10.19768/j.cnki.dgjs.2020.15.011
基于小波变换和极限学习机的电能质量扰动分类
利用小波变换(WT)和极值学习机(ELM)对电能质量事件(PQE)进行识别分类,利用离散小波变换(DWT)对信号进行多分辨率分析,获得PQ信号的特征能量系数,并在25、35、45dB噪声环境下,构造了3种PQ数据集.ELM是一种有效的广义单隐层前馈网络(SLFNs)学习算法,可用于识别各种多分类问题.对比试验与现有方法结果,证明基于小波变换的极限学习机能对8种扰动进行有效分类,具有鲁棒性强的识别结构,可用于实际电力系统信号分类.
小波变换、极限学习机、电能质量、多分类
TM733(输配电工程、电力网及电力系统)
2020-09-24(万方平台首次上网日期,不代表论文的发表时间)
共3页
41-43