基于双密度双树小波变换的电能质量扰动识别方法

针对电能质量扰动的识别问题,提出一种基于双密度双树小波变换(DD-DT DWT)小波熵和支持向量机的扰动信号识别方法。该方法首先对电能信号进行DD-DT DWT变换,然后分别提取其小波能量熵和小波系数Shannon熵以描述不同扰动信号的特征,最后采用二元树结构支持向量机分别对提取的两类小波熵特征向量进行分类。仿真实验表明:所提出的基于DD-DT DWT小波熵的特征提取方法能有效识别常见的8种扰动信号,并具有正确识别率高及噪声鲁棒性强的优点。     

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。     

奇异值分解和最小二乘支持向量机在电能质量扰动识别中的应用

基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。     

基于广义尺度小波熵的电网传输电能 质量扰动信号分析

提出了一种基于广义小波熵算法进行电网传输电能质量扰动信号分析和识别的算法。计算多个尺度下不同电能质量扰动信号的小波熵数值分布特点,给出了广义小波熵应用于电能质量分析的尺度选择特点以及分布规律,并结合支持向量机进行了不同电能质量扰动信号的识别与分类,达到了96%以上的分类正确率。     

基于形态小波范数熵和支持向量机的电能质量分类研究

针对电能质量信号分类存在实时性差、准确度低的问题,提出了一种基于HMT(hit or miss transform)小波范数熵(norm entropy,NE)和支持向量机(support vector machine,SVM)的电能质量扰动识别方法。根据HMT小波分解每一层能量不同的特点,取扰动信号的10层小波分解的范数熵组成特征矩阵。特征量起到了对扰动信号分形的作用,以此作为SVM的输入。为了提高分类的准确度,研究采用了粒子群算法(particle search optimization,PSO)对SVM参数进行了寻优,分类准确度达到99%左右。同时比较了HMT小波和传统db4小波分别和SVM结合时的准确度,证明了HMT小波的优势和本文特征量提取法的有效性。而对于含噪声的电能质量信号,采用了广义形态滤波器进行了滤波预处理。仿真结果表明,该方法识别准确率高,稳定性好,适用于电能质量扰动识别系统。     

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WT和GA-SVM的电能质量扰动识别方法

电能质量的监测是用电信息采集系统的主要任务,监测电能质量的关键在于对电能质量扰动的识别。针对电能质量扰动的识别和分类问题,提出了一种基于小波变换(WT)和遗传支持向量机(GA-SVM)的识别方法。首先对正常电压和6种常见的电能质量扰动信号进行小波分解,提取各层小波系数的能量熵作为特征向量,然后利用基于GA优化的SVM对扰动信号进行学习训练,得到电能质量扰动识别模型。算例实验中与单一的SVM和反向传播(BP)神经网络智能算法分别对比,结果表明该方法在各扰动信号的识别准确率和训练时间方面都有明显改善。     

基于小波变换和改进的RVM的电能质量扰动分类

为了提高相关向量机的回归预测的准确率,本文提出了一种改进的相关向量机算法.该算法从相关向量机的核函数角度出发,将实际中大部分噪声属于正态分布这一个特性引入到核函数中,并在其基础上加入了幅度调节因子,实现了对核函数的改进.为了进一步提高电能质量扰动分类性能,将改进的相关向量机应用于电能质量扰动分类.首先,采用小波变换对电能质量信号进行分解,将分解后得到的各层小波系数能量所占的比例值作为特征量,然后,用改进后的相关向量机对特征量进行分类,进而实现基于小波变换和改进的相关向量机的电能质量扰动分类.实验结果表明,该方法能够对各种电能质量扰动信号进行分类,并且其分类准确率优于支持向量机和未改进前的相关向量机等其他分类方法.     

基于离散小波变换和GA-BP的电能质量扰动分类

电能质量扰动的分类对于电力系统的稳定具有重要意义。首先利用离散小波变换(Discrete Wavelet Transform, DWT)中的db4小波对电能质量扰动信号进行分解,得到近似分量和细节分量,提取各分量的近似系数相对能量和细节系数相对能量;然后对信号进行重构,提取小波熵和重构系数方差,构成扰动信号的特征向量;最后建立遗传算法(Genetic Algorithm, GA)优化BP神经网络的扰动分类模型,并输入特征向量对信号进行分类识别。仿真结果表明,该方法对电能质量扰动的分类准确率较高。     

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.     

基于改进PSO-SVM算法的电能质量扰动分类

对电能质量进行监测是用电信息采集系统的重要任务之一。针对电能质量扰动的识别和分类问题,提出一种基于小波支持向量机(support vector machine,SVM)的分类方法。对正常电压信号和6种电能质量扰动信号波形进行仿真,首先对各种扰动信号进行小波分解,提取各层小波重构系数的能量熵作为特征向量;然后改进的粒子群(particle swarm optimization,PSO)算法对SVM核函数参数进行优化;最后,利用优化参数的SVM对扰动测试集进行分类识别。仿真结果表明,与BP神经网络分类方法相比,该方法对扰动识别和分类的准确率达到97.28%,且训练时间和测试时间都有所减小。     

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。     

采用提升小波包和相关向量机的电能质量扰动分类

针对电能质量扰动识别问题,提出一种多级相关向量机(RVM)和提升小波包分解(LWP)相结合的扰动分类新方法。根据电能扰动现象的内在特征,首先通过提升小波包算法快速提取各类扰动信号的分解系数能量作为扰动特征量;然后利用相关向量机构建多级分类树模型实现分类识别任务。研究表明相关向量机在权系数上引入超参数,与支持向量机相比无需设置惩罚系数、推广能力好、解更稀疏。仿真表明所采用方法能够快速有效地获取高精度扰动分类识别率,测试时间短,更适合于在线检测。仿真和试验结果验证了所采用方法对电能质量扰动分类的有效性。     

ITD算法在电能质量扰动信号特征量提取中的应用

针对电能质量扰动信号非线性特点,采用固有时间尺度分解算法(Intrinsic Time-scale Decomposition, ITD)准确快速地提取电能质量扰动信号的幅值、频率、相位、衰减因子、扰动起止时刻等特征量。首先利用固有时间尺度分解算法提取电压扰动信号的固有旋转分量(Proper Rotation Component, PRC)。然后对PRC分量进行Hilbert变换求取相位和瞬时频率,根据高频突变点得到扰动起止时刻;由包络函数得到扰动信号的幅值,并计算衰减因子。运用Matlab对单一和复合扰动信号进行仿真计算,结果表明该方法能准确地识别电能质量扰动信号的特征量,具有抗噪能力,验证了所提方法的实时性和可行性。     

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。     

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。     

一种电能质量多扰动分类中特征组合优化方法

针对电能质量扰动分类中冗余特征量造成分类器训练困难、分类准确率下降的问题,提出一种基于改进遗传算法的特征组合优化方法。该方法对信号进行小波变换,提取各层的改进小波能量熵作为原始特征,并构造一种基于欧氏距离的适应度函数,采用改进的自适应遗传算法对原始特征进行筛选和优化组合,形成用于电能质量扰动分类的最优特征组合。分别采用二分类-支持向量机法(Binary-SVM)、多标签径向基神经网络(ML-RBF)和多标签K近邻法(ML-KNN)对不同噪声情况下的电能质量单一扰动和混合扰动进行分类,仿真结果验证了所提特征组合优化方法能有效提高分类器的训练速度和分类准确率。     

基于高阶累积量的暂态电能质量扰动分类研究

为提高暂态电能质量扰动分类识别的精度,提出了一种基于高阶累积量与支持向量机的暂态电能质量扰动信号的分类识别算法。该算法利用高阶累积量提取脉冲暂态与振荡暂态2类扰动的3阶与4阶统计特征,并选取各阶统计结果中的极大值个数、极小值个数以及最大值、最小值共8个特征量作为支持向量机的输入。利用Matlab产生仿真数据对此方法进行了仿真验证,结果表明,高阶累积量可以有效表征暂态扰动特征,且受噪声影响小;结合支持向量机可有效分类识别这2类暂态扰动,在训练样本为50组,核函数选择为线性核函数时,识别率可达到99%;当混合有其他扰动分量时,该方法也有效。     

基于S&TT变换与PSO-SVMs的电能质量混合扰动识别

针对电能质量混合扰动复杂,扰动特征间存在交叉、难以识别的问题,文章提出一种电能质量混合扰动快速识别方法。建立了15种电能质量扰动信号数学模型,并运用S变换和TT变换提取扰动信号的60个特征量,经过PCA降维处理获得特征集主元;引入PSO算法优化支持向量机的惩罚因子和核函数参数,构造一对多支持向量机分类器以识别电能质量暂态扰动的类型;最后,基于Matlab生成扰动信号数据并建立PSO-SVMs分类器,仿真实验结果证明了该方法的可靠性和鲁棒性。