基于GWO-SVM的电压暂降扰动源识别

针对电压暂降扰动事件发生频繁、扰动种类多样,难以有效识别扰动源的实际情况,结合电压暂降扰动信号的时-频特性、灰狼优化算法(GWO)和支持向量机(SVM)分类模型,提出了一种电压暂降扰动源识别新方法。通过S变换对电压暂降扰动信号进行多分辨率时-频分析,从S变换结果矩阵中提取出信号的特征曲线,建立6类电压暂降混合扰动信号的8个特征量。构建GWO-SVM一对余(OVR)分类器,以提取出的特征量作为输入,对扰动源进行分类识别。基于MATLAB/Simulink构建电压暂降模型,经仿真验证分析,该方法可以有效识别电压暂降扰动源,也为电压暂降扰动治理提供必要的技术支撑。     

一种基于二分类的电压暂降源定位方法

电压暂降源定位实质是根据暂降源位置敏感的物理量,来确定暂降源位于监测点的上游或下游位置,模式识别上属于二分类问题。提出了一种基于智能分类的电压暂降源定位方法。分析回顾了现有的几种典型暂降源定位方法及其判据,通过判据研究提取源位置敏感的多个定位特征量,并采用支持向量机智能算法对已有故障诊断结果进行学习,从而在该多维特征空间构建判别上下游的最优分类面,利用此最优分类面(即为二分类支持向量机)实现基于二分类的暂降源定位。测试数据表明,该方法能够有效实现电压暂降源定位,定位准确率高且所需计算时间短。     

基于小波域相子的电压暂降特征提取与成因辨识

有效提取电压暂降的特征并进行成因辨识是确定治理方案的前提。在多分辨分析基础上发展起来的离散小波变换(DWT)具有简单、快速和信息非冗余等特点,但一般认为不易于提取电压暂降信号的相位跳变特征。基于小波域相子方法对电压暂降的幅值和相角特征进行了有效提取。通过小波域相子的幅值和相位信息构造出电压暂降成因辨识特征指标。最后采用支持向量机(SVM)方法进行了电压暂降成因的辨识。结果表明,所提方法可以有效实现电压暂降的特征提取和成因辨识。     

基于深度置信网络的电压暂降特征提取及源辨识方法

提出一种基于深度置信网络(DBN)的电压暂降特征提取与暂降源辨识方法,利用DBN的特征提取能力对实测波形数据进行特征自提取,解决了人工提取特征过度依赖专家经验,受未知特征影响较大不具备一般性的问题。采用多隐层结构网络学习特征最终实现暂降源辨识。该模型集特征提取器与分类器于一体,优化了模型结构框架,提高了暂降源辨识效率。对模型最优参数进行选择,建立适用于电压暂降实测数据类型的DBN模型,对电网实测暂降数据进行特征提取与暂降源辨识,通过对比验证了DBN方法在特征提取与暂降源识别上的优越性,适用于实际工程。     

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-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...     

应用主成分分析约简电压暂降扰动源识别特征的方法

电压暂降是一种典型的电能质量扰动现象,准确识别引起电压暂降的扰动源类型是电能质量监测与管理的重要内容之一。为解决由于特征指标的相关性和冗余性而导致电压暂降扰动源识别准确率低的问题,提出一种基于主成分分析的电压暂降扰动源识别特征约简方法。通过分析单一电压暂降扰动源和复合电压暂降扰动源,利用小波系数从统计量、波形态、熵、能量等方面构建电压暂降特征指标。根据主成分分析方法对原始特征指标进行标准化处理,计算协方差矩阵并确定综合特征指标个数,最后得到约简后的综合特征指标。这些综合特征指标有效地消除了原始特征指标间的相关性和冗余性。采用常规方法构造分类器进行验证表明,约简后得到综合特征指标,不仅有效降低了输入到分类器中的特征向量个数,而且在不同噪声强度下对单一电压暂降扰动源和复合电压暂降扰动源的识别准确率明显高于利用原始特征指标进行的分类识别。     

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.     

基于半监督支持向量机的电压暂降源定位

电压暂降源定位对解决相应供用电双方纠纷及责任认定等起到重要作用。针对现有暂降源定位方法的准确率低、含源位置信息的电压暂降监测数据非常有限且不易获取等问题,提出了一种基于半监督支持向量机(SVM)的电压暂降源定位方法。首先分析了现有源定位方法的定位机理和判据,然后通过支持向量机结合多个定位特征量,利用二分类思想在高维定位特征空间内构建上下游分类面。最后运用半监督SVM充分利用大量无暂降源位置标签的电压暂降监测数据,不断优化上下游定位的分类面,从而实现少量标签数据下电压暂降源的优化定位。实验结果表明,在少量标签数据下,该方法定位准确率高,能可靠定位出各类电压暂降源位置。     

考虑含多敏感负荷的配电网电压暂降脆弱区域辨识方法研究

随着变频器和继电器等大量敏感负荷的应用,电压暂降问题愈发成为了配电网尤其是敏感负荷占比很高的现代工业配电网亟需解决的动态电能质量问题。为有效评估配电网中易引发电压暂降的薄弱环节与指导电压暂降补偿方案的设计,提出了考虑多个敏感负荷的配电网电压暂降脆弱区域的辨识方法。首先,通过引入母线暂降判定向量与线路暂降关联向量以及相应的判定准则,确定了目标配电网中临界点在各线路上的分布以及各临界点的位置。其次,基于获得的敏感负荷的电压暂降域,得到了考虑交叠效应的配电网电压暂降域层级模型,并由此定义了电压暂降影响度以实现对配电网内电压暂降脆弱区域的量化评估。最后,将所提方法应用于IEEE14母线系统电压暂降脆弱区域辨识,验证了所提方法的可行性与合理性。     

基于卷积神经网络和随机森林的三相电压暂降分类

特征提取是电能质量扰动识别的关键步骤,然而传统的数学变换与浅层神经网络相结合的方法无法自动提取特征。为此,提出了一种基于卷积神经网络(CNN)和随机森林(RF)的混合模型来对三相电压暂降数据进行自动特征提取及分类。首先,将三相电压暂降数据转换为空间相量模型(SPM);其次,利用CNN对SPM进行特征提取;最后,将RF应用于分类。为了加快CNN训练速度并缓解过拟合,引入了Dropout、学习率指数衰减和自适应矩估计权值更新算法。实验结果表明,与其他分类方法相比,所提方法具有较好的泛化性能和较高的分类准确率,这为电压暂降识别提供了一种客观、高效的辅助手段。     

基于动态时间弯曲距离的电压暂降源辨识方法

为了实现对各类型电压暂降源的准确辨识,从波形相似性检测的角度提出了一种基于动态时间弯曲距离的电压暂降源辨识方法。通过仿真模型分析了基本电压暂降和经不同类型变压器传播后各类暂降的波性特征,构建了电压暂降类型与暂降原因及变压器类型的映射关系。利用9种电压暂降波形数据构建匹配库,采用动态时间弯曲距离法将实测的电压暂降波形数据与匹配库波形数据进行匹配分析,实现电压暂降源的辨识。仿真分析的结果表明,该方法能够对电网中出现的各种类型电压暂降进行辨识,具有较高的准确性和有效性,满足工程应用的需求。     

基于组合赋权与TOPSIS模型的节点电压暂降严重程度综合评估方法

提出了一种基于组合赋权与TOPSIS模型的节点电压暂降严重程度综合评估方法。以SARFI指标、平均暂降能量指标ASEI与暂降严重性指标SSI为元素建立属性集合。采用熵权法与变异系数法计算各指标组合权值,结合TOPSIS模型提出了电压暂降严重程度综合评估方法。通过比较各节点与TOPSIS模型中正理想解相对近似度大小,判断暂降严重程度。使用该方法对某城市电网电压暂降进行评估,利用节点分级方法将模型评估结果与各指标评估结果进行对比分析。结果证明,该方法既能凸显指标间评估结果的一致性,又能缩小其差异性,所得结果客观和准确,更符合实际。     

基于全寿命周期成本的电压暂降治理设备综合配置规划

针对传统电压暂降就地治理方案中容量浪费的问题,提出了一种基于全生命周期成本的治理设备综合配置规划方法。通过建立串、并联型治理设备(以DVR和STATCOM为例)的数学模型,基于电压暂降事件的风险评估,分析比较了串、并联治理设备的治理特点。该方法综合考虑治理方案的投资成本和经济效益,以经济性最优为目标,确定电压暂降治理设备的综合配置。采用IEEE33节点配电网络进行了仿真验证。仿真结果证明,当配网内含有多个敏感负荷时,所提出的综合优化配置方案相对传统的就地治理方案更具经济性。     

基于距离判别分析的电压暂降源识别方法

为准确识别电网中的各类电压暂降源,并避免其他方法在识别过程中特征提取困难的问题,从最小距离的角度提出了一种基于距离判别分析的电压暂降源识别方法。利用暂降分段法对电压暂降有效值的波形变化特点进行分析,并以粗粒化的有效值波形构建了与电压暂降源类型相对应的六个总体。采用多总体马氏距离判别分析方法,利用训练样本进行学习,建立相应的判别函数及其判别准则对待判样本进行判别,从而实现电压暂降源的识别。通过仿真建模对所提方法进行了验证和对比分析,结果表明该方法的识别准确率和性能较高、交叉误判率低,对噪声鲁棒性好,满足实际应用要求。     

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。