下载文档原格式
基于聚类改进S变换与直接支持向量机的电能质量扰动识别徐志超;杨玲君;李晓明【摘要】针对电能质量扰动信号的识别问题,提出基于聚类改进S变换与直接支持向量机(SVM)的电能质量扰动识别方法.提出聚类改进S变换方法,该方法结合电能质量扰动信号的特点,可同时对基频的时域分辨率及高频的频域分辨率进行最优化处理,保证特征提取的准确性;将直接支持向量机作为分类器,与最小二乘支持向量机相比,其求解简单,计算复杂度较低,训练与测试速度快,泛化能力较高,并且避免不能保证全局最优解的缺点;将聚类改进S变换与直接支持向量机相结合,应用于单一扰动及混合扰动的识别分类工作.仿真实验验证了所提方法的有效性.【期刊名称】《电力自动化设备》【年(卷),期】2015(035)007【总页数】10页(P50-58,73)【关键词】电能质量;扰动识别;聚类改进S变换;直接支持向量机;支持向量机【作者】徐志超;杨玲君;李晓明【作者单位】南水北调中线干线工程建设管理局,北京100038;武汉大学电气工程学院,湖北武汉430072;武汉大学电气工程学院,湖北武汉430072;武汉大学电气工程学院,湖北武汉430072;武汉大学苏州研究院,江苏苏州215123【正文语种】中文【中图分类】TM7610 引言近年来，非线性负荷和精密电力电子设备的大量使用，对电网中电能质量产生了严重的污染与破坏，给用户与供电方均造成巨大经济损失。
因此，必须通过采用快速、正确的数据处理方法对引起电能质量问题的扰动信号进行识别，才能及时找出电能质量恶化的根本原因，从而采取合理的应对措施，以保证智能电网的“坚强性”。
电能质量扰动信号的识别需要通过特征提取和信号分类两步骤来实现，其中常见的扰动特征提取方法包括小波变换、短时傅里叶变换、Hilbert-Huang变换等[1-3]；常见的信号分类方法包括神经网络、决策树、支持向量机等[4-6]。
该问题研究已开展多年，但传统识别方法较多仅针对单一扰动进行分析。
基于S变换和最小二乘支持向量机的电能质量扰动识别王学伟，张宏财（北京化工大学信息科学与技术学院，北京100029）摘要：采用Ｓ变换和最小二乘支持向量机相结合，构建了一种电能质量扰动识别的新方法。
首先利用Ｓ变换对电能质量扰动信号进行时频分解；然后，从扰动信号Ｓ变换的结果中，提取扰动信号的特征向量，组成训练样本和测试样本；最后，使用最小输出编码的最小二乘支持向量机对扰动信号进行训练，实现电能质量扰动信号自动分类和识别。
仿真结果表明，该方法识别准确率高，抗噪能力强，且训练时间很短，适用于电能质量扰动辨识系统。
关键词：电能质量；扰动识别；Ｓ变换；最小二乘支持向量机中图分类号：ＴＭ７１１文献标识码：Ａ文章编号：１００１－１３９０（２００９）０８－０００１－０４Power Quality Disturbances Identification Based on S-Transform and LS-SVMＷＡＮＧＸｕｅ－ｗｅｉ，ＺＨＡＮＧＨｏｎｇ－ｃａｉ（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＣｈｅｍｉｃａｌＴｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ１０００２９，Ｃｈｉｎａ）Abstract：ＡｎｅｗｍｅｔｈｏｄｂａｓｅｄｏｎＳ－ｔｒａｎｓｆｏｒｍｔｉｍｅ－ｆｒｅｑｕｅｎｃｙａｎａｌｙｓｉｓａｎｄｌｅａｓｔｓｑｕａｒｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＬＳ－ＳＶＭ）ｉｓｐｒｅｓｅｎｔｅｄｆｏｒｐｏｗｅｒｑｕａｌｉｔｙ（ＰＱ）ｄｉｓｔｕｒｂａｎｃｅｓｉｄｅｎｔｉｆｉｃａｔｉｏｎ．ＦｉｒｓｔｌｙｕｓｉｎｇＳ－ｔｒａｎｓｆｏｒｍａｎａｌｙｚｅｓＰＱｄｉｓｔｕｒｂａｎｃｅｓ．Ｔｈｅｎｆｅａｔｕｒｅｃｏｍｐｏｎｅｎｔｓｗｅｒｅｅｘｔｒａｃｔｅｄｆｒｏｍｔｈｅｄｅｔｅｃｔｉｎｇｏｕｔｐｕｔｓｆｏｒｔｒａｉｎｉｎｇ．ＦｉｎａｌｌｙＬＳ－ＳＶＭｂａｓｅｄｏｎｍｉｎｉｍｕｍｏｕｔｐｕｔｃｏｄｉｎｇｉｓｕｓｅｄｔｏｃｌａｓｓｉｆｙａｎｄｉｄｅｎｔｉｆｙＰＱｄｉｓｔｕｒｂａｎｃｅｓ．Ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｈａｓａｎｅｘｃｅｌｌｅｎｔｐｅｒｆｏｒｍａｎｃｅｏｎｃｏｒｒｅｃｔｒａｔｉｏａｎｄｔｒａｉｎｉｎｇｓｐｅｅｄ，ａｎｄｓｔｒｏｎｇｒｅｓｉｓｔａｎｃｅｓｔｏｎｏｓｉｅｓ，ｓｏｉｔｉｓｓｕｉｔａｂｌｅｆｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎｓｙｓｔｅｍｆｏｒＰＱｄｉｓｔｕｒｂａｎｃｅｓ．Key words：ｐｏｗｅｒｑｕａｌｉｔｙ，ｄｉｓｔｕｒｂａｎｃｅｓｉｄｅｎｔｉｆｉｃａｔｉｏｎ，Ｓ－ｔｒａｎｓｆｏｒｍ，ｌｅａｓｔｓｑｕａｒｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ0引言随着电力电子设备的广泛应用，电能质量监测设备获得的数据量变得庞大，采用人工的方法对这些数据进行处理，耗费人力和物力，且效果不佳。
基于改进能量集中度的S变换与随机森林的电能质量扰动识别高健;崔雪;邹晨露;刘洋【摘要】鉴于S变换的窗口函数对不同频带信号的自适应能力差,提出一种新型的改进S变换(Modified S-Transform,MST),该方法通过引入四个辅助参数,优化高斯窗函数尺度因子的自适应能力,使改进S变换的能量集中度最大化,获得了更出色的时频分辨能力.建立了基于扰动信号幅值和相位的特征值评价体系,采用随机森林(Random Forest,RF)算法对包括标准信号和电压暂降、电压暂升、高次谐波、暂态振荡等10种扰动信号共11类电能质量信号分类识别.与已有文献采用的决策树、支持向量机和神经网络分类结果进行了对比分析,仿真试验结果表明,该方法分类准确率高,抗干扰能力强,且在训练样本少、低信噪比(Signal-to-Noise Radio,SNR)条件下分类结果优势明显.【期刊名称】《电测与仪表》【年(卷),期】2019(056)001【总页数】8页(P8-14,21)【关键词】改进S变换;能量集中度;随机森林;电能质量;扰动识别【作者】高健;崔雪;邹晨露;刘洋【作者单位】武汉大学电气工程学院,武汉430000;武汉大学电气工程学院,武汉430000;武汉大学电气工程学院,武汉430000;武汉大学电气工程学院,武汉430000【正文语种】中文【中图分类】TM7430 引言近年来，大量的非线性、冲击性和不平衡负载在电力系统中投入使用。
电力系统因电压暂降、高次谐波等电能质量扰动所导致的电子设备损坏、继电器保护装置误动作、干扰通信以及电机堵转等严重后果，造成严重的经济损失和社会影响。
因此，需要密切监视各种电能质量扰动，并分析其时频特性，从而对其展开类型识别工作，以供后续治理需要[1]。
电能质量扰动信号多表征非线性，对非线性信号进行时频分析的常用方法有短时傅里叶变换[2]、小波变换[3]、Hilbert-Huang变换[4]、S变换[5]等。
基于广义S变换的暂态电能质量扰动定位与识别刘奇;周雒维;卢伟国【摘要】S-transform has fixed time-frequency resolution, leading to poor results of localizing transient power quality disturbances. A new method to localize the disturbances is proposed based on generalized S-transform. The method detects mutation peak in the high frequency time-amplitude curve, in order to increase localization accuracy. At first, modulus time-frequency matrix is calculated by generalized S-transform, then the disturbances' start-stop time is localized using the high frequency time-amplitude curve, and four identification features are extracted accordingto maximum frequency spectrum curve, fundamental frequency amplitude curve and the localization results. At last, automatic classification of disturbance signals is performed by use of a rule-based decision tree. Simulation results show that the proposed localization method is simple and intuitive, with high accuracy. The number of identification features is small and they are effective with good classification results.This work is supported by National Natural Science Foundation of China (No. 51077137).%S变换由于时频分辨率固定,从而导致定位暂态电能质量扰动的效果差.提出一种基于广义S变换的扰动定位新方法,利用高频处时间幅值曲线的突变点峰值进行定位检测,以提高扰动的定位精度.首先通过广义S变换得到扰动信号的模时频矩阵,然后利用高频处时间幅值曲线定位扰动的起止时刻,再根据最大频谱曲线、基频幅值曲线与定位结果提取四个识别特征量,最后基于分类规则树方法实现扰动信号的自动分类.仿真结果表明,所提出的定位方法简单直观,精度较高；提取的识别特征量少而有效,分类效果良好.【期刊名称】《电力系统保护与控制》【年(卷),期】2012(040)007【总页数】6页(P60-65)【关键词】电能质量;暂态扰动;广义S变换;定位;分类【作者】刘奇;周雒维;卢伟国【作者单位】重庆大学输配电装备及系统安全与新技术国家重点实验室,重庆400044;重庆大学输配电装备及系统安全与新技术国家重点实验室,重庆400044;重庆大学输配电装备及系统安全与新技术国家重点实验室,重庆400044【正文语种】中文【中图分类】TM710 引言日益突出的暂态电能质量问题对敏感负荷和工业生产造成了严重影响，而解决这一问题的前提是对各种扰动信号进行有效的检测、定位和识别[1]。
基于S变换时频矩阵奇异值特征向量的电能质量扰动分类刘守亮1，彭勇1，肖先勇2，陈丹2（1.北京电力公司，北京 前门西大街41号，1000312.四川大学电气信息学院，成都，610065） Classification of Power Quality Disturbances Based on Singular Value Feature Vectors ofS-Transform Time-Frequency MatrixesLiu Shouliang 1, Peng Yong 1, Xiao Xianyong 2, Chen Dan 2（1.Beijing Electric Power Corporation,No.41 West Avenue Qianmen, Beijing, 1000312.School of Electric Engineering & Information, Sichuan University, Chengdu, 61006）ABSTRACT: A new classification method for power quality disturbance (PQD) based on singular value(SV) feature vectors of S-transform (ST) time-frequency matrixes (TFM) has been proposed. The ST has excellent time-frequency resolution characteristics and makes it simple to observe and analysis the PQD signals. The singular value decomposition (SVD) is an effective algebra feature extraction method, and SVs can reflect the inherent characteristics of TFM accurately. Firstly, by adopting the first two SVs and the first column of V matrix,the standard feature vectors of various disturabnces are constructed. Then, the Euclid distance of feature vectors between standard and analyzed disturbance signals is computed, and in terms of a minimum distance the PQD signals are classified. Simulation results show that with different noise SNR the proposed method can achieve a satisfied accuracy for PQD identification.KEY WORD:Power quality；S-transform (ST)；Singular value (SV)； Disturbance classification；Euclid distance摘要：提出了一种基于S变换时频矩阵奇异值特征向量的电能质量扰动分类方法。
基于S变换的电能质量扰动分析的开题报告一、研究背景随着电力系统的发展，电能质量问题越来越突出，电网中存在各种电能质量扰动，如电压骤降、电压突变、频率偏差、谐波等，严重影响了电力系统的运行稳定性和电气设备的安全可靠性，同时也对用户的用电产生了不良影响。
因此，对电能质量进行监测和控制成为电力领域研究的重要课题。
目前，电能质量扰动的分析方法主要有时域分析方法、频域分析方法和时频分析方法等。
其中，时域分析方法适用于对电能质量扰动的短时变化进行分析，但无法对频率转变比较快的扰动进行描述；频域分析方法可以对周期性扰动进行较好的描述，但对于逐渐变化的非周期性扰动分析则有限；时频分析方法是一种综合了时域和频域分析的方法，可用于对任意变化的扰动进行分析。
不同于时域分析和频域分析方法，时频分析方法的分析结果具有更高的分辨率和更全面的信息。
二、研究内容和目标本研究的主要内容是基于S变换的电能质量扰动分析，旨在分析电能质量扰动的特征和规律，为电能质量监测和控制提供技术支持。
具体目标如下：1、建立电能质量扰动的数学模型，使用S变换对电能质量扰动进行分析。
2、开发基于S变换的电能质量监测系统，实时对电能质量扰动进行监测和分析。
3、分析电能质量扰动的特征和规律，提出相应的控制策略。
三、研究方法和技术路线本研究采用S变换作为电能质量扰动分析的数学工具。
S变换是一种时频变换方法，它可以将信号从时域转换到S域，S域中的频率和时间是连续的。
通过S变换可以得到电能质量扰动的时频表示，从而对其进行深入的分析。
技术路线如下：1、收集电能质量监测数据，进行数据预处理。
2、建立电能质量扰动的数学模型，使用S变换对电能质量扰动进行分析。
3、开发基于S变换的电能质量监测系统，实时对电能质量扰动进行监测和分析。
4、分析电能质量扰动的特征和规律，提出相应的控制策略。
五、预期研究成果与意义本研究预期取得以下成果：1、电能质量扰动的数学模型和基于S变换的时频特性分析方法。
目录摘要 (I)Abstract (II)1引言 (1)1.1课题的背景及研究的意义 (1)1.2电能质量概述 (2)1.2.1电能质量的定义 (2)1.2.2电能质量的特点和分类 (2)1.3电能质量扰动综述 (2)1.3.1电能质量扰动的类型 (2)1.3.2电能质量扰动的分析方法 (3)1.3.3电能质量扰动的分类方法 (3)1.4论文的创新点 (3)1.5论文的主要内容及框架 (3)2电能质量扰动信号的数学模型及仿真 (4)2.1电压暂降 (4)2.2电压暂升 (4)2.3电压中断 (5)2.4电压闪变 (5)2.5谐波 (6)2.6暂态振荡 (7)3 S变换的原理简介及性质 (7)3.1 S变换的原理简介 (7)3.1.1 一维连续的S变换公式 (7)3.1.2一维离散的S变换公式 (8)3.1.3离散的S变换算法 (8)3.1.4广义的S变换公式 (9)3.2 S变换的性质的简要说明 (9)3.2.1 S变换的局部性特征 (9)3.2.2 S变换的线性特征 (9)3.2.3 S变换的时移性特征 (10)4 电能质量的扰动信号的特征提取 (10)4.1简要介绍S变换后的复数矩阵 (10)4.2简要介绍该复数矩阵的模值矩阵 (10)4.3电能质量各类扰动信号的仿真及其时频统计信息图 (11)4.4电能质量各类扰动信号的特征分析 (13)5电能质量的扰动信号的分类识别 (14)5.1决策树模型的构建 (14)5.2验证仿真分类结果的正确性 (15)6总结与展望 (16)6.1 总结 (16)6.2展望 (16)参考文献 (18)致谢 (19)附录 (20)ContentsAbstract (II)1 Introduction (1)1.1 The background and significance of the research (1)1.2 Power quality overview (2)1.2.1 Definition of power quality (2)1.2.2 Characteristics and classification of power quality (2)1.3 Overview of power quality disturbances (2)1.3.1 Types of power quality disturbances (2)1.3.2 Analysis method for power quality disturbances (3)1.3.3 Classification method for power quality disturbances (3)1.4 Innovative points of the paper (3)1.5 The main contents and frame of the paper (3)2 The mathematical model and Simulation of power quality disturbance signal (4)2.1 Voltage sag (4)2.2 Voltage swell (4)2.3 Voltage interrupt (5)2.4 Voltage flicker (5)2.5 Harmonics (6)2.6 Transient oscillation (7)3 Introduction and properties of S transform (7)3.1 Introduction to the principle of S transform (7)3.1.1 S transformation formula for one-dimensional continuous (7)3.1.2 S transformation formula for one-dimensional discrete (8)3.1.3 Discrete S transform algorithm (8)3.1.4 Generalized S transformation formula (9)3.2 A brief description of the nature of S transform (9)3.2.1 Local feature of S transform (9)3.2.2 Linear features of S transform (9)3.2.3 Time shift feature of S transform (10)4 Feature extraction of power quality disturbance signal (10)4.1 Brief introduction of the complex number matrix after S transformation (10)4.2 Brief introduction of the modulus matrix of the complex number matrix (10)4.3 Simulation of various types of power quality disturbance signals and its time-frequency statistics diagram (11)4.4 The feature analysis of various types of power quality disturbance signals (13)5 Classification and recognition of power quality disturbance signals (14)5.1 Construction of decision tree model (14)5.2 Verify the correctness of the simulation results (15)6 Conclusion and prospect (16)6.1 Conclusion (16)6.2 Prospect (16)Reference (18)Acknowledgements (19)Appendix (20)基于S变换的电能质量扰动识别研究分析摘要：目前来说，电力系统电能质量是电力系统领域研究的一个热点问题。
电能质量扰动类型多，主要包括单一类型和复合类型的扰动。
单一类型的扰动有：电压暂降、电压暂升、电压中断、电压缺口、电压尖峰、电压闪变、谐波及振荡暂态等。
复合类型的扰动有：含电压暂降的谐波、含电压暂升的谐波等。
这就要求我们掌握电能质量各类扰动信号的特点。
当面对海量的扰动信号数据时，能够提取出相应的特征参数，并会运用这些特征值对其正确的分类识别。
该论文分析的方法有两步。
第一，运用Matlab对电能质量扰动信号进行建模仿真，然后通过S变换得到一个复数矩阵，再求其模值，提取出相应的特征参数组成特征向量。
第二，采用简单、高效的决策树对电能质量扰动信号进行正确的分类识别。
最后仿真分析结果显示，这种S变换与决策树相结合的研究方法识别的正确率高，而且抗噪声能力强，是一种非常适用的方法。
关键词：电力系统电能质量电能质量扰动S变换决策树特征提取分类识别Research on Power quality Disturbances Classification Based onS-TransformAbstract At present, electrical power systems quality is a hot issue in the field of power system. There are many types of power quality disturbances, which mainly include the single type of disturbance and the compound type of disturbance. The single type of disturbance includes: voltage sag, voltage swell, voltage interruption, voltage gap, voltage spike, voltage flicker, harmonic and oscillatory transient etc. The compound type of disturbance includes harmonics including voltage sag, harmonics including voltage swell. This requires us to grasp the characteristics of various types of power quality disturbance signals. When we are faced with the massive disturbance signal data, we can extract the corresponding feature parameters, and use these eigenvalues to correctly recognize. There are two steps in the analysis method of the paper. Firstly, the use of Matlab for power quality disturbance signal modeling and simulation, and then a complex matrix is obtained through the S-transform. moreover, we need calculate the complex matrix’s modulus value and extract the corresponding characteristic parameters to compose of eigenvector. Secondly, the power quality disturbance signals can be classified correctly by using the simple and efficient decision tree. Finally, the simulation analysis results show that the combination of the S-transform and decision tree analysis method identification accuracy is relatively high, the anti-noise ability is good, it is a very suitable method. Keywords: electrical power systems quality; power quality disturbance; S-transform; decision tree; feature extraction; identification1引言智能电网的构建，使智能化发展的趋势更加明显。
