基于不完全S变换和改进SVM的电能质量分类方法

随着社会的高速发展,各式各样的负载接入电网,单一扰动形式的电能质量问题,已被多扰动复合类型的电能质量问题取代。这无疑增加了电能质量问题特征提取与分类精度提升的难度。针对此问题,提出了基于不完全S变换和改进SVM的特征提取与分类方法。首先利用不完全S变换处理电能质量信号,对矩阵求模后从模矩阵中选取特征向量,组建特征矩阵,并利用递归特征消除选取重要特征。利用改进天牛须搜索算法(CBAS)优化支持向量机(SVM)的两个重要参数惩罚因子c和核函数参数g,将所选特征及优化后的SVM构建扰动分类器。根据实验表明,该方法准确率高,运行时间短,能够识别多种复合信号在内的扰动类型。根据对比,的分类效果明显优于随机森林(RF)、粒子群优化支持向量机(PSO-SVM)等常用方法。在不同信噪比条件下,具有良好的鲁棒性及抗噪能力,对电能质量扰动分类的研究具有重要意义。

采用不完全S变换的电能质量扰动检测方法

S变换因其优良的时频特性而在电能质量扰动检测和定位方面获得了广泛的应用,但由于S变换计算时采用等间隔采样频率点,因而计算量较大。为解决此问题,基于S变换的电能质量扰动检测方法一般通过提取模时频矩阵的特征量实现而不需要利用S变换模时频矩阵的所有向量,分析了S变换的快速计算过程,并据此提出了不完全S变换。首先根据其运算前提是计算信号的FFT,利用动态测度方法检测出功率谱包络的峰值,以此确定信号的主要频率点;然后对相应的频率点进行不完全S变换,求模得到频率幅值特征向量;最后由这些特征向量进行电能质量扰动的检测。仿真结果表明,提出的算法能明显提高检测速度,更适合实时应用。

基于改进不完全S变换与决策树的实时电能质量扰动分类

提出了基于一种改进不完全S变换(Improved Incomplete S-transform)与决策树的实时电能质量分类方法,其主要关注分类准确性与运算时间。根据主要频点所在频段,采用独立的高斯窗来处理不同的信号成分以减小海森堡测不准(Heisenberg's uncertainty)带来的时频分辨率限制,增强了对扰动的抗噪能力同时减小了响应时间。然后通过动态测度对改进不完全S变换结果进行特征提取。通过5个区分度强的特征量,采用优化决策树对电能质量扰动进行分类。通过一个基于DSP-FPGA的硬件平台来验证该方法。仿真与实验证明了该方法具有良好的应用前景。

一种改进不完全S变换的电压暂降检测方法

为实现对电压暂降的准确快速检测,提出了一种改进不完全S变换(MIST)的电压暂降检测方法。该方法对从电网中采集到的电压信号进行快速傅里叶变换,获得信号的主要频率点;对各主频点进行改进的S变换,获得信号主频特征分量;利用这些特征分量信息实现对电压暂降扰动特征量的检测。首先描述了改进不完全S变换的原理及其参数选择的原则,然后详细叙述了电压暂降特征量的提取方法,最后对实际信号进行了仿真。仿真结果表明,该方法可有效地提取电压暂降的幅值、持续时间、相位跳变等特征信息,并且准确率高,运算量小,同时具有一定的抗干扰能力。

采用改进不完全S变换估计电能质量扰动参数

为克服S变换计算量大和不能准确估计某些电能质量扰动参数的缺陷,结合改进S变换和不完全S变换提出了一种估计电能质量扰动参数的新方法。首先给出了改进不完全S变换的计算过程,接着讨论了不同类型扰动信号求改进不完全S变换所需的最佳窗宽系数;然后介绍了参数估计的特征量提取,它是针对不同扰动频率点自适应地采用最佳窗宽系数求改进不完全S变换得到的模向量;最后说明了由这些特征量进行电能质量扰动参数估计的方法。仿真结果验证了所提方法具有算法简单、运算量小、估计精度高等特点。

基于不完全S变换的低频振荡在线辨识方法

针对传统的低频振荡辨识方法无法确定低频振荡的起振时间点,不利于调度员分析振荡的起因,提出采用不完全S变换方法进行低频振荡的在线辨识,以提高算法的计算效率。仿真测试以及实例分析的结果表明基于不完全S变换的低频振荡在线辨识方法的辨识结果准确、抗噪能力强,能够有效地识别振荡模式个数以及振荡的起振时间点,具有很好的实用价值。

基于不完全S变换的低频振荡可视化实时监测方法

电网低频振荡的实时监测是有效控制低频振荡现象的前提。提出采用不完全S变换处理PMU实时数据,将隐含低频振荡信息的PMU数据波形图转换为直接显示各振荡模式下起振时刻、频率及振幅的二维时频图供调度人员参考,以实现低频振荡的可视化实时监测。为提高计算效率,采用GPU实现图形显示和不完全S变换中FFT及其逆变换的并行算法运算。实例分析结果表明,该方法能够有效识别并显示低频振荡实时特征信息,有助于调度人员进行低频振荡的实时监测,适合实际应用。

基于自适应不完全S变换与LOO-KELM算法的复合电能质量扰动识别

针对电能质量复合扰动识别中特征提取效率低、分类器识别能力与学习速度无法同步提高的问题,提出一种基于自适应窗不完全S变换与留一交叉验证优化的核极限学习机(LOO-KELM)算法的复合电能质量扰动识别方法。首先根据选定的主频率点自适应调节S变换窗宽系数,提取具有高时频分辨率的59种电能质量(PQ)特征,再通过留一交叉验证寻找最小预测残差平方和,实现核极限学习机的输出权重优化,最后根据提取PQ特征集与优化后的核极限学习机实现复合扰动的识别与分类。仿真和实测结果表明,所提方法对不同噪声下的16类混合电能质量扰动均具有较高的分类精度,相较于现有复合电能质量识别方法,分类精度更高且训练时间更短。

基于不完全S变换与梯度提升树的电能质量复合扰动识别

针对电能质量复合扰动中特征选择困难和分类准确率不高的问题,提出基于不完全S变换和梯度提升树的特征选择和分类器构建方法。首先通过选取特定频率的不完全S变换得到扰动的时频矩阵。再从时频矩阵中提取53种原始特征量,并基于梯度提升树对各个特征的重要性进行度量,选取重要特征。最后根据选取的特征集训练和构建梯度提升树,得到扰动分类器。仿真实验表明,对于包括8种复合扰动在内的共17种扰动类型,该方法的分类准确率高于CART决策树、随机森林(RF)、多层感知机(MLP)等现有方法。不同噪声条件下的分类结果表明,该方法具有良好的抗噪性能和算法鲁棒性,展现出良好的应用前景。

基于改进不完全S变换的电压暂降源分类方法

为了快速准确地判别引起电压暂降的扰动源类型,提出一种基于改进不完全S变换的电压暂降源分类方法。该方法对电压暂降信号进行FFT提取信号的主要频率点f;然后对主要频率点f进行改进S变换得模时频矩阵,再对模时频矩阵进行尺度缩放,构造各类暂降源的标准模板;对待测电压暂降信号进行同样改进S变换和尺度缩放,计算其与标准模板的平均相似度,按照相似度最大原理实现电压暂降源的分类。MATLAB仿真计算结果表明,该方法可以快速准确地识别引起电压暂降的扰动源,无需添加分类器、计算量小、抗干扰能力强。

基于IIST与SVM的串联故障电弧诊断方法研究

针对S变换的时频分辨能力不足导致串联故障电弧特征难以准确提取的弊端,以中心频率测度为标准筛选低频和高频段的主要频率点,分别引入低频和高频段对应的高斯窗口系数,形成一种改进的不完全S变换(im-provement incomplete S-transform,IIST)时频分析方法。首先,依据标准搭建串联电弧故障试验采集平台,采集不同负载情况下的电流信号;其次,采用IIST对信号进行时频分析并提取低频和高频段的对应特征量,形成特征向量样本集;最后,在此基础上构建故障电弧诊断模型,对样本集进行分类识别。结果表明,该特征提取方法在支持向量机(support vector machine,SVM)中识别准确率达到98.29%,能有效地提取电流故障特征,通过增设对照实验,探究不同特征提取方法、不同核函数的SVM对诊断结果的影响,进一步验证了IIST与SVM故障诊断方法是有效的。

一种基于时频域多特征量的电能质量混合扰动分类新方法

针对电能质量混合扰动分类问题,提出一种基于时频域多特征量的分类新方法。首先利用聚类经验模型分解方法和改进不完全S变换对扰动信号进行处理,并提取9个时频域特征值;然后,将特征量输入到分块化的自动分类系统中进行扰动识别。该方法充分考虑单一扰动之间的相互干扰,并通过互补的时频域特征量进行有效的抑制。仿真结果表明,在一定的噪声条件下,所提方法可有效分类电压暂降、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混合扰动。

基于深度前馈网络的电能质量复合扰动识别

针对电能质量复合扰动识别中识别准确率不高和泛化性能较差的问题,提出基于深度前馈网络(Deep Feedforward Network,DFN)的扰动识别方法。先在少数重要频率点上对扰动信号作不完全S变换,从得到的时频矩阵中提取多种识别特征,构建和训练三层DFN扰动分类器,并使用Dropout正则化来提高分类器的泛化性能。仿真实验和实测实验表明,文中的方法能够有效识别8种复合扰动在内的共17种扰动类型,并具有很好的抗噪性能和泛化性能。与CART决策树、极限学习机、随机森林等现有方法相比,方法识别准确率更高,鲁棒性更好,具有良好的应用前景。

一种新的电力系统低频振荡实时监测方法

电网低频振荡的实时监测是有效控制低频振荡现象的前提.提出采用不完全S 变换处理PMU 实时数据,将隐含低频振荡信息的PMU 数据波形图转换为直接显示各振荡模式下起振时刻、频率及振幅的二维时频图供调度人员参考,以实现低频振荡的可视化实时监测.为提高计算效率,采用GPU 实现图形显示和不完全S 变换中FFT 及其逆变换的并行算法运算.实例分析结果表明,该方法能够有效识别并显示低频振荡实时特征信息,有助于调度人员进行低频振荡的实时监测,适合实际应用.