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。     

基于小波变换和支持向量机的电能质量扰动识别

电能质量扰动识别时,采用小波变换提取能量分布特征时小波分解层数通常缺乏理论依据,且采用支持向量机( SVM)分类时训练样本通常只含某一种信噪比(SNR)的噪声.针对以上两个问题,利用小波变换对电能质量扰动信号进行多分辨率分析时,根据扰动信号的采样率来确定小波分解层数,提取小波能量分布差特征作为SVM的输入向量,减少了计算量和特征维数;采用信噪比在较大范围内分布较均匀的训练样本来训练SVM,增强了SVM的范化能力.仿真实验表明,该方法提高了电能质量扰动识别准确率;在20dB噪声条件下,该方法对6种电能质量扰动的识别准确率仍达到95.20％.     

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.     

基于改进S变换的电能质量扰动分类

电能质量扰动信号的分类识别对建立电能质量综合评估体系、选择合理的电能质量治理方案,确保电力系统安全稳定运行和用户的合法用电权益具有重要意义。提出了一种基于改进S变换时频模矩阵的电能质量短时扰动分类新方法。该方法首先根据信号的稳态主导频率确定S变换高斯窗的衰减速度,计算所得时频模矩阵作为各电能质量扰动信号的标准模板;通过比较测试信号改进S变换模矩阵的特定频段与各标准模板之间的相似度,实现扰动分类。在相似度的比较过程中,为了凸显异类模板之间的差别,尤其是电压暂降和暂升、电压缺口和尖峰,提出了能量归一化概念以及分频逐行计算相似度的思想,实现异类模板差异最大化。该方法能够充分挖掘各类扰动信号之间的特征差异,通过简单的相似度比较对扰动进行分类,无需添加辅助分类器。仿真和实测数据的分析表明,该方法分类过程简单,可信度高,抗干扰能力强。     

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。     

利用关联向量机和S变换识别电能质量扰动

电能质量扰动检测识别对电能质量的监测和治理改善都具有重要作用。为更好地识别电能质量扰动,提出了一种基于关联向量机和S变换的电能质量扰动识别方法。首先,通过S变换提取正弦信号、谐波、电压波动、电压暂降、电压暂升、暂态振荡、谐波暂降及谐波暂升等9种电能质量扰动的主要特征,然后用关联向量机对特征样本进行训练及分类。算例结果表明,该方法能有效地识别出电能质量扰动信号类型,识别时间短,且正确率极高,达98.8%,是应用于实时电能质量监测工程实际的很好选择。     

基于改进小波能熵和支持向量机的短时电能质量扰动识别

提出了一种基于改进小波能熵和支持向量机(SVM)的短时电能质量扰动识别方法.首先对采样信号进行小波多分辨分解与重构处理,然后引入滑动时间窗算法,从时一频域结合分析的角度,选用高频带的小波系数进行特征提取;提出了改进小波能熵算法,并用此计算相应的熵值作为扰动特征量,将这些特征量作为SVM的输入,实现短时电能质量扰动的辨识.通过原始小波能熵与改进小波能熵的对比,仿真结果表明了改进算法的有效性.     

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.     

基于相空间重构和支持向量机的电能扰动分类方法

电能扰动的分类需要信号特性提取和分类器构造2个阶段,文中采用相空间重构和支持向量机的组合,提出了一种全新的电能扰动信号的分类方法。首先利用相空间重构方法构造扰动信号轨迹,通过编码获得二进制轨迹图像。针对该图像定义了4类具有区别性的指标,以表征不同扰动类型的特性。然后将特性指标作为支持向量机分类器的输入矢量,实现自动分类识别。算例表明该方法计算量少,正确率高,所需训练样本少,可以有效分类识别电压暂降、电压瞬升、电压中断、脉冲振荡、谐波、闪变等6种电能扰动。     

基于小波变换和改进的RVM的电能质量扰动分类

为了提高相关向量机的回归预测的准确率,本文提出了一种改进的相关向量机算法.该算法从相关向量机的核函数角度出发,将实际中大部分噪声属于正态分布这一个特性引入到核函数中,并在其基础上加入了幅度调节因子,实现了对核函数的改进.为了进一步提高电能质量扰动分类性能,将改进的相关向量机应用于电能质量扰动分类.首先,采用小波变换对电能质量信号进行分解,将分解后得到的各层小波系数能量所占的比例值作为特征量,然后,用改进后的相关向量机对特征量进行分类,进而实现基于小波变换和改进的相关向量机的电能质量扰动分类.实验结果表明,该方法能够对各种电能质量扰动信号进行分类,并且其分类准确率优于支持向量机和未改进前的相关向量机等其他分类方法.     

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S变换和GA-SVM的电能质量扰动识别与分类

电能质量扰动的准确识别与有效分类是改善与治理电能质量问题的前提,针对当前电能质量扰动识别与分类存在的不足,提出一种基于改进S变换和遗传算法(genetic algorithm,GA)优化支持向量机(support vector machine,SVM)的电能质量扰动识别与分类方法.首先,在S变换高斯窗函数中引入调节因子...     

基于S变换和扩张神经网络的电能质量扰动分类

提出了一种基于S变换和扩张神经网络的电能质量扰动分类方法。首先使用S变换对扰动信号进行时频分析,研究了在有多种扰动同时发生的情况下,从S变换的结果中提取扰动特征量的方法,得到了由基频特征矢量、高频特征矢量、相位特征矢量组成的特征矢量组。最后,将提取出来的扰动特征矢量组送入由扩张神经网络构建的分类器中,完成对扰动的分类。扩张神经网络以扩张距离代替欧氏距离来衡量测试数据与聚类中心的相似度,分类正确率高、结构简单、训练快速。仿真结果表明,该方法能准确地对扰动进行分类,对噪声不敏感。     

基于改进的SVM的电能质量复合扰动分类

本文利用支持向量机对电能质量复合扰动进行分类,解决其多重分类问题,为了提高其整体分类的准确率,对支持向量机中的核函数进行了改进。考虑到特征向量在核函数中心位置的聚集程度会影响支持向量的数目,本文在核函数中引进一个径向宽度因子和一个幅值调节因子,从而解决传统核函数存在的问题,减少支持向量数目,降低计算复杂度。将改进后的算法应用到电能质量复合扰动分类中,验证所提方法对于电能质量复合扰动分类不仅具有可行性,并且有较高的分类准确率。从仿真实验结果可以看出,改进的方法对常见的7种单一电能质量扰动信号和5种电能质量复合扰动信号能够进行分类,相对原算法提高了分类准确率。     

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%。     

基于分段改进S变换和随机森林的复合电能质量扰动识别方法

各类分布式设备和智能设备接入电力系统,使得电力系统对电能的波动越来越敏感,这导致对电能质量扰动(PQD)的识别和处理变得越来越重要。通过将分段改进S变换(SMST)和随机森林(RF)算法相结合,提出了一种用于复杂噪声环境下PQD识别的新方法。首先,基于检测误差和峰度对SMST的不同频段进行分别调参,并使用SMST提取待检测信号的75种时频特征,构成原始特征集。然后,改进分类回归树(CART)的节点分裂过程,加入了离散值处理策略并使用Gini指数的下降作为新的节点分裂规则。同时,在下次节点分裂前,将基尼指数下降值为零的特征从特征集中删除。最后,使用改进的CART算法构建了RF分类器并对复合PQD信号进行分类。实验证明,在不同的信噪比条件下,新方法均能有效识别多数单一PQD信号和常见的双重复合PQD信号。虽然新方法在运行效率方面仍有一定的改进空间,但其在不同层面上的改进均能有效提升PQD识别精度,且平均分类精度明显高于各类传统PQD识别方法。     

基于S变换的短时电能质量扰动检测与分类

提出了利用S变换时频等值线图和幅值包络线对常见短时电能质量扰动进行检测和分类的方法.介绍了S变换的基本原理,给出了利用S变换检测和分类短时电能质量扰动的实现方法,通过仿真验证方法的有效性.结果表明,该方法可以准确地确定扰动发生时刻和持续时间,并能简单、直观地对扰动进行分类和幅度确定.