基于小波变换能量分布和神经网络的电能质量扰动分类

提出了基于小波变换能量分布和BP神经网络的电能质量扰动的自动分类方法.利用小波变换对电能质量扰动信号进行多分辨分析,计算各分解层能量分布,求出该能量分布与标准信号能量分布差值并将其作为信号特征量,通过一个3层BP网络得到扰动的类型.该方法将小波变换系数转化为能量分布,减少信号特征的数量,从而简化了神经网络结构.测试结果表明,即使在较强噪声信号背景下,该方法对电能质量扰动类型的识别率仍可达到94.5%,证明了该方法的有效性.     

基于离散小波变换和GA-BP的电能质量扰动分类

电能质量扰动的分类对于电力系统的稳定具有重要意义。首先利用离散小波变换(Discrete Wavelet Transform, DWT)中的db4小波对电能质量扰动信号进行分解,得到近似分量和细节分量,提取各分量的近似系数相对能量和细节系数相对能量;然后对信号进行重构,提取小波熵和重构系数方差,构成扰动信号的特征向量;最后建立遗传算法(Genetic Algorithm, GA)优化BP神经网络的扰动分类模型,并输入特征向量对信号进行分类识别。仿真结果表明,该方法对电能质量扰动的分类准确率较高。     

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。     

基于小波系数KPCA和PNN的电能质量扰动分类

针对电能质量扰动分类,提出基于小波系数特征的核主成分分析(KPCA)和概率神经网络(PNN)的分类新方法.对正常信号和六种常见电能质量扰动(电压暂降、暂升、短时中断、谐波、电压波动和振荡暂态)进行小波变换和多尺度分析,提取各类扰动在多个尺度上小波系数作为特征向量;利用KPCA进行主成分提取,降低了小波系数特征向量维数,再输入PNN进行分类.仿真表明,该方法分类速度和准确率良好.     

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。     

基于小波变换和极限学习机的电能质量扰动分类

利用小波变换(WT)和极值学习机(ELM)对电能质量事件(PQE)进行识别分类,利用离散小波变换(DWT)对信号进行多分辨率分析,获得PQ信号的特征能量系数,并在25、35、45dB噪声环境下,构造了3种PQ数据集。ELM是一种有效的广义单隐层前馈网络(SLFNs)学习算法,可用于识别各种多分类问题。对比试验与现有方法结果,证明基于小波变换的极限学习机能对8种扰动进行有效分类,具有鲁棒性强的识别结构,可用于实际电力系统信号分类。     

基于小波变换的电能质量扰动源定位

扰动问题直接影响电能质量,对供用电双方都会带来巨大的损失,只有及时发现扰动源的准确位置才能顺利排除扰动源。对采集的数据进行小波变换,计算暂态扰动功率与稳态扰动能量,进行扰动方向判定。根据监测点之间的连接关系以及功率流向构建监测关联矩阵,对监测关联矩阵与扰动方向矩阵进行运算,实现对扰动源的定位,仿真结果验证了算法的准确性。     

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.     

基于复小波变换的暂态电能质量扰动检测与分类

根据Daubechies实小波生成相应的复小波,在此基础上,利用复小波变换的相位信息分析几种常见的短时电能质量扰动。针对由复小波变换得到的相位图特征不明显的问题,提出了改进相位图,能更清楚地观察到扰动时的相位变化,便于更精确地对扰动进行定位,同时根据改进后的相位图所表现出来的特征可以简单地对各种扰动进行分类。仿真分析表明,利用改进后的相位图可以简单有效地实现对常见的短时扰动的检测与分类。     

利用小波变换及人工神经网络识别电能扰动

电能质量问题成为近年许多高等院校、科研院所的研究重点,电能扰动识别是电能质量研究的一个重要方面。为此,指出了电能扰动识别包括预处理、特征提取和模式识别等3个过程,研究了基于小波变换和人工神经网络的电能扰动模式识别方法。借助于Matlab软件生成120个电能扰动样本并使用小波变换提取特征后,采取反向传播神经网络和概率神经网络识别的正确率分别为87.5%和85%。仿真分析结果发现:使用小波变换提取特征向量并使用反向传播神经网络设计分类器所得到的识别系统的性能比较令人满意。     

基于二维离散平稳小波的电能质量扰动分类

针对电能质量扰动分类这一难题,提出一种基于二维离散平稳小波的分类方法。首先对信号进行一层二维小波变换,得到一个低频分量和水平、垂直和斜线3个高频分量,利用这4个部分的信号能量组成特征向量,再通过水平高频系数的模极大值将稳态和暂态扰动分开,分别建立稳态和暂态神经网络实现分类。该方法只需要采用最简单的小波函数db1对信号进行一层小波变换,对噪声不敏感,简单易行。仿真结果表明了该方法的有效性。     

基于小波神经网络的电能质量扰动辨识

为了对电能质量进行有效的治理,以提高用电效率,有必要对电能质量扰动进行准确的分类。基于小波的时频分析特点和一种新型的小波神经网络,提出了一种电能质量实用分类方法。利用正交小波对信号进行多分辨率分析,提取各类电能质量变化的能量特征;利用小波神经网络对输入特征矢量进行识别,完成对电能质量的自动分类。研究表明,该方法能有效地区分电压骤降、电压骤升、电压中断、脉冲暂态4种电能质量问题。     

基于小波—BP神经网络的短期风电功率预测方法

建立风电功率预测系统并提高其预测精度是大规模开发风电的关键技术之一。基于数值天气预报,建立了反向传播（BP）神经网络风电功率预测模型,并采用某风电场实际数据分析了影响该模型预测精度的因素。针对原始风速及功率序列日特性不明显、BP神经网络不能完全映射其特性的缺陷,提出了一种基于小波—BP神经网络的预测模型。该模型利用小波...     

基于小波变换与BP神经网络的光伏电站孤岛检测研究

随着光伏电站规模不断增大,并网光伏系统对原有供电网络的影响越来越大,孤岛检测成为光伏电站必须深入研究的问题。针对现有孤岛检测方法的不足,提出了一种基于小波变换与BP神经网络的新型被动式孤岛检测法。该法通过小波变换获得有关信号孤岛发生前后的特征信息,再由BP神经网络根据这些特征信息实施孤岛检测和孤岛保护行为。仿真研究的结果表明,所述新型被动式孤岛检测方法检测速度快,检测盲区小,在多个负载品质因数、谐波等扰动情况下,不会出现孤岛检测的误判行为。     

基于二进小波变换的电能质量扰动检测

电能质量扰动起止时刻和持续时间是描述扰动的重要属性,为了对电能质量进行分析与评估,需要对其进行检测。小波变换的局部模极大值对应信号的突变点,可以用来检测电能质量扰动。连续小波变换的计算量大,存在较大冗余,而多分辨率分析的方法由于进行了二抽取,难以直接根据变换结果进行检测,需要重构信号,因此,采用了二进小波变换对电能质量扰动进行检测。使用电磁暂态分析程序ATP仿真软件对电能质量扰动信号进行了仿真,用样条小波进行二进小波变换,检测结果表明在分解尺度一上可以实现较为准确的检测。     

基于小波神经网络的风力发电系统暂态电能质量分析

结合当前风力发电大规模发展、风电系统大规模并网的趋势,针对风电系统并网所存在的暂态电能质量问题,将广泛运用于信号处理的同神经网络相结合,构造了小波神经网络,详细的分析了小波变换和神经网络的基本原理,给出了小波神经网络的拓扑结构图及风电系统暂态电能质量的仿真。仿真结果表明,小波神经网络可以有效的对暂态故障进行检测、时间定位及预测,和其它控制方式相结合可以改善暂态电能质量。     

基于小波变换和模糊逻辑的暂态电能质量扰动分类

针对暂态电能质量扰动现象的内在特征,提出了小波变换和模糊逻辑相结合的暂态电能质量扰动分类方法。该方法使用小波变换提取扰动的时间特征,将扰动持续时间、扰动幅度、扰动频率、电压变化率绝对值作为暂态电能质量扰动的特征向量,输入到4输入2输出的模糊逻辑推理系统,自动判别暂态电能质量的扰动类型及扰动强度。在Matlab平台上使用该方法对应用电磁暂态仿真工具EMTDC仿真得到的暂态电能质量扰动波形进行分析,效果良好,验证了该方法的有效性。     

基于第二代小波变换和矢量量化理论的电能质量扰动分类方法

提出了一种将第二代小波变换和矢量量化相结合的电能质量扰动分类方法。该方法采用第二代小波变换对电能质量扰动信号进行时频分析,采用基于模极大值的小波变换后处理方法提取时频分析结果中表征扰动特征的模极大值、生成扰动特征量组,通过将扰动特征向量组送入基于矢量量化的树形分类器实现了对电能质量扰动的分类。仿真结果表明该方法噪声鲁棒性良好、简单可靠、分类准确率高、实时性好。