基于VMD和IAO-SVM的电压暂降源识别方法

针对支持向量机(support vector machine,SVM)的惩罚因子、核函数参数选择困难和天鹰优化(aquila optimizer,AO)算法在寻优时容易陷入局部最优解的问题,利用改进的天鹰优化(improved aquila optimizer,IAO)算法对SVM的惩罚因子和核函数参数进行寻优,构建IAO-SVM分类器,利用变分模态分解(variational mode decomposition,VMD)提取电压暂降源信号三相电压的特征向量,并进行归一化处理之后输入到构造好的IAO-SVM分类器中对样本进行训练与识别,并与K近邻、极限学习机、SVM和AO-SVM这4种分类器进行对比。仿真结果表明,在对8种电压暂降源信号分别加入0 dB、10 dB、20 dB、30 dB、40 dB、50 dB和60 dB的高斯白噪声情况下,IAO-SVM分类器识别的准确率分别为99.5%、94%、99.25%、100%、99.25%、98.5%和97.25%,其识别准确率最高,验证了在对信号加入不同的高斯白噪声时,IAO-SVM分类器均具有较高的识别准确率和抗噪声能力,有助于解决电压暂降源的分类问题。

基于标签传播半监督学习的电压暂降源识别

针对带标签(类别已知)的电压暂降历史样本数据有限且不易获得的情况,引入基于标签传播半监督学习的电压暂降源识别方法。首先从电压暂降信号中提取了五类暂降信号特征,建立了K-近邻图模型,并实现了图模型上的标签传播。分析了图模型参数k、α对标签传播结果的影响,同时与神经网络、最小二乘支持向量机等监督学习算法的识别结果进行了对比。仿真结果表明,在历史数据较少的情况下,标签传播算法比传统监督学习算法具有更高的识别准确率且实时性好。

模糊综合评价在电压暂降源识别中的应用

电压暂降扰动发生源的分类与识别是合理制定电压暂降治理方案的基础。分析了由短路故障、变压器空载励磁和大型感应电机启动引起的电压暂降的特征,指出了这些特征可能存在的模糊性;选取了三相电压不平衡度、暂降持续时间比和2次谐波增量组成评价指标集,利用层次分析法确定各个指标的权重;基于建立模糊隶属函数的待定系数法,参考95%概率大值的定义,提出了一种模糊隶属函数参数的估计准则,分别构造了每类暂降关于各个指标的模糊隶属函数;计算综合指标隶属度,根据最大隶属度原则判定暂降源类型。通过仿真和实测数据的验证,并与典型暂降源识别方法相对比,表明了文中提出的模糊隶属函数参数的估计准则能够有效减小样本误差的影响,从而具有较高的准确率。

基于希尔伯特黄变换和决策树的电压暂降源识别方法

电压暂降源的准确识别对治理电压暂降问题和改善电能质量具有重要意义。雷击故障和普通故障造成的电压暂降特征不同,对电网的影响有差异,相应的治理措施也不同。传统的暂降源识别主要考虑了短路故障、变压器激磁和大型电机启动三类暂降源,将雷电冲击单独列为一类进行识别,提出一种基于希尔伯特黄变换(Hillbert-Huang transform,HHT)和决策树的暂降源识别方法。基于HHT变换后的曲线差异提取分类特征,并通过构建分类决策树自适应确定特征阈值。使用PSCAD/EMTDC搭建了普通故障、雷击故障、变压器激磁和电机启动四类暂降源仿真模型,通过仿真验证并与现有识别方法对比分析以及实际应用结果表明,所提方法简单有效、识别准确率高、有实用价值。

电压暂降源异质堆叠集成学习识别法

电压暂降源分类识别存在可获得信息不完备的问题。针对现有单一识别法弱学习特点和组合识别法一致性强的问题,提出一种基于异质堆叠集成学习的暂降源识别方法,提升识别模型的泛化能力和鲁棒性。把线路故障分为普通故障和雷击故障,以10类单一电压暂降源的识别为目标,选取9个表征特征差异的波形统计参数,构建27维识别特征向量。引入堆叠集成算法,以5种差异性强的单一识别法为基分类器,用随机森林法作元分类器,建立异质堆叠集成识别模型。通过PSCAD仿真数据和实测数据验证,并与现有6种识别法比较,结果表明,该方法识别精度高,噪声鲁棒性良好,具有良好的工程实用性。

基于最小变异系数的配电网电压暂降源模型识别方法

提出了一种基于最小变异系数的配电网电压暂降源模型识别故障定位方法。该方法通过获得配电网中各个节点短路时监测点所测得的电压暂降特性,建立在不同故障类型条件下的电压暂降源识别模型,根据实际配电网发生故障时监测点所测得的电压暂降数据,用电压不平衡度公式区分出故障类型后,再与相应故障类型的电压暂降源识别模型进行比对,得到最小平均变异系数的区段则具有最大概率为故障区段。该方法将配电网故障选线和配电网故障区段定位融合在一起,经EMTDC仿真验证,有较高的准确性和有效性。

一种新的电压暂降事故源识别方法研究

电压暂降发生频率高、影响范围广、造成危害大。针对电力监测系统中带有事故源信息的电压暂降监测数据非常有限且不易获得的问题,提出了一种基于半监督支持向量机的电压暂降源识别方法。分析了各种电压暂降事故源,利用短时傅里叶变换(STFT)对电压暂降信号进行时频分析,提取出各类暂降特性参数,运用半监督支持向量机对其进行训练与识别,实现在少量带事故源标签电压暂降监测数据下电压暂降源的可靠识别。算例结果显示,在少量标签数据下半监督支持向量机比传统支持向量机具有更高的暂降源识别精度。