一种基于粗糙集与小波变换的电能质量分类方法

针对目前电能质量问题分类常用方法中存在判断过程复杂且计算量大的问题,提出将小波变换和粗糙集理论相结合解决电能质量分类问题的方法。首先,利用小波变换提取扰动信号的特征矢量样本数据;然后,应用模糊C均值聚类的方法将所提取的连续的特征矢量样本数据离散化,得到离散化后的分类知识规则表;最后,采用粗糙集理论中的属性与属性值约简算法,获得判断电能质量分类的核心规则知识。通过对Matlab下的模拟信号数据进行仿真实验,结果表明该方法可直接由信号数据快速准确地判断出信号所属的电能质量类型,简单易行。

基于混沌关联积分的暂态电能质量扰动分类

关联积分曲线基于时间序列重构,能够更全面反映时间序列扰动变化,并且作为扰动识别的特征量,可以避开关联维无标度区间确定这一问题。根据暂态电能质量信号在不同扰动下其关联积分曲线所呈现出的特有形态特征,将关联积分曲线作为扰动识别的特征量。不同扰动信号的关联积分曲线区别较大,直观明了。该方法操作简单方便,可以省去烦琐的数值分析,且具有较高的精确度和实用性。对几种典型的暂态扰动信号进行识别和分类,仿真结果证明了其有效性和优越性。

电能质量扰动的专家概率分类器模型

电力系统以及部分用户均安装有监测装置,收集了大量的扰动数据,因此有必要研究出实用简单的、自动的扰动分类器,从而为进一步研究奠定基础。提出了电能质量扰动的专家概率分类器模型,用于常见电能质量扰动的分类。概率分类器基于数理统计规律,概念清楚、运算简单,引入专家反馈环节可以提高分类的准确性、鲁棒性,使得分类器具备一定的自适应能力。根据同一监测地点检测到的电能质量扰动样本,构建并测试了该分类器的可行性及性能,结果令人满意。

考虑多指标融合的电能质量扰动特征优选策略

针对电能质量扰动特征集合冗余、分离能力差,从而导致电能质量扰动分类准确率低的问题,提出考虑多指标融合的电能质量扰动特征优选策略。首先,采用希尔伯特–黄变换提取频域特征,并构造电能质量扰动的分类特征全集作为特征子集优选对象;其次,将相交度、冗余度、分离度指标融合并构建特征子集优选规则,并通过改进布谷鸟搜索法初选得到待选特征子集;而后,将子集维度和扰动分类准确率融合并定义为代价因子,从而评估不同维度的待选特征子集的优劣,并选择代价因子最小的特征子集作为最优特征子集;最后,采用最优特征子集训练分类模型,实现电能质量扰动信号分类。经仿真对比验证,所提策略能够获取维度较小且有利于电能质量扰动分类的特征子集。

基于深度卷积序列残差组合神经网络的电能质量扰动分类方法

针对当前电能质量扰动学习模型在参数更新过程中易出现梯度爆炸而导致参数不更新和深层神经网络容易出现过拟合的问题,提出一种深度卷积序列残差组合神经网络模型,该模型采用深度卷积神经网络对电能质量波形进行深度特征提取,使用循环神经网络对提取后的特征进行时间序列学习,使用残差神经网络对学习到的波形序列信息进行更深层的学习。同时,在卷积神经网络和残差神经网络中加入循环神经网络对电能质量扰动信号进行序列特征的学习,有效避免了由于对电能质量扰动信号序列信息学习不充分而导致的分类精度低的情况。

基于SVM机器学习算法的电能质量扰动分类与评估

目前大多数电能质量扰动分类方法都是基于对扰动数学表达式的分析,分析结果不能反映电力系统参数,如果电力系统有任何变化,结果也不能说明变化的好坏。对此提出了一种基于SVM机器学习算法的电能质量扰动分类评估方法。该算法应用机器学习算法SVM支持向量机对基于时域特性分析的扰动分类方法 (TDCA法)提取的扰动特征量进行分类,在建立的IEEE 9节点标准模型中模拟所有常见的单一和复杂的电力系统干扰。这些干扰都是用TDCA法精确分类和评估的。仿真结果表明,该方法也可用于基于电力系统参数的电力扰动分类,并可以反映系统的参数,对后续系统参数调整具有很大的参考意义。

基于S变换和径向基神经网络的暂态电能质量扰动识别

提出一种基于S变换和径向基神经网络的暂态电能质量扰动识别的方法。该方法首先用S变换对暂态电能质量扰动波形进行预处理,使用统计的方法提取了5个相关特征量,然后用径向基神经网络对提取的特征量样本进行分类。仿真结果表明,该方案正确率高,抗噪声能力强,训练样本少,响应快速。

基于WT和LDC综合算法的电能质量扰动源辨识方法

提出一种基于小波变换(wavelet transform,WT)与局部密度聚类(local density clustering,LDC)算法的电能质量扰动源辨识方法。通过小波变换提取电能质量扰动特征量,采用多级局部密度聚类搭建分类模型进行电能质量扰动源分类辨识。首先对电能质量扰动的时序信号进行小波分解,将其分解为低频与高频信号;接着结合各个信号在小波能量谱上的差异度来提取电能质量扰动特征量;然后将其作为样本进行LDC聚类分析,搭建电能质量扰动分类模型;最后采用搭建的分类模型进行电能质量扰动源分类辨识。在算例实验中,选用8种常见的电能质量扰动以及对应2种复合扰动源进行分类检验,该方法对上述电能质量问题能进行有效分类,且多级LDC具有较低的运算复杂度和较高的辨识度。