针对复合电能质量扰动特征提取方法精度不足、计算复杂度高的问题,提出一种直接控制窗函数的标准差来控制时频分辨率的自适应S变换(adaptive S transform,AST)方法。利用高斯窗与电能质量信号频谱的主值区间直接匹配来优化时频分辨率,...针对复合电能质量扰动特征提取方法精度不足、计算复杂度高的问题,提出一种直接控制窗函数的标准差来控制时频分辨率的自适应S变换(adaptive S transform,AST)方法。利用高斯窗与电能质量信号频谱的主值区间直接匹配来优化时频分辨率,优化过程独立于S变换(S transform,ST)反馈结果,从根本上避免迭代计算,提高时频分辨率的优化速度。基于AST的时频矩阵提取4种特征量来表征20种典型电能质量扰动类型的特征信息,特征向量维数低,识别能力强。利用极限学习机和概率神经网络分别对AST和ST提取的特征向量进行识别,并结合噪声进一步分析。结果表明,相对于传统S变换该文方法的时频分辨率更高,抗噪能力更强,提取的特征向量更加精确。展开更多
文摘针对复合电能质量扰动特征提取方法精度不足、计算复杂度高的问题,提出一种直接控制窗函数的标准差来控制时频分辨率的自适应S变换(adaptive S transform,AST)方法。利用高斯窗与电能质量信号频谱的主值区间直接匹配来优化时频分辨率,优化过程独立于S变换(S transform,ST)反馈结果,从根本上避免迭代计算,提高时频分辨率的优化速度。基于AST的时频矩阵提取4种特征量来表征20种典型电能质量扰动类型的特征信息,特征向量维数低,识别能力强。利用极限学习机和概率神经网络分别对AST和ST提取的特征向量进行识别,并结合噪声进一步分析。结果表明,相对于传统S变换该文方法的时频分辨率更高,抗噪能力更强,提取的特征向量更加精确。
