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&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。     

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。     

基于最小二乘支持向量机的电能质量扰动分类方法

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法。对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别。与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果。仿真实验验证了该方法对扰动分类的有效性。     

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。     

最小二乘支持向量机在电能质量扰动分类中的应用

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法.对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化:最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别.与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果.仿真实验验证了该方法对扰动分类的有效性.     

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.     

Classification of disturbances in hybrid DG system using modular PNN and SVM

This paper presents the classification of islanding and power quality (PQ) disturbances in grid-connected distributed generation (DG) based hybrid power system. The penetration of DG influences the PQ levels in the distribution networks. Islanding disturbances are separated out from the PQ disturbances based on the selection of suitable threshold value, at the initial stage of classification process. Further, the power quality disturbances are automatically classified into distinct classes based on feature extraction using S-transform followed by training of two classifiers, namely, modular probabilistic neural network (MPNN) and support vector machines (SVMs). Five different types of disturbances are considered for the classification problem. The study reveals that S-transform (ST) in association with MPNN and SVM can effectively detect and classify islanding and PQ disturbances. The proposed methodology uses features instead of real data set and thereby reduces the data size to classify disturbance signal without losing its original property. The accuracy and reliability of proposed classifier is also tested on signals contaminated with noise and PQ disturbances caused due to wind speed variation on an experimental prototype set-up.     

基于广义S变换和DE-ELM的电能质量扰动信号分类*

电能质量扰动信号分类对电能质量综合评估、扰动源定位治理具有重要意义。提出了一种基于广义S变换和差分进化优化极限学习机的电能质量扰动信号分类方法。首先,通过改变S变换在不同频段的窗宽因子,来提高特征表现能力;然后,采用极限学习机作为扰动分类器,引入具有全局寻优功能的差分进化算法,优化极限学习机输入权值和隐藏层结点偏置,增强极限学习机的泛化能力,提高分类准确率。最后,仿真对比实验表明,相比于支持向量机和极限学习机,文中新方法准确率高、抗噪性强,更适用于电能质量扰动识别工作。     

基于一维卷积神经网络多任务学习的电能质量扰动识别方法

传统电能质量识别需要先用信号处理技术提取信号特征,且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性,使得复合扰动分类的鲁棒性和抗噪性能不理想。针对这些问题,提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动。此结构去除了传统方法的信号特征提取阶段,将扰动分类任务分成四个子任务,设计了相应的标签编码方案,最后输出一个10维标签向量完成多任务分类。仿真结果表明,该方法在不同信噪比时均具有较好的识别准确率,表明此模型具有较强的鲁棒性和抗噪声能力。同时,多任务分类相比One-hot多分类和多标签分类准确率更高,表明了该建模方式的有效性。     

基于小波包分解的电能质量扰动分类方法

随着敏感性设备的大量应用,电能质量问题已日益受到关注。对各种电能质量扰动进行分类是采取适当措施降低扰动带来影响的前提。小波包是在小波变换的基础上发展起来的,能够提供更为丰富的时频信息。章分别选取小波包分解终节点的能量和熵作为特征矢量,应用Fisher线性分类器设计了分段线性分类器,对扰动分类进行了仿真识别。仿真结果表明,以熵为特征矢量的分类方法有较高的识别正确率。     

基于小波和改进神经树的电能质量扰动分类

准确地识别和分类电能质量扰动对分析和综合治理电能质量问题具有重要意义。提出了一种基于小波和改进神经树的电能质量扰动分类方法。该方法利用小波分解扰动信号到各个频带,在基频频带、谐波频带和高频带上分别计算其能量值和小波系数熵作为特征值,另计算基波频带扰动过程的均方根作为特征的补充,融合能量值、熵和均方根值作为扰动判断的特征向量,规范化后输入到改进神经树分类器进行训练和分类。改进神经树分类器是由神经网络和决策树及其分类规则构成。仿真表明,该方法提取特征值的计算量小且融合后的特征向量能够很好地体现不同扰动信号之间的差异信息,构造的改进神经树分类器结合了神经网络和决策树在模式分类中各自的优点,结构简单且表现出良好的收敛性、全局最优性和泛化性,分类准确率较高,能够有效地识别七种常见的电能质量扰动。     

基于改进贝叶斯分类法的电能质量扰动分类方法

基于改进贝叶斯分类法提出了2种改进的暂态电能质量扰动分类方法。该分类方法保留了原贝叶斯分类法“最优分类”的性质,使原贝叶斯分类法转化为非参数分类法,扩大了分类法的适用范围,可对数量有限的交叉样本进行最优分类。采用交流暂态仿真软件对5种典型的电能质量扰动信号如电压振荡、电压中断等进行仿真和分类识别。对暂态电压扰动的分类结果表明,上述改进的暂态电能质量扰动分类方法分类特性良好、适用范围较广。     

基于稀疏分解的复合电能质量扰动分类

针对复合电能质量扰动分类问题,提出了一种基于稀疏分解的分类新方法。该方法通过构建正余弦字典、脉冲字典将电能质量扰动信号分解为近似部分和细节部分,并从中提取了8个特征量。将特征向量输入改进支持向量机中可实现30种复合扰动的准确分类。基于MATLAB生成数据和真实电网数据的仿真结果表明:针对稀疏分解得到的特征向量,改进支持向量机的分类精度高于BP网络和极限学习机;文中方法对单一扰动及复合扰动均有较强的分类能力,且具有一定的抗噪声能力。