一种广义S变换及模糊SOM网络的电能质量多扰动检测和识别方法

针对暂态电能质量电压多扰动信号的检测与分类问题,提出一种基于广义S变换及模糊SOM神经网络的暂态电能质量检测和识别方法。针对常见的电压多扰动信号,特别是两种扰动叠加的情况,采用广义S变换对扰动信号的时频特征进行提取,并取变换后的时间幅值平方和均值和特征频点作为神经网络的输入样本,采用模糊SOM神经网络进行训练,再用新的多扰动数据进行网络检验。仿真与实验结果表明,广义S变换能有效提高电能质量多扰动特征检测,模糊SOM神经网络能精确对其进行分类,该方法能够较好的解决电压多扰动叠加情况的定性和定量分类问题。     

基于多特征组合的电能质量扰动识别方法

为解决电力系统电能质量复合扰动识别困难的问题,同时为电网无功功率补偿提供依据,提出了一种基于多特征组合的电能质量复合扰动识别方法。应用小波包变换和S变换对电能质量扰动信号进行时频分析,提取信号的幅值特征和频率特征,构建电能质量扰动的多特征组合。然后利用概率神经网络构建多特征组合分类器实现电能质量扰动的分类识别。仿真实验证明,该方法能够识别包括两种复合扰动在内的7种电能质量扰动信号,并且具有较高的分类准确度和抗干扰能力,具有工程应用价值。     

基于神经网络的电能质量扰动识别

针对目前电能质量扰动识别中高噪声背景下识别正确率低的问题,提出了一种多分辨率广义S变换与神经网络扰动识别与分类方法.首先将信号进行多分辨率广义S变化得到模矩阵,从模矩阵提取特征曲线与特征矩阵,分别输入到前馈神经网络(FNN)与深度卷积神经网络AlexNet进行训练;然后通过学习,自主提取扰动信号特征,并迭代收敛,直接实现扰动识别分类.经仿真实验分析,FNN与AlexNet在低噪声下有较好识别能力,但AlexNet的识别精度更高;在高噪声背景下,FNN识别效果下降明显,而AlexNet依然保持较高的识别率.     

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。     

基于分段改进S变换的复合电能质量扰动识别

针对存在多种单一电能质量扰动的复合扰动分类识别问题,提出了一种基于分段改进S变换和RBF神经网络相结合的复合电能质量扰动识别新方法。首先对离散S变换进行了分段改进,将时域分辨率和频域分辨率进行分段处理,通过分析改进S变换得到的模时频矩阵,绘制了能够反映扰动信号不同突变参数的特性曲线。其次利用统计方法优化计算提取了10种用于模式识别的特征量,并用局部逼近的RBF神经网络设计了分类器对提取的特征样本进行训练和分类,最后在不同噪声环境下对5种单一扰动及谐波+电压暂降、电压暂降+闪变等6类复合电能质量扰动的分类识别进行了仿真验证。仿真结果表明,该方案时频处理、分类能力和学习速度等方面均优于普通改进S变换+全局逼近网络的方法,且鲁棒性强,能准确识别多种单一扰动及两种扰动同时存在的复合电能质量扰动。     

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。     

多类分类SVM在电能质量扰动识别中的应用

结合傅里叶变换良好的幅频特性、小波变换良好的时频特性和支持向量机优秀的统计学习能力,采用多类分类支持向量机进行电能质量扰动的分类识别。对电压骤升、电压骤降、电压中断、谐波、电压波动、暂态振荡、瞬时脉冲、频率偏差等八种常见电能质量扰动进行数学建模,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,将特征量输入到osu_svm进行电能质量扰动多类分类。算例表明该方案具有识别正确率高,训练样本数少,训练时间短,实时性好,对噪声不敏感等优点,是电能质量扰动识别的有效方法。     

多类分类SVM在电能质量扰动识别中的应用

结合傅里叶变换良好的幅频特性、小波变换良好的时频特性和支持向量机优秀的统计学习能力,采用多类分类支持向量机进行电能质量扰动的分类识别.对电压骤升、电压骤降、电压中断、谐波、电压波动、暂态振荡、瞬时脉冲、频率偏差等八种常见电能质量扰动进行数学建模,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,将特征量输入到osu_svm进行电能质量扰动多类分类.算例表明该方案具有识别正确率高,训练样本数少,训练时间短,实时性好,对噪声不敏感等优点,是电能质量扰动识别的有效方法.     

电能质量复合扰动分类识别

电能质量扰动的分类分为信号特征提取和分类器2个阶段,采用S变换和支持向量机构造电能质量复合扰动的分类识别方案.利用S变换进行扰动信号特征提取,构造支持向量机静态分类树,再通过基于Mercer核的聚类方法对静态分类树进行动态扩展,形成动态分类树,实现对复合扰动的识别.给出了电能质量复合扰动分类算法的4个步骤:构建静态分类树;用基于Mercer核的聚类方法进行聚类分析;构建动态分类树;对新发现的扰动确定其具体类型,并给其命名.算例表明该方法不仅可以有效分类识别电压突降、电压突升、电压中断、暂态振荡、电压尖峰、电压缺口和谐波等7种电能质量扰动,还可以识别由其组合而成的电能质量复合扰动.     

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。     

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GAF与卷积神经网络的电能质量扰动分类

针对在设计电能质量扰动(Power Quality Disturbance, PQD)分类器时人工选取特征过程繁琐并且不够精确的问题,提出一种基于格拉姆角场(Gramian Angular Field, GAF)和卷积神经网络(Convolutional Neural Network, CNN)的PQD分类方法。首先将一维PQD信号映射为二维图像,接着在已有的神经网络基础上构造适用于PQD分类的网络框架。最后将二维图像作为输入,CNN将自动从海量的扰动样本中提取特征并加以分类。仿真结果表明该方法在噪声数据中具有良好的分类性能,是一种行之有效的PQD分类方法。     

基于S变换和时域分析的电能质量扰动识别

提出了一种基于S变换(S-Transform,ST)和时域分析的电能质量扰动自动识别方法,该方法利用信号的S变换幅值矩阵和时域信息快速提取与各类电能质量扰动相应的特征,并借助简单的规则树识别特定的扰动,避免了因训练样本不足引起的较大误差,提高了识别效率。仿真试验结果表明,该方法识别率高,抗噪能力强,适用于电能质量扰动监测和辨识系统。     

基于并行隐马尔科夫模型的电能质量扰动事件分类

为满足电能质量扰动准确分类的需求,提出了一种基于极大重叠离散小波变换(MaximalOverlapDiscrete WaveletTransform, MODWT)和并行隐马尔科夫模型(ParallelHiddenMarkovModel, PHMM)的电能质量扰动分类方法。首先利用MODWT提出一种实用的电能质量扰动检测算法,该算法无需设定检测阈值,可准确获取扰动时段的起止时刻。接着提取扰动时段的电压谐波成分并组成特征向量。然后用PHMM分类器对扰动信号进行分类识别。PHMM方法克服了人工神经网络方法收敛性较差、训练时间较长的缺陷,使分类器性能大大提升。通过应用于现场实测扰动数据表明,所提出的方法适用于多种类型的电能质量扰动检测,分类正确率高,训练速度快,具有良好的应用价值。     

基于GA和ELM的电能质量扰动识别特征选择方法

电力系统中海量暂态扰动的分析与治理需要以高效准确的扰动分类为基础。现有扰动识别方法缺少合理的特征选择环节,分类器过于复杂,不能满足高效分类的需要。提出一种新的电能质量扰动特征选择方法。首先,对原始信号使用S变换进行预处理,提取具有代表性的25种扰动信号特征构建原始特征集合;然后,根据极限学习机识别准确率构造用于扰动特征选择的遗传算法适应度函数;最后,用遗传算法来进行迭代运算,确定最优特征集合。实验证明,新方法能够有效去除冗余特征,在保证分类准确率前提下,有效降低分类器复杂度,提高分类效率。     

Classification of disturbances in hybrid DG system using modular PNN and SVM

This paper presents the classification of islanding and power quality (PQ) disturbances in grid-connected distributed generation (DG) based hybrid power system. The penetration of DG influences the PQ levels in the distribution networks. Islanding disturbances are separated out from the PQ disturbances based on the selection of suitable threshold value, at the initial stage of classification process. Further, the power quality disturbances are automatically classified into distinct classes based on feature extraction using S-transform followed by training of two classifiers, namely, modular probabilistic neural network (MPNN) and support vector machines (SVMs). Five different types of disturbances are considered for the classification problem. The study reveals that S-transform (ST) in association with MPNN and SVM can effectively detect and classify islanding and PQ disturbances. The proposed methodology uses features instead of real data set and thereby reduces the data size to classify disturbance signal without losing its original property. The accuracy and reliability of proposed classifier is also tested on signals contaminated with noise and PQ disturbances caused due to wind speed variation on an experimental prototype set-up.     

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。