic data. The experimental results shown high accuracy in classification with training data from one power network and unseen testing data from another. High accuracy was also achieved when the SVM classifier was trained on data from a real power network and test data originated from synthetic data. A lower accuracy resulted when the SVM classifier was trained on synthetic data and test data originated from the power network.     

Power quality disturbance classificationbased on time-frequency domain multifeatureand decision tree

Accurate classification of power quality disturbance is the premise and basis for improving and governing power quality. A method for power quality disturbance classification based on time-frequency domain multi-feature and decision tree is presented. Wavelet transform and S-transform are used to extract the feature quantity of each power quality disturbance signal, and a decision tree with classification rules is then constructed for classification and recognition based on the extracted feature quantity. The classification rules and decision tree classifier are established by combining the energy spectrum feature quantity extracted by wavelet transform and other seven time-frequency domain feature quantities extracted by S-transform. Simulation results show that the proposed method can effectively identify six types of common single disturbance signals and two mixed disturbance signals, with fast classification speed and adequate noise resistance. Its classification accuracy is also higher than those of support vector machine (SVM) and k-nearest neighbor (KNN) algorithms. Compared with the method that only uses S-transform, the proposed feature extraction method has more abundant features and higher classification accuracy for power quality disturbance.     

基于GA和ELM的电能质量扰动识别特征选择方法

电力系统中海量暂态扰动的分析与治理需要以高效准确的扰动分类为基础。现有扰动识别方法缺少合理的特征选择环节,分类器过于复杂,不能满足高效分类的需要。提出一种新的电能质量扰动特征选择方法。首先,对原始信号使用S变换进行预处理,提取具有代表性的25种扰动信号特征构建原始特征集合;然后,根据极限学习机识别准确率构造用于扰动特征选择的遗传算法适应度函数;最后,用遗传算法来进行迭代运算,确定最优特征集合。实验证明,新方法能够有效去除冗余特征,在保证分类准确率前提下,有效降低分类器复杂度,提高分类效率。     

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。     

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。