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.     

利用遗传支持向量机进行电压暂降信号识别

针对传统电力信号识别算法中特征选取的随意性,提出了一种基于遗传支持向量机(GA-SVM)的电压暂降信号识别方法。首先通过S变换时频分析法提取该信号识别需要的可能特征集,然后利用遗传算法的全局搜索特性得到优秀特征,最后通过多分类支持向量机实现暂降信号识别并验证选取特征的有效性。仿真结果证明,该方法能快速、有效识别出电压暂降信号类型。     

基于S变换与多维分形的电压暂降源特征识别

电压暂降源的分类与识别是合理制定电压暂降治理方案,明确事故责任的基础。分析了由系统短路故障、大型感应电动机启动和大容量变压器投运引起的单一暂降信号和复合暂降信号的特征,采用S变换分析暂降信号的基频幅值变化情况,对变换后的模矩阵提取6种特征指标,提出多重分形谱参数广义Hurst指数提高噪声环境下分类识别的准确性,将两者结合共同构成电压暂降信号的特征指标。将提取的特征指标作为支持向量机的输入,对不同类型的电压暂降进行训练,并利用无噪声数据和仿真加噪数据分别对其进行测试,从而实现对不同暂降源的分类与识别。实验结果表明,对比传统S变换的电压暂降源识别方法,采用S变换和多重分形相结合的方法构建的特征指标可以更好地识别电压暂降源,有效改善含噪声信号的分类效果,能够应用于实际工程。     

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。     

引入调节因子改进S变换电压暂降源识别

配电网电压暂降的正确分类识别对抑制和缓解电压暂降具有重大意义.分析了分别由三种不同相的接地短路故障、感应电动机启动和变压器投运引起的五种电压暂降现象及其典型特征,在标准S变换的高斯窗函数上添加幅度调节系数和指数调节系数两个调节因子得到改进的S变换.采用改进S变换的方法得到不同类型电压暂降信号的基频幅值曲线和频率幅值包络线,提取暂降深度、突变点个数、基频幅值上升和下降斜率、二次谐波含有率和暂降时间比六个特征指标.将这些特征指标数据进行归一化处理后输入支持向量机,实现对配电网不同类型电压暂降的识别.最后,仿真结果表明,将基于引入调节因子得到的改进S变换用于特征指标提取,对电压暂降进行分类识别的正确率相比标准S变换更高.     

基于改进能量集中度的S变换与随机森林的电能质量扰动识别

鉴于S变换的窗口函数对不同频带信号的自适应能力差,提出一种新型的改进S变换(Modified S-Transform,MST),该方法通过引入四个辅助参数,优化高斯窗函数尺度因子的自适应能力,使改进S变换的能量集中度最大化,获得了更出色的时频分辨能力。建立了基于扰动信号幅值和相位的特征值评价体系,采用随机森林(Random Forest,RF)算法对包括标准信号和电压暂降、电压暂升、高次谐波、暂态振荡等10种扰动信号共11类电能质量信号分类识别。与已有文献采用的决策树、支持向量机和神经网络分类结果进行了对比分析,仿真试验结果表明,该方法分类准确率高,抗干扰能力强,且在训练样本少、低信噪比(Signal-to-Noise Radio,SNR)条件下分类结果优势明显。     

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。     

一种新的电压暂降事故源识别方法研究

电压暂降发生频率高、影响范围广、造成危害大。针对电力监测系统中带有事故源信息的电压暂降监测数据非常有限且不易获得的问题,提出了一种基于半监督支持向量机的电压暂降源识别方法。分析了各种电压暂降事故源,利用短时傅里叶变换(STFT)对电压暂降信号进行时频分析,提取出各类暂降特性参数,运用半监督支持向量机对其进行训练与识别,实现在少量带事故源标签电压暂降监测数据下电压暂降源的可靠识别。算例结果显示,在少量标签数据下半监督支持向量机比传统支持向量机具有更高的暂降源识别精度。     

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。     

基于改进S变换的电压暂降起止时刻检测

电压暂降起止时刻是重要的暂降特征量,在分析改进S变换基础上提出一种改进S变换基频幅值向量和基频差分平方向量相结合的暂降检测方法。首先通过改进S变换基频幅值向量判断信号是否发生暂降,再利用改进S变换基频差分平方向量检测暂降信号起止时刻,最后依据基频幅值向量和暂降起止时刻的检测误差曲线来确定改进S变换高斯窗宽调节因子,达到更优时频分辨率。所提方法能更准确地检测发生在不同持续时间、不同波形点和不同幅值深度的暂降所对应的起止时刻。仿真和实测结果验证了方法的有效性。     

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...     

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变换和GA-SVM的电能质量扰动识别与分类

电能质量扰动的准确识别与有效分类是改善与治理电能质量问题的前提,针对当前电能质量扰动识别与分类存在的不足,提出一种基于改进S变换和遗传算法(genetic algorithm, GA)优化支持向量机(support vector machine, SVM)的电能质量扰动识别与分类方法。首先,在S变换高斯窗函数中引入调节因子,依据信号特征分频段选择调节因子,以提高电能质量扰动分析的时频分辨率。其次,结合S变换模时频矩阵提取时频特征曲线,构建电能质量扰动初始特征集。最后,基于遗传算法进行扰动特征优选和支持向量机参数优化,并利用GA-SVM完成电能质量扰动分类。对14种电能质量扰动的分类进行测试,验证所提方法的有效性与鲁棒性。     

基于STFT变换和DAGSVMs的电能质量扰动识别

提出了一种基于短时傅里叶变换和DAG(Directed Acyclic Graph)支持向量机的电能质量扰动检测和识别方法。将扰动信号通过Blackman窗短时傅里叶变换,得出时域最大幅值向量,然后把它作为特征向量输入到DAG支持向量机来实现电能质量扰动类型的识别。其中,时域最大幅值向量不仅能反映各种扰动的特征,还能显示电压突升、电压暂降、电压中断和暂态振荡等扰动的发生时刻和持续时间。仿真测试表明,该方法能有效识别各种电能质量扰动,而且识别正确率高,训练时间短,实时性能较好。     

S变换用于电能质量扰动特征提取分析的研究

为了提升新能源电力系统中暂态扰动与高频扰动的分析精度,对广义S变换、多分辨率广义S变换、多分辨率双曲S变换、基于布莱克曼窗与窗宽比S变换以及基于凯泽窗与频变参数S变换的时频分辨率进行了对比分析.在提高电压中断、暂降、暂升、暂降等暂态扰动分析精度方面,发现相较于改变窗口参数,改变窗口类型可以更加明显地提高S变换的时域分辨率.在提高高次谐波与暂态振荡等高频扰动分析精度方面,发现相较于多分辨率的方法,变换窗宽控制方式可以更加明显地提高S变换的频域分辨率.通过仿真实验定量分析,改进窗口类型与窗口控制方式的基于凯泽窗S变换在分析暂态扰动与高频扰动的时频分辨率方面优势最为明显,可以给电能质量扰动分析应用提供一定指导.     

基于多属性决策改进S变换的电压暂降检测与识别*

电压暂降的检测和识别是解决电压暂降相关问题的基础和关键.在S变换的高斯窗函数上增加调节因子,通过定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量5个指标得到其与改进S变换高斯窗调节因子的关系曲线,应用最优组合赋权的多属性决策法对该5项指标进行赋权,从而确定调节因子的取值.应用改进S变换提取5种不同电压暂降源的相关特征指标,将指标数据输入BP神经网络进行分类识别.仿真结果表明,改进后的S变换能更加精确地提取电压暂降的特征指标数据,最后的分类识别正确率更高.     

基于STFT变换和DAGSVMs的电能质量扰动识别

提出了一种基于短时傅里叶变换和DAG(Directed Acyclic Graph)支持向量机的电能质量扰动检测和识别方法.将扰动信号通过Blackman窗短时傅里叶变换,得出时域最大幅值向量,然后把它作为特征向量输入到DAG支持向量机来实现电能质量扰动类型的识别.其中,时域最大幅值向量不仅能反映各种扰动的特征,还能显示电压突升、电压暂降、电压中断和暂态振荡等扰动的发生时刻和持续时间.仿真测试表明,该方法能有效识别各种电能质量扰动,而且识别正确率高,训练时间短,实时性能较好.     

利用关联向量机和S变换识别电能质量扰动

电能质量扰动检测识别对电能质量的监测和治理改善都具有重要作用。为更好地识别电能质量扰动,提出了一种基于关联向量机和S变换的电能质量扰动识别方法。首先,通过S变换提取正弦信号、谐波、电压波动、电压暂降、电压暂升、暂态振荡、谐波暂降及谐波暂升等9种电能质量扰动的主要特征,然后用关联向量机对特征样本进行训练及分类。算例结果表明,该方法能有效地识别出电能质量扰动信号类型,识别时间短,且正确率极高,达98.8%,是应用于实时电能质量监测工程实际的很好选择。