基于多分类支持向量机的电压暂降源识别

S变换具有很好的时频分析能力,能精确提取突变信号的关键特征信息。在分析S变换原理基础上,提出一种基于多分类支持向量机的电压暂降源识别方法。用S变换对电压暂降信号进行时频分析,提取各类暂降特征;用多分类支持向量机对特征进行训练与识别。通过仿真算例验证,该方法能有效识别电压暂降源,可应用于电能质量监测系统。     

基于多分类支持向量机的电压暂降源识别

S变换具有很好的时频分析能力,能精确提取突变信号的关键特征信息.在分析S变换原理基础上,提出一种基于多分类支持向量机的电压暂降源识别方法.用S变换对电压暂降信号进行时频分析,提取各类暂降特征;用多分类支持向量机对特征进行训练与识别.通过仿真算例验证,该方法能有效识别电压暂降源,可应用于电能质量监测系统.     

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。     

基于BAS-BP分类器模型的电压暂降源识别

为提高不同电压暂降扰动源的识别正确率,对电压暂降进行有效治理,提出一种利用天牛须搜索(BAS)算法和反向传播(BP)神经网络构建BAS-BP分类器模型的电压暂降源识别方法。文中应用改进S变换提取16个特征指标,组成电压暂降源识别指标体系,为消除冗余信息对分类结果的影响,利用组合赋权法筛选出9个指标作为分类器的输入量。通过BAS算法对BP神经网络的初始权值和阈值寻优,构建BAS-BP分类器模型,实现对配电网不同类型电压暂降源的识别。仿真结果表明,该分类器模型具有一定的抗噪能力与适用性,并且与常规分类器模型相比,具有更好的分类效果。     

基于S变换与多维分形的电压暂降源特征识别

电压暂降源的分类与识别是合理制定电压暂降治理方案,明确事故责任的基础。分析了由系统短路故障、大型感应电动机启动和大容量变压器投运引起的单一暂降信号和复合暂降信号的特征,采用S变换分析暂降信号的基频幅值变化情况,对变换后的模矩阵提取6种特征指标,提出多重分形谱参数广义Hurst指数提高噪声环境下分类识别的准确性,将两者结合共同构成电压暂降信号的特征指标。将提取的特征指标作为支持向量机的输入,对不同类型的电压暂降进行训练,并利用无噪声数据和仿真加噪数据分别对其进行测试,从而实现对不同暂降源的分类与识别。实验结果表明,对比传统S变换的电压暂降源识别方法,采用S变换和多重分形相结合的方法构建的特征指标可以更好地识别电压暂降源,有效改善含噪声信号的分类效果,能够应用于实际工程。     

基于分段改进S变换的复合电能质量扰动识别

针对存在多种单一电能质量扰动的复合扰动分类识别问题,提出了一种基于分段改进S变换和RBF神经网络相结合的复合电能质量扰动识别新方法。首先对离散S变换进行了分段改进,将时域分辨率和频域分辨率进行分段处理,通过分析改进S变换得到的模时频矩阵,绘制了能够反映扰动信号不同突变参数的特性曲线。其次利用统计方法优化计算提取了10种用于模式识别的特征量,并用局部逼近的RBF神经网络设计了分类器对提取的特征样本进行训练和分类,最后在不同噪声环境下对5种单一扰动及谐波+电压暂降、电压暂降+闪变等6类复合电能质量扰动的分类识别进行了仿真验证。仿真结果表明,该方案时频处理、分类能力和学习速度等方面均优于普通改进S变换+全局逼近网络的方法,且鲁棒性强,能准确识别多种单一扰动及两种扰动同时存在的复合电能质量扰动。     

一种基于时频域多特征量的电能质量混合扰动分类新方法

针对电能质量混合扰动分类问题,提出一种基于时频域多特征量的分类新方法。首先利用聚类经验模型分解方法和改进不完全S变换对扰动信号进行处理,并提取9个时频域特征值;然后,将特征量输入到分块化的自动分类系统中进行扰动识别。该方法充分考虑单一扰动之间的相互干扰,并通过互补的时频域特征量进行有效的抑制。仿真结果表明,在一定的噪声条件下,所提方法可有效分类电压暂降、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混合扰动。     

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。     

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。     

基于优化极限学习机的电压暂降源识别方法

准确识别电压暂降源对暂降责任分摊和治理决策至关重要。文中提出一种基于优化极限学习机的电压暂降源识别方法。通过直接提取电压暂降波形的时域特征和经S变换提取能量熵和奇异熵2种时频域特征,构建基于时域和时频域的特征向量,弥补现有方法仅采用时频变换提取特征,可能丢失仅存在于时域内的重要信息而影响识别精度的不足。针对极限学习机输入权值和隐含层偏置随机产生的不足,采用遗传算法对其进行优化,构建优化极限学习机模型,解决利用模式识别存在模型复杂和耗时较长,难以实现快速识别的问题。应用仿真数据和实测数据验证了所提特征向量和优化极限学习机模型的有效性;并与其他方法相比,证明所提模型简单、训练和分类识别速度快,识别精度更高,适用于边缘计算,可实现电压暂降源的快速准确识别。     

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S变换和分类树的电网暂态电能质量扰动分类辨识

针对暂态电能质量的检测分析,分别在强弱两种噪声背景下运用S变换的不同方法对暂态多扰动信号进行定位检测.对于暂态多扰动的分类辨识,运用了基于S变换和分类树相结合的暂态电能质量多扰动分类辨识方法,首先运用S变换对暂态多扰动信号进行时频分析,然后提取扰动信号的特征量,最后生成用于对暂态多扰动信号进行分类的决策树分类辨识方法,...     

基于小波熵和小波熵权的电能质量扰动识别

电力系统中电能质量扰动信号的分类和识别一直是国内外众多学者研究的热点问题。小波分析是具有时频局部化特性的时频分析方法,在此基础上定义的小波熵具有较好的定量特征提取能力。基于此,在给出小波熵、小波相对熵和小波熵权的基本原理和定义的基础上,文章提出利用小波熵和熵权两种测度来分类和识别电能质量扰动信号,建立了各种扰动的仿真模型,对电压突降、突升、中断,振荡暂态、脉冲暂态、电压尖峰、缺口、谐波等扰动类型进行了系统的仿真分析。结果表明,不同类型扰动信号的小波熵及熵权具有不同的定性规律,小波熵及小波熵权对电能质量扰动具有一定的分类识别能力。     

基于S变换和希尔伯特-黄变换的电能质量复合扰动分类识别

根据S变换和希尔伯特-黄变换的时频分析特点,提出一种电能质量复合扰动的分类识别方法。通过 S变换提取出扰动信号的基频和高频特征,并结合希尔伯特-黄变换提取出扰动前后信号的瞬时振幅。通过分析各扰动信号的特点,定义了相应的特征函数作为分类识别的判据,从而实现对电能质量复合扰动的正确分类,并准确定位出暂态扰动的起始、终止时刻。实验结果表明,通过 S 变换和希尔伯特-黄变换的融合,可准确地检测出电能质量扰动信号所属类别和扰动特性,以及扰动信号的起始、终止时刻。     

电压暂降扰动源电压空间矢量辨识法

分析了不同暂降扰动源产生的电压暂降的幅值、相位和谐波特征,提出一种基于电压空间矢量的电压暂降扰动源辨识方法。该方法先对三相电压信号进行αβ变换构造出电压空间矢量和零序分量,利用离散傅里叶变换(DFT)将电压空间矢量分解成正、负序两个旋转分量,构造出幅值、相位和谐波特征量,将三者相结合可对造成电压暂降的扰动源进行辨识。时变电压空间矢量在复平面轨迹的三维可视化的描述可以对电压暂降全过程进行全面表征。利用Matlab/Simulink建立简单配电网的仿真模型,结果验证了所提出方法的有效性和正确性。     

Power quality disturbance classificationbased on time-frequency domain multifeatureand decision tree

Accurate classification of power quality disturbance is the premise and basis for improving and governing power quality. A method for power quality disturbance classification based on time-frequency domain multi-feature and decision tree is presented. Wavelet transform and S-transform are used to extract the feature quantity of each power quality disturbance signal, and a decision tree with classification rules is then constructed for classification and recognition based on the extracted feature quantity. The classification rules and decision tree classifier are established by combining the energy spectrum feature quantity extracted by wavelet transform and other seven time-frequency domain feature quantities extracted by S-transform. Simulation results show that the proposed method can effectively identify six types of common single disturbance signals and two mixed disturbance signals, with fast classification speed and adequate noise resistance. Its classification accuracy is also higher than those of support vector machine (SVM) and k-nearest neighbor (KNN) algorithms. Compared with the method that only uses S-transform, the proposed feature extraction method has more abundant features and higher classification accuracy for power quality disturbance.