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。     

基于自适应特征增强分组卷积网络的电能质量扰动分类EI北大核心CSCD

分布式电源在接入电网时会产生复杂的电能质量扰动(power quality disturbances,PQDs),为提高对PQDs信号分类识别的准确率,构建了自适应特征增强分组卷积神经网络(grouping convolutional neural network with adaptive feature enhanced network,GCNN-AFEN)。GCNN-AFEN模型的核心:首先,对PQDs信号进行S变换形成时频矩阵图像,利用CNN与结构稀疏的GCNN相结合作为特征学习的基础框架以减少模型参数,进而提高运算速度;然后,AEFN模块通过通道注意力机制、频域特征增强和软阈值去噪环节,自适应学习扰动类型与对应特征图的相关性,增加信噪比,突出能够代表扰动类别的深层特征;最后,通过全连接层(fully connected layers,FC)和Softmax分类器进行分类识别。仿真实验表明,提出的模型对于电能质量扰动信号具有较高的分类识别准确率和噪声鲁棒性,能够用于电能质量扰动的快速识别和分类。     

基于卷积-长短期记忆网络的电能质量扰动分类

为了提高电能质量扰动分类准确率,针对扰动信号时序性的特点,采用了基于卷积-长短期记忆网络的电能质量扰动分类方法。首先,将扰动信号进行采样作为输入。然后,通过卷积神经网络(CNN)提取特征数据,再对提取到的特征数据以序列的形式作为长短期记忆网络(LSTM)的输入,对特征数据进行筛选更新。最后,再对输出的特征数据进行学习分类。仿真结果显示,该方法对电能质量扰动信号的平均分类准确率为99.6%,优于单一的CNN法和单一的LSTM法。     

基于S变换和IWOA-SVM的复合电能质量扰动识别

针对目前复合电能质量扰动（PQD）信号特征冗余,分类识别准确率低的问题,提出了一种基于S变换和改进鲸鱼算法支持向量机（IWOA-SVM）的复合电能质量扰动识别方法。首先,利用S变换对7种单一电能质量扰动和生成的13种复合扰动信号进行时频分析,使复杂扰动信号的特征得以凸显。设计特征提取方法,从实频矩阵中尽可能地获取便于分类的信号特征信息;其次,引入自适应权重因子和随机差分变异策略对WOA进行优化,提升其搜索能力;最后建立IWOA-SVM分类预测模型,优化SVM高斯核函数参数,以获得更好的鲁棒性和泛化能力,对提取的特征样本进行自动分类和识别。实验结果表明,所提方法分类识别准确率高,能有效识别多种复合PQD信号,有助于评估与治理电能质量问题。     

装备电力系统电能质量复合扰动识别方法研究

为了提高装备电力系统复合电能质量扰动(PQD)识别能力,提出了构建组合特征集用以全面表征装备电力系统电能质量复合扰动的粒子群优化(PSO)极限学习机(ELM)分类新方法。首先,结合S变换和经验模态分解(EMD)两种特征提取手段,构建组合特征向量集,对复合扰动信号特征边界区分更加明显;然后,优化ELM隐含层神经元数目,平衡其分类的实时性和准确性,在PSO适应度函数与ELM训练误差之间建立联系,设置了PSO初始参数,完成了分类器设计。经装备电力系统实测数据验证,该方法对7类典型装备电力系统电能质量复合扰动信号能够准确识别,且对噪声不敏感,相较于单独使用的ELM,显著地减少了训练及分类时间,进一步提高了分类的准确性。     

基于样本熵和蜻蜓算法优化SVM的电能质量扰动识别和诊断研究

为了避免支持向量机预测结果易受惩罚因子和核函数参数参数选择的影响,提出一种DA算法优化SVM的电能质量扰动诊断和识别模型,实现电能质量扰动最优化诊断和识别。首先运用EMD将电能质量扰动信号进行分解,之后计算各尺度下的IMF分量的样本熵,并将其作为电能质量扰动信号的特征向量,建立SVM的电能质量扰动信号的识别模型。实验结果表明,与GA＿SVM、PSO＿SVM和DE＿SVM相比,本文提出的算法DA＿SVM可以有效提高电能质量扰动识别的准确率,收敛速度快,为电能质量扰动诊断和识别提供新的方法和途径。     

基于特征融合一维卷积神经网络的电能质量扰动分类

现有基于特征选取的电能质量扰动分类算法存在鲁棒性差、抗噪性能不强等问题。提出了一种改进的一维卷积神经网络用于电能质量扰动信号的分类。首先通过三个卷积神经网络子模型分别提取电能质量扰动信号的特征向量,然后将提取的特征向量融合为一个新的特征向量,最后通过BP神经网络实现分类。与改进前的一维卷积神经网络模型以及现有的电能质量扰动分类算法相比,该算法提取的特征向量具有更大的区分度。仿真结果表明,该算法有更好的鲁棒性和识别率,且抗噪能力强,为电能质量扰动信号分类提供了一种新思路。     

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.     

基于 CNN 时-空卷积优化的 EM-EEG 识别方法研究

针对当前情绪脑电信号(emotion electroencephalogram, EM-EEG)识别研究中时间域信息的时间尺度难以把握和空间域信息易被忽视致使辨识率停滞不前,以及采集EM-EEG时通道过多导致信息冗余和信息处理成本增加等问题,提出了基于CNN的时-空卷积优化融合网络进行EM-EEG识别研究。该融合网络由提取EM-EEG时域信息的长卷积(long convolution, L-Conv)CNN和提取EM-EEG空域信息的CNN并联组成,在CNN模型时-空优化中使用粒子群算法(particle swarm optimization, PSO)对时域CNN中的L-Conv尺度进行了优化,并使用短时功率谱(short time power spectrum, STPS)的相关分析方法进行空域CNN模型通道数目优化,深层且有效地提取了EEG中的时间域和空间域特征。结果表明,提出的时-空卷积优化融合CNN在SEED IV数据集上对平和、悲伤、恐惧、高兴4种情绪最终准确率可以达到90.13%,相比传统单一CNN的识别准确率提高了4.76%,并且通道数目由62路降低至33路,缩减了46...     

基于卷积神经网络的暂态电压稳定快速评估

随着特高压直流输电的发展和负荷构成及特性的变化,暂态电压问题严重威胁系统的安全稳定运行。基于卷积神经网络(CNN),提出一种交直流受端电网分区暂态电压稳定快速评估方法。计及系统快速动态响应元件影响,基于暂态电压时序信息构建暂态电压跌落面积矩阵,利用基于t分布的随机近邻嵌入(t-SNE)算法将其映射到二维平面,对受端电网进行分区。依据节点相对距离选择各分区稳态潮流特征。构建线路故障严重度指标,据其对故障线路号进行编码,将编码结果与故障线路号共同作为故障特征。采用粒子群优化算法确定各分区CNN最优卷积核大小和数量,提升CNN性能。实际多馈入交直流电网的仿真结果表明了方法的有效性。     

基于卷积神经网络的变压器有载分接开关故障识别

为进一步提高变压器有载分接开关(OLTC)故障识别的精度,从OLTC切换过程中振动信号递归图的纹理特征出发,提出了一种基于卷积神经网络(CNN)的变压器OLTC故障识别方法。首先根据OLTC振动信号的相空间分布,基于相点距离映射构建了OLTC振动信号的距离映射递归图(DMRP),然后通过合理选取CNN的网络层数、卷积核尺寸等结构超参数和对卷积核进行降维处理,提出了基于CNN的OLTC故障识别模型。对某CM型OLTC正常与典型故障下振动信号的计算结果表明,DMRP能自适应地对振动信号的相空间相点分布进行描述,所提出的识别模型对OLTC的典型故障均具有良好的识别性能,尤其在轻微故障的识别上相比于现有方法准确率提升了至少10%。     

基于GAF与卷积神经网络的电能质量扰动分类

针对在设计电能质量扰动(Power Quality Disturbance, PQD)分类器时人工选取特征过程繁琐并且不够精确的问题,提出一种基于格拉姆角场(Gramian Angular Field, GAF)和卷积神经网络(Convolutional Neural Network, CNN)的PQD分类方法。首先将一维PQD信号映射为二维图像,接着在已有的神经网络基础上构造适用于PQD分类的网络框架。最后将二维图像作为输入,CNN将自动从海量的扰动样本中提取特征并加以分类。仿真结果表明该方法在噪声数据中具有良好的分类性能,是一种行之有效的PQD分类方法。     

基于自适应不完全S变换与LOO-KELM算法的复合电能质量扰动识别

针对电能质量复合扰动识别中特征提取效率低、分类器识别能力与学习速度无法同步提高的问题,提出一种基于自适应窗不完全S变换与留一交叉验证优化的核极限学习机(LOO-KELM)算法的复合电能质量扰动识别方法。首先根据选定的主频率点自适应调节S变换窗宽系数,提取具有高时频分辨率的59种电能质量(PQ)特征,再通过留一交叉验证寻找最小预测残差平方和,实现核极限学习机的输出权重优化,最后根据提取PQ特征集与优化后的核极限学习机实现复合扰动的识别与分类。仿真和实测结果表明,所提方法对不同噪声下的16类混合电能质量扰动均具有较高的分类精度,相较于现有复合电能质量识别方法,分类精度更高且训练时间更短。     

基于CNN和LightGBM的新型风电功率预测模型

考虑到风力发电具有波动和不确定的特点,难以预测,文章提出了基于卷积神经网络和LightGBM算法相结合的新型风电功率预测模型.通过分析风电场与相邻风电场原始数据的时序特征,构建出新的特征集;应用卷积神经网络(CNN)从输入数据中提取信息,基于数据间的对比结果调整相应参数;为了提高预测结果的准确性和鲁棒性,将LightGBM分类算法加入模型中.对比所提模型与支持向量机以及单一的LightGBM和CNN模型仿真结果,证明所提模型具有更好的精度和相率.     

基于PSO-MP算法和RBF神经网络的电能质量扰动识别

准确识别扰动信号类型对分析和治理电能质量问题具有重要意义。文中提出一种基于粒子群优化匹配追踪算法(PSO-MP)和RBF神经网络的电能质量扰动识别方法。首先,构建工频原子库将工频信号提取出来,得到的残余信号能更好地体现扰动信号差异性;再利用PSO优化匹配追踪算法以减小计算量,并结合离散Gabor原子库对残余扰动信号进行稀疏分解,准确提取其原子参数;最后将原子参数以及残余信号在原子上的投影的均值和标准偏差作为特征量,利用RBF神经网络对扰动信号进行识别。仿真算例表明,该方法能够有效地识别几种常见的电能质量扰动,且具有抗噪性能强、计算量小等优点。     

基于ISSA-XGBoost的电能质量扰动识别方法研究

针对传统电能质量扰动(power quality disturbances, PQDs)识别中特征提取有冗余,识别精度不高等问题,提出了一种基于改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化特征选择和极致梯度提升(eXtreme gradient boosting, XGBoost)的电能质量扰动识别方法。首先对电能质量扰动信号进行S变换,提取61种电能质量特征。再通过ISSA同时选择最优特征子集和XGBoost中最优参数,剔除冗余特征,提高识别精度。最后根据优化后的最优特征子集和XGBoost实现电能质量扰动的识别。仿真结果表明,所提出的方法能有效选择最优特征子集,对噪声环境下的19种电能质量扰动信号进行高效识别,并且具有较高的识别精度。