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％.     

单一电能质量扰动的分类识别研究

电能质量扰动的分类识别对电能质量综合治理具有重要意义,为此提出了一种基于粒子群优化极限学习机的电能质量扰动分类新方法。利用小波变换将扰动信号做10层分解,提取有效区分扰动信号类型层数的能量差、能量差平均值及能量差的标准差作为特征向量,并将扰动信号与正常信号的均方根作为补充,减少输入向量维度。提出采用极限学习机训练误差作为粒子群的适应度函数来优化隐含层神经元个数,在提升分类速度的基础上保持较高的分类精度。经仿真验证表明,该方法能够准确有效地识别常见的7种扰动类型,相比于传统的BP神经网络具有较高的分类速度。     

配电网暂态电能质量扰动的定位与识别研究

针对配电网暂态电能质量扰动的非平稳性、突变性和短时持续性的特点,提出一种基于小波变换和BP神经网络的扰动定位与识别方法。首先对暂态电能质量扰动信号进行小波分解,提取其高频系数得到扰动时刻信息,然后利用模极大值对扰动突变点峰值进行定位检测,再用扰动信号的能量分布序列来构造特征向量并用BP神经网络设计扰动识别器。MATLAB仿真结果表明,该方法对暂态电能质量扰动信号起止时刻定位快速,精度较高,能有效地识别五种电能质量扰动,识别率高。     

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。     

基于小波与多维分形的电能质量扰动分类

提出了基于小波变换和多维分形的电能质量扰动概率神经网络自动分类系统.分类系统的实现分为两个阶段,首先采用离散小波多分辨率分析和Parseval定理提取不同尺度下扰动信号的能量分布特征,同时利用多维分形方法计算同一畸变信号的局部方差分维数,并将小波变换提取的能量分布特征和局部方差分维数组合构成特征矢量.其次将特征矢量输入到概率神经网络进行训练和测试,从而实现正弦波形、电压骤降、电压陡升、谐波、中断,脉冲和振荡瞬态的分类.采用提出方法的电能质量扰动平均分类率为95.86%,高于只采用离散小波变换提取特征矢量分类率2.15%.     

基于时域、小波变换和FFT的电能质量扰动识别

利用时域均方根值电压变动特性、小波变换及FFT变换对多种电能质量扰动信号进行分层次辨识.首先根据扰动信号均方根值分布特性将扰动初步分类,随后对扰动信号多尺度小波分析,确定具体的扰动类型.对陷波和谐波应用其频谱特性进行区分.仿真试验结果表明了该方法的可行性、有效性和较强的抗噪性.     

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。     

基于多域特征提取和自适应神经-模糊推理系统的电能质量扰动识别

基于多域特征提取(multi-domain feature extraction)和自适应神经-模糊推理系统(Adaptive Neuro-Fuzzy Inference system,ANFIS)提出了电能质量扰动类型识别的一种新方法.基于波形包络阈值线对扰动进行检测;在时域、频域和小波域进行多域特征提取,选取扰动信号的基波均方根(RMS)幅值、总谐波畸变率、次谐波幅值和小波包能量熵共同组成输入特征矢量;通过自适应神经-模糊推理系统对电能质量扰动类型进行识别.仿真结果表明,该方法与BP神经网络和最小二乘支持向量机相比平均识别准确率高,对特征不规则的待检电能质量扰动信号具有良好的柔性和适应性.     

基于小波与多维分形的电能质量扰动分类

提出了基于小波变换和多维分形的电能质量扰动概率神经网络自动分类系统。分类系统的实现分为两个阶段,首先采用离散小波多分辨率分析和Parseval定理提取不同尺度下扰动信号的能量分布特征,同时利用多维分形方法计算同一畸变信号的局部方差分维数,并将小波变换提取的能量分布特征和局部方差分维数组合构成特征矢量。其次将特征矢量输入到概率神经网络进行训练和测试,从而实现正弦波形、电压骤降、电压陡升、谐波、中断、脉冲和振荡瞬态的分类。采用提出方法的电能质量扰动平均分类率为95．86％,高于只采用离散小波变换提取特征矢量分类率2．15％。     

An effective wavelet-based feature extraction method for classification of power quality disturbance signals

This paper presents a wavelet norm entropy-based effective feature extraction method for power quality (PQ) disturbance classification problem. The disturbance classification schema is performed with wavelet-neural network (WNN). It performs a feature extraction and a classification algorithm composed of a wavelet feature extractor based on norm entropy and a classifier based on a multi-layer perceptron. The PQ signals used in this study are seven types. The performance of this classifier is evaluated by using total 2800 PQ disturbance signals which are generated the based model. The classification performance of different wavelet family for the proposed algorithm is tested. Sensitivity of WNN under different noise conditions which are different levels of noises with the signal to noise ratio is investigated. The rate of average correct classification is about 92.5% for the different PQ disturbance signals under noise conditions.     

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.     

基于双尺度分形盒维数的电能质量扰动信号识别

提出一种电能质量PQ(Power Quality)扰动信号时域分析方法。在PQ扰动信号分析中,分形维数用来描述信号的不规则性和复杂度。由于引起各种PQ扰动的来源不同,致使扰动信号在不规则性和复杂度上体现出差异,为PQ扰动信号分析提供依据。平面离散信号的传统分形盒维数计算通常基于正方形盒,而对于PQ扰动信号,时间和幅值是完全不同的物理概念,采用基于时间和幅值的双尺度长方形盒对PQ扰动信号计算盒维数,根据PQ扰动信号的周期或准周期特性推导无标度区的长方形盒尺度确定经验公式,并通过具体波形简单验证。典型的PQ扰动信号分析的结果表明,其描述的特征量明显,可以识别扰动。盒维数的简单统计结果可以作为PQ神经网络分类器的输入特征量。     

基于谐波滤波器组的电能质量扰动数据压缩方法

提出一种基于谐波滤波器组的电能质量扰动数据压缩方法,该方法采用谐波滤波器组实现原始信号中稳态分量与暂态分量的分离,并通过插值离散傅里叶变换(IpDFT)算法来高精度估计谐波分量参数,然后对确定的稳态分量和暂态分量分别采用参数量化和小波变换进行压缩。最后,利用实际的电能质量扰动数据测试了该方法,结果表明,该方法对于各种类型的电能质量扰动信号均有效,同时在压缩比相同时,与通用小波压缩方法相比具有更好的压缩性能。     

应用原子分解的电能质量扰动信号特征提取方法

提出一种应用原子分解实现的电能质量扰动信号特征提取方法.该方法以Gabor原子库和匹配追踪算法为基础,从扰动信号中迭代求取Gabor原子成分,再将Gabor原子转化为衰减正弦量原子,获得电能质量信号中各种扰动成分参量化的原子解析表示.用初始残余能量的阈值作为原子分解迭代终止条件,以改善特征提取效果.该方法可准确定量地提取各扰动成分的起止时刻、幅值、频率和变化规律等扰动特征,适用于暂态扰动、稳态扰动和多重扰动.算例分析验证了所提出的方法的有效性.     

一种简单的电能质量扰动信号检测方法

提出了一种简单的电能质量扰动检测方法,用于判断采集信号中是否存在电能质量扰动,作为扰动分类的前提。该方法利用当前周期的电压信号与前一个周期信号之间的差值信号来进行电压凹陷、电压凸起及暂态振荡、暂态脉冲等暂态电能质量问题检测,利用差分信号和滤波后低频和高频信号的能量比来检测稳态电能质量问题。该方法实现简单,计算量小,检测全面,可以实时、在线完成,弥补了以往采用小波或小波包变换方法复杂费时以及准测不全面的不足,也弥补了单独采用差值信号方法无法检测稳态电能质量问题的缺陷。仿真和试验结果表明了本文提出方法的可行性和有效性。     

基于S变换和希尔伯特-黄变换的电能质量复合扰动分类识别

根据S变换和希尔伯特-黄变换的时频分析特点,提出一种电能质量复合扰动的分类识别方法。通过 S变换提取出扰动信号的基频和高频特征,并结合希尔伯特-黄变换提取出扰动前后信号的瞬时振幅。通过分析各扰动信号的特点,定义了相应的特征函数作为分类识别的判据,从而实现对电能质量复合扰动的正确分类,并准确定位出暂态扰动的起始、终止时刻。实验结果表明,通过 S 变换和希尔伯特-黄变换的融合,可准确地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。     

DG并网对暂态电压扰动方向判定的影响及其校正算法

计及新能源分布式电源(DG)并网对智能配电网的影响,构建了一种含DG配电网的可延展通用模型。基于模型结构等效变换,分析了引起电能质量监测仪方向误判的影响因素,针对电压暂降型或电压暂升型的电能质量(PQ)扰动源,提出了DG并网对PQ扰动方向判定的影响规律,进而提出了一种基于规律校正的PQ扰动方向判定算法。将多个DG接入IEEE 13和IEEE 34模型,Matlab仿真表明,该算法能提高PQ扰动方向判定的准确率,并具有简明清晰、抗噪声能力强等优点。     

Power quality disturbance classificationbased on time-frequency domain multifeatureand decision tree

Accurate classification of power quality disturbance is the premise and basis for improving and governing power quality. A method for power quality disturbance classification based on time-frequency domain multi-feature and decision tree is presented. Wavelet transform and S-transform are used to extract the feature quantity of each power quality disturbance signal, and a decision tree with classification rules is then constructed for classification and recognition based on the extracted feature quantity. The classification rules and decision tree classifier are established by combining the energy spectrum feature quantity extracted by wavelet transform and other seven time-frequency domain feature quantities extracted by S-transform. Simulation results show that the proposed method can effectively identify six types of common single disturbance signals and two mixed disturbance signals, with fast classification speed and adequate noise resistance. Its classification accuracy is also higher than those of support vector machine (SVM) and k-nearest neighbor (KNN) algorithms. Compared with the method that only uses S-transform, the proposed feature extraction method has more abundant features and higher classification accuracy for power quality disturbance.