基于样本熵和蜻蜓算法优化SVM的电能质量扰动识别和诊断研究

为了避免支持向量机预测结果易受惩罚因子和核函数参数参数选择的影响,提出一种DA算法优化SVM的电能质量扰动诊断和识别模型,实现电能质量扰动最优化诊断和识别。首先运用EMD将电能质量扰动信号进行分解,之后计算各尺度下的IMF分量的样本熵,并将其作为电能质量扰动信号的特征向量,建立SVM的电能质量扰动信号的识别模型。实验结果表明,与GA＿SVM、PSO＿SVM和DE＿SVM相比,本文提出的算法DA＿SVM可以有效提高电能质量扰动识别的准确率,收敛速度快,为电能质量扰动诊断和识别提供新的方法和途径。     

基于GA和ELM的电能质量扰动识别特征选择方法

电力系统中海量暂态扰动的分析与治理需要以高效准确的扰动分类为基础。现有扰动识别方法缺少合理的特征选择环节,分类器过于复杂,不能满足高效分类的需要。提出一种新的电能质量扰动特征选择方法。首先,对原始信号使用S变换进行预处理,提取具有代表性的25种扰动信号特征构建原始特征集合;然后,根据极限学习机识别准确率构造用于扰动特征选择的遗传算法适应度函数;最后,用遗传算法来进行迭代运算,确定最优特征集合。实验证明,新方法能够有效去除冗余特征,在保证分类准确率前提下,有效降低分类器复杂度,提高分类效率。     

基于ELM与DWT的电能质量检测技术研究

对电能质量事件(PQE)的识别是维持智能电网稳定工作的基础.从模式识别角度出发,提出一种快速准确的PQE检测算法.算法包括特征选择与决策两个阶段.在第1阶段,主要基于直方图方法,该方法可以检测出大多数PQE类,同时与基于离散小波变换(DWT)的技术结合,使用多尺度分析以提高性能.在第2阶段,使用极限学习机(ELM)对P...     

单一电能质量扰动的分类识别研究

电能质量扰动的分类识别对电能质量综合治理具有重要意义,为此提出了一种基于粒子群优化极限学习机的电能质量扰动分类新方法。利用小波变换将扰动信号做10层分解,提取有效区分扰动信号类型层数的能量差、能量差平均值及能量差的标准差作为特征向量,并将扰动信号与正常信号的均方根作为补充,减少输入向量维度。提出采用极限学习机训练误差作为粒子群的适应度函数来优化隐含层神经元个数,在提升分类速度的基础上保持较高的分类精度。经仿真验证表明,该方法能够准确有效地识别常见的7种扰动类型,相比于传统的BP神经网络具有较高的分类速度。     

基于小波变换和极限学习机的电能质量扰动分类

利用小波变换(WT)和极值学习机(ELM)对电能质量事件(PQE)进行识别分类,利用离散小波变换(DWT)对信号进行多分辨率分析,获得PQ信号的特征能量系数,并在25、35、45dB噪声环境下,构造了3种PQ数据集。ELM是一种有效的广义单隐层前馈网络(SLFNs)学习算法,可用于识别各种多分类问题。对比试验与现有方法结果,证明基于小波变换的极限学习机能对8种扰动进行有效分类,具有鲁棒性强的识别结构,可用于实际电力系统信号分类。     

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PSO-MP算法和RBF神经网络的电能质量扰动识别

准确识别扰动信号类型对分析和治理电能质量问题具有重要意义。文中提出一种基于粒子群优化匹配追踪算法(PSO-MP)和RBF神经网络的电能质量扰动识别方法。首先,构建工频原子库将工频信号提取出来,得到的残余信号能更好地体现扰动信号差异性;再利用PSO优化匹配追踪算法以减小计算量,并结合离散Gabor原子库对残余扰动信号进行稀疏分解,准确提取其原子参数;最后将原子参数以及残余信号在原子上的投影的均值和标准偏差作为特征量,利用RBF神经网络对扰动信号进行识别。仿真算例表明,该方法能够有效地识别几种常见的电能质量扰动,且具有抗噪性能强、计算量小等优点。     

基于广义S变换和PSO-ELM的电能质量扰动信号识别

电能质量扰动信号识别是电能质量扰动参数分析、扰动源定位和综合治理的前提。针对S变换在电能质量扰动信号分析中特征表现能力不足,以及极限学习机随机设置输入权值和隐藏层阈值造成识别准确率低的问题,提出一种基于广义S变换(generalized S-transform,GST)和粒子群(particle swarm optimization,PSO)优化极限学习机(extreme learning machine,ELM)的电能质量扰动信号识别新方法。首先,将粗调、微调和精调因子引入S变换的高斯窗函数中,并根据扰动信号的频率特点调整各因子值,从而获得更具针对性的时-频分辨率,以增强特征表现能力。其次,利用PSO的寻优能力,获取最大适应度时对应的输入权值和隐藏层阈值,提升ELM的识别准确率。最后,根据GST时-频模矩阵生成特征集,对PSO-ELM进行训练并测试其识别能力。对比实验表明,相较于S变换和ELM方法,本文提出方法识别准确率更高、抗噪性更强,能够满足工业环境下的电能质量扰动信号识别需要。     

基于多层极限学习机的电能质量扰动多标签分类算法

电力系统中电能质量扰动分类特征选择标准不统一、泛化能力差、分类效果与分类效率有待提高。为了解决这些问题,一方面,引入多层极限学习机自编码器,优化输入权重,完成电能质量扰动信号的特征提取。另一方面,引入多标签排位分类算法,充分考虑各标签之间的相关性,完成电能质量扰动的分类。基于两种算法,设计出基于多层极限学习机的多标签分类模型,并得到多层极限学习机的最优网络结构和多标签分类的最佳分类阈值。实验结果表明,所提方法适用于电能质量单一扰动和复合扰动的分类,改善了分类效果和分类效率,具有较高的分类精度、良好的抗噪能力和泛化能力。     

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...     

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。     

基于多特征组合的电能质量扰动识别方法

为解决电力系统电能质量复合扰动识别困难的问题,同时为电网无功功率补偿提供依据,提出了一种基于多特征组合的电能质量复合扰动识别方法。应用小波包变换和S变换对电能质量扰动信号进行时频分析,提取信号的幅值特征和频率特征,构建电能质量扰动的多特征组合。然后利用概率神经网络构建多特征组合分类器实现电能质量扰动的分类识别。仿真实验证明,该方法能够识别包括两种复合扰动在内的7种电能质量扰动信号,并且具有较高的分类准确度和抗干扰能力,具有工程应用价值。     

基于S变换和IWOA-SVM的复合电能质量扰动识别

针对目前复合电能质量扰动（PQD）信号特征冗余,分类识别准确率低的问题,提出了一种基于S变换和改进鲸鱼算法支持向量机（IWOA-SVM）的复合电能质量扰动识别方法。首先,利用S变换对7种单一电能质量扰动和生成的13种复合扰动信号进行时频分析,使复杂扰动信号的特征得以凸显。设计特征提取方法,从实频矩阵中尽可能地获取便于分类的信号特征信息;其次,引入自适应权重因子和随机差分变异策略对WOA进行优化,提升其搜索能力;最后建立IWOA-SVM分类预测模型,优化SVM高斯核函数参数,以获得更好的鲁棒性和泛化能力,对提取的特征样本进行自动分类和识别。实验结果表明,所提方法分类识别准确率高,能有效识别多种复合PQD信号,有助于评估与治理电能质量问题。     

基于SVM的直流电能质量扰动分类算法

近年来分布式能源发电的规模逐渐扩大,更具优势的直流供电技术也随之飞速发展,未来电网的主要模式将大概率趋向交流电网和直流电网混联的电网结构.其中交流电能质量问题已逐渐成熟,而相应的直流部分仍有待研究.对直流电能质量扰动波形进行有效区分与准确辨识,是研究直流电能质量必不可少的环节.直流电能质量扰动波形分类算法研究对直流配电...     

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.     

基于改进HHT和决策树的电能质量扰动辨识

为了准确辨识电能质量扰动的类型,以实现电能质量问题的有效治理,提出一种基于改进希尔伯特-黄变换(Hilbert-Huang transform,HHT)和决策树的电能质量扰动辨识方法。该方法先采用改进的基于斜率的方法(improved slope based method,ISBM)抑制希尔伯特-黄变换算法的端点效应,然后利用改进的HHT方法进行电能质量扰动信号的分析;从得到的瞬时频率曲线中提取频率成分、扰动持续时间和扰动持续期间频率3个特征量,并从瞬时幅值曲线中获取扰动期间电压幅值;最后构建分类决策树,将这4个特征量作为判断依据,实现扰动信号的分类和识别。根据各类电能质量扰动信号的数学模型,产生大量的测试样本进行仿真测试,结果证明了该方法的有效性和准确性,并且与现有的2种扰动辨识方法进行对比,结果表明该方法具有更高的识别准确率,能准确辨识出电能质量扰动的类型。     

基于小波分解和数据挖掘中决策树算法的电能质量扰动识别方法

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种基于小波分解和数据挖掘中决策树算法的电能质量扰动(power quality disturbance,PQD)识别方法。建立了正弦信号和6 种常见PQD 信号的数学模型,通过小波分解得到了上述信号的特征量,结合决策树方法实现了对PQD 的自动分类,并通过合理选择小波类型、分类算法和去噪方法提高了PQD 的分类精度。实验结果验证了该识别方法的准确性和高效性。