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PSO - WNN的电能质量扰动分类研究

提出一种基于改进粒子群算法和小波神经网络相结合的电能质量扰动分类方法.首先利用小波多分辨技术检测电能质量扰动信号,然后提取各类扰动能量特征向量,将此特征向量输入到优化后的小波神经网络进行识别,最后经改进粒子群小波神经网络得到电能质量扰动分类结果.实例仿真计算结果表明,方法可大大提高电能质量扰动分类识别能力.     

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ITD和K均值聚类的电能质量扰动分析与识别

将固有时间尺度分解ITD(intrinsic time-scale decomposition)与K均值聚类算法相结合,提出一种新的电能质量扰动分析与识别方法。首先,对电能质量扰动信号作ITD分解,得到各内禀尺度分量ISC(intrinsic scale component),然后提取能量最大的前3个ISC的能量比重值及ISC能量熵值作为扰动信号的特征向量,最后基于特征向量采用K均值聚类算法对扰动信号进行分类。对常见电能质量扰动信号的仿真分析结果表明,ITD能够有效分析和提取扰动信号特征,并具有较强的抗噪能力,K均值聚类算法分类正确率高,该方法具有良好的工程应用前景。     

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。     

基于小波系数PCA和SaDE-ELM的电能质量扰动信号分类

电能质量扰动信号分类是电能质量综合治理的前提,为提高分类精度,提出一种基于主成分分析(PCA)和自适应差分进化(SaDE)优化的极限学习机(ELM)的电能质量扰动信号分类方法.对8种扰动信号用db4小波进行10层多分辨分解,与标准能量信号的能量差系数作为特征向量,PCA对其降维处理,去除冗余特征,得到4维数据作为分类的样本数据集,利用SaDE算法对ELM的输入权值和隐含层节点偏置优化.通过仿真实验表明,提出的SaDE-ELM识别准确率更高,抗噪性更强,更适应于电能质量扰动分类.     

基于SVM的电能质量扰动分类

电能质量扰动信号数据庞大,数据提取较难。本文对常见的电能质量扰动及其组合的复合扰动进行离散小波分解,提取PQ(Power Quality)扰动信号能量差作为特征向量,以此降低扰动分类的数据量。利用MATLAB软件产生PQ扰动训练和测试样本,在扰动样本中加入SNR=25d B的高斯白噪声,利用SVM对扰动样本进行分类,提出两步网格搜索法对SVM的参数进行优化。仿真实验结果表明,此分类方法具有较高识别率,证明该算法的准确性和鲁棒性。     

基于离散小波变换和小波神经网络的电能质量扰动检测与分类方法

改善电能质量的前提和关键是准确迅速地对电能质量各扰动进行检测和分类。提出了一种电能质量检测与分类的新方法。电能质量事件经过采样后采用离散小波变换(DWT)进行去噪,获得高信噪比的信号,然后将信号进行分解并提取出8个最优特征向量。选取sym4小波作为母小波,采用基于小波神经网络的方法对电能质量扰动信号进行辨识,从而实现对电能质量扰动的检测与分类。最后,仿真结果验证了所提出方法的有效性与高准确度。     

基于Hoeffding Tree的电能质量在线扰动分类

为满足电能质量扰动事件的在线分类需求,提出了一种基于Hoeffding Tree的电能质量扰动在线分类方法。对电能质量在线扰动分类中的关键技术进行了研究,提出用小波变换和离散傅里叶变换相结合的判别方法检测电能质量扰动,该算法采用自适应滑动数据窗算法,能够根据扰动持续时间提取完整的扰动事件。以小波信号能量以及基波有效值构成特征向量,利用Hoeffding Tree算法构建增量式分类训练模型。仿真结果表明,所提方法的准确度和效率均满足电能质量扰动事件在线检测和分类的要求。     

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。     

配电网暂态电能质量扰动的定位与识别研究

针对配电网暂态电能质量扰动的非平稳性、突变性和短时持续性的特点,提出一种基于小波变换和BP神经网络的扰动定位与识别方法。首先对暂态电能质量扰动信号进行小波分解,提取其高频系数得到扰动时刻信息,然后利用模极大值对扰动突变点峰值进行定位检测,再用扰动信号的能量分布序列来构造特征向量并用BP神经网络设计扰动识别器。MATLAB仿真结果表明,该方法对暂态电能质量扰动信号起止时刻定位快速,精度较高,能有效地识别五种电能质量扰动,识别率高。     

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。     

采用提升小波包和相关向量机的电能质量扰动分类

针对电能质量扰动识别问题,提出一种多级相关向量机(RVM)和提升小波包分解(LWP)相结合的扰动分类新方法。根据电能扰动现象的内在特征,首先通过提升小波包算法快速提取各类扰动信号的分解系数能量作为扰动特征量;然后利用相关向量机构建多级分类树模型实现分类识别任务。研究表明相关向量机在权系数上引入超参数,与支持向量机相比无需设置惩罚系数、推广能力好、解更稀疏。仿真表明所采用方法能够快速有效地获取高精度扰动分类识别率,测试时间短,更适合于在线检测。仿真和试验结果验证了所采用方法对电能质量扰动分类的有效性。     

多特征组合及优化SVM的电能质量扰动识别

提出一种基于多特征组合及粒子群优化的支持向量机(SVM)的电能质量扰动识别方法。该方法采用小波变换和S变换提取各扰动信号特征向量,采用粒子群(PSO)优化的支持向量机进行分类识别。首先针对提取的小波能量谱中谐波信号的明显差异,通过设定特征阈值进行初步分类,然后结合S变换提取的3种特征,采用优化参数的SVM进行后续分类。仿真实验表明,该方法能够有效识别常见的8种电能质量扰动及2种复合扰动,相比未经优化的支持向量机模型,粒子群优化的SVM具有较高的识别精度和运算速度,且抗噪能力强。     

基于EMD去噪和S变换结合的电能质量扰动分析

针对电能质量扰动分析问题,提出了一种基于改进EMD去噪和S变换结合的电能质量分析方法.对所获取信号进行EMD分解,选取其中高频信号IMF分量进行小波阈值去噪,依次重构高频信号IMF分量和原信号,对重构信号做S变换处理,提取电能质量扰动特征,根据S变换的时间、频率、幅值等特征分析电能质量扰动具体情况,判断扰动时间和扰动类型.仿真实验结果表明,通过改进EMD去噪和S变换的结合,可有效去除信号中的噪声分量,提高噪声干扰下电能质量扰动分析的准确率.     

基于小波包理论的负荷建模数据特征提取与分类

把负荷建模的实测电流数据看成随机扰动电压的响应,基于小波包的分解和重构理论,采用Wpdec小波包分解函数,用db1小波包对实测建模电流信号进行3层小波包分解,用Wprcoef函数对小波分解系数进行重构,提取和构造了负荷建模数据的能量特征向量。在特征向量归一化基础上,利用减法聚类算法对特征向量进行分类处理,获得了理想的负荷分类结果。通过对动模实验室和220 kV变电站实测数据的特征提取和分类实例,论证了该方法的有效性和准确性,为处理海量建模数据提供了先进的特征提取与分类处理方法。     

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％.