基于BP-AdaBoost的电压暂降源识别方法

电压暂降源的准确识别对治理电压暂降问题和改善电能质量至关重要。提出了一种基于BPAdaBoost网络的电压暂降源识别方法。通过直接提取原始波形的时域特征和经S变换后的时频域特征,构建识别特征向量。针对单一分类器的分类精度和过拟合等不足,采用AdaBoost算法进行集成优化为强分类器。选取BP神经网络作为基础分类器,通过大量数据训练得出最强网络参数,得到BP-AdaBoost暂降源识别模型。应用仿真数据和实测数据验证了所提暂降源识别模型的有效性,证明所提方法识别精度高,具有工业应用前景。     

一种基于改进灰色关联分析的电压暂降源识别方法

为准确识别电网中各类暂降源,提出了一种基于改进灰色关联分析的电压暂降源识别方法。分析了其产生机理,并利用暂降分段法,分析电网中各类暂降源的波形特点;针对传统灰色关联分析模型的不足,利用熵权法进行改进;提取电压暂降波形的时域特征,形成六类暂降源对应的标准参考序列和待识别暂降源对应的比较序列,利用改进的灰色关联分析模型计算参考序列和比较序列的关联度,实现暂降源的准确识别。通过PSCAD/EMTDC仿真和实测数据对所提方法进行验证,并与其他方法对比,证明了所提方法能在样本较少的情况下准确识别各类暂降源,且能确定短路引起暂降的故障类型,具有较大的工程应用前景。     

基于小波熵和概率神经网络的配电网电压暂降源识别方法

分析了短路故障、感应电动机启动和变压器投运引起电压暂降的原理及各类电压暂降的特征,提出一种基于小波熵(wavelet entropy,WE)和概率神经网络(probability neural network,PNN)的电压暂降源识别方法。提取信号的小波能谱熵和小波系数熵特征向量,并将其输入概率神经网络,实现电压暂降源的自动识别。利用Matlab/Simulink建立简单配电网的仿真模型进行验证,结果表明,基于小波熵和概率神经网络的方法能很好地识别电压暂降源。     

基于GWO-SVM的电压暂降扰动源识别

针对电压暂降扰动事件发生频繁、扰动种类多样,难以有效识别扰动源的实际情况,结合电压暂降扰动信号的时-频特性、灰狼优化算法(GWO)和支持向量机(SVM)分类模型,提出了一种电压暂降扰动源识别新方法。通过S变换对电压暂降扰动信号进行多分辨率时-频分析,从S变换结果矩阵中提取出信号的特征曲线,建立6类电压暂降混合扰动信号的8个特征量。构建GWO-SVM一对余(OVR)分类器,以提取出的特征量作为输入,对扰动源进行分类识别。基于MATLAB/Simulink构建电压暂降模型,经仿真验证分析,该方法可以有效识别电压暂降扰动源,也为电压暂降扰动治理提供必要的技术支撑。     

基于改进S变换-TT变换的电压暂降特性研究

针对S变换的窗函数固定,以及在检测扰动信号的起止时刻、幅值变化、相位变化时的检测精度不高的问题,在S变换中引入两个调谐因子,得到一种改进的S变换,并对改进的S变换进行傅里叶反变换得到TT变换,将改进的S变换与TT变换相结合应用到主要引起电压暂降的3种暂降源中,并在MATLAB软件上对这3种暂降扰动源信号进行了仿真分析。仿真结果表明,所提的方法比使用S变换方法在检测电压暂降信号上具有更高的检测精度和更好的效果,为更好地提取暂降特征信息以及暂降源的识别打下基础。     

基于改进S变换的复合电压暂降源识别特征分析

电压暂降是较常见、影响较大的电能质量问题,识别电压暂降扰动源对改善和治理电压暂降具有重要意义。分析了由线路短路故障、感应电动机启动、变压器投入等单一电压暂降扰动源和复合电压暂降扰动源引起的电压暂降现象,提出采用改进S变换分析复合电压暂降扰动源识别特征。根据基频幅值曲线和2~5倍基频幅值和曲线,从统计量、熵和能量等方面构建电压暂降识别特征指标,将这些特征指标作为支持向量机的输入实现对不同类型电压暂降扰动源的分类识别。仿真结果表明,采用改进S变换构建电压暂降识别特征指标比标准S变换在电压暂降扰动源分类识别上效果更好。     

应用主成分分析约简电压暂降扰动源识别特征的方法

电压暂降是一种典型的电能质量扰动现象,准确识别引起电压暂降的扰动源类型是电能质量监测与管理的重要内容之一。为解决由于特征指标的相关性和冗余性而导致电压暂降扰动源识别准确率低的问题,提出一种基于主成分分析的电压暂降扰动源识别特征约简方法。通过分析单一电压暂降扰动源和复合电压暂降扰动源,利用小波系数从统计量、波形态、熵、能量等方面构建电压暂降特征指标。根据主成分分析方法对原始特征指标进行标准化处理,计算协方差矩阵并确定综合特征指标个数,最后得到约简后的综合特征指标。这些综合特征指标有效地消除了原始特征指标间的相关性和冗余性。采用常规方法构造分类器进行验证表明,约简后得到综合特征指标,不仅有效降低了输入到分类器中的特征向量个数,而且在不同噪声强度下对单一电压暂降扰动源和复合电压暂降扰动源的识别准确率明显高于利用原始特征指标进行的分类识别。     

电压暂降源自适应S变换辨识模型

电压暂降源的准确识别对改善电能质量具有重要意义。提出了一种基于自适应S变换和多级支持向量机的电压暂降源辨识方法,针对S变换时频分辨率有限的缺点,采用自适应窗宽调整因子动态调整S变换的窗函数宽度,满足不同暂降信号对时间与频率分辨率的不同需求。将自适应S变换用于暂降信号的分析,构建S变换模矩阵,将暂降信号分解到不同的时频子空间。提取6种特征构造多级支持向量机分类器,采用粒子群优化算法寻找最优参数,最后通过多级支持向量机实现电压暂降源的识别。仿真实验证明,该方法分类过程简单,识别准确率高。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

基于HHT和特征离散化的电压暂降扰动源分类特征提取

特征提取是分类问题最关键的环节之一,针对电压暂降扰动源分类中分类特征的提取问题进行研究。首先基于希尔伯特—黄变换(HHT)和类别—属性关联程度最大化(CAIM)离散化方法提出了三种分类特征提取方案,然后分别在决策树(DT)、概率神经网络(PNN)和支持向量机(SVM)上进行了验证。仿真结果表明,基于HHT的特征提取方法可提取有效的电压暂降扰动源分类特征。而且特征的离散化处理可以在不降低分类精度的前提下,有效压缩训练样本集。同时增强分类算法的鲁棒性,对实现电压暂降扰动源的快速、准确识别具有重要的意义。     

基于BAS-SVM的配电网电压暂降源识别

电压暂降是电能质量问题的一种.为提高不同电压暂降扰动源的识别正确率,提出了一种基于天牛须搜索算法(beetle antennae search,BAS)和支持向量机(support vector machine,SVM)的电压暂降源识别方法.应用改进S变换提取不同电压暂降波形的相关幅值曲线和16个特征指标.通过天牛须搜...     

基于CWD及分块SVD的配电开关故障诊断方法

通常,配电开关分合闸操作产生的振动信号中蕴含有体现机械状态的重要信息。提出一种基于振动信号分析的新型配电开关故障诊断方法。首先对振动信号求取乔-威廉斯分布获得二维时频矩阵,然后对时频矩阵作分块奇异值分解,用于表征不同机械状态的时频特性,最后结合极限学习机算法对4类实测振动信号的特征向量进行训练和测试。所提方法的优点是有效提取了配电开关振动信号时频域的特征,并且可以在较少样本的情况下训练诊断模型。基于实测数据的实验表明,该方法具有较高的识别精度和较快的收敛速度。     

基于时频特征分析的变压器有载分接开关运行状态识别

为了对变压器有载分接开关的运行状态进行识别,该研究首先对其运行状态和故障特征进行总结分析,针对分接开关运行过程中产生的振动信号,利用集合经验模态(EEMD)分解为多个固有模态函数分量(IMF),再经过希尔伯特变换法,结合能量熵提取得到基于时频分析的特征向量。将特征向量输入自适应遗传算法(AGA)优化的BP神经网络模型中进行故障识别,并进行数据仿真,与相空间重构后提取的特征向量(PPDC)进行对比,验证不同网络模型下,所提方法的识别准确率和收敛速度。结果表明,以PPDC故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为81.68%和88.32%,收敛次数为981和363,当以基于时频特征提取的故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为91.66%和96.68%,收敛次数为349和159,AGA算法可显著提高BP神经网络模型的性能。由此可见,可将时频特征提取方法与AGA-BP神经网络结合,实现有载分接开关运行状态的有效识别。     

基于MPE局部保持投影与ELM的螺旋锥齿轮故障诊断

针对工业工程各领域广泛应用的螺旋锥齿轮振动信号受环境噪声干扰大,出现故障时信号呈现非线性、非平稳特性,故障特征信息微弱,故障特征提取难、诊断效率低的难题,提出一种基于多尺度排列熵(multi-scale permutation entropy,MPE)-局部保持投影(locality preserving projections,LPP)与极限学习机(extreme learning machine,ELM)的螺旋锥齿轮状态识别方法。首先,构造MPE作为原始高维特征矢量;然后使用LPP对原始高维特征矢量降维,获得最优低维敏感特征矢量,挖掘并保留高维特征矢量的非线性结构特点;最后将所得敏感特征量输入ELM进行识别诊断。该方法应用于3种转速下4种故障状态螺旋锥齿轮的诊断中,并与基于MPE-PCA-ELM与MPE-ELM进行对比识别,结果有效地证明了方法的准确性和优越性。     

利用遗传支持向量机进行电压暂降信号识别

针对传统电力信号识别算法中特征选取的随意性,提出了一种基于遗传支持向量机(GA-SVM)的电压暂降信号识别方法。首先通过S变换时频分析法提取该信号识别需要的可能特征集,然后利用遗传算法的全局搜索特性得到优秀特征,最后通过多分类支持向量机实现暂降信号识别并验证选取特征的有效性。仿真结果证明,该方法能快速、有效识别出电压暂降信号类型。     

利用小波能量特征的增长型自组织神经网络同调机组分群方法

提出了一种利用小波变换多尺度空间能量分布特征的自组织神经网络同调机组分群方法。首先改进了同调机群识别判据,然后利用小波变换的多尺度空间能量分布特征提取方法,对机组功角摇摆曲线提取特征,将时域特征、频域特征及小波能量特征构成的综合向量,作为增长型自组织神经网络的输入,通过调节阈值λ,得出不同精度的分群结果。最后在IEEE-39节点系统上对只考虑时频域特征和同时考虑小波能量特征、时频域特征的同调机组识别结果进行了对比分析,最终表明同时考虑小波能量特征、时频域特征的分群结果具有更高准确性。