基于小波变换和支持向量机的电能质量扰动识别

电能质量扰动识别时,采用小波变换提取能量分布特征时小波分解层数通常缺乏理论依据,且采用支持向量机( SVM)分类时训练样本通常只含某一种信噪比(SNR)的噪声.针对以上两个问题,利用小波变换对电能质量扰动信号进行多分辨率分析时,根据扰动信号的采样率来确定小波分解层数,提取小波能量分布差特征作为SVM的输入向量,减少了计算量和特征维数;采用信噪比在较大范围内分布较均匀的训练样本来训练SVM,增强了SVM的范化能力.仿真实验表明,该方法提高了电能质量扰动识别准确率;在20dB噪声条件下,该方法对6种电能质量扰动的识别准确率仍达到95.20％.     

基于改进PSO-SVM算法的电能质量扰动分类

对电能质量进行监测是用电信息采集系统的重要任务之一。针对电能质量扰动的识别和分类问题,提出一种基于小波支持向量机(support vector machine,SVM)的分类方法。对正常电压信号和6种电能质量扰动信号波形进行仿真,首先对各种扰动信号进行小波分解,提取各层小波重构系数的能量熵作为特征向量;然后改进的粒子群(particle swarm optimization,PSO)算法对SVM核函数参数进行优化;最后,利用优化参数的SVM对扰动测试集进行分类识别。仿真结果表明,与BP神经网络分类方法相比,该方法对扰动识别和分类的准确率达到97.28%,且训练时间和测试时间都有所减小。     

基于S变换与SVM的暂态电能质量扰动识别

提出利用S变换与SVM对暂态电能质量扰动进行分类识别的方法。首先通过S变换提取扰动信号的特征量,然后利用支持向量机(SVM)进行分类。算例验证,该方法具有准确率高,训练样本少,结果直观等优点。     

经验小波变换和改进S变换结合的电能质量检测与识别方法

为分析不确定干扰因素影响下的实际电力网络电能质量问题,提出一种经验小波变换（EWT）和改进S变换相结合的电能质量检测与识别方法。该方法一方面利用EWT联合归一化直接正交（NDQ）算法和奇异值分解（SVD）算法准确提取调幅-调频分量的频率、幅值和时间参数,另一方面考虑到EWT算法在高噪声环境下瞬时幅值波动的问题,引入改进S变换提取高噪声干扰下的电能质量扰动时频信息,最后,基于EWT和改进S变换提取的扰动特征向量,利用基于改进粒子群优化算法（IPSO）优化支持向量机（SVM）的电能质量扰动识别分类器实现扰动类型的精确识别。仿真和实验表明所提方法在复合扰动识别分类时平均识别准确率为93.23%,且能够准确识别4种实测扰动信号。     

基于WT和GA-SVM的电能质量扰动识别方法

电能质量的监测是用电信息采集系统的主要任务,监测电能质量的关键在于对电能质量扰动的识别。针对电能质量扰动的识别和分类问题,提出了一种基于小波变换(WT)和遗传支持向量机(GA-SVM)的识别方法。首先对正常电压和6种常见的电能质量扰动信号进行小波分解,提取各层小波系数的能量熵作为特征向量,然后利用基于GA优化的SVM对扰动信号进行学习训练,得到电能质量扰动识别模型。算例实验中与单一的SVM和反向传播(BP)神经网络智能算法分别对比,结果表明该方法在各扰动信号的识别准确率和训练时间方面都有明显改善。     

基于双密度双树小波变换的电能质量扰动识别方法

针对电能质量扰动的识别问题,提出一种基于双密度双树小波变换(DD-DT DWT)小波熵和支持向量机的扰动信号识别方法。该方法首先对电能信号进行DD-DT DWT变换,然后分别提取其小波能量熵和小波系数Shannon熵以描述不同扰动信号的特征,最后采用二元树结构支持向量机分别对提取的两类小波熵特征向量进行分类。仿真实验表明:所提出的基于DD-DT DWT小波熵的特征提取方法能有效识别常见的8种扰动信号,并具有正确识别率高及噪声鲁棒性强的优点。     

基于改进S变换和复合特征量的多级支持向量机的电能质量扰动分类

提出一种多级支持向量机对电能质量扰动事件分类的方法,该方法基于改进S变换和多级支持向量机。改进S变换首先通过傅里叶变换提取信号的主要频率成分,然后根据提取的主要频率成分设定相应的调节因子λ,使其在低频段有较高的时间分辨率,在高频段有较高的频率分辨率,从而增强了S变换的特征量提取能力。之后对各类信号的特征参数进行优化处理,产生复合特征量,最后在此基础上将复合特征量设置为支持向量,生成一个多级支持向量机分类器,从而实现多种电能质量扰动信号的识别。采用"二分树"分类的多级支持向量机支持向量较少,且容易实现。仿真测试结果验证了该方法相对于传统的基于S变换和支持向量机分类方法有较强的分辨率和抗噪能力。     

基于PSO-SVM的电能质量复合扰动分类识别方法

目前的电能质量复合扰动分类识别方法存在参数选择困难和识别精度不高的问题。本文提出了一种基于粒子群优化(particle swarm optimization,PSO)和支持向量机(support vector machine,SVM)的电能质量复合扰动识别方法。首先采用db4小波对扰动信号进行特征提取,通过对得到的近似分量和各层细节分量参数进行数学变换,获得合适的训练和测试样本。然后用PSO寻优方法对支持向量机的参数进行选择,解决了参数选择不当造成的识别精度不高的问题。最后利用Matlab软件进行仿真实验,其结果验证了该方法的有效性。     

基于S变换的电能质量扰动支持向量机分类识别

采用s变换和支持向量机进行电能质量扰动的分类识别。作为连续小波变换和短时傅立叶变换的发展，S变换引入了宽度与频率成反向变化的高斯窗，具有与频率相关的分辨率。由于S变换具有良好的时频特性，因而非常适合于进行电能质量扰动信号特征提取。首先通过S变换进行扰动信号特征提取，然后构造支持向量机分类树进行扰动分类。算例表明该方案具有分类准确率高，对噪声不敏感，训练样本少等优点，是电能质量扰动识别的有效方法。     

基于形态小波范数熵和支持向量机的电能质量分类研究

针对电能质量信号分类存在实时性差、准确度低的问题,提出了一种基于HMT(hit or miss transform)小波范数熵(norm entropy,NE)和支持向量机(support vector machine,SVM)的电能质量扰动识别方法。根据HMT小波分解每一层能量不同的特点,取扰动信号的10层小波分解的范数熵组成特征矩阵。特征量起到了对扰动信号分形的作用,以此作为SVM的输入。为了提高分类的准确度,研究采用了粒子群算法(particle search optimization,PSO)对SVM参数进行了寻优,分类准确度达到99%左右。同时比较了HMT小波和传统db4小波分别和SVM结合时的准确度,证明了HMT小波的优势和本文特征量提取法的有效性。而对于含噪声的电能质量信号,采用了广义形态滤波器进行了滤波预处理。仿真结果表明,该方法识别准确率高,稳定性好,适用于电能质量扰动识别系统。