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.     

基于不完全S变换与梯度提升树的电能质量复合扰动识别

针对电能质量复合扰动中特征选择困难和分类准确率不高的问题,提出基于不完全S变换和梯度提升树的特征选择和分类器构建方法。首先通过选取特定频率的不完全S变换得到扰动的时频矩阵。再从时频矩阵中提取53种原始特征量,并基于梯度提升树对各个特征的重要性进行度量,选取重要特征。最后根据选取的特征集训练和构建梯度提升树,得到扰动分类器。仿真实验表明,对于包括8种复合扰动在内的共17种扰动类型,该方法的分类准确率高于CART决策树、随机森林(RF)、多层感知机(MLP)等现有方法。不同噪声条件下的分类结果表明,该方法具有良好的抗噪性能和算法鲁棒性,展现出良好的应用前景。     

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。     

基于改进S变换的电压骤降自适应检测方法

由于传统S变换(S-Transform,ST)在检测电压骤降问题时存在时频分辨率不高,计算量大的问题,深入研究传统S变换(Modified S-Transform,MST),给出了一种基于改进S变换的电压骤降自适应检测方法,可以准确、快速地实现电压骤降参数的准确提取。首先给出MST中调节因子的取值依据,并用实验分析法给出调节因子的取值范围;而后依据调节因子的取值分布情况,提出分段的调节因子;最后基于调节因子取值函数,建立自适应检测方法。在MATLAB上对算法进行仿真,能够准确的检测出电压骤降参数,且抑制噪声和谐波影响的效果好。实际构建的硬件测试平台验证了该算法的正确性和可行性。     

基于变尺度标杆的短时电能质量分类法

短时电能质量扰动特征取决于其频率特征和持续时间,S变换被认为是最适合于分析短时扰动的方法之一。提出了基于S变换的不同类型扰动标杆相似度识别不同持续时间扰动的方法。基于双线性插值的尺度变换建立同类扰动不同持续时间的标杆,该扰动标杆涵盖了同类扰动的不同特征;对被测扰动信号进行S变换,经过尺度变换后统一为与标杆维数相同的矩阵,依据相似度最大原则对扰动类型进行识别。该方法无需额外的分类器,过程简单有效。仿真证明,该方法对噪声不敏感,能较好地解决不同持续时间的电能质量扰动信号的识别问题。     

Detection and classification of power quality disturbances using S-transform and modular neural network

This paper presents an S-transform based modular neural network (NN) classifier for recognition of power quality disturbances. The excellent time—frequency resolution characteristics of the S-transform makes it an attractive candidate for the analysis of power quality (PQ) disturbances under noisy condition and has the ability to detect the disturbance correctly. On the other hand, the performance of wavelet transform (WT) degrades while detecting and localizing the disturbances in the presence of noise. Features extracted by using the S-transform are applied to a modular NN for automatic classification of the PQ disturbances that solves a relatively complex problem by decomposing it into simpler subtasks. Modularity of neural network provides better classification, model complexity reduction and better learning capability, etc. Eleven types of PQ disturbances are considered for the classification. The simulation results show that the combination of the S-transform and a modular NN can effectively detect and classify different power quality disturbances.     

基于S变换标准模板相似度的电压暂降分类

提出了一种基于S变换的标准模板相似度的电压暂降分类方法。采用双线性插值尺度变换形成各类持续时间不同暂降的全局模板;提取全局模板中最能反映该类暂降特征的特定部分建立该类暂降的唯一标准模板。将未知暂降信号的模时频矩阵经尺度变换和局部化提取后的实测局部模板与标准模板做相似度对比,依据模板相似度最大原则进行分类。该方法有效利用局部区域明确的时频相关性,抗干扰能力强,解决了持续时间不同的暂降信号需建立不同模板的问题,分类过程简洁直观。Matlab仿真和实际试验结果显示,该方法在噪声情况下可准确对所考查的暂降信号进行分类,是一种有效的电压暂降分类方法。     

Power quality disturbance classification utilizing S-transform and binary feature matrix method

This paper presents new features and a novel decision-making system for automated classification of power quality disturbances. The most common types of disturbances including flickers, harmonics, impulses, notches, outages, sags, swells, and switching transients are studied. Disturbances consisting of both sag and harmonic, or both swell and harmonic are also considered. It is assumed that the analyzed waveforms are available in sampled form. The signal processing techniques utilized to extract the distinctive features of the waveforms are Fourier and S-transform. A new method based on binary feature matrix is designed for making a decision regarding the disturbance type. Evaluation studies for verifying the accuracy of the method are presented.     

S变换在电能质量扰动分析中的应用综述

结合国内外采用S变换应用于电能质量扰动分析的现状,对基于S变换的电能质量扰动检测、识别以及其他方面的应用进行了分类和总结。分析了S变换结合各种人工智能与数学工具在进行电能质量扰动分析时的优势和不足,介绍了近年来利用广义S变换、改进S变换和双曲S变换等其他形式S变换在电能质量扰动分析中的应用情况。最后对S变换应用于电能质量扰动分析的发展趋势以及值得进一步研究的问题进行了展望。     

基于S变换的电能质量扰动特征提取

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。通过对扰动信号的S变换提取出扰动信号基频和高频特征,从而实现对电能质量扰动的分类,并通过S变换后的基频和高频特征分别提取出扰动信号前后的瞬时振幅以及扰动起始、终止时刻。实验结果表明,S变换可准确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。