基于改进的SVM的电能质量复合扰动分类

本文利用支持向量机对电能质量复合扰动进行分类,解决其多重分类问题,为了提高其整体分类的准确率,对支持向量机中的核函数进行了改进。考虑到特征向量在核函数中心位置的聚集程度会影响支持向量的数目,本文在核函数中引进一个径向宽度因子和一个幅值调节因子,从而解决传统核函数存在的问题,减少支持向量数目,降低计算复杂度。将改进后的算法应用到电能质量复合扰动分类中,验证所提方法对于电能质量复合扰动分类不仅具有可行性,并且有较高的分类准确率。从仿真实验结果可以看出,改进的方法对常见的7种单一电能质量扰动信号和5种电能质量复合扰动信号能够进行分类,相对原算法提高了分类准确率。     

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.     

基于改进SVM模型的电能质量扰动分类

提出一种改进的支持向量机模型,对电能质量扰动进行分类.支持向量机(SVM)在对大规模样本集的训练和分类时,需要占用大量内存,时耗过高,运算速度缓慢.针对这种情况提出一种改进的SVM模型:将原始训练样本集应用粗糙集理论(RS)去除冗余信息,然后在SVM中引入概率分布函数,用一个小规模的样本集训练得到一个初始的分类器,用这个初始分类器对大规模训练集进行修剪,修剪后得到一个规模很小的约减集,再用这个约减集进行训练得到最终的分类器.实验表明:这种改进的SVM模型有效降低了训练样本集的规模,提高了分类能力.     

基于改进SVM模型的电能质量扰动分类

提出一种改进的支持向量机模型,对电能质量扰动进行分类。支持向量机（SVM）在对大规模样本集的训练和分类时,需要占用大量内存,时耗过高,运算速度缓慢。针对这种情况提出一种改进的SVM模型：将原始训练样本集应用粗糙集理论（RS）去除冗余信息,然后在SVM中引入概率分布函数,用一个小规模的样本集训练得到一个初始的分类器,用这个初始分类器对大规模训练集进行修剪,修剪后得到一个规模很小的约减集,再用这个约减集进行训练得到最终的分类器。实验表明：这种改进的SVM模型有效降低了训练样本集的规模,提高了分类能力。     

基于SVM的直流电能质量扰动分类算法

近年来分布式能源发电的规模逐渐扩大,更具优势的直流供电技术也随之飞速发展,未来电网的主要模式将大概率趋向交流电网和直流电网混联的电网结构.其中交流电能质量问题已逐渐成熟,而相应的直流部分仍有待研究.对直流电能质量扰动波形进行有效区分与准确辨识,是研究直流电能质量必不可少的环节.直流电能质量扰动波形分类算法研究对直流配电...     

基于支持向量机的动态电能质量扰动分类方法

将支持向量机SVM(SupportVectorMachine)引入到动态电能质量分类问题中。在Matlab中编程建立了谐波、电压暂升、电压跌落、瞬时中断、电压波动、瞬变6种常见动态电能质量扰动数学模型,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,产生训练和测试样本。给出了利用LIBSVM解决电能质量扰动分类问题的步骤,并根据分类结果对影响分类效果的参数进行了分析。对训练好的支持向量分类器进行测试,效果良好,当采用C-SVC,RBF核时调整参数可以得到最优分类效果,最高分类率可达到96.67%。     

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.     

基于多标签Rank-WSVM的复合电能质量扰动分类

该文提出一种多标签排位小波支持向量机(rank wavelet support vector machine,Rank-WSVM),并将其应用于电能质量复合扰动分类中。Rank-WSVM将小波技术与多标签排位支持向量机(Rank-SVM)结合,利用小波的优良特性提高分类器的整体性能。首先,对电能质量扰动信号进行离散小波分解,计算 Tsallis 小波熵作为特征向量;然后利用所提出的 Rank-WSVM 多标签分类器进行分类。仿真结果表明,在不同噪声条件下,该方法有效改善了Rank-SVM的分类性能,可有效识别电压暂降、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复合扰动。     

基于小波变换和二叉树结构的电能质量扰动分类

针对电能质量扰动分类问题,提出了一种基于小波变换和二叉树结构支持向量机的扰动分类方法。首先,通过交流暂态仿真软件产生8种典型扰动信号和2种复合扰动信号作为样本集;然后,通过小波变换进行多个特征的提取,包括信号在特定频带下的能量和小波系数标准差;最后,通过样本集,对二叉树结构支持向量机分类器进行训练和测试。测试结果表明,该方法能够有效识别常见的10种扰动信号,具有分类正确率高、训练时间短的优点。     

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。     

基于决策树和支持向量机的电能质量扰动识别

提出一种新型电能质量扰动识别方法,该方法采用快速傅里叶变换(fast Fourier transform,FFT)结合动态测度法提取3种特征以及S变换提取4种特征;采用决策树和支持向量机(support vector machine,SVM)设计组合分类器。针对FFT频谱中谐波频率明显的扰动类型,采用极值点包络的动态测度法提取频谱中的主要频率点特征,结合S变换提取的特征首先将扰动类型进行初步归类,然后采用S变换的2个特征就能进行后续分类;决策树分类过程中采用SVM来区分电压暂降和中断,克服了特征阈值随信噪比(signal-to-noise ratio,SNR)变化难以确定的问题。仿真实验表明,该方法能够准确识别包含2种复合扰动在内的11种电能质量扰动信号,SNR低至20 dB时准确率仍达到96.50%;且与已有文献的分类结果对比表明,该方法准确率高,稳定性强,在低SNR条件下分类结果优势明显。     

基于最小二乘支持向量机的电能质量扰动分类方法

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法。对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别。与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果。仿真实验验证了该方法对扰动分类的有效性。     

一种基于支持向量机的电能质量综合评价方法

电力市场环境下,对电能质量进行综合评价是衡量电能优劣与制定电价的重要依据。首先对电能质量的评价等级进行了细化并确定了一套新的分级标准,然后针对现有电能质量综合评价方法的不足,提出了一种基于支持向量机（SVM）的电能质量综合评价方法。实例计算结果表明所提出的支持向量机电能质量综合评价方法结构简单、思路清晰且能真实、准确地反映电能质量状况。     

模式分类方法在电能质量扰动信号分类中的应用综述

文中首先将电能质量扰动信号分类方法划分为模式分类法与非模式分类法,然后简要介绍了模式分类法,综述了人工神经网络、贝叶斯分类、专家系统、支持向量机几种典型的模式分类方法在电能质量扰动信号分类中的应用,对比分析了各种方法的利弊,并对现存的问题及以后的发展趋势进行了展望。     

基于支持向量机综合分类模型和关键样本集的电力系统暂态稳定评估

为了提高支持向量机(Support Vector Machine, SVM)的分类性能,提出了根据关键样本集构造的SVM综合分类模型进行电力系统暂态稳定评估的方法。给出了基于不同特征量的SVM综合分类模型的构建方法、关键样本集的产生方法以及基于综合分类模型和关键样本集的SVM分类步骤。采用3机9节点典型算例和某省级电网算例进行分类效果分析。分析结果表明,所提出的基于SVM综合分类模型和关键样本集的方法,相较于传统SVM方法,大幅度减少了将不稳定样本判定为稳定的漏分类数,提高了SVM方法的实用性。所提出的基于关键样本集构造分类模型的思路对于其他数据挖掘方法也有一定的借鉴意义。     

基于相空间重构和支持向量机的电能扰动分类方法

电能扰动的分类需要信号特性提取和分类器构造2个阶段,文中采用相空间重构和支持向量机的组合,提出了一种全新的电能扰动信号的分类方法。首先利用相空间重构方法构造扰动信号轨迹,通过编码获得二进制轨迹图像。针对该图像定义了4类具有区别性的指标,以表征不同扰动类型的特性。然后将特性指标作为支持向量机分类器的输入矢量,实现自动分类识别。算例表明该方法计算量少,正确率高,所需训练样本少,可以有效分类识别电压暂降、电压瞬升、电压中断、脉冲振荡、谐波、闪变等6种电能扰动。