基于复阻抗与支持向量机的电能质量扰动分类方法

电能质量扰动现象的准确分类是电能质量领域的热门课题.提出一种基于复阻抗和支持向量机的电能质量扰动分类方法.该方法首先从UCI(University of California,Irvine)数据库中分别提取出各电能质量扰动现象(电压暂降、电压暂升、电压中断、电压振荡、电压脉冲)的实际数据,通过Hilbert变换把扰动电压信号和扰动电流信号转换为相量形式,在此基础上得到复阻抗.接着通过复阻抗提取信号特征,组成特征向量,然后应用支持向量机分类器进行训练、测试和分类.最终对UCI数据库中大量实际扰动数据进行分类,分类取得了良好效果,此效果表明该方法具有一定的应用价值.     

基于案例推理和SVM-KNN的电能质量扰动分类方法

针对电能质量扰动信号的准确分类识别问题,提出一种基于案例推理(CBR)和支持向量机(SVM)的电能质量扰动分类方法.首先通过原子分解法对电能质量扰动信号进行分解,提取特征向量,并以此建立电能质量扰动信号案例库;在进行分类时借助SVM-KNN算法对案例库进行检索,找出最相似源案例;通过修改或重用最相似案例的结果来确定扰动信号分类结果.算例表明该方法构造的分类器结合了案例推理和支持向量机在模式分类中各自的优点,结构简单,训练样本少,识别准确率高,分类速度快,能够有效地识别常见的6种电能质量扰动.     

电能质量扰动分类的贝叶斯方法

随着非线性负荷的大量使用,电能质量问题已日益受到关注．对各种电能质量扰动进行分类,是采取适当措施降低扰动带来影响的前提．小波包是在小波变换的基础上发展起来的,能够提供更为丰富的时频信息．为此,对电能质量扰动信号进行小波包分解,分别以小波包分解终结点的能量和熵作为特征向量。用贝叶斯分类器进行分类识别,对扰动分类做出了仿真分析,仿真结果验证了该方法的有效性．通过与Fisher分段线性分类器进行比较,表明以熵为特征向量的贝叶斯分类方法有较高的识别正确率．     

基于粒子群优化SVM的电能质量复合扰动分类的研究

针对暂态电能质量复合扰动的问题,提出了基于希尔伯特-黄变换和粒子群优化多分类支持向量机的暂态电能质量复合扰动检测分类的方法。利用希尔伯特-黄变换提取分类所需的特征向量作为训练数据输入粒子群参数优化的支持向量机,实现了对多种复合的暂态电能质量扰动问题分类。从仿真结果可以看出,该方法可以对常见的复合暂态电能质量扰动信号进行检测和分类,且结果精确。     

基于Jerk流形正则化深度极限学习机的电能质量复合扰动识别

为了有效利用电能质量复合扰动识别中存在的大量难以标注的实测样本,提出了一种基于Jerk流形正则化深度极限学习机(DJRELM)的半监督扰动学习方法. 算法通过堆叠嵌入Jerk流形正则化的极限学习机自编码器(JRELM-AE)实现在复合扰动特征自动提取的同时保持数据内部流形结构. 分类层通过阈值预测极限学习机和Jerk正则化半监督极限学习机的结合将多层网络扩展到多标签半监督分类应用. 实验结果表明:该方法在不同噪声环境下的分类准确率均高于几种基于极限学习机的监督学习、半监督学习算法、传统多层极限学习机和深度卷积神经网络,具有理论意义和实用价值.     

一种新的电能质量扰动识别方法

针对电能质量扰动信号数据多、识别速度慢、识别过程复杂等问题,提出一种基于压缩感知理论和一维卷积神经网络的电能质量扰动信号识别分类方法,该方法通过离散傅里叶变换、高斯矩阵获取原始扰动信号的稀疏向量,利用正交匹配追踪算法重构扰动信号,将原始扰动信号和稀疏向量输入一维卷积神经网络分类模型;由仿真结果可知,可充分降低现有识别方法所需处理的扰动信号的数据量,实现了以较少的数据量表达扰动信号的特征信息,对有、无噪声情况下的14种单一、复合扰动信号具有很高的识别率,表明了方法具有采样数据少、特征提取方便、高识别率和较好的噪声鲁棒性的特点。     

基于ILMD和神经网络的电压扰动识别分类

为了识别电力系统存在的扰动信号,减少扰动信号对系统安全的影响,提出了一种改进局部均值分解法(Improved Local Mean Decomposition,简称ILMD)与BP神经网络相结合的电压扰动信号分类器对电压扰动进行识别分类。通过ILMD对电压扰动信号进行3层分解,得到包含电压原始信号频率、幅值的乘积分量(Product Function,简称PF),将PF分量构建的信号能量值作为BP神经网络的输入,实现对电压扰动信号的识别分类。通过对系统中4种典型电压扰动信号进行识别试验,结果表明,基于LMD和神经网络的电压信号分类器准确度高,并具有较高的工作效率。     

利用快速S变换的电能质量扰动识别方法

针对当前基于S变换的电能质量方法计算开销大、不能实时识别电能质量扰动的问题,提出利用快速S变换与最小二乘支持向量机相结合的识别电能质量干扰新方法.该方法从快速S变换得到的一维向量中提取各频率段模系数的标准偏差、最大模系数及额定频率对应的模系数作为特征向量,利用最小二乘支持向量机对电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波等几种电能质量干扰进行分类和识别.研究结果表明:与传统的基于S变换的电能质量方法相比,该方法在2个方面节省了时间,一是减少了提取特征量所用的时间,二是由于特征向量数据较少,采用支持向量机样本训练时间减少;特剐是当电压扰动信号持续时间越长时节省效率越高,在同样准确性下,对于长度为1 024点的扰动信号,节省了约99％的时间;除此之外,该方法对信号分类的正确率可达98％,同时还具有较高的抗干扰能力.     

一种基于多特征量的复合电能质量扰动自动识别方法

针对电能质量复合扰动识别困难的问题,提出了一种电能质量扰动信号识别新方法.该方法利用信号的S变换幅值矩阵和动态测度提取的频率特征然后结合聚类经验模态分解方法对扰动信号进行表征,并设计了一种简单的决策树进行快速的识别.避免了因训练样本不足引起的较大误差,在较大程度上缩短了识别时间.仿真试验结果表明,该方法识别率高,抗噪能力强,可同时适用于单一和复合电能质量扰动信号的识别,可准确识别16种复合扰动在内的24种电能质量扰动信号.     

基于卷积神经网络与Transformer的电能质量扰动分类方法

复杂电能质量扰动的智能分类对于智能电网发展具有重要意义。扰动特征的提取与定位、模式识别与分类是电能质量扰动分类方法研究的难点。本文采用深度学习算法,将具有关注全局信息的Transformer与善于提取局部特征的卷积神经网络相融合,提出了一种基于卷积神经网络与Transformer的电能质量扰动分类方法,即CTranCBA。这种双深度学习模型分类方法主要是通过一维卷积神经网络提取电能质量扰动信号特征,利用Transformer自注意力机制引导模型关注序列中不同位置间的依赖关系,实现对扰动信号局部特征与全局特征的互补,克服了因感受野的限制而带来的识别不清、分类不准等问题。本文使用了23种不同电能质量扰动信号,将CTranCBA与Deep-CNN、CNN-LSTM、CNN-CBAM方法进行比较,结果表明该方法在分类准确率和抗噪性方面表现优异,可为电能质量扰动智能分类提供一种新的方法。