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。     

基于小波分形的电能质量暂态扰动多分辨率分析

电能质量暂态扰动会给敏感负荷带来重大损失.采用小波变换的多分辨率分析思想,利用分形理论从图形模式辨识的角度出发对电能质量暂态扰动进行分类、辨析.首先采用计算简单的计盒维数对波形图像进行初步分析,随后根据盒的分布密度进行分段划分,将含暂态扰动的信息段从波形中提取出来,并根据多分辨率分析的思想对重点波形段进行分形及小波分析提取信号特征.仿真结果证明,该方法对电能质量扰动的暂态识别具有较好的适应性及稳健性,可以在噪声环境下识别小幅度的电能质量扰动,具有检测速度快、可并发执行的特点.     

电能质量复合扰动分类方法研究

针对样本同时属于多个类别（或标签）现象的电力系统电能质量复合扰动,提出采用多标签分类方法来解决其分类识别问题。引入了电能质量复合扰动以及多标签分类的概念,提出了多标签分类器的评判指标,采用3种典型多标签分类器对电能质量复合扰动进行分类识别。仿真实验结果表明,在不同噪声条件下,多标签分类方法可以有效分类识别由电压暂降、电压暂升、电压短时中断、脉冲暂态、谐波和闪变等电能质量单一扰动组合而成的复合扰动。     

基于LabVIEW的电能质量实时监测与分析系统的设计

改善电能质量的前提是获得电能质量准确的实时信息。为了实现更准确地实时监测电能质量各项指标,本文以Lab VIEW图形化软件为开发平台,设计了电能质量实时监测与分析系统,采用广义S变换和分类规则树相结合的方法实现暂态电能质量扰动信号时间定位和自动识别。该系统主要包括参数设置、数据采集与分析、录波存储和数据传输4个功能模块,具有实时监测稳态电能质量的各项指标和记录暂态扰动的发生时刻和分析识别功能。通过三相可编程交流电源模拟各项电能质量信号,对该系统测量功能进行实验验证,结果表明:电压有效值误差小于0.5%,频率误差小于0.01 Hz,各次谐波电压误差小于5%,电压中断和暂态振荡扰动信号的检测值存在误差,但误差都在1 ms之内,验证了该系统的正确性和有效性。该系统在功能上能完全满足电能质量监测分析的应用要求,可为改善电能质量和制定有关电能质量治理措施提供必要的数据支持,具有良好的实际应用意义。     

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.     

基于S变换和模糊KNN的暂态电能质量扰动分类

该文提出了基于S变换和KNN的暂态电能质量扰动分类的识别方法。首先应用S变换对暂态扰动信号进行时频分析,从信号的S变换得到相应S变换模时频矩阵,并对时频矩阵进行分析,从中提取出8个有效特征量,再由特征量组成的特征向量输入模糊KNN算法分类器中,完成对扰动信号的智能分类。该文用Matlab7.0软件产生了6种常见暂态电能质量扰动信号类型,并进行了相应的分类。仿真结果表明,该方法结构简单,所需特征量少,并能准确的对扰动类型进行辨识。     

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.     

基于LabVIEW的暂态电能质量信号发生器

为方便进行暂态电能质量信号的检测与分析,该文设计了一种基于LabVIEW平台的虚拟信号发生器。虚拟信号发生器能产生典型的暂态电能质量信号,它可以在LabVIEW和MATLAB平台下根据设定的参数输出各种暂态信号,为暂态电能质量的研究提供扰动的信号源,便于快速验证检测与分析方法的有效性与实用性。     

基于自适应提升格式的暂态电能质量扰动检测及定位

为了进一步提高暂态电能质量扰动检测及定位的准确率,该文分析了暂态电能质量扰动的相关性,选择预测和更新算子,实现对扰动信号的自适应检测;利用MATLAB对电压骤升、电压骤降、电压瞬时中断、脉冲暂态和振荡暂态等暂态电能质量问题进行仿真研究,仿真结果表明:该方法能快速检测出上述5种暂态电能质量扰动.研究结果为电能质量分析仪器设计提供了理论支持.     

基于Prony算法的暂态电能质量扰动信号分析

针对电能质量扰动信号特性,提出了一种基于Prony方法的信号分解算法.该方法将指数变换的时频特性与暂态信号特性描述相结合,可以提供各种分量的特征指标,如频率、幅值、相位等,利用最小二乘法得到高精度的拟合,并对暂态电能质量扰动的仿真信号和实测信号进行了分析.结果表明,Prony算法在暂态电能质量扰动信号分析中,可提供有效、准确的分析结果.     

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.     

基于动态窗模极大值的暂态扰动自动检测

针对传统模极大检测算法暂态电能质量扰动持续时间短、 随机性以及过零点难以检测等问题, 提出基于动态窗的改进小波模极大值暂态信号扰动检测方法。 对过零点时刻的扰动, 在动态窗检测的基础上, 通过系数变换, 改善过零点时刻检测不明显的问题。 运用 Matlab 软件进行的计算机仿真结果表明, 该方法能准确地对暂态电能质量扰动进行检测与定位, 精度较高且易于实现。     

基于提升小波和Hilbert变换的暂态电能质量检测

针对暂态电能质量检测中信号扰动的准确定位和快速类型识别的需求,提出了一种提升小波和Hilbert变换融合的暂态电能质量检测方法.该方法首先利用提升小波在检测信号扰动方面的优越性,通过一层提升小波变换得到信号的近似成分A₁与细节成分D₁,然后运用Hilbert变换计算出两种成分的瞬时幅值,根据幅值特性实现对信号扰动时刻的准确定位和对扰动类型的快速识别.仿真与实验表明,所提出的检测方法对扰动时刻定位准确率达到95.7%,对扰动类型识别准确率达到91.8%,与目前使用分类器的方法相比,所提方法具有无需训练、适应性强、实时性好等特点.      

基于小波变换和优化核参数支持向量机的电能质量扰动分类

针对短时电能质量变化和暂态扰动现象的不同特点,建立常见电能质量扰动的数学模型。运用小波变换对暂态电能质量扰动现象的内在特征进行提取,将扰动电压变化率绝对值、扰动能量变化量作为暂态电能质量扰动的特征向量。根据支持向量机的基本原理,给出一种推广误差上界估计判据,利用此判据进行最优核参数的自动选取,利用支持向量机进行训练和测试。结果表明,优化核参数的支持向量机分类器准确率高,实时性好。     

基于原子能量熵和CSM的配电线路故障分类方法

针对配电线路上的故障分类问题,提出了一种结合原子能量熵和连续字符串匹配(CSM)的故障分类方法.通过分析故障信号的暂态特征,利用原子分解法得到故障暂态信号的主导原子以及对故障信息进行补充的次级原子,计算原子能量熵作为故障特征量,较完备地描述了故障特征.应用CSM进行故障分类节省了智能算法故障辨识中参数选择和优化的时间,通过建立的编码规则,将故障特征进行编码,搜索故障编码库,最终确定故障类型.通过仿真研究,验证了该算法的可行性与有效性.     

基于柔性形态滤波和信息熵的电能质量扰动定位分析

针对电力系统中电能质量扰动信号常因周期性变化和采样过程而存在各种噪声的情况,提出一种基于柔性形态滤波和信息熵的扰动定位方法。柔性形态滤波器是在标准数学形态学滤波器基础上发展起来的,具有更强的抗噪声性能和鲁棒性。信息熵可以用来表征信号的无序性测量指标,已经被广泛应用于检测信号的突变情况。首先,将电能质量扰动信号进行柔性形态滤波处理,再将去噪声后的信号进行形态梯度变换,放大扰动信号的突变特征,最后求取信号的信息熵,根据信号突变出信息熵的不同得到扰动信号的准确定位结果。仿真结果表明,该方法对多种暂态扰动信号能准确定位,抗噪声干扰强,具有很高的可行性和有效性。     

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。     

水电站厂房结构模态参数的遗传识别方法

环境激励下结构模态参数的时域识别方法是近年来的研究热点,水电站厂房结构一般规模巨大,常规的激励方式会对结构产生不良影响．此外,由于噪声的干扰往往产生众多虚假模态．由于机组停机过程中环境激励响应较易获得,提出一种基于遗传算法的结构模态参数识别方法,采用多信号分类法进行信号定阶．运用该方法通过模拟信号对其进行验证．并将其应用到水电站厂房结构的模态参数识别中．结果表明,该方法能够有效准确地识别出结构的自振频率和阻尼比．     

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.