基于深度置信网络的电能质量扰动事件分类

为满足电能质量扰动准确分类的需求,提出了一种基于极大重叠离散小波变换(MODWT)和深度置信网络(DBN)的电能质量扰动分类方法。首先利用MODWT提出一种可靠的电能质量暂态事件检测算法,该算法无需设定检测阈值,可准确获取暂态事件的起止时刻。接着提取暂态事件的电压谐波成分并组成特征向量。然后用DBN分类器对扰动信号进行分类识别,DBN方法比常用的分类方法具有更高的分类准确率和更短的训练时间。通过应用于现场实测扰动数据表明:所提出的方法适用于多种类型的电能质量扰动检测,在少样本情况下具有优越的分类性能。     

基于离散小波变换和小波神经网络的电能质量扰动检测与分类方法

改善电能质量的前提和关键是准确迅速地对电能质量各扰动进行检测和分类。提出了一种电能质量检测与分类的新方法。电能质量事件经过采样后采用离散小波变换(DWT)进行去噪,获得高信噪比的信号,然后将信号进行分解并提取出8个最优特征向量。选取sym4小波作为母小波,采用基于小波神经网络的方法对电能质量扰动信号进行辨识,从而实现对电能质量扰动的检测与分类。最后,仿真结果验证了所提出方法的有效性与高准确度。     

基于并行隐马尔科夫模型的电能质量扰动事件分类

为满足电能质量扰动准确分类的需求,提出了一种基于极大重叠离散小波变换(MaximalOverlapDiscrete WaveletTransform, MODWT)和并行隐马尔科夫模型(ParallelHiddenMarkovModel, PHMM)的电能质量扰动分类方法。首先利用MODWT提出一种实用的电能质量扰动检测算法,该算法无需设定检测阈值,可准确获取扰动时段的起止时刻。接着提取扰动时段的电压谐波成分并组成特征向量。然后用PHMM分类器对扰动信号进行分类识别。PHMM方法克服了人工神经网络方法收敛性较差、训练时间较长的缺陷,使分类器性能大大提升。通过应用于现场实测扰动数据表明,所提出的方法适用于多种类型的电能质量扰动检测,分类正确率高,训练速度快,具有良好的应用价值。     

基于多标签随机森林的电能质量复合扰动分类方法

提出一种多标签随机森林(Multi-label Random Forest, ML-RF)分类算法,并将其应用于电能质量复合扰动分类。ML-RF是基于多标签决策树(Multi-label Decision Tree, ML-DT)的集成学习算法,利用子决策树的组合来增强分类器的整体性能。首先对电能质量扰动信号进行平稳小波变换,计算各层分解系数的小波能量熵作为分类特征向量。然后使用Bootstrap自助法和子空间采样构造不同的训练集训练子决策树。最后组合子决策树得到ML-RF分类器,并对复合电能质量扰动进行分类。仿真结果表明,在不同噪声情况下,该方法均能有效进行复合扰动的分类,具有较好的噪声鲁棒性,是复合电能质量扰动分类的一种可行方法。     

基于小波包能量谱的电能质量短期扰动检测和分类方法

针对电能质量扰动问题,通过介绍几种基于变换理论的电能质量扰动检测和分类方法,对比分析各种方法之利弊,提出了基于小波包能量谱的电能质量短期扰动检测与分类新方法。仿真结果表明,该方法取得了明显优于其他检测和分类方法的效果。     

基于提升复小波的暂态电能质量扰动的检测与定位

针对暂态电能质量扰动信号的检测与定位,提出一种基于第2代小波变换的提升复小波的提升算法。通过Euclidean分解算法得到复小波提升方案;利用该方案对常见的几种扰动信号进行提升变换,将变换后的幅值和相位信息用于暂态电能质量扰动的定位检测及扰动幅度估计;并与第1代小波变换进行比较。仿真结果表明,所提算法具有简单、运行速度快、检测精度高等优点,能够准确定位暂态电能质量扰动信号和计算扰动信号的变化幅度。     

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.     

电能质量扰动检测与分类方法的应用策略

近年来,电能质量扰动问题引起越来越多国家电力部门和用户的关注,对其进行正确的检测和分类十分必要。介绍了基于Foufier变换(F11)、小波变换(WT)、小波包变换(WPT)、人工神经网络(ANN)和Hidden Markov模型(HMM)等理论的电能质量扰动检测和分类方法;阐述了电能质量扰动检测和分类的研究现状和方向。对比分析了各种方法之利弊,指出了基于FFT尺度分类法和基于WPT的HMM模型法的分类器优于其他检测和分类方法。     

电能质量扰动在线辨识装置

设计了一种具有电能质量(PQ)扰动实时在线检测与分类功能的电能质量分析装置.该装置基于DSP和FPGA平台,实现了信号的采集、处理和显示.在算法上由于人工神经网络、专家系统、模糊逻辑、支持向量机等分类器过于复杂,故采用一种简单、高效的PO扰动分类和量化方法,即基于规则基的决策树RBDT(Rule-Based Decision Tree)模式识别方法,同时提取5个典型的PQ扰动时频特征量作为决策树的输入量,实现了9种典型PQ扰动的辨识.通过算法仿真及硬件平台验证,结果表明可以满足对PQ扰动分类的精度和实时性的要求.     

基于提升db4复小波暂态电能质量扰动检测与分类

提出基于Euclidean分解算法的db4复小波的提升方案,并应用于暂态电能质量扰动信号的检测;对扰动信号和基波分量进行提升变换后得到幅值和相位信息分别作差,利用幅值差和相位差来确定扰动的幅度和时间,并根据扰动段的幅值差和相位差所反映的特征进行分类。仿真结果表明,与实小波和复小波相比,该算法进一步提高了暂态电能质量扰动信号定位的速度和精度,并为扰动信号的分类提供了新的重要依据。