基于S变换的电能质量扰动支持向量机分类识别

采用s变换和支持向量机进行电能质量扰动的分类识别。作为连续小波变换和短时傅立叶变换的发展，S变换引入了宽度与频率成反向变化的高斯窗，具有与频率相关的分辨率。由于S变换具有良好的时频特性，因而非常适合于进行电能质量扰动信号特征提取。首先通过S变换进行扰动信号特征提取，然后构造支持向量机分类树进行扰动分类。算例表明该方案具有分类准确率高，对噪声不敏感，训练样本少等优点，是电能质量扰动识别的有效方法。     

基于S变换和最小二乘支持向量机的电能质量扰动识别

采用S变换和最小二乘支持向量机相结合,构建了一种电能质量扰动识别的新方法.首先利用S变换对电能质量扰动信号进行时频分解;然后,从扰动信号S变换的结果中,提取扰动信号的特征向量,组成训练样本和测试样本;最后,使用最小输出编码的最小二乘支持向量机对扰动信号进行训练,实现电能质量扰动信号自动分类和识别.仿真结果表明,该方法识别准确率高,抗噪能力强,且训练时间很短,适用于电能质量扰动辨识系统.     

基于聚类改进S变换与直接支持向量机的电能质量扰动识别

针对电能质量扰动信号的识别问题,提出基于聚类改进S变换与直接支持向量机(SVM)的电能质量扰动识别方法。提出聚类改进S变换方法,该方法结合电能质量扰动信号的特点,可同时对基频的时域分辨率及高频的频域分辨率进行最优化处理,保证特征提取的准确性;将直接支持向量机作为分类器,与最小二乘支持向量机相比,其求解简单,计算复杂度较低,训练与测试速度快,泛化能力较高,并且避免不能保证全局最优解的缺点;将聚类改进S变换与直接支持向量机相结合,应用于单一扰动及混合扰动的识别分类工作。仿真实验验证了所提方法的有效性。     

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％.     

基于决策树和支持向量机的电能质量扰动识别

提出一种新型电能质量扰动识别方法,该方法采用快速傅里叶变换(fast Fourier transform,FFT)结合动态测度法提取3种特征以及S变换提取4种特征;采用决策树和支持向量机(support vector machine,SVM)设计组合分类器。针对FFT频谱中谐波频率明显的扰动类型,采用极值点包络的动态测度法提取频谱中的主要频率点特征,结合S变换提取的特征首先将扰动类型进行初步归类,然后采用S变换的2个特征就能进行后续分类;决策树分类过程中采用SVM来区分电压暂降和中断,克服了特征阈值随信噪比(signal-to-noise ratio,SNR)变化难以确定的问题。仿真实验表明,该方法能够准确识别包含2种复合扰动在内的11种电能质量扰动信号,SNR低至20 dB时准确率仍达到96.50%;且与已有文献的分类结果对比表明,该方法准确率高,稳定性强,在低SNR条件下分类结果优势明显。     

基于S变换和多级SVM的电能质量扰动检测识别

提出了一种基于S变换和多级支持向量机(SVMs)的电能质量扰动检测和识别方法.首先通过S变换对电能质量扰动信号进行时频分析,有效实现对各种扰动的检测输出.然后对检测输出进行时频特征提取,并通过一个N?1级支持向量机器分类器,最后实现N种电能质量扰动信号的分类识别.测试结果表明,该方法能有效识别参数大范围内随机变化的各种电能质量扰动,识别正确率高,且训练时间很短,实时性能好.     

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。     

基于改进S变换和复合特征量的多级支持向量机的电能质量扰动分类

提出一种多级支持向量机对电能质量扰动事件分类的方法,该方法基于改进S变换和多级支持向量机。改进S变换首先通过傅里叶变换提取信号的主要频率成分,然后根据提取的主要频率成分设定相应的调节因子λ,使其在低频段有较高的时间分辨率,在高频段有较高的频率分辨率,从而增强了S变换的特征量提取能力。之后对各类信号的特征参数进行优化处理,产生复合特征量,最后在此基础上将复合特征量设置为支持向量,生成一个多级支持向量机分类器,从而实现多种电能质量扰动信号的识别。采用"二分树"分类的多级支持向量机支持向量较少,且容易实现。仿真测试结果验证了该方法相对于传统的基于S变换和支持向量机分类方法有较强的分辨率和抗噪能力。     

广义S变换在电能质量扰动识别中的应用

针对电能质量扰动信号检测和定位问题,提出一种基于广义S变换的动态电能质量的识别方法.首先推导广义S变换的离散公式,并把典型扰动变换到相空间中,从不同角度提取扰动相空间中的特征量,判断扰动高频奇异点,对所得的结果进行分析并与S变换进行比较.结果表明,广义S变换比标准S变换更具有灵活的时频聚焦性.不仅能有效地检测到电压幅值的瞬时变化,而且能准确判断频率的变化,特别是高次分量.此外,在间谐波和相位检测方面效果良好.     

基于S变换和长短期记忆网络的电能质量复合扰动识别

针对电能质量复合扰动的识别方法准确率较低、效率较慢、鲁棒性较差的问题,提出一种基于S变换和长短期记忆网络的混合方法,该方法能够高效准确地对电能质量复合扰动进行识别,并且鲁棒性高.S变换得到的二维模矩阵的行和列分别反映频域和时域特征,将模矩阵作为长短期记忆网络的输入.为了检验该混合方法的性能,首先对15种电能质量扰动信号...     

采用广义S变换的电能质量扰动免疫分类算法

针对电能质量扰动分类问题,提出了一种基于广义S变换和人工免疫算法相结合的电能质量扰动分类新方法。给出了广义S变换的定义,对比了信号经广义S变换和S变换后的变换结果,推导了一维广义S变换实现过程,给出了调节因子λ随信号中频率组成不同而进行自适应取值的方法。分类过程中,首先使用广义S变换提取出各种扰动信号的特征量形成抗原,然后对不同扰动样本按照提出的免疫分类算法步骤进行训练形成可以分类的抗体,计算抗体和待分类的抗原之间的欧氏距离并用最近邻法则输出最终分类结果。仿真实验结果表明广义S变换比S变换精度高,采用的分类方法能够实现电能质量扰动的自动分类,且对噪声不敏感,分类正确率很高。     

基于广义S变换和DE-ELM的电能质量扰动信号分类*

电能质量扰动信号分类对电能质量综合评估、扰动源定位治理具有重要意义。提出了一种基于广义S变换和差分进化优化极限学习机的电能质量扰动信号分类方法。首先,通过改变S变换在不同频段的窗宽因子,来提高特征表现能力;然后,采用极限学习机作为扰动分类器,引入具有全局寻优功能的差分进化算法,优化极限学习机输入权值和隐藏层结点偏置,增强极限学习机的泛化能力,提高分类准确率。最后,仿真对比实验表明,相比于支持向量机和极限学习机,文中新方法准确率高、抗噪性强,更适用于电能质量扰动识别工作。     

采用改进多分辨率快速S变换的电能质量扰动识别

噪声干扰是影响电能质量暂态扰动识别准确率的最重要因素。经过S变换后获得的扰动信号的模时–频矩阵具有灰度图像特点。因此,可通过二维数学形态学方法,滤除噪声干扰,获得更高的识别准确率。首先,针对扰动信号时–频分布特点,设计具有不同时–频分辨率的多分辨率快速S变换方法以降低运算量、提高特征表现能力;之后,在阈值滤波基础上,根据信号时–频分布特点,选择线段型、零角度结构元进行灰度级形态学开运算,进一步滤除高频频域噪声;最后,从原始信号、信号傅里叶谱、多分辨率快速S变换模矩阵中提取5种特征建立决策树分类器,识别含噪声信号与6种复合扰动信号在内的12种电能质量信号。通过仿真对比实验发现,新方法具有更好的抗噪能力,更加适用于低信噪比环境下的电能质量信号识别。     

采用不完全S变换的电能质量扰动检测方法

S变换因其优良的时频特性而在电能质量扰动检测和定位方面获得了广泛的应用,但由于S变换计算时采用等间隔采样频率点,因而计算量较大。为解决此问题,基于S变换的电能质量扰动检测方法一般通过提取模时频矩阵的特征量实现而不需要利用S变换模时频矩阵的所有向量,分析了S变换的快速计算过程,并据此提出了不完全S变换。首先根据其运算前提是计算信号的FFT,利用动态测度方法检测出功率谱包络的峰值,以此确定信号的主要频率点;然后对相应的频率点进行不完全S变换,求模得到频率幅值特征向量;最后由这些特征向量进行电能质量扰动的检测。仿真结果表明,提出的算法能明显提高检测速度,更适合实时应用。     

基于改进S变换的电能质量扰动分类

电能质量扰动信号的分类识别对建立电能质量综合评估体系、选择合理的电能质量治理方案,确保电力系统安全稳定运行和用户的合法用电权益具有重要意义。提出了一种基于改进S变换时频模矩阵的电能质量短时扰动分类新方法。该方法首先根据信号的稳态主导频率确定S变换高斯窗的衰减速度,计算所得时频模矩阵作为各电能质量扰动信号的标准模板;通过比较测试信号改进S变换模矩阵的特定频段与各标准模板之间的相似度,实现扰动分类。在相似度的比较过程中,为了凸显异类模板之间的差别,尤其是电压暂降和暂升、电压缺口和尖峰,提出了能量归一化概念以及分频逐行计算相似度的思想,实现异类模板差异最大化。该方法能够充分挖掘各类扰动信号之间的特征差异,通过简单的相似度比较对扰动进行分类,无需添加辅助分类器。仿真和实测数据的分析表明,该方法分类过程简单,可信度高,抗干扰能力强。     

采用TT变换的电能质量扰动检测与分类方法

针对电能质量扰动的检测与分类问题,提出一种基于TT变换和规则树的检测与识别方法。首先依据TT变换矩阵对角线元素的离散傅里叶变换所得的频率特性曲线和TT变换模矩阵对角线元素序列,提取3个特征量,初步判断是否含有谐波;然后对不含谐波的扰动,通过TT变换模矩阵对角线序列定位扰动起止时刻并计算扰动幅度;对于含有谐波的扰动,运用二次TT变换模矩阵行均值曲线突变点检测扰动时刻,运用一次TT变换模矩阵列均值曲线计算扰动幅度;最后,运用简单的规则树实现扰动分类。仿真结果验证了所提方法的可行性和有效性。     

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S变换图像灰度量化的短时电能质量扰动识别分类

针对短时电能质量扰动分类大多依赖分类器,分类准确率不高这一难题,提出了基于S变换模时频矩阵灰度图像法。首先对常见的几种扰动进行S变换分析,得到模时频矩阵,再应用数字图像灰度方法,将模矩阵各元素值用灰度图方式表示,分析其灰值分布特征,引入灰度期望和灰度方差两指标,量化灰度图像灰值分布,并根据量化结果建立扰动标准判据,实现扰动分类。仿真实验表明,该方法不依赖于分类器,能准确地对扰动进行分类且对噪声不敏感,是一种有效的短时电能质量分类方法。     

装备电力系统电能质量复合扰动识别方法研究

为了提高装备电力系统复合电能质量扰动(PQD)识别能力,提出了构建组合特征集用以全面表征装备电力系统电能质量复合扰动的粒子群优化(PSO)极限学习机(ELM)分类新方法。首先,结合S变换和经验模态分解(EMD)两种特征提取手段,构建组合特征向量集,对复合扰动信号特征边界区分更加明显;然后,优化ELM隐含层神经元数目,平衡其分类的实时性和准确性,在PSO适应度函数与ELM训练误差之间建立联系,设置了PSO初始参数,完成了分类器设计。经装备电力系统实测数据验证,该方法对7类典型装备电力系统电能质量复合扰动信号能够准确识别,且对噪声不敏感,相较于单独使用的ELM,显著地减少了训练及分类时间,进一步提高了分类的准确性。