基于单向表示字典学习的电能质量扰动识别方法

电能质量扰动识别是电能质量数据分析问题中极其重要的一个部分。目前已经实现的电能质量扰动识别方法普遍存在识别速度较慢,识别准确率仍有较大提升空间等问题。本文提出一种计算简单但能有效识别分类的方法,即基于单向表示字典学习的电能质量扰动识别方法。首先对电能质量数据的训练样本进行训练得到与各个类别对应的子字典,提出单向约束以使样本在字典中的表示系数方向可以区分,然后通过计算测试样本的表示系数方向以及大小来区分所属类别。实验结果表明,本文所提方法不但识别准确度高于已有的识别方法,而且计算效率也有较大提升。     

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。     

不相干约束项的判别字典表示电能质量扰动分类研究

针对稀疏表示电能质量扰动识别中判别字典学习的冗余性,提出一种具备精简性和不相干约束项的判别字典学习电能质量扰动分类方法。首先,将不同电能质量扰动样本训练获得子字典,公共字典和判别字典。接着,利用判别字典优化方法求解出降维测试信号的稀疏表示。最后,利用稀疏表示重构方法求解测试样本,由冗余残差最小值确定电能质量扰动信号的类型。不相干约束项的判别字典学习方法是在训练字典的过程中直接驱使字典具有判别性,获得更加精简且具有判别性的稀疏字典来提升最终的识别性能。实验结果表明8类电能质量扰动信号在40、30、20 d B信噪比递减时,平均扰动识别率有所降低但平均识别精度仍高达96%以上。仿真实验结果表明该方法能有效的对不同电能质量扰动进行识别并提高识别结果的精确度,并且不相干约束项的判别字典算法更优化于判别字典学习算法的分类识别性能。     

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。     

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.     

基于多标签RBF神经网络的电能质量复合扰动分类方法

在径向基(RBF)神经网络和C-均值聚类算法的基础上,提出一种适用于电能质量复合扰动分类的多标签排位分类算法—多标签径向基函数法(ML-RBF)。首先,对常见的电能质量扰动及其组合而成的复合扰动进行离散小波分解,提取各层分解系数的规范能量熵作为特征向量;然后采用C-均值聚类算法将所得的特征向量映射为RBF神经网络的输入;最后通过RBF神经网络对该电能质量复合扰动类型进行预测。仿真实验结果表明,在不同的噪声条件下,ML-RBF可以有效分类识别电能质量复合扰动。     

基于多层特征融合注意力网络的电能质量扰动识别方法

针对复杂电网环境下电能质量扰动特征冗余、分类精度低的问题,经过多层卷积神经网络逐层获取电能质量扰动信号低维到高维特征信息,引入特征注意力机制构建多特征融合层消除特征冗余,提升扰动信号关键特征关注度,并加强扰动信号的局部特征与全局特征的提取,提高模型泛化能力进而提高扰动分类精度,据此提出基于多特征融合注意力网络的电能质量扰动识别方法。仿真结果显示,所提方法不仅在单一扰动、复合扰动下能有效辨识电能质量扰动,而且能有效克服噪声干扰对模型的影响,相比主流扰动分类方法提取的特征辨识度更高、模型抗噪性更强。     

基于H桥级联拓扑结构的中压电能质量扰动源研究

提出一种基于H桥级联拓扑结构的高压电能质量扰动源主电路拓扑方案,能够分别实现电压及电流的扰动输出。该拓扑在输出高次谐波时,采用叠波PWM调制,可以降低开关器件的等效开关频率,从而降低损耗。重点研究了该拓扑输出非整数倍谐波电流时直流电压波动的机理,针对该扰动源提出一种简单有效的直压控制策略,并通过仿真验证了相关算法。     

基于用电模式和字典学习的电器负荷分解方法

负荷分解是获取电器用电细节、分析用户用电行为的重要手段,有利于加强智能电网的需求侧管理。针对当前非侵入式负荷分解研究缺乏考虑电器用电模式、模型迁移能力弱的问题,提出一种基于用电模式和字典学习的电器负荷分解方法。通过聚类提取电器的典型用电模式,根据待测住宅内电器所含用电模式,执行字典学习算法训练各电器的模式字典,再利用模式字典对总负荷进行稀疏表示以实现负荷分解,测试数据集上的分解结果验证了所提方法的准确性以及在住宅迁移上的性能。     

基于稀疏自动编码器深度神经网络的电能质量扰动分类方法

针对智能电网日益突出的电能质量扰动问题,提出了一种基于稀疏自动编码器(SAE)深度神经网络的电能质量扰动分类方法。利用SAE对电能质量扰动原始数据进行无监督特征学习,自动提取数据特征的稀疏特征表达;通过堆栈式稀疏自动编码器(SSAE)进行逐层学习,获得电能质量扰动数据的深层次特征;将其连接到softmax分类器进行微调训练,并输出电能质量扰动事件分类结果。利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的抗噪声能力。仿真结果表明,所提方法能够准确地识别包含2种复合扰动在内的9种电能质量扰动信号,并且具有很好的鲁棒性。     

基于粒子群与极限学习机的电能质量信号特征选择与识别

高效准确地分类电能质量扰动信号是处理电能质量问题的关键。为降低特征计算量,提高分类器分类效率,本文提出一种基于粒子群与极限学习机的电能质量特征选择与识别方法。首先,通过S变换对电能质量扰动信号进行重构与变换,并在此基础上提取特征;然后,以极限学习机的分类精度和选择特征个数作为适应度函数,通过粒子群算法在高维特征空间中寻优,剔除不相关和冗余的特征,保留对扰动识别有效果的特征,由此,确定最优分类子集;最后,使用最优特征子集构成极限学习机的输入向量,训练分类器,并采用优化后的分类器分类电能质量信号。仿真实验表明,新方法能够将维度为25的原始特征集合缩减到8维,且在不同噪声环境下保持综合分类准确率为99.33%。     

基于深度字典学习的输电线路故障分类方法

针对当前输电线路故障分类识别方法存在的阈值整定复杂、人工智能算法可解释性不足等问题,提出了一种基于深度字典学习的输电线路故障分类方法。该方法利用稀疏性约束驱动字典自动提取样本中的故障特征,同时深度字典结构使得所提取的故障特征具有较好的层次性和物理含义,符合人对故障的直观认识,一定程度上解决了数据驱动型方法可解释性不足的问题。最后,通过PSCAD/EMTDC仿真验证了所提方法的有效性。     

Gabor特征和字典学习算法在打印文件鉴别中的应用

为了改善计算机打印文件的自动鉴别性能,提出了一种基于Gabor特征和Fisher判别准则核字典学习的激光打印文件鉴别算法。首先提取字符图像的Gabor幅值特征,同时将Gabor数据特征映射到高维核空间进行主成分分析;再将降维的特征作为初始字典,进行基于Fisher判别准则的字典学习;最后利用稀疏表示分类方法进行鉴别。在自建数据库上的实验结果表明Gabor特征在打印文件机源认证中是一种有效的鉴别特征,实验结果还验证了Gabor特征和Fisher判别准则核字典学习算法的有效性,打印文件源打印机正确鉴别率可达95.79%。     

电能质量复合扰动分类的研究进展

针对电能质量复合扰动的识别问题,通过举例分析复合扰动信号,讨论了复合扰动的特点。详细综述国内外电能质量复合扰动分类的研究现状,将其研究方法分为单标签分类和多标签分类两大方面,分别对这两个方面中目前采用的思想和方法进行讨论。在单标签分类中,分别从直接分类、S变换+分类器、小波变换+神经网络、支持向量机和其它方法五个方面进行复合扰动分类讨论。在多标签分类中,分别从分类思路、分类策略和标签相关性等方面对该方法进行了讨论。最后,分析了电能质量复合扰动识别目前存在的问题,对其研究进行了展望。     

一种组合重构的电能质量扰动特征提取方法

电力系统中电能质量扰动类型较多、扰动特征表征复杂,特征提取的有效性直接影响识别精度。为了保证特征提取的有效性,通常以牺牲特征向量维度作为代价,但特征向量维度过高会增加识别模型的复杂度和降低识别的速度。基于以上考虑,提出了一种基于能量熵和功率谱熵的组合重构特征提取方法。首先根据电能质量扰动信号特性和改进集合经验模态分解(modified ensemble empirical mode decomposition, MEEMD)对电能质量扰动信号进行处理。其次利用能量熵和功率谱熵对扰动特征进行组合提取,构建高精度、低维度的特征向量。最后通过双层前馈神经网络(double-layer back propagation neural network, DBPNN)对扰动信号进行识别。仿真和实验结果表明,与单一特征提取方法相比,所提出的组合重构特征提取方法的特征向量维度、识别模型复杂度和识别难度降低,准确率较高,且具有一定的抗噪性。     

基于卷积-长短期记忆网络的电能质量扰动分类

为了提高电能质量扰动分类准确率,针对扰动信号时序性的特点,采用了基于卷积-长短期记忆网络的电能质量扰动分类方法。首先,将扰动信号进行采样作为输入。然后,通过卷积神经网络(CNN)提取特征数据,再对提取到的特征数据以序列的形式作为长短期记忆网络(LSTM)的输入,对特征数据进行筛选更新。最后,再对输出的特征数据进行学习分类。仿真结果显示,该方法对电能质量扰动信号的平均分类准确率为99.6%,优于单一的CNN法和单一的LSTM法。