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2D—ResNet的船舶电力系统电能质量扰动识别

为实现船舶电力系统电能质量扰动准确识别,结合深度学习提出基于二维残差网络(2D-ResNet)的电能质量扰动识别方法。首先将电能质量一维时间序列通过距离矩阵转化为二维平面图,随后将图像送入所提二维残差网络中提取特征。最终输出特征图通过线性层分类器得到识别结果,实现船舶电力系统电能质量扰动的在线识别。与现有特征提取方法相比,不同信噪比下该方法扰动识别准确率均最高。信噪比为20 dB时,单标签分类平均准确率为93.86%,多标签分类平均F1-score为96.52%,证明了2D-ResNet能有效提取扰动特征且对噪声具备鲁棒性。对于未知复合扰动,单标签分类器识别失败,而多标签分类器准确识别出扰动中的未知成分,且F1-score达到93%,证明了多标签分类适用于未知复合扰动识别。     

基于特征图像组合与改进ResNet-18的电能质量扰动识别方法

针对传统电能质量扰动(power quality disturbance,PQD)识别体系中单一图像特征信息受限与算法识别能力不足等问题,依据特征融合的思想,提出一种基于特征图像组合与改进ResNet-18的PQD识别方法。首先,对PQD信号进行变分模态分解(variational mode decomposition,VMD)得到一系列固有模态函数(intrinsic mode functions,IMFs)与残差分量;其次,将IMFs、残差分量、原始扰动信号与Subtract分量纵向拼接成分量矩阵,利用信号-图像转化方法生成特征分量彩色图;再次,对原始扰动信号进行连续小波变换(continuous wavelet transform,CWT)生成小波时-频图;最后,将特征分量彩色图与小波时-频图组合输入改进的六通道ResNet-18中训练学习并完成扰动识别。通过仿真对PQD识别方法进行分析并将其与目前常用识别体系进行比较。结果表明,所提方法具有较好的抗噪性能并且能够更好地提取PQD特征信息,达到更高的识别准确率。     

基于图卷积神经网络和格拉姆角场的电能质量扰动分类

由于新能源系统的广泛加入,系统中的电能质量扰动数量和种类也相应增加,而传统电能质量扰动（PQD）分类方法存在准确率和效率不高的问题,难以适应现有包含高新能源渗透率的电力系统的电能质量管理。因此,提出了一种基于图卷积神经网络（GCNNs）和格拉姆角场（GAF）的电能质量扰动分类方法。首先,对原始的PQD信号进行归一化和极坐标转化处理;然后采用GAF对不同种类的PQD一维信号进行图形化转换,生成包含不同PQD特征的二维图片;最后,采用GCNNs对不同种类的PQD图片进行训练和分类,实现不同PQD的分类。实验部分采用IEEE-39节点系统仿真并模拟不同种类的PQD曲线,对所提方法进行验证。实验结果表明,所提方法可以自动地进行特征的提取和优化,满足PQD识别和分类的高效性和准确性。     

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。     

基于深度学习的复合电能质量扰动识别方法

精准的电能质量扰动识别是对电能质量扰动事件发生后需要解决的主要问题之一,这对划分责任和加快电力市场化进程均具有重要意义,而海量的电能质量监测数据则为电能质量扰动识别提供了条件与机遇。不同的电能质量扰动类型,其电气特征上也存在区别,故可利用不同电能质量扰动波形之间的差异来区分电能质量扰动类型。结合深度学习理论,建立一种基于双向独立循环神经网络的复合电能质量扰动识别方法,通过提取电能质量扰动信号的本质特征量,建立输入序列与输出序列之间的内在对应关系,克服了分析结果对物理特征量的依赖性,提升了电能质量扰动识别准确率。实验结果表明,所提方法可以有效应对复合电能质量扰动的多样性问题,可以直接从原始的底层数据中自主学习复合电能质量扰动信号中所隐藏的本质特征量,识别准确率高。     

基于深度前馈网络的电能质量复合扰动识别

针对电能质量复合扰动识别中识别准确率不高和泛化性能较差的问题,提出基于深度前馈网络(Deep Feedforward Network,DFN)的扰动识别方法。先在少数重要频率点上对扰动信号作不完全S变换,从得到的时频矩阵中提取多种识别特征,构建和训练三层DFN扰动分类器,并使用Dropout正则化来提高分类器的泛化性能。仿真实验和实测实验表明,文中的方法能够有效识别8种复合扰动在内的共17种扰动类型,并具有很好的抗噪性能和泛化性能。与CART决策树、极限学习机、随机森林等现有方法相比,方法识别准确率更高,鲁棒性更好,具有良好的应用前景。     

基于循环神经网络的电能质量扰动识别

针对电能质量扰动信号识别算法复杂、识别率低等问题,提出一种将长短时记忆神经网络应用于电能质量扰动信号识别分类的新方法。首先在 Tensorflow中搭建长短时记忆神经网络,建立电能质量扰动信号分类模型。其次利用分类模型对电能质量扰动信号原始数据进行有监督学习,提取扰动信号的深层次特征,并将其连接到Softmax分类器输出各扰动信号的识别率。最后将电能质量扰动信号通过递归图生成的二维轨迹图像作为分类模型的输入,通过训练模型实现扰动信号的分类。仿真结果表明,该分类模型对电能质量扰动信号的一维和二维表示均有较好的分类准确率,可以有效识别7种单一扰动和6种复合扰动信号。     

奇异值分解和最小二乘支持向量机在电能质量扰动识别中的应用

基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。     

采用改进多分辨率快速S变换的电能质量扰动识别

噪声干扰是影响电能质量暂态扰动识别准确率的最重要因素。经过S变换后获得的扰动信号的模时–频矩阵具有灰度图像特点。因此,可通过二维数学形态学方法,滤除噪声干扰,获得更高的识别准确率。首先,针对扰动信号时–频分布特点,设计具有不同时–频分辨率的多分辨率快速S变换方法以降低运算量、提高特征表现能力;之后,在阈值滤波基础上,根据信号时–频分布特点,选择线段型、零角度结构元进行灰度级形态学开运算,进一步滤除高频频域噪声;最后,从原始信号、信号傅里叶谱、多分辨率快速S变换模矩阵中提取5种特征建立决策树分类器,识别含噪声信号与6种复合扰动信号在内的12种电能质量信号。通过仿真对比实验发现,新方法具有更好的抗噪能力,更加适用于低信噪比环境下的电能质量信号识别。     

基于小波分解和数据挖掘中决策树算法的电能质量扰动识别方法

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种基于小波分解和数据挖掘中决策树算法的电能质量扰动(power quality disturbance,PQD)识别方法。建立了正弦信号和6 种常见PQD 信号的数学模型,通过小波分解得到了上述信号的特征量,结合决策树方法实现了对PQD 的自动分类,并通过合理选择小波类型、分类算法和去噪方法提高了PQD 的分类精度。实验结果验证了该识别方法的准确性和高效性。     

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。     

基于第二代小波变换和离散隐马尔可夫模型的电能质量扰动分类

提出了一种将第二代小波变换和离散隐马尔可夫模型相结合的电能质量扰动分类方法.首先使用第二代小波变换对电能质量扰动信号进行时频分析,给出了一种基于模极大值的小波变换后处理方法,用以提取分析结果中表征扰动特征的模极大值,将这些模极大值组成扰动特征量组,经矢量量化后得到特征序列,然后将特征序列输入到由离散隐马尔可夫模型构建的分类系统中,实现对电能质量扰动的分类.在此基础上,给出了确定每类扰动定量指标的方法.仿真结果表明,该分类方法在强噪声环境下分类正确率高,且训练易收敛.     

一种基于分层分析系统的电能质量扰动分类方法

建立了电能质量监测和分析系统,对改善电能质量、避免设备损坏和电力系统故障有重要的作用.提出了一种基于分层分析系统的电能质量扰动分析算法,来提高电能质量扰动分类的准确性及对噪声的适应性.采用多种信号处理算法方法,萃取能反映信号扰动参数的特征并逐层进行分析,最后综合判定信号的扰动类型.在不同噪声水平的情况下,通过对6种常见的单一电能质量扰动信号和4种复合扰动信号的仿真,验证了该方法的有效性和准确性.     

基于不完全S变换与梯度提升树的电能质量复合扰动识别

针对电能质量复合扰动中特征选择困难和分类准确率不高的问题,提出基于不完全S变换和梯度提升树的特征选择和分类器构建方法。首先通过选取特定频率的不完全S变换得到扰动的时频矩阵。再从时频矩阵中提取53种原始特征量,并基于梯度提升树对各个特征的重要性进行度量,选取重要特征。最后根据选取的特征集训练和构建梯度提升树,得到扰动分类器。仿真实验表明,对于包括8种复合扰动在内的共17种扰动类型,该方法的分类准确率高于CART决策树、随机森林(RF)、多层感知机(MLP)等现有方法。不同噪声条件下的分类结果表明,该方法具有良好的抗噪性能和算法鲁棒性,展现出良好的应用前景。     

基于知识蒸馏与RP-MobileNetV3的电能质量复合扰动识别

针对复合电能质量扰动(power quality disturbance, PQD)识别中特征提取复杂、识别正确率低和模型难以轻量化等问题,提出一种利用递归图(recurrence plot, RP)对PQD信号可视化方法和基于知识蒸馏的模型训练方法。首先,基于RP挖掘PQD信号隐含特征并构建图像数据集,并利用深度残差收缩网络(deep residual shrinkage network, DRSN)对图像数据集进行更深层次特征提取并完成自主分类。然后,基于知识蒸馏(knowledge distillation, KD)让已训练的DRSN指导轻量化网络MobileNetV3进行训练,通过蒸馏实现知识的跨网络传输。最后,仿真实验和硬件实验表明,利用知识蒸馏训练的MobileNetV3能实现高精度且轻量化的复合扰动识别,同时在30 dB噪声环境下正确率能提升1.06%,对实际扰动信号识别效果良好,具有良好的噪声鲁棒性。