一种电能质量多扰动分类中特征组合优化方法

针对电能质量扰动分类中冗余特征量造成分类器训练困难、分类准确率下降的问题,提出一种基于改进遗传算法的特征组合优化方法。该方法对信号进行小波变换,提取各层的改进小波能量熵作为原始特征,并构造一种基于欧氏距离的适应度函数,采用改进的自适应遗传算法对原始特征进行筛选和优化组合,形成用于电能质量扰动分类的最优特征组合。分别采用二分类-支持向量机法(Binary-SVM)、多标签径向基神经网络(ML-RBF)和多标签K近邻法(ML-KNN)对不同噪声情况下的电能质量单一扰动和混合扰动进行分类,仿真结果验证了所提特征组合优化方法能有效提高分类器的训练速度和分类准确率。     

基于变换的电能质量扰动识别方法研究

综述了基于变换的方法在电能质量扰动分析中的应用,分别对基于小波变换、短时傅里叶变换、S变换的分析方法在电能质量扰动检测与扰动类型识别中的应用加以讨论。文中分析了在应用这些方法时涉及到的关键问题以及目前的解决情况,指出了现有一些文献中取得的好的成果及存在的一些问题,并就值得进一步研究的问题以及今后的主要研究方向进行了展望。     

基于多特征融合的卷积神经网络的电能质量扰动识别方法

电能质量扰动的识别是电力系统故障预警与识别的重要手段。电网中,变压器系统存在的电能质量扰动通常为叠加扰动波形。为提高扰动智能识别框架的准确度,提出了一种基于多特征融合卷积神经网络（multi feature convolution neural network,MFCNN）的电能质量扰动的识别模型。提出的MFCNN模型具有2个子模型,将原始的时域数据和经过快速傅里叶变换（fast Fourier transform,FFT）所得频域数据分别作为2个子模型的输入,通过对时域、频域信息的特征融合来实现复杂扰动信号的识别;利用多组电能质量叠加扰动数据,训练传统机器学习模型和MFCNN模型,对比不同模型对电能质量扰动识别的准确率,验证MFCNN模型的有效性。实验结果表明,MFCNN模型对于7种扰动信号的识别准确率均可达到91.6%以上,其中,谐波和陷波叠加扰动信号的准确率为92.9%,具有更强的识别能力。     

基于改进多层前馈神经网络的电能质量扰动分类

电能质量扰动分类是电能质量控制的重要工作之一,主要工作包括信号特征提取和分类器构造两个阶段。采用S变换与改进的多层前馈神经网络相结合,提出一种新的电能质量扰动分类方法。首先利用S变换对原始数据进行处理,提取具有代表性的4类典型特征以表征不同种类的扰动类型的特性,之后使用拟牛顿法和自适应因子改进传统的多层前馈神经网络,将特征作为改进的多层前馈神经网络的输入向量,实现自动的分类识别。实验表明,新方法减少了噪声对分类准确率的影响,学习能力强,能够有效的识别电压暂降、电压瞬升、电压中断、暂态震荡、谐波等5种电能扰动。     

基于小波与多维分形的电能质量扰动分类

提出了基于小波变换和多维分形的电能质量扰动概率神经网络自动分类系统.分类系统的实现分为两个阶段,首先采用离散小波多分辨率分析和Parseval定理提取不同尺度下扰动信号的能量分布特征,同时利用多维分形方法计算同一畸变信号的局部方差分维数,并将小波变换提取的能量分布特征和局部方差分维数组合构成特征矢量.其次将特征矢量输入到概率神经网络进行训练和测试,从而实现正弦波形、电压骤降、电压陡升、谐波、中断,脉冲和振荡瞬态的分类.采用提出方法的电能质量扰动平均分类率为95.86%,高于只采用离散小波变换提取特征矢量分类率2.15%.     

基于小波与多维分形的电能质量扰动分类

提出了基于小波变换和多维分形的电能质量扰动概率神经网络自动分类系统。分类系统的实现分为两个阶段,首先采用离散小波多分辨率分析和Parseval定理提取不同尺度下扰动信号的能量分布特征,同时利用多维分形方法计算同一畸变信号的局部方差分维数,并将小波变换提取的能量分布特征和局部方差分维数组合构成特征矢量。其次将特征矢量输入到概率神经网络进行训练和测试,从而实现正弦波形、电压骤降、电压陡升、谐波、中断、脉冲和振荡瞬态的分类。采用提出方法的电能质量扰动平均分类率为95．86％,高于只采用离散小波变换提取特征矢量分类率2．15％。     

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。     

一种广义S变换及模糊SOM网络的电能质量多扰动检测和识别方法

针对暂态电能质量电压多扰动信号的检测与分类问题,提出一种基于广义S变换及模糊SOM神经网络的暂态电能质量检测和识别方法。针对常见的电压多扰动信号,特别是两种扰动叠加的情况,采用广义S变换对扰动信号的时频特征进行提取,并取变换后的时间幅值平方和均值和特征频点作为神经网络的输入样本,采用模糊SOM神经网络进行训练,再用新的多扰动数据进行网络检验。仿真与实验结果表明,广义S变换能有效提高电能质量多扰动特征检测,模糊SOM神经网络能精确对其进行分类,该方法能够较好的解决电压多扰动叠加情况的定性和定量分类问题。     

基于神经网络的电能质量扰动识别

针对目前电能质量扰动识别中高噪声背景下识别正确率低的问题,提出了一种多分辨率广义S变换与神经网络扰动识别与分类方法.首先将信号进行多分辨率广义S变化得到模矩阵,从模矩阵提取特征曲线与特征矩阵,分别输入到前馈神经网络(FNN)与深度卷积神经网络AlexNet进行训练;然后通过学习,自主提取扰动信号特征,并迭代收敛,直接实现扰动识别分类.经仿真实验分析,FNN与AlexNet在低噪声下有较好识别能力,但AlexNet的识别精度更高;在高噪声背景下,FNN识别效果下降明显,而AlexNet依然保持较高的识别率.     

基于小波和神经网络的电能质量扰动信号数据压缩

在小波变换数据压缩方法和神经网络数据压缩技术的基础上,提出了将小波和神经网络应用于电能质量扰动信号数据压缩的方法。利用小波时域和频域的双重分辨率和神经网络的非线性函数逼近能力,以压缩比、均方误差为压缩效果的评价指标,对实际扰动信号进行数据压缩。采用样条小波和径向基神经网络数据压缩方法,以一个实例,给出了电能质量扰动信号的压缩仿真过程,给出了各类(电压凹陷、突起、尖峰、闪变及瞬态振荡)电能质量扰动信号的仿真分析结果。结果表明,该电能质量扰动信号数据压缩方法,压缩后得到的均方误差为-16.1397 dB,压缩效果良好。     

基于多特征量的电能质量复合扰动识别方法研究

针对目前电能质量扰动定位与识别困难的问题,提出了基于多特征量的电能质量复合扰动识别方法。该方法将EEMD、改进TK能量算子、Hilbert变换、扩展Prony算法相结合得到信号主要特征量,确定各特征量阈值,设计了决策树分类器进行快速的扰动识别,避免了因训练样本不足引起的较大误差,在较大程度上缩短了识别时间。选取包括10种复合扰动在内的17种扰动信号进行仿真验证,仿真试验结果表明,该方法识别率高,抗噪能力强,可同时适用于单一和复合电能质量扰动信号的识别。     

基于量子行为粒子群优化-人工神经网络的电能质量扰动识别

提出一种基于量子行为粒子群优化(quantum-behaved particle swarm optimization, QPSO)的改进算法,用于优化人工神经网络(artificial neural network, ANN),实现电能质量(power quality, PQ)扰动识别。采用2个神经子网络,分别用于事件型和变化型PQ扰动识别。PQ扰动信号的特征量通过信号的投影分析、动态测度计算、分形技术获取,作为2个子网络的输入量。改进的QPSO算法主要增加了学习因子、粒子聚集度和进化速度等参数,改进了QPSO算法的参数迭代更新过程,从而优化了神经子网络的训练结果。6种典型现场采集的PQ扰动数据识别结果表明,与加入动量因子的前馈式神经网络的训练方法相比,该算法具有更好的收敛性和稳定性。     

基于扰动功率法的短期电能质量扰动源判定

采用扰动功率法对电压骤升、电压骤降、短时停电等短期电能质量扰动进行扰动源的判定,对公共连接点的各个支路,其扰动功率初始峰值极性作为扰动方向判定的依据,极性不同的支路为扰动源所在的支路。仿真结果表明,该方法对判定电压骤升、电压骤降、短时停电等短期电能质量扰动的扰动源有较好的效果。     

基于改进型神经网络的电能质量扰动识别

为了改善神经网络的电能质量扰动识别能力,提出了一种改进型神经网络。在分析了传统BP神经网络和遗传算法优化BP神经网络(GA-BP)的基础上,将遗传算法和贝叶斯正则化神经网络相结合,并采用小波包能量熵作为特征向量。改进后的神经网络能有效克服传统BP神经网络易陷入局部最小,GA-BP易出现过拟合现象且网络节点数偏多等缺点。在MATLAB平台上建立各种电能质量扰动信号的仿真模型,分别采用传统BP神经网络、GA-BP及改进型神经网络进行扰动识别对比。仿真结果表明,改进后的神经网络显著提高了识别正确率。     

基于扰动功率法的短期电能质量扰动源判定

采用扰动功率法对电压骤升、电压骤降、短时停电等短期电能质量扰动进行扰动源的判定,对公共连接点的各个支路,其扰动功率初始峰值极性作为扰动方向判定的依据,极性不同的支路为扰动源所在的支路。仿真结果表明,该方法对判定电压骤升、电压骤降、短时停电等短期电能质量扰动的扰动源有较好的效果。     

基于大数据深化分析的电能质量扰动辨识方法研究

随着海量充电桩、分布式能源和新型储能设备等新型设备接入电网,导致电能质量问题日益突出。该文以随机矩阵理论为基础,提出基于大数据深化分析的电能质量扰动辨识方法,实现电能质量异常扰动的高精度辨识及挖掘。利用高维随机矩阵对电能质量状态进行表征;通过计算随机矩阵的谱半径来映射电网电能质量的数据变化状态,以实现电能质量扰动的自动辨识;以仿真的电网运行数据为对象进行实例分析,验证了所提方法的有效性。     

基于改进贝叶斯分类法的电能质量扰动分类方法

基于改进贝叶斯分类法提出了2种改进的暂态电能质量扰动分类方法。该分类方法保留了原贝叶斯分类法“最优分类”的性质,使原贝叶斯分类法转化为非参数分类法,扩大了分类法的适用范围,可对数量有限的交叉样本进行最优分类。采用交流暂态仿真软件对5种典型的电能质量扰动信号如电压振荡、电压中断等进行仿真和分类识别。对暂态电压扰动的分类结果表明,上述改进的暂态电能质量扰动分类方法分类特性良好、适用范围较广。     

一种电能质量扰动信号的分层识别新方法

为了快速准确地对电能质量扰动进行分类和识别,结合时域和频域分析方法,提出了一种新的电能质量分层分类识别新方法.该方法由基波和扰动分离模块、扰动时间特征提取分类模块等多个功能模块构成,通过将dq变换、广义形态滤波、傅里叶变换等计算简单的信号分析方法相结 合,逐层提取出幅值、扰动时间、扰动频域奇异熵等特征并对其进行分类,最后依据各层分类结果对信号的扰动类型进行综合识别.对7种常见的单一电能质量扰动及部分混合电能质量扰动仿真分析表明,所提出的方法有较好的分类识别效果.     

基于小波包和支持向量机的电能质量扰动识别

电能质量扰动识别是电能质量检测系统的重要组成部分,也是进一步采取适当措施对其进行治理和控制的前提和依据.通过MATLAB仿真软件建立5种典型扰动信号的模型,包括电压突降、突升、中断、脉冲暂态及谐波;利用小波包分析方法对上述扰动信号进行特征向量提取;并采用粒子群算法对SVM核函数参数γ和惩罚参数C寻优,确定最优SVM分类模型,最终测试精度为98.125％,表明该算法实时性强、识别精度高,从而验证了所用方法的可行性.